Der Hedgefonds Bridgewater und das Start-up Thinking Machines Lab von Ex-OpenAI-Technikchefin Mira Murati haben ein offenes KI-Modell so auf Finanzaufgaben zugeschnitten, dass es die großen Universalmodelle von OpenAI, Anthropic und Google klar hinter sich lässt – bei einem Bruchteil der Betriebskosten. Die am 30. Juni 2026 veröffentlichte Studie liefert damit einen der bislang konkretesten Belege dafür, dass spezialisierte, kleinere Modelle generalistischen Frontier-Modellen in klar umrissenen Aufgabenfeldern überlegen sein können.
Das Wichtigste in Kürze
- Bridgewater und Thinking Machines Lab trainierten das offene Modell Qwen3-235B gezielt auf sechs Finanzaufgaben, etwa die Relevanzbewertung von Finanzartikeln und Notenbank-Dokumenten.
- Das Spezialmodell erreicht 84,7 Prozent Treffsicherheit – die besten getesteten Frontier-Modelle (GPT, Claude, Gemini) kamen selbst mit Experten-Prompts nur auf 78,2 Prozent.
- Der Betrieb des Spezialmodells kostet laut Studie rund 13,8-mal weniger pro Aufgabe als der Einsatz eines Frontier-Modells.
- Zentrale Trainingskniffe waren „Interleaved Batching“, ein angepasster CISPO-Loss und On-Policy-Distillation aus Thinking Machines‘ Plattform Tinker.
- Die Autoren räumen selbst ein, dass sie nicht unabhängig sind – beide Unternehmen haben ein kommerzielles Interesse an genau diesem Ergebnis.
Wie aus einem Allrounder ein Finanz-Spezialist wird
Ausgangspunkt war ein Problem, das in Investmenthäusern Unmengen an Arbeitszeit frisst: das Sichten und Einordnen von Textmengen. Ist ein Finanzartikel für Führungskräfte relevant? Deutet ein Notenbank-Dokument auf eine Zinsänderung hin? Beantwortet ein Dokument tatsächlich die Frage eines Investors? Genau solche Einschätzungen sollten die Forscher von Bridgewater AIA Labs gemeinsam mit Thinking Machines Lab automatisieren – nicht als generische Chat-Funktion, sondern als trainiertes Urteilsvermögen.
Als Basis diente nicht eines der geschlossenen Spitzenmodelle, sondern das offen verfügbare Qwen3-235B des chinesischen Anbieters Alibaba. Trainiert wurde es auf der hauseigenen Plattform Tinker von Thinking Machines Lab, mit einem mehrstufigen Verfahren: Erste, nicht-fachmännische Annotationen wurden bereinigt, indem nur jene Fälle erneut von Experten geprüft wurden, in denen das lernende Modell von der ursprünglichen Kennzeichnung abwich. Das spart teure Experten-Zeit, ohne bei der Datenqualität Abstriche zu machen.
Die Zahlen: 84,7 Prozent Treffsicherheit, ein Vierzehntel der Kosten
Auf sechs klar definierten Bewertungsaufgaben erreichte das fein abgestimmte Modell im Schnitt 84,7 Prozent Genauigkeit. Die besten getesteten Frontier-Modelle – aktuelle Versionen von GPT, Claude Opus und Gemini – kamen mit einfachen Prompts nur auf einen Münzwurf-Wert von rund 50 Prozent, mit sorgfältig ausgearbeiteten Experten-Prompts auf 78,2 Prozent. Das entspricht einer Fehlerreduktion von knapp 30 Prozent zugunsten des Spezialmodells.
Noch deutlicher fällt der Unterschied bei den Betriebskosten aus: Laut Studie kostet die Inferenz mit dem trainierten Qwen-Modell rund 10 US-Dollar pro 1.000 Aufgaben, bei den Frontier-Modellen sind es 60 bis 100 US-Dollar – ein Faktor von etwa 13,8. Zum Vergleich, wie teuer der Zugang zu den großen Anbietern für Endnutzer inzwischen gestaffelt ist, zeigt der Überblick, welches KI-Abo sich 2026 wirklich lohnt. Die Ablationsstudien der Forscher zeigen zudem, welche Trainingskniffe wie viel beitrugen: Interleaved Batching brachte 12,1 Prozentpunkte, ein angepasster CISPO-Loss mit asymmetrischem Clipping weitere 10,1 Punkte, On-Policy-Distillation zusätzliche 3,1 Punkte gegenüber einem einfachen GRPO-Training.
Warum das mehr ist als eine Randnotiz für die KI-Branche
Das Ergebnis rührt an ein Grundnarrativ der aktuellen KI-Industrie, wonach mehr Parameter und größere Trainingsdatenmengen fast automatisch zu besseren Ergebnissen führen. Für eng umrissene, wirtschaftlich hochrelevante Aufgaben zeichnet die Studie ein anderes Bild: Wer über qualitativ hochwertige, firmeneigene Trainingsdaten verfügt, kann ein vergleichsweise kompaktes, offenes Modell so zuschneiden, dass es ein Vielfaches teurere Universalmodelle schlägt. Mira Murati bringt das in eigenen Aussagen auf den Punkt: Der Wettbewerbsvorteil liege nicht mehr allein in der Modellgröße, sondern darin, ein Modell gezielt auf das eigene, schwer kopierbare Fachwissen abzurichten. Für Unternehmen mit großen, aber bislang ungenutzten Datenbeständen – etwa in Rechtsabteilungen, im Gesundheitswesen oder eben in der Finanzbranche – ist das ein Signal, eigene Fine-Tuning-Projekte ernster zu nehmen, statt reflexhaft auf das jeweils neueste Abo-Modell von OpenAI, Anthropic oder Google zu setzen, wie es viele Anwender aktuell im Vergleich zwischen ChatGPT, Claude und Gemini abwägen.
Ausblick: Ein starkes Ergebnis mit eingebautem Interessenkonflikt
Bei aller Aussagekraft der Zahlen bleibt ein entscheidender Vorbehalt, den die Autoren selbst benennen: Weder Bridgewater noch Thinking Machines Lab sind neutrale Beobachter. Der Hedgefonds demonstriert die Schlagkraft seiner eigenen Datenbestände, das KI-Start-up bewirbt seine Trainingsplattform Tinker – beide haben ein handfestes kommerzielles Interesse an genau diesem Resultat. Eine unabhängige Überprüfung der Zahlen steht bislang aus, und die Studie basiert nach eigenen Angaben nur auf einem Teil der Daten, der für die Veröffentlichung freigegeben wurde. Zudem gilt der Vorteil ausdrücklich nur für die untersuchten, eng gefassten Aufgaben – ob sich das Muster auf komplexere, weniger klar definierte Finanzentscheidungen übertragen lässt, ist offen. Trotzdem dürfte die Studie in Unternehmen mit eigenen Datenschätzen für Gesprächsstoff sorgen: Sie liefert ein konkretes Rechenbeispiel dafür, wann sich der Aufwand eines eigenen Fine-Tunings gegenüber dem bequemen Griff zum Frontier-Modell lohnen kann.