Clef, Jev und Strands Decider sind Modelle der Künstlichen Intelligenz (KI), die keine Antworten formulieren, sondern zwischen vorgegebenen Möglichkeiten entscheiden. Sie sollen vor allem KI-Agenten helfen, den nächsten Arbeitsschritt schnell und mit einer messbaren Wahrscheinlichkeit auszuwählen. Das betrifft dich, sobald automatisierte Systeme Anfragen sortieren, Werkzeuge auswählen oder entscheiden, ob ein Mensch eingreifen soll.
Was sind Entscheidungsmodelle?
Ein Entscheidungsmodell erhält eine Frage mit einem begrenzten Satz möglicher Antworten. Statt einen Absatz zu erzeugen, liefert es beispielsweise «Support», «Verkauf» oder «Betrugsverdacht» sowie eine Wahrscheinlichkeit für jede Option. Auch Ja-Nein-Entscheidungen und numerische Bewertungen sind möglich.
Damit besetzen diese Modelle eine Nische zwischen grossen Sprachmodellen (Large Language Models, LLMs) und klassischen Klassifikatoren. Ein LLM kann freie Texte verfassen, Zusammenhänge erklären und verschiedene Werkzeuge aufrufen, braucht dafür aber vergleichsweise viel Zeit und liefert nicht immer gleich strukturierte Ergebnisse. Ein klassischer Klassifikator, also ein auf feste Kategorien spezialisiertes System, arbeitet schnell, muss für neue Aufgaben jedoch häufig eigens angepasst oder trainiert werden.
Entscheidungsmodelle verbinden die allgemeine Sprachverarbeitung eines LLMs mit einem geschlossenen Antwortbereich. Die Antwort bleibt maschinenlesbar: Ein nachgelagertes System kann eine Option übernehmen, eine Mindestwahrscheinlichkeit verlangen oder den Fall an einen Menschen weitergeben. «Kalibriert» bedeutet dabei, dass die ausgegebenen Wahrscheinlichkeiten möglichst gut zur tatsächlichen Trefferquote passen sollen; eine Garantie für eine richtige Entscheidung ist das nicht.
TypeSafe AI brachte mit Jev einen frühen Vertreter dieser Kategorie auf den Markt. Inzwischen konkurrieren unter anderem Cloudflares Clef und Clef-flash, Amazons Strands Decider 2B, Fastinos GLiDE und GLiNER2.5-Decide um ähnliche Aufgaben. Laut TechCrunchs Bericht über die wachsende Modellklasse erschienen nach Jev bereits Dutzende vergleichbare Ansätze.
Wie treffen Clef und Strands ihre Entscheidungen?
Cloudflare hat Clef mit 27 Milliarden und Clef-flash mit 9 Milliarden Parametern veröffentlicht. Parameter sind intern gelernte Gewichtungen, deren Anzahl einen groben Hinweis auf die Modellgrösse gibt, aber allein nichts über die Qualität aussagt. Beide beruhen laut Anbieter auf Qwen, können neben Text auch Bilder verarbeiten und liefern typisierte Wahrscheinlichkeiten statt frei formulierter Sätze.
Die Schnittstelle ist mit Jev kompatibel. Organisationen, die bereits Jev verwenden, sollen deshalb leichter zu Clef wechseln können. Cloudflare bietet die Modelle über Workers AI an und meldet eine mittlere Reaktionszeit, auch Latenz genannt, von 209,3 Millisekunden für Clef und 38,8 Millisekunden für Clef-flash. Diese Angaben zu Grösse und Geschwindigkeit stammen vom Anbieter und sind in den vorliegenden Quellen nicht unabhängig geprüft.
Strands Decider 2B verfolgt dasselbe Grundprinzip mit einem kleineren Modell. Das Team von AWS Strands Agents veröffentlichte es unter der Apache-2.0-Lizenz auf Basis von Qwen3.5-2B-Base. Es gibt Auswahloptionen, Ja-Nein-Wahrscheinlichkeiten und Bewertungen mit Konfidenzwerten aus, erzeugt aber keinen Text.
