Zuerst die kurze Antwort: Am 13. August 2026 hat Mixedbread ein Modell namens Toast 1 vorgestellt. Es ist kein allgemeines Modell, mit dem man chattet — es ist ein spezialisierter Such-Agent, dessen einzige Aufgabe darin besteht, Ihre Dokumente zu durchforsten und mit Belegen zurückzukommen. Die Aufmerksamkeit eines Unternehmers verdient nicht der Produktname, sondern das, was er offengelegt hat: Ein großer Teil dessen, was Sie heute für KI bezahlen, fließt in den Vorgang des Suchens statt in das Denken, und wer beides trennt, senkt die Kosten erheblich und verbessert zugleich die Qualität der Antworten.

Was tatsächlich angekündigt wurde

Laut der offiziellen Ankündigung des Unternehmens ist Toast 1 ein Such-Agent, der für eine einzige Aufgabe trainiert wurde: Er nimmt eine Frage entgegen, zerlegt sie in Teilabfragen, sammelt Belege aus Ihren Quellen, prüft sie und übergibt dann ein kuratiertes Paket mit dem relevanten Material. Er schreibt nicht Ihre endgültige Antwort — er bereitet das Rohmaterial vor, auf dessen Grundlage das große Modell anschließend schlussfolgert.

Das Unternehmen gibt an, dass es Frontier-Modelle speziell bei der Suchqualität erreicht oder übertrifft, bei bis zu zehnmal geringeren Kosten und zwölfmal höherer Geschwindigkeit. Das sind Herstellerangaben und sollten als solche gelesen werden, doch die wichtigere Aussage betrifft die Architektur: Sie müssen Ihre Umgebung nicht ändern, und das Modell läuft auf dem Retrieval-Index, den Sie bereits haben, ohne dass Ihre Daten an einen neuen Ort migriert werden.

Die angekündigten Einführungspreise liegen bei 0,30 $ pro Million Eingabe-Tokens, 0,036 $ pro Million gecachter Eingabe-Tokens und 0,72 $ pro Million Ausgabe-Tokens. In der Praxis beziffert das Unternehmen eine einzelne Abfrage auf etwa 0,016 $ bis 0,023 $ bei einer medianen Latenz von acht Sekunden; in der Konfiguration mit der höchsten Qualität steigt das auf etwa 0,05 $ bis 0,07 $ bei einem Median von elf Sekunden.

Warum das für einen Unternehmer wichtig ist: die Ökonomie der Suche

Wenn Sie einen Assistenten auf den Dokumenten Ihres Unternehmens aufbauen, gehen Sie davon aus, dass der Großteil der Kosten im Formulieren der Antwort steckt. Das Gegenteil ist der Fall. Das Modell liest Dutzende Dokumente, um drei nützliche Zeilen zu finden, und Sie bezahlen für alles, was es gelesen hat, nicht für das, was es verwendet hat. Deshalb wächst die Rechnung mit Ihrem Archiv, deshalb werden die Antworten langsamer, und deshalb geht die richtige Antwort immer häufiger im Rauschen unter.

Ein spezialisierter Such-Agent verlagert diese schwere Arbeit auf ein günstigeres, schnelleres Modell, das genau dafür trainiert wurde, und reicht dann ein verdichtetes Ergebnis an das große Modell weiter. Das große Modell bleibt im Spiel, setzt seine Fähigkeiten aber für das ein, was nichts anderes gut kann: Verstehen, Schlussfolgern und die Einordnung der Entscheidung.

Die Faustregel: Zahlen Sie keine Frontier-Modell-Preise für eine Arbeit, die der eines Archivars ähnelt. Kaufen Sie das Denken beim teuren Modell und das Suchen beim günstigen.

Die Zahlen aus zwei unabhängigen Benchmarks

Marketingaussagen sind anfechtbar; veröffentlichte Benchmarks sind eindeutiger. Bei OfficeQA Pro v2, das Databricks veröffentlicht hat, um die Richtigkeit von Antworten auf neunzig Fragen zu komplexen, realistischen Finanzsituationen in Unternehmen zu messen, erreichte GPT-5.6 Sol mit Toast 1 als verfügbarem Subagenten eine Richtigkeit von 70 % bei etwa 1,15 $ pro Aufgabe. Zum Vergleich: Der bisher beste Teilnehmer kam auf 60 % bei etwa 4 $ pro Aufgabe, während dasselbe Modell ohne Such-Agenten nur 33 % schaffte. Die zusätzliche Suchschicht hat die Genauigkeit also ungefähr verdoppelt und gleichzeitig die Kosten gesenkt.

