NVIDIA veröffentlichte bereits im Juni 2025 ein Position Paper, in dem kleine, spezialisierte Sprachmodelle als Zukunft agentischer KI-Systeme beschrieben wurden. Die Logik: 80 % der Agenten-Arbeit besteht aus Routine-Operationen wie Tool-Auswahl und Output-Reshaping, die kein 400-Milliarden-Parameter-Modell erfordern. Trotz dieser Argumentation blieb die Industrie beim Single-Large-Model-Ansatz. Die Veröffentlichungen dieses Frühjahrs kippen die Debatte: Gemma 4 31B erzielt 86,4 % auf tau2-bench (Vorgänger Gemma 3 27B: 6,6 %), Qwen3 27B schlägt Alibabas eigenes 397B-MoE-Modell auf SWE-bench Verified und läuft auf einer einzelnen RTX 4090. Phi-4-reasoning (14B) erreicht auf AIME die Leistung eines 70B-Destillats. DeepSeek V4-Flash kostet $0,28 pro Million Output-Token gegenüber $25 bei Claude Opus 4.6 – Faktor 89. Die fehlende Adoption erklärt der Post mit Marktanreizen: Frontier-Labs verdienen an großen Modellen, Agent-Plattformen sind meist deren Wrapper. Ein kritischer Befund aus einem Januar-Paper von Laksh Advani warnt jedoch: Bei 7-bis-9B-Modellen sind 50–66 % korrekte Antworten durch fehlerhafte Reasoning-Ketten erreicht. Als Gegenmaßnahme empfiehlt Advani einen destillierten Verifier-Classifier (F1: 0,86, 100× schneller als volle Verifikation) kombiniert mit RAG – Self-Critique hingegen verschlechtert die Reasoning-Qualität.