Auf einer RTX 3090 soll Strands Decider eine mittlere Laufzeit von rund 115 Millisekunden erreichen. Im öffentlichen JevBench-Test erzielte es laut MarkTechPosts Zusammenfassung zu Strands Decider einen Wert von 0,723. Ohne Details zu einzelnen Aufgaben lässt sich daraus für Anwenderinnen und Anwender allerdings nicht ableiten, wie zuverlässig das Modell den eigenen Posteingang, Kundendienst oder Dokumentenbestand sortiert.
Was leisten die Modelle im Alltag?
Ein konkretes Beispiel ist der Kundendienst. Eine eingehende Nachricht kann nach Dringlichkeit und zuständigem Team bewertet werden. Abhängig von den Wahrscheinlichkeiten leitet das System das Ticket weiter, löst eine Eskalation aus oder übergibt einen unsicheren Fall an eine Mitarbeiterin oder einen Mitarbeiter.
Cloudflares Sicherheitsteam testet Clef ausserdem zur Einordnung von Websites. In einem beschriebenen Fall bewertete das Modell eine Domain mit 95 Prozent Wahrscheinlichkeit als Mode-Website, mit 85 Prozent als Online-Shop und mit weniger als einem Prozent als Phishing-Seite. Die Werte dürfen sich überschneiden, weil mehrere Eigenschaften gleichzeitig zutreffen können.
Abruf, Darstellung und Einordnung der Website dauerten laut Cloudflare insgesamt 2,2 Sekunden. Das schnellste allgemeine Sprachmodell des Unternehmens benötigte im gleichen Ablauf 4,7 Sekunden und gab nur zwei Kategorien zurück. Der Vergleich von Clef mit einem allgemeinen Sprachmodell ist anschaulich, bleibt aber ein interner Anbietertest.
Weitere vorgesehene Aufgaben sind die Auswahl eines Werkzeugs für einen KI-Agenten, die Bestimmung des nächsten Arbeitsschritts und sogenannte Guardrails. Guardrails sind Kontrollregeln, die riskante oder unerwünschte Aktionen blockieren oder zur Prüfung weiterleiten. Ein Agent ist dabei ein KI-System, das Informationen sammelt und auf dieser Grundlage mehrere Arbeitsschritte oder Werkzeugaufrufe ausführt.
Geschwindigkeit ist bei solchen Abläufen relevant, weil ein Agent während einer Aufgabe viele kleine Entscheidungen treffen kann. Die Quellen zeichnen jedoch kein einheitliches Bild: Cloudflare nennt für Jev gut 524 Millisekunden, während eine Übersicht zu Jev und konkurrierenden Modellen eine Spanne von 70 bis 500 Millisekunden angibt. Unterschiedliche Hardware, Aufgaben oder Messverfahren könnten solche Abweichungen erklären, werden in den vorliegenden Kurzfassungen aber nicht ausreichend beschrieben.
Pro und Kontra von Entscheidungsmodellen
Pro:
- Tempo – Kurze, strukturierte Entscheidungen können deutlich schneller zurückkommen als ausführliche Antworten eines allgemeinen Sprachmodells.
- Klare Optionen – Vorgegebene Antwortbereiche erleichtern es nachgelagerten Systemen, ein Ticket weiterzuleiten oder ein Werkzeug auszuwählen.
- Messbare Unsicherheit – Wahrscheinlichkeiten ermöglichen Schwellenwerte, unterhalb derer ein Mensch den Fall prüfen kann.
- Potenzielle Kostenvorteile – Jev kostet laut MarkTechPost 0,042 US-Dollar pro Million Eingabe-Token; ein Token ist eine kleine Texteinheit. Für Clef und Strands nennen die Quellen keine direkt vergleichbaren Nutzungspreise.
Kontra:
- Begrenzte Antworten – Das Modell kann nur innerhalb der vorgegebenen Optionen wählen und erklärt seine Entscheidung nicht in einem frei formulierten Text.
- Fehler mit Folgen – Eine schnelle Fehlklassifikation kann automatisch weitere Schritte auslösen, wenn keine Kontrollschwelle vorgesehen ist.
- Schwer vergleichbare Messwerte – Anbieter verwenden unterschiedliche Hardware, Tests und Arbeitsabläufe, wodurch Ranglisten nur begrenzt aussagekräftig sind.
