Die Antwort sofort: Ja, heutige offene Modelle können Tschechisch — aber die Frage „Kann es Tschechisch?” bringt einem Unternehmen nichts. Entscheidend ist die konkrete Aufgabe: Dasselbe Modell zieht zuverlässig den Betrag aus einer Bestellung und schreibt dem Kunden zugleich einen Satz mit englischem Satzbau. Tschechische Benchmarks zeigen einen messbaren Abstand zum Englischen und eine je nach Aufgabentyp wechselnde Rangfolge der Modelle — die Auswahl gehört deshalb an Ihre eigenen Dokumente, nicht an ein Leaderboard.
Die Frage „Kann lokale KI Tschechisch?” hat dasselbe Problem wie die Frage „Ist die Festplatte schnell?”. Die Antwort hängt davon ab, was Sie damit vorhaben. Ein Modell, das in einem Tschechischtest eine Multiple-Choice-Frage korrekt beantwortet, kann beim freien Schreiben Wörter produzieren, die es im Tschechischen gar nicht gibt. Und umgekehrt — ein Modell mit holpriger Stilistik kann beim Herausziehen von Rechnungsbeträgen in JSON absolut zuverlässig sein.
In diesem Text geht es darum, was tschechische Benchmarks tatsächlich messen, wo ihre Grenzen liegen und wie Sie daraus eine Entscheidung machen, die Sie vor sich selbst und vor Ihrer Buchhaltung vertreten können.
Sechs Fähigkeiten, die sich hinter dem Wort „Tschechisch” verstecken
Ein Unternehmenseinsatz steht nicht auf einer einzigen Fähigkeit. Er steht auf sechs, die nur lose zusammenhängen:
| Fähigkeit | Woran man sie im Betrieb erkennt |
|---|---|
| Textverständnis | Unterscheidet Reklamation, Bestellung und normale Anfrage |
| Informationsextraktion | Liefert aus dem Vertrag korrekte Namen, Beträge, Fristen und Verpflichtungen |
| Texterstellung | Schreibt eine natürliche E-Mail ohne seltsame Wörter und englischen Satzbau |
| Einhaltung der Anweisung | Gibt ausschließlich die geforderte Tabelle oder valides JSON zurück |
| Umgang mit Kontext | Antwortet anhand der gelieferten Dokumente, nicht anhand eigener Vermutungen |
| Sicheres Verweigern | Erfindet keine Antwort, wenn die Unterlagen nicht ausreichen |
Die letzte Zeile ist die, an der Unternehmenseinsätze am häufigsten scheitern. Ein Modell, das statt „steht nicht in den Unterlagen” einen überzeugend aussehenden Betrag ergänzt, ist schlechter als gar kein Modell — weil den Fehler niemand sucht.
Und genau deshalb ist es egal, wie viel Prozent ein Modell in einem Test der tschechischen Grammatik einsammelt. Das misst die erste Fähigkeit, vielleicht die zweite. Über die übrigen vier sagt es nichts.
Was BenCzechMark zeigt
BenCzechMark ist ein tschechischer Benchmark, veröffentlicht 2025 in der Zeitschrift TACL. Er enthält 50 Aufgaben aus acht Bereichen — Textverständnis, Faktenwissen, mathematisches Schlussfolgern, Erkennung benannter Entitäten, Sentiment, Beziehungen zwischen Aussagen und weitere. Die Ergebnisse gelten für die in der Studie getesteten konkreten Modellversionen; sie lassen sich nicht automatisch auf ein späteres Modell derselben Familie übertragen.
Für Unternehmensinhaber folgen daraus drei Dinge.
Es gibt keinen einzelnen Sieger. Quer über die Kategorien schnitten unterschiedliche Modellfamilien gut ab — Llama, Gemma, Phi, Mistral, Qwen und EuroLLM. Ein Modell, das die Konkurrenz bei der Entitätsextraktion überrollt, kann beim Schlussfolgern Mittelmaß sein. Die Frage lautet nicht „welches Modell ist das beste”, sondern „welches ist das beste für meine Aufgabe”.
Ein tschechisches Modell ist für Tschechisch nicht automatisch besser. Die in die Studie aufgenommenen tschechischen Modelle hatten bei einigen rein sprachlichen Messungen die Nase vorn, blieben aber bei den meisten übrigen Aufgaben hinter starken mehrsprachigen Modellen zurück. Training auf Tschechisch hilft der Sprache; es ersetzt nicht Datenmenge, Modellgröße und die Qualität des Instruction-Tunings.
Die Formulierung der Aufgabe bewegt das Ergebnis. Einige kleinere Modelle reagierten empfindlich auf eine Änderung des Prompts. Das ist für die Automatisierung eine grundlegende Warnung: Eine Pipeline, die nur bei einer einzigen exakten Formulierung funktioniert, fällt in dem Moment um, in dem Ihnen ein Kunde eine um zwei Sätze längere E-Mail schreibt — oder eine ohne diakritische Zeichen.
