So prüfen wir
Eine KI ordnet Ihre Erzählung den Regeln der Verordnung zu. Stunden, Stufe und Geld rechnet ein festes Programm nach, ohne KI. Das Ergebnis kann falsch sein, deshalb prüfen und entscheiden am Ende Sie.
So funktioniert es
- Sie
Erzählen
Sie beschreiben Ihren Alltag in eigenen Worten.
- KI
Zuordnen
Die KI ordnet Ihre Sätze Regeln zu, mit wörtlichem Zitat.
- Programm
Rechnen
Ein festes Programm rechnet nach der Verordnung.
- Sie
Entscheiden
Sie sehen jede Zeile durch und entscheiden, was Sie daraus machen.
Wie oft er richtig liegt
Bisher am belastbarsten: unberührte Gerichtsfälle
5 von 15
Gerichtsfälle, die wir nach dem Bau nicht mehr angefasst haben, stufte er beim ersten Versuch richtig ein, die übrigen meist zu niedrig.
Stand heute: Übungsfälle
10 von 14
Übungsfälle aus veröffentlichten Urteilen, an denen wir ihn eingestellt haben, stufte er beim ersten Versuch richtig ein.
Der Pflegegeld-Prüfer bereitet vor. Die Stufe legen Behörde oder Gericht fest. Lassen Sie sich beraten.
Vorbereitung
Wir haben 29 veröffentlichte Urteile zum Pflegegeld gesammelt. Schon der Bescheid lag dort in 13 Fällen nicht auf der Stufe, die das Gericht am Ende festlegte.
Regeln vorher festgelegt
Bevor wir zum ersten Mal gemessen haben, stand fest, was als Treffer zählt und welches Ziel gilt: 12 von 14 Übungsfällen.
Erste Messungen
Der erste Lauf traf 9 von 14. Wir haben einmal nachgebessert und dann Regeln und Anweisung an die KI eingefroren. Der letzte Lauf traf 10 von 14, das Ziel war damit verfehlt.
Bei 4 dieser Treffer war die richtige Antwort keine Stufe: kein Anspruch oder ein Kind, für das er nicht rechnet. Bei Fällen mit echter Stufe traf er 6 von 9.
Die Probe an unberührten Fällen
Einmal, zum Schluss, an 15 weiteren Urteilen: 5 richtig. Danach haben wir nichts mehr verändert. Bei Fällen mit echter Stufe waren es 4 von 13.
Seither
Die Seite ist öffentlich. Wir haben die Rückfragen und die Oberfläche verbessert. Am 28.09.2026 haben wir 10 KI-Modelle auf denselben Fällen verglichen. Gemini 3.8 Flash, das Modell für Ihren eigenen Text, traf die Übungsfälle genauso oft wie das Modell, das wir als Maßstab für Qualität nehmen. Am 29.09.2026 haben wir neu gemessen, das Ergebnis steht oben als Stand heute.
Wir messen an veröffentlichten Urteilen, bei denen die richtige Stufe schon feststeht. Einen Teil nutzen wir zum Üben und Verbessern. Einen anderen Teil fassen wir dabei nicht an und prüfen ihn nur zum Schluss.
Was als Treffer zählt, legen wir vorher fest und schreiben es auf. Spätere Änderungen stehen dort mit Datum. Jede Messung wird angehängt und keine gelöscht, auch die schlechten.
Wir stellen die Methode selbst immer wieder in Frage. Eine automatische Prüfung ohne KI läuft bei jeder Änderung mit. Sie rechnet die Berichte nach, prüft die Nenner und sucht nach Spuren der unberührten Fälle in den Regeln. Neu messen kann sie nicht. Was wir dabei finden, steht unten bei den Grenzen.
Gemessen am 29.09.2026 mit Gemini 3.8 Flash, dem Modell, das auch Ihren eigenen Text liest. An diesen Fällen haben wir ihn eingestellt, darum liegt die Zahl eher zu hoch.
Einmal gemessen am 26.09.2026. Diese Zahl sagt am meisten darüber, wie er bei neuen Fällen liegt.
Zum Vergleich: Hätte man bei diesen Fällen einfach die Stufe aus dem Bescheid übernommen, wäre das in 8 von 14 Fällen richtig gewesen, also öfter. Er erkennt also nicht zuverlässig, ob ein Bescheid stimmt.