- Offene Sprachqualität – AWS weist selbst auf den Balanceakt zwischen Geschwindigkeit, Genauigkeit, Kalibrierung und dem Verständnis verschiedener Sprachen hin.
Die geschlossene Auswahl macht Abläufe berechenbarer, aber nicht automatisch zuverlässig. Ein Konfidenzwert von 90 Prozent ist kein Beweis, dass die konkrete Entscheidung stimmt. TypeSafe-Gründer Diogo Almeida widerspricht deshalb der Vorstellung, die vielen neuen Modelle bedeuteten bereits starke Konkurrenz: Nach seiner Einschätzung wird unterschätzt, wie schwierig es ist, solche Modelle tatsächlich intelligent zu machen.
Was bedeutet das für deine Praxis?
Als Einsteigerin oder Einsteiger solltest du mit einer klar begrenzten, leicht überprüfbaren Aufgabe beginnen. Geeignet wäre etwa die Vorsortierung von Supportnachrichten nach Team und Dringlichkeit, solange unsichere oder besonders kritische Fälle bei Menschen landen. Vergleiche nicht nur die Geschwindigkeit, sondern prüfe an echten, bereits entschiedenen Beispielen, wie oft Kategorien und Wahrscheinlichkeiten brauchbar sind.
Als fortgeschrittene Anwenderin oder fortgeschrittener Anwender kannst du unterschiedliche Schwellenwerte für verschiedene Folgen einsetzen. Eine harmlose interne Sortierung darf möglicherweise mit geringerer Sicherheit automatisiert werden als eine Sperre wegen Betrugsverdachts. Zusätzlich lässt sich ein Entscheidungsmodell als vorgeschaltete Instanz nutzen, die nur komplexe Fälle an ein teureres allgemeines Sprachmodell weitergibt.
Für die Schweiz liefern die Quellen keine Angaben zu Rechenzentren, schweizerischem Datenschutz oder zur Qualität in Deutsch, Französisch, Italienisch und Rätoromanisch. Strands Decider ist laut AWS klein genug für einen lokalen Betrieb, was mehr Kontrolle über verarbeitete Daten ermöglichen kann; daraus folgt aber noch keine automatische Datenschutzkonformität. Bei Cloudflares gehostetem Angebot müssten Organisationen separat prüfen, wo Daten verarbeitet werden und welche vertraglichen Bedingungen gelten.
Auch die Kosten bleiben nur teilweise vergleichbar. Für Jev wird ein Preis pro Million Eingabe-Token genannt, während für Clef und Strands in den Quellen keine gleichartige Preisangabe vorliegt. Lokaler Betrieb kann laufende Modellgebühren vermeiden, benötigt aber passende Hardware und Betreuung, deren Kosten die Berichte nicht beziffern.
Entscheidungsmodelle sind eine sinnvolle Spezialisierung für häufige, eng definierte Auswahlaufgaben und kein Ersatz für jedes Sprachmodell. Clef-flash, Clef und Strands Decider zeigen, dass Tempo, strukturierte Antworten und lokale Optionen zusammenkommen können. Offen bleibt, wie gut die Modelle ausserhalb der Anbieter-Benchmarks, in mehreren Sprachen und bei folgenreichen Entscheidungen kalibriert bleiben.
Quellen
- Cloudflare will mit Clef KI-Agenten befähigen, ohne Menschen zu entscheiden – THE DECODER, 2026-10-02
- Decision AI Models Explained: TypeSafe Jev vs Fastino GLiDE, GLiNER2.5-Decide and Open-Source Competitors – MarkTechPost, 2026-10-03
- AWS Strands Labs Releases Strands Decider 2B: An Open Source Decision Model That Picks Options in About 115 ms – MarkTechPost, 2026-10-02
- Cloudflare Releases Clef and Clef-flash: Open-Weight Decision Models That Return Typed Probabilities Instead of Text – MarkTechPost, 2026-10-02
- Amazon releases its own Jev clone as decision models flood the web – TechCrunch, 2026-10-01
Bild: Rafael Minguet Delgado via Pexels