BenCzechMark hat auch seine Grenzen. Er bewertet offene Modelle und deckt nicht alles ab — etwa langes Textgenerieren oder die volle Breite der Anweisungsbefolgung. Er ist ein Werkzeug für eine engere Vorauswahl, kein Ersatz für einen Piloten auf Ihren Daten.
Was MiniCzechBenchmark ergänzt
MiniCzechBenchmark wurde auf einem Workshop der NeurIPS 2025 als schnellere tschechische Evaluation vorgestellt, mit Fokus auf die Begrenzung von Kontamination der Testdaten — also der Situation, in der Testfragen in die Trainingsdaten geraten und das Modell sie auswendig „kann”.
Die Autoren geben an, dass zwischen den englischen und den tschechischen Fähigkeiten der Modelle ein Unterschied von etwa 10–30 % fortbesteht. Das ist eine zusammenfassende Spanne über den gesamten Benchmark, keine Garantie für ein konkretes Modell und eine konkrete Aufgabe. Es bedeutet nicht „die tschechische Ausgabe wird um 20 % schlechter sein”; es bedeutet, dass Sie sich für Tschechisch nicht auf englische Zahlen aus dem Leaderboard verlassen können.
Wichtig ist aber die Grenze dessen, was der Benchmark überhaupt misst: Alle vier Teile bestehen aus Multiple-Choice-Fragen. Darüber, wie das Modell zusammenhängenden Text schreibt, sagt er also nichts. Und das sind zwei verschiedene Fähigkeiten — ein Modell kann zuverlässig Antwort B ankreuzen und dabei in der E-Mail holprige Sätze bauen oder nicht existierende Wörter bilden. Die Qualität des freien Schreibens müssen Sie selbst an Ihren eigenen Texten ausprobieren; kein öffentlicher tschechischer Benchmark misst sie für Sie.
Daraus ergibt sich eine einfache Auswahlregel. Soll die KI Kunden antworten, müssen Sie ganze Antworten bewerten — keine Scores. Soll sie nur Dokumente sortieren, sind die Genauigkeit der Klassifikation und die Stabilität des Ausgabeformats entscheidend.
Warum Tschechisch hinter Englisch zurückbleibt
Die diakritischen Zeichen allein erklären den Unterschied nicht. Entscheidend sind Menge und Qualität tschechischer Texte im Training, die Art der Zerlegung des Textes in Tokens und das Instruction-Tuning — und Letzteres liegt größtenteils auf Englisch vor.
Die Tokenisierung ist dabei ein Posten, den Menschen unterschätzen. Für überwiegend auf Englisch trainierte Tokenizer ist Tschechisch meist weniger sparsam: Dieselbe Information belegt mehr Tokens. Praktisch bedeutet das einen kürzeren nutzbaren Kontext bei gleichem Limit, höheren Rechenaufwand und längere Antwortzeiten. Wie viel genau, lässt sich nicht aus der Wortzahl abschätzen — Sie müssen es mit dem Tokenizer des konkreten Modells messen.
Die zweite Variable ist die Quantisierung. Eine Vier-Bit-Variante spart deutlich Speicher, kann aber Genauigkeit und Stabilität der Ausgabe verändern und ist nicht identisch mit dem Modell in der ursprünglichen Präzision. Eine Vollversion auf einer Serverkarte mit einer aggressiv quantisierten Variante auf einer Workstation zu vergleichen und die Konfiguration nicht anzugeben, ist irreführend; in manchen öffentlichen Vergleichen fehlt die genaue Konfiguration jedoch.
Welche Modelle es sinnvoll ist, in den Firmentest aufzunehmen
Nutzen Sie öffentliche Benchmarks als erstes Sieb. BenCzechMark vergleicht unter anderem konkrete damalige Varianten aus den Familien Llama, Gemma, Mistral, Qwen, Phi und EuroLLM. Nehmen Sie in den eigenen Test die Versionen auf, die zum Entscheidungszeitpunkt verfügbar und unterstützt sind — und nur, wenn ihre genaue Lizenz die geplante kommerzielle Nutzung abdeckt. Bei manchen offenen Modellen ist die Lizenz nicht dasselbe wie Apache 2.0 oder MIT.
Der Familienname allein genügt aber nicht. In die Dokumentation gehören:
- die exakte Version und die Parameterzahl,
- Typ und Grad der Quantisierung,
- die Kontextlänge,
- die Lizenz,
- die verwendete Runtime,
- der VRAM-Verbrauch,
- die Zeit bis zum ersten Token und die Geschwindigkeit der weiteren Generierung.
Ohne diese Angaben lässt sich der Test nicht wiederholen — und ein nicht wiederholbarer Test ist keine Messung, sondern ein Eindruck.
