Technischer Kontext
Ich bewerte Modelle regelmäßig nicht nach ihren Marketingversprechen, sondern danach, wie viele Iterationen nötig sind, um ein anständiges Ergebnis zu erzielen. Bei DeepSeek teilen viele Nutzer und ich eine ähnliche Erfahrung: Um einen kohärenten Text herauszubekommen, muss man endlos an den Formulierungen feilen. An diesem Punkt denke ich nicht mehr an abstraktes Prompt-Engineering, sondern an eine vernünftige KI-Implementierung in realen Prozessen.
Nach Feedback und praktischen Leitfäden zu urteilen, hat DeepSeek Probleme mit Dingen, die GPT oder Claude mühelos bewältigen. Lange Anweisungen, Few-Shot-Beispiele, das Mischen von Sprachen und überladene Stilanforderungen machen die Antwort oft schlechter, nicht besser. Das Paradoxe ist, dass das Modell oft keinen „smarten Prompt“ will, sondern eine kurze, starre und sehr spezifische Anfrage.
Ich würde das Problem so formulieren: DeepSeek ist weniger verzeihend. Wenn die Aufgabe vage beschrieben ist, wenn zu viel dekoratives Rauschen im Prompt steckt oder wenn man hofft, dass das Modell den Kontext von selbst erfasst, beginnen die Ergebnisse zu schwanken. Bei Textaufgaben ist das besonders ärgerlich, weil man statt eines reibungslosen Workflows am Ende jede einzelne Anweisung mikromanagt.
Eine weitere Nuance: Oft wird nicht nur das Modell selbst kritisiert, sondern speziell die kleineren Varianten, bei denen diese Fragilität viel ausgeprägter ist. Daher ist die Aussage „DeepSeek ist schlecht“ zu hart. Die Aussage „DeepSeek kann für die Textgenerierung sehr zeitaufwendig sein“ scheint jedoch eine sehr ehrliche Einschätzung zu sein.
Auswirkungen auf Geschäft und Automatisierung
Wenn ich KI-Automatisierung für Inhalte, Support oder interne Assistenten aufbaue, führt diese hohe Empfindlichkeit gegenüber Prompts schnell zu verschwendeten Stunden und einem sehr instabilen Output. Jegliche Kosteneinsparungen beim Modell selbst werden leicht durch manuelle Anpassungen, Tests und endlose Wiederholungen aufgefressen.
Die Gewinner sind Teams mit eng gefassten Aufgaben, festen Ausgabeformaten und einer streng definierten Sprache und Struktur. Diejenigen, die eine freie Textgenerierung, einen lebendigen Ton und eine gleichbleibende Qualität ohne umfangreiches Feintuning erwarten, ziehen meist den Kürzeren.
Genau deshalb schaue ich normalerweise über den Token-Preis im luftleeren Raum hinaus und konzentriere mich auf die Gesamtbetriebskosten. Im Nahornyi AI Lab lösen wir genau diese Herausforderungen für unsere Kunden: Wir entscheiden, wo ein Modell beibehalten werden soll, wo die KI-Architektur geändert werden muss und wo man den Technologie-Stack nicht mit einem ungeeigneten Szenario quälen sollte.
Wenn Ihre textbasierten Prozesse bereits aufgrund kapriziöser Prompts ins Stocken geraten, lassen Sie uns Ihren Workflow ehrlich bewerten. Manchmal reicht es aus, die KI-Integration neu aufzubauen, während es in anderen Fällen viel klüger ist, einen dedizierten KI-Agenten für eine bestimmte Aufgabe zu erstellen, anstatt ein Modell endlos anzuflehen, normal zu schreiben.