Beim Benchmark von Harvey zum Wissen von Anwaltskanzleien blieb die Antwortqualität bei einer Teilmenge von dreiunddreißig Aufgaben konstant, während der Token-Verbrauch allein durch eine bessere Suche von 80,6 Millionen auf 47 Millionen sank und dann auf 23 Millionen, als der spezialisierte Such-Agent hinzukam — mit Abschluss in der Hälfte der Durchgänge und einer Kostensenkung von über 60 %.

Beachten Sie die gemeinsame Lehre: Die Fähigkeit des Modells zum Schlussfolgern hat sich nicht verändert. Verändert hat sich die Qualität des Materials, das bei ihm ankommt. Genau das sehen wir in Kundenprojekten — Unternehmensassistenten, die scheitern, fehlt selten die Intelligenz; ihnen fehlt die richtige Fütterung.

Wo sich das in Ihrem saudischen Unternehmen zeigt

  • Verträge und Vereinbarungen. Eine Frage wie „Welche unserer Verträge erlauben eine Kündigung mit einer Frist von dreißig Tagen?" ist eine Suchfrage, keine Denkfrage, und kostet heute einen Mitarbeiter der Rechtsabteilung Stunden.
  • Ausschreibungsunterlagen und RFPs. Eignungsanforderungen, Vertragsstrafen und Liefertermine aus Hunderten von Seiten herausziehen, bevor Sie überhaupt entscheiden, ob Sie ein Angebot abgeben.
  • Rechnungen und Abschlagsrechnungen. Eine einzelne Kostenposition über Jahre von Dokumenten hinweg verfolgen, um herauszufinden, wo Gewinn versickert.
  • Das Personalarchiv. Urlaubsregelungen, Zulagen und Ablaufdaten von Aufenthaltsgenehmigungen, verstreut über Dateien und nicht verbundene Systeme.
  • Kundensupport. Ein Assistent, der aus Produkthandbüchern und Besprechungsprotokollen antwortet, statt eine Antwort zu erfinden.

In jedem dieser Fälle ist Ihr eigentlicher Vermögenswert nicht das Modell — es ist das Archiv. Ein Modell lässt sich in einer Woche austauschen; ein gut organisiertes Archiv baut man nur einmal auf.

Drei Fragen, die Sie vor dem Kauf stellen sollten

Erstens: Was kostet mich eine einzelne Frage — und nicht, was kostet das Monatsabonnement? Wenn Ihr Anbieter keine Antwort in Zahlen hat, wissen Sie nicht, was aus Ihrer Rechnung im großen Maßstab wird.

Zweitens: Ist die Suchschicht vom Modell getrennt? Trennung bedeutet, dass Sie das große Modell morgen austauschen können, ohne alles neu aufzubauen, und sie ist die stärkste Absicherung gegen Preisschwankungen der Anbieter.

Drittens: Wo liegen meine Dokumente, und verlassen sie diesen Ort? Das ist eine Governance-Frage, bevor es eine technische ist, und sie betrifft unmittelbar Ihre Pflichten nach dem Gesetz zum Schutz personenbezogener Daten (PDPL), wenn Ihr Archiv Kunden- oder Mitarbeiterdaten enthält.

Wie wir bei Origami vorgehen

Wir verkaufen kein bestimmtes Modell, und wir raten keinem Kunden, seinen Betrieb an einen einzigen Anbieter zu binden, nur weil dieser diese Woche in den Nachrichten war. Was wir bauen, ist die Architektur, die das Modell zu einem austauschbaren Bauteil macht: eine geordnete Wissensquelle, die Ihnen gehört, eine unabhängige Suchschicht, klare Berechtigungen, die festlegen, wer was sieht, und Kosten, die pro Abfrage statt pro Monatsrechnung gemessen werden.

Wenn Ihr Unternehmen auf einem großen Archiv sitzt, aus dem es nie Nutzen gezogen hat, beginnen Sie mit der engsten wiederkehrenden und teuren Frage, die Sie haben, und messen Sie Zeit und Kosten vorher und nachher. Ein kleiner, gemessener Schritt ist mehr wert als ein breites KI-Programm, an dem kein einziger Indikator hängt.

Quellen