Für einen einfachen Einsatz wird üblicherweise Ollama verwendet. llama.cpp bietet breite Unterstützung für das GGUF-Format und Betrieb auf CPU wie GPU. Für einen Server, der mehrere gleichzeitige Anfragen bedient, wählt man vLLM. Die Runtime selbst erzeugt keine Tschechisch-Qualität — sie beeinflusst Geschwindigkeit, Kapazität und Einsatzmöglichkeiten.
Bei der Modellauswahl spielt auch eine Rolle, woher es stammt. Das NÚKIB (Nationales Amt für Cyber- und Informationssicherheit der Tschechischen Republik) hat eine Warnung vor der Nutzung von DeepSeek herausgegeben — sie richtet sich an Subjekte, die unter das Gesetz über Cybersicherheit fallen, also bei weitem nicht nur an die Staatsverwaltung, und wir haben aufgeschlüsselt, was das für Unternehmen bedeutet — beim lokalen Betrieb verändert sich ein Teil der Risiken, aber sie verschwinden nicht vollständig.
Wie wir eigene Messungen auf RTX 3090 und H100 vorbereiten
Hier verläuft die Grenze zwischen dem, was wir wissen, und dem, was wir erst messen werden. Öffentliche tschechische Zahlen existieren. Einen eigenen Vergleich auf unserer Hardware bereiten wir vor — und solange er nicht abgeschlossen ist, erfinden wir keine Tabelle.
Die RTX 3090 hat 24 GB VRAM und ist die zugänglichere Variante für den lokalen Betrieb. Orientierend erlaubt sie die Arbeit mit quantisierten Modellen etwa in der Klasse von 7–32 Milliarden Parametern; das tatsächliche Limit bestimmt die Kombination aus Quantisierung, Kontextlänge, KV-Cache und Runtime. Die H100 dient als Referenzplattform für größere Modelle und Varianten in höherer Präzision.
Auf beiden Plattformen verwenden wir denselben Testsatz:
- Extraktion von Feldern aus einer Bestellung nach JSON,
- Klassifikation einer Serviceanfrage,
- Zusammenfassung eines längeren Dokuments ohne Hinzufügen neuer Aussagen,
- Antwort an den Kunden im vorgeschriebenen Ton,
- Umgang mit tschechischen Namen, Deklination und Firmenterminologie,
- Verweigerung einer Antwort, die sich nicht aus den Unterlagen belegen lässt.
Bei jedem Durchlauf messen wir Korrektheit, Validität des Ausgabeformats, Auftreten erfundener Angaben, sprachliche Qualität, Antwortzeit, Generierungsgeschwindigkeit und Speicherverbrauch. Wir protokollieren die exakte Modellversion, den Prompt, die Generierungseinstellungen und die Anzahl der Wiederholungen.
Was lokale KI kostet und was Sie für diesen Preis bekommen
Lokale KI rechnet nicht pro gesendetem Token ab, umsonst ist sie aber nicht. Die Kosten bestehen aus Hardware, Strom, Speicher, Administration, Aktualisierungen und vor allem der Integrationsarbeit — sie ist meist der größte Posten und fehlt in Kalkulationen am häufigsten.
Die RTX 3090 ergibt Sinn für einen Piloten oder einzelne interne Workflows. Die H100 ist eine Serverplattform für höhere Leistung, größere Modelle und mehr gleichzeitige Nutzer; für ein kleines Unternehmen ergibt es wirtschaftlich meist keinen Sinn, sie zu besitzen.
Treffen Sie die Entscheidung deshalb nicht nach dem GPU-Preis, sondern nach der Aufgabe:
- Wie viele Anfragen kommen gleichzeitig herein?
- Wie schnell muss der Nutzer eine Antwort bekommen?
- Wie viel Zeit verbraucht dieser Prozess heute?
- Wie teuer ist eine falsche Antwort?
- Müssen die Daten im Firmennetz bleiben?
Die letzte Frage entscheidet oft allein. Einen detaillierten Vergleich der Betriebskosten haben wir im Artikel was KI für ein Unternehmen kostet, die Aufteilung der Agenden zwischen Cloud und eigenem Netz dann im Text KI ohne Cloud: welche Agenden das Netz nicht verlassen dürfen.
Wie Sie die Qualität schon vor dem Kauf erkennen
Bereiten Sie 20–50 anonymisierte Eingaben aus der realen Arbeit vor — echte Bestellungen, echte E-Mails, auch die wirren. Eine solche Stichprobe gibt keine statistische Sicherheit, aber wiederkehrende Fehler deckt sie binnen einer Stunde auf.
