von Mit DeepSeek-V4 ist erstmals ein offenes Sprachmodell verfuegbar, das ein Kontextfenster von einer Million Token nicht nur theoretisch anbietet, sondern auch praktisch stabil verarbeitet. Fuer den Mittelstand bedeutet das einen handfesten Wendepunkt: KI-Agenten koennen ganze Vertragswerke, Codebasen oder Wissensdatenbanken in einem Durchgang verarbeiten, ohne stueckweise an Speichergrenzen zu scheitern. Wer Automatisierung ernsthaft plant, muss dieses Modell auf dem Radar haben.
Was eine Million Token konkret bedeutet
Ein Token entspricht grob drei Viertel eines deutschen Wortes. Eine Million Token sind damit ungefaehr 750.000 Woerter oder rund 2.500 DIN-A4-Seiten Text. Zum Vergleich der bisherigen Spitzenwerte:
- GPT-4o: 128.000 Token
- Claude Sonnet 4.5: 200.000 Token
- DeepSeek-V4: 1.000.000 Token
DeepSeek-V4 vergroessert diesen Spielraum um den Faktor fuenf bis acht und liefert dabei laut Hersteller eine Recall-Genauigkeit von ueber 95 Prozent ueber die gesamte Kontextlaenge. Das ist der entscheidende Unterschied zu frueheren Long-Context-Ansaetzen, bei denen Informationen in der Mitte des Dokuments regelmaessig verloren gingen („Lost in the Middle“-Problem).
Warum das fuer KI-Agenten der eigentliche Sprung ist
Klassische Chatbots beantworten eine Frage und vergessen den Kontext nach der naechsten Sitzung. Agenten dagegen fuehren mehrstufige Aufgaben aus: Sie recherchieren, vergleichen, schreiben, pruefen und entscheiden. Jede dieser Stufen erzeugt Zwischenergebnisse, die im Speicher bleiben muessen. Bei 128.000 Token war nach drei bis vier komplexen Arbeitsschritten Schluss, weil der Kontext volllief und Informationen verworfen wurden.
Mit einer Million Token kann ein Agent einen kompletten Arbeitstag dokumentieren, fruehere Entscheidungen nachvollziehen und auf seine eigene Historie zugreifen. Das ist die Grundlage fuer das, was Anbieter „persistent agents“ nennen: Agenten, die ueber Stunden oder Tage hinweg an einer Aufgabe arbeiten, ohne dass ein Mensch staendig den Kontext nachfuettern muss.
Konkrete Anwendungsfaelle im Mittelstand
- Vertragsanalyse: Ein Agent prueft saemtliche Lieferantenvertraege eines Geschaeftsjahres gleichzeitig auf abweichende Klauseln, statt jeden Vertrag einzeln zu lesen.
- Code-Audit: Eine mittelgrosse Codebasis von 200.000 Zeilen passt komplett ins Modell. Refactoring-Vorschlaege erfolgen mit voller Architektur-Kenntnis.
- Wissensmanagement: Das interne Wiki, Sharepoint-Dokumente und Meeting-Protokolle der letzten Quartale werden in einem Durchgang ausgewertet.
- Kundenservice: Die komplette Korrespondenz-Historie eines Grosskunden bleibt im Kontext, statt aus einer separaten Datenbank nachgeladen werden zu muessen.
Die technische Architektur in zwei Saetzen
DeepSeek-V4 nutzt eine Mixture-of-Experts-Architektur mit 671 Milliarden Parametern insgesamt, von denen pro Anfrage nur 37 Milliarden aktiviert werden. Das hebelt das uebliche Problem aus, dass grosse Modelle entweder schnell oder klug sind, denn die selektive Aktivierung haelt die Inferenzkosten auf dem Niveau eines 70-Milliarden-Modells.
Kostenvergleich: Was kostet die Million Token wirklich
Die Preisstruktur von DeepSeek-V4 liegt nach Angaben des Herstellers bei rund 0,14 US-Dollar pro Million Input-Token und 0,28 US-Dollar pro Million Output-Token. Im direkten Vergleich:
| Modell | Input (pro 1 Mio. Token) | Output (pro 1 Mio. Token) |
|—|—|—|
| DeepSeek-V4 | 0,14 USD | 0,28 USD |
| GPT-4o | 2,50 USD | 10,00 USD |
| Claude Opus 4.7 | 15,00 USD | 75,00 USD |
Wer mit grossen Kontexten arbeitet, kommt also bei DeepSeek-V4 auf einen Bruchteil der Kosten der westlichen Premium-Modelle. Diese Differenz ist kein Detail, sondern entscheidet darueber, ob ein Use Case wirtschaftlich tragfaehig ist oder nicht. Ein Agent, der taeglich 50 Millionen Token verarbeitet, kostet bei DeepSeek-V4 rund 7 Dollar pro Tag, bei Claude Opus 4.7 dagegen 750 Dollar.
Was Unternehmen jetzt pruefen sollten
Bevor DeepSeek-V4 produktiv eingesetzt wird, gehoeren drei Fragen auf den Tisch:
Fazit
DeepSeek-V4 ist nicht das schnellste oder kreativste Modell am Markt, aber es verschiebt eine fundamentale Grenze: Kontext ist kein knappes Gut mehr. Fuer den Mittelstand bedeutet das, dass Agenten-Architekturen, die bisher an Speicherlimits oder Kosten gescheitert sind, jetzt wirtschaftlich umsetzbar werden. Wer Automatisierungsprojekte plant, sollte das Modell in der naechsten Evaluierungsrunde mitbewerten, gerade wenn lange Dokumente oder persistente Agentenlaeufe im Spiel sind.
