Bundesdruckerei-Benchmark Möve: Welche KI-Modelle die deutsche Verwaltung bestehen

Welches KI-Sprachmodell darf in einer deutschen Behörde einen Bescheid vorbereiten? Auf diese Frage liefert das Projekt Möve erstmals eine systematische Antwort. Möve — kurz für „Modelle für die öffentliche Verwaltung evaluieren” — wird seit 2025 von der Bundesdruckerei betrieben, einem zu 100 Prozent bundeseigenen Unternehmen, und ist laut heise der erste umfassende Sprachmodell-Vergleich, der eigens auf den Bedarf der öffentlichen Verwaltung zugeschnitten ist.

Getestet wurden über 50 große Sprachmodelle, darunter GPT, Gemma, Llama, Claude, DeepSeek und Mistral. Derzeit führen Gemma 4 und GPT-4o das Ranking an; Mistral Small 3.1 liegt unter den ersten zehn. Als Prüfgrundlage dienen neun Datensätze aus der realen Verwaltungspraxis — Gesetzestexte, Amtsdokumente, Ministeriumspublikationen — sowie sieben Kernkriterien: sachliche Korrektheit, Ressourceneffizienz, Transparenz nach EU-KI-Verordnung, deutschsprachige Präzision, rechtliche Verlässlichkeit, Sicherheit und Nachhaltigkeit.

Die Bedeutung liegt in der Kombination aus Absender und Anspruch: Ein Bundesunternehmen bewertet gemeinsam mit dem BSI und Fraunhofer AISEC, welche Modelle den Maßstäben deutscher Amtsstuben und des EU-KI-Gesetzes genügen. Die Methodik ist quelloffen auf GitHub dokumentiert, ein Forschungspapier liegt auf arXiv, und ein interaktives Vergleichswerkzeug steht unter moeve.bundesdruckerei.de bereit. Ausdrücklich betont das Projekt, dass seine Bewertungen „keine rechtlich verbindliche Auslegung” darstellen — die Verantwortung bleibt bei der jeweiligen Behörde.