Legen Sie die Abnahmebedingungen im Voraus fest. Konkret: alle Pflichtfelder korrekt ausgefüllt, die Ausgabe besteht die Prüfung gegen das JSON-Schema, das Modell ergänzt keinen Betrag, der in der Eingabe nicht vorkommt. Ohne eine vorab festgelegte Zahl lässt sich das Ergebnis am Ende immer irgendwie „erklären”.
Lehnen Sie einen Piloten ab, wenn der Anbieter nur gelungene Beispiele zeigt, zwischen den Tests den Prompt ändert oder die exakte Modellversion nicht angibt. Ohne gespeicherte Eingaben, Ausgaben und Konfiguration lässt sich das Ergebnis nicht wiederholen.
Wenn Sie dafür keine Kapazität oder Hardware haben, übernehmen wir diesen Teil für Sie: Wir nehmen Ihre anonymisierten Beispiele, lassen ausgewählte Modelle auf Hardware laufen, die dem geplanten Einsatz entspricht, und zeigen Ihnen noch vor dem Angebot die realen Fehler, die Geschwindigkeit und die Hardwareanforderungen. Das Ergebnis ist eine durch Messung belegte Entscheidung, keine Modellempfehlung nach Größe oder Popularität.
Welche Risiken der lokale Betrieb nicht löst
Ein lokales Modell begrenzt das Senden von Daten an einen fremden Anbieter. Ein sicheres System entsteht daraus nicht automatisch.
Sie müssen weiterhin Dokumentberechtigungen, Logging, Backups, Aktualisierungen, die Modelllizenz und Prompt Injection in eingelesenen Dateien lösen — also die Situation, in der eine im Dokument versteckte Anweisung Ihre Vorgabe überschreibt. Das Modell kann außerdem überzeugend eine falsche Information erfinden. Bei buchhalterischen, rechtlichen und personalbezogenen Ausgaben bleibt deshalb eine Kontrolle durch Menschen oder feste Validierungsregeln notwendig.
Und dann gibt es noch die prosaische Ebene: Das Modell läuft auf Hardware, die ausfallen kann. Die Platte mit Modellen, Indizes und Firmendokumenten gehört genauso ins Backup-Schema wie die Buchhaltung — die 3-2-1-Regel gilt auch für KI-Infrastruktur.
Wann lokale KI für ein tschechisches Unternehmen Sinn ergibt
Drei Bedingungen auf einmal: Sie arbeiten mit sensiblen Dokumenten, der Prozess ist wiederholbar und die Qualität können Sie messen. Fehlt eine davon, warten Sie.
Für gelegentliches Schreiben von E-Mails ist ein fertiger Cloud-Dienst meist günstiger. Für die regelmäßige Verarbeitung interner Dokumente, die das Netz nicht verlassen dürfen, bringt ein eigenes Modell mehr Kontrolle und einen besser vorhersehbaren Betrieb. Die Kosten werden nicht direkt pro gesendetem Token abgerechnet, aber mit dem Volumen können die Anforderungen an Strom, Kapazität und Administration steigen.
Häufige Fragen
Ist für Tschechisch ein direkt auf Tschechisch trainiertes Modell am besten?
Nicht automatisch. BenCzechMark zeigt, dass starke mehrsprachige Modelle die tschechischen Modelle in einer Reihe von Aufgaben übertreffen können. Entscheidend sind Umfang und Qualität des Trainings, die Modellgröße, das Instruction-Tuning und der konkrete Aufgabentyp.
Reicht einem Unternehmen ein lokales Modell mit 7 Milliarden Parametern?
Für Klassifikation, die Extraktion einfacher Felder oder die Arbeit nach einer festen Vorlage oft ja. Bei komplexerem Schlussfolgern, langen Dokumenten und freiem Schreiben vergleichen Sie es mit größeren Modellen — genau dort zeigt sich der Unterschied.
Verschlechtert die Quantisierung das Tschechische?
Sie kann Genauigkeit und Stabilität der Ausgabe beeinflussen, das Ausmaß hängt aber vom Modell und von der Quantisierungsmethode ab. Testen Sie genau die Variante, die Sie betreiben wollen — nicht die Ergebnisse des vollen Modells aus dem Leaderboard.
Ist Ollama ein tschechisches KI-Modell?
Nein, Ollama ist ein Werkzeug zum Ausführen von Modellen. Die Qualität des Tschechischen bestimmt das geladene Modell, seine Version, die Quantisierung und die Art der Aufgabenstellung.
Müssen wir das Modell auf Firmendaten trainieren?
Meistens nicht. Für die Arbeit mit aktuellen internen Dokumenten eignet sich eher die Suche in einer kontrollierten Wissensbasis und die Übergabe der gefundenen Unterlagen an das Modell. Ein Fine-Tuning ergibt erst dann Sinn, wenn Sie einen spezifischen Stil oder ein spezifisches Verhalten wiederholen müssen und dafür hochwertige Trainingsdaten haben.