38 Aufgaben. Fast gleiche Qualität. Aber langsamer und teurer.
Fugu Ultra zeigt nicht, welches Modell gewinnt. Es zeigt, warum Routing, Kontrolle und Kostenrechnung zur eigentlichen KI-Kompetenz werden.
Sakana AI hat Fugu Ultra vorgestellt.
Die Headline klingt nach dem nächsten Modellrennen: Laut Sakana soll Fugu Ultra mit Anthropic Fable 5 und Mythos Preview mithalten. Also mit jenen Frontier-Modellen, über die gerade alle reden.
Nur: Der spannende Teil ist nicht, dass noch ein System in einer Benchmark-Tabelle gut aussieht.
Der spannende Teil ist, dass Fugu Ultra kein klassisches neues Modell ist.
Es ist ein Orchestrator.
Du schickst eine Aufgabe an einen API-Endpunkt. Dahinter entscheidet Fugu, ob die Aufgabe direkt beantwortet wird — oder ob mehrere andere Modelle beteiligt werden: etwa Claude Opus, GPT, Gemini oder weitere spezialisierte Agenten.
Ein Modell plant.
Ein anderes schreibt Code.
Ein drittes prüft.
Am Ende wird daraus wieder eine Antwort.
Das klingt nach Technikdetail. Für KMU ist es aber eine BWL-Frage.
Denn die alte KI-Frage war:
Welches Modell ist das beste?
Die neue Frage ist:
Welcher Teil dieser Aufgabe verdient ein teures Spitzenmodell — und welcher nicht?
Genau dort trennt sich Spielerei von digitaler Infrastruktur.
KI funktioniert nur, wenn die BWL dahinter stimmt.
Fugu Ultra ist deshalb kein Tool-Tipp nach dem Motto: „Probier das morgen in jedem Prozess aus.“
Es ist ein Warnsignal.
Die nächste KI-Welle wird nicht nur über größere Modelle laufen. Diese Welle läuft über die Schicht darüber: Routing, Zerlegung, Prüfung, Kostenkontrolle.
→ Für dich heißt das: Wenn du heute KI-Prozesse baust, reicht „wir nehmen einfach das beste Modell“ nicht mehr als Strategie. Das ist wie jeden Botengang mit dem Vorstand erledigen zu lassen. Funktioniert. Ist halt teuer.
OpenRouter zeigt mit Fusion eine ähnliche Richtung: Eine Aufgabe geht parallel an mehrere Modelle, ein Judge-Modell verdichtet die Ergebnisse. Fugu geht laut Sakana anders vor und versucht, Aufgaben dynamisch zu zerlegen und an verschiedene Modelle zu delegieren.
Beide Ansätze zeigen dieselbe Verschiebung:
Mehr Qualität entsteht nicht nur durch größere Modelle. Mehr Qualität entsteht durch bessere Zusammenarbeit zwischen Modellen.
→ Für dich heißt das: Die wertvollere Kompetenz ist nicht mehr, jeden neuen Modellnamen zu kennen. Wertvoller ist, Arbeit sauber zu zerlegen: Was muss geplant werden? Was muss geschrieben werden? Was muss geprüft werden? Was darf günstig laufen?
Und genau hier kommt der Haken.
Orchestrierung ist nicht gratis.
Bei Fugu Ultra kostet nicht nur der sichtbare Output. Laut Sakana-Pricing werden auch interne Orchestrierungs-Tokens verrechnet. Je mehr Modelle beteiligt sind, desto stärker steigen Latenz und Kosten.
Creator Nate Herk testete Fugu Ultra in einem YouTube-Video über 38 Aufgaben gegen Claude Opus 4.8: 36 Unentschieden, 2 Opus-Siege, Fugu ca. 4,5× langsamer und ca. 5× teurer.
Das ist kein wissenschaftlicher Benchmark.
Aber es ist ein guter Praxis-Hinweis.
Für einfache Aufgaben ist Multi-Model-Orchestrierung meistens zu viel.
Eine kurze Mail.
Eine Zusammenfassung.
Ein einzelner Code-Fix.
Eine einfache Recherchefrage.
Dafür brauchst du keinen KI-Stab mit Manager, Worker und Prüfer. Dafür brauchst du eine saubere Standardroute.
→ Für dich heißt das: Nicht jede Aufgabe verdient Orchestrierung. Wenn ein kleiner Prozess minimal Zeit spart, aber intern mehrere Modelle beschäftigt, hast du keine Automatisierung gebaut. Du hast eine Kostenmaschine gebaut.
Wenn du gerade überlegst, welche KI-Aufgaben bei dir ein teures Frontier-Modell brauchen und wo ein günstigeres Setup reicht: Genau diese Modell- und Workflow-Logik können wir in einem unverbindlichen Erstgespräch sauber durchgehen.
Bei komplexen Aufgaben sieht es anders aus.
Dort kann Orchestrierung Sinn machen:
- größere Code-Refactorings
- Research mit Quellenprüfung
- Due-Diligence-Analysen
- technische Architekturentscheidungen
- Angebote, Konzepte oder Reports mit mehreren Prüfschritten
- Workflows, bei denen ein Fehler teuer wird
Nicht, weil mehrere Modelle automatisch „intelligenter“ sind.
Sondern weil Rollen getrennt werden.
Ein Modell denkt vor.
Ein anderes produziert.
Ein drittes kritisiert.
Ein viertes verdichtet.
Das ist näher an echter Wissensarbeit als ein einzelner Chatverlauf.
Und es passt zu dem, was in Unternehmen sowieso passiert: Gute Arbeit entsteht selten dadurch, dass eine Person alles allein macht. Gute Arbeit entsteht durch klare Rollen, gute Übergaben und harte Qualitätskontrolle.
→ Für dich heißt das: Wenn du KI im Unternehmen ernst meinst, brauchst du Prozessarchitektur. Nicht noch einen Tool-Login. Nicht noch einen Prompt-Ordner. Sondern eine klare Logik, wann welches Modell welche Rolle übernimmt.
Für europäische Unternehmen kommt noch ein zweites Thema dazu: Kontrolle.
Fugu ist aktuell nicht in der EU/EEA verfügbar, während Sakana an GDPR- und EU-Compliance arbeitet. Selbst wenn solche Systeme verfügbar sind, bleibt die eigentliche Frage:
Weißt du, welche Modelle deine Daten sehen?
Bei klassischer Modellwahl ist die Antwort relativ klar.
Bei unsichtbarer Orchestrierung wird sie schwieriger.
Mehr automatische Intelligenz auf der einen Seite.
Weniger Transparenz über Routing, Datenfluss und Kosten auf der anderen.
Das ist der Zielkonflikt.
→ Für dich heißt das: Orchestrierung darf nicht zur Blackbox werden. Gerade in DACH-KMUs ist DSGVO kein Hemmschuh, sondern ein Verkaufsargument. Wenn du nicht erklären kannst, wo Daten landen, wird aus KI-Effizienz schnell ein Governance-Problem.
Meine Einordnung:
Fugu Ultra ist weniger spannend als „neues Modell“.
Es ist spannend als Vorschau auf die Betriebsschicht von KI.
Die nächsten 12 Monate werden viele Unternehmen nicht daran scheitern, dass sie das falsche Modell gewählt haben.
Viele Unternehmen werden daran scheitern, dass keine Aufgabenlogik vorhanden ist.
Keine bewusste Modellstrategie.
Keine Kostenkontrolle.
Keine Qualitätsprüfung.
Und dann sieht KI auf dem Papier modern aus, aber in der Praxis passiert wieder nur Daten-Schubsen mit höheren API-Kosten.
Die bessere Frage für deinen nächsten KI-Prozess lautet deshalb nicht:
GPT, Claude oder Gemini?
Sondern:
Welche Teile dieses Prozesses verdienen ein teures Spitzenmodell — und welche nicht?
Nicht das beste Modell gewinnt.
Das beste System gewinnt.
Und dieses System braucht drei Dinge:
- eine klare Aufgabenlogik,
- eine bewusste Modellstrategie,
- Kosten- und Qualitätskontrolle vor dem Rollout.
Wir bauen keine Spielereien. Wir bauen digitale Infrastruktur.
Fugu Ultra zeigt ziemlich gut, warum dieser Satz 2026 wichtiger wird.
Nutzt du heute schon mehr als ein KI-Modell für unterschiedliche Aufgaben — ja oder nein?