Bekommt das Programm die Stunden aus dem Urteil, stimmt die Stufe in allen 22 Übungs- und erfundenen Fällen. Bei den unberührten Fällen in 12 von 15. Die übrigen Urteile nennen keine Stunden je Tätigkeit, da fehlt dem Programm die Eingabe.
Lag er daneben, dann meist zu niedrig: zehnmal zu niedrig, zweimal zu hoch.
Was heißt das für Sie?
Zeigt er mehr als Ihr Bescheid, lohnt sich genaues Hinsehen und eine Beratung.
Zeigt er nicht mehr, heißt das nicht, dass Ihr Bescheid stimmt. Er übersieht eher etwas, als dass er zu viel verspricht.
Grenzen
Wo er irren kann
- Gemessen wurde an wenigen Fällen. Das macht jede Zahl ungenau.
- Die Gerichtsfälle sind nacherzählte Urteile, noch keine Erzählungen echter Familien.
- Welche Stufe je Urteil richtig ist, hat eine KI aus dem Urteil abgeleitet. Eine Fachperson für Recht hat das noch nicht gegengelesen.
- Regeln des Prüfers wurden teils aus Fällen abgeleitet, die später als unberührte Fälle dienten. Das kann den Wert dort etwas begünstigen.
- Ihren eigenen Text liest Gemini 3.8 Flash, dasselbe Modell wie beim Stand heute. An den unberührten Fällen ist es noch nicht gemessen.
Was er nicht tut
- Er entscheidet nicht über Ihr Pflegegeld.
- Er berät und vertritt Sie nicht.
- Die KI rechnet nicht. Häufigkeiten übernimmt sie nur aus Ihren Worten.
- Er speichert Ihre Erzählung nicht dauerhaft.
Stimmt Ihre Stufe?
Sie erzählen einen normalen Tag, der Prüfer ordnet zu und rechnet nach, ob die Stufe im Bescheid passt.
Meinen Bescheid prüfenFür Fachleute
Letzte Messrunde vom 29.09.2026.
Alle Messrunden
Jede gewertete Runde, in der die KI die Erzählung liest, in zeitlicher Reihenfolge. Nichts wird überschrieben.
- 26.09.2026 · Übungsfälle: 9 von 14Spanne 39 bis 84 % · Modell Claude Opus 5.5Erster Lauf aus freiem Text, vor der einen Änderung an der Anweisung an die KI.
- 26.09.2026 · Übungsfälle: 10 von 14Spanne 45 bis 88 % · Modell Claude Opus 5.5Endlauf nach dem Einfrieren von Regeln und Anweisung. Das ist die vorher festgelegte Hauptzahl.
- 26.09.2026 · Erfundene Fälle: 7 von 7Spanne 65 bis 100 % · Modell Claude Opus 5.5Erfundene Fälle mit Antworten auf die Rückfragen, darum eine Obergrenze.
- 26.09.2026 · Unberührte Fälle: 5 von 15Spanne 15 bis 58 % · Modell Claude Opus 5.5Unberührte Fälle, einmal gemessen, danach nichts verändert.
- 26.09.2026 · Neue Urteile, Pilot: 6 von 6Spanne 61 bis 100 % · Modell Claude Opus 5.5Pilot mit neuen Urteilen, nicht vorher festgelegt. Fast alle Fälle ohne Anspruch, sagt über Stufen darum wenig.
- 28.09.2026 · Übungsfälle: 10 von 14Spanne 45 bis 88 % · Modell Claude Opus 5.5 · Stunden im Mittel um 17,7 danebenModellvergleich, Bezugsarm für die Qualität. Verfehlt dieselben Übungsfälle wie das Modell, das eigenen Text liest.
- 28.09.2026 · Erfundene Fälle: 7 von 7Spanne 65 bis 100 % · Modell Claude Opus 5.5 · Stunden im Mittel um 0,6 danebenModellvergleich. Erfundene Fälle mit Antworten auf die Rückfragen, darum eine Obergrenze.
- 28.09.2026 · Randfälle: 2 von 2Spanne 34 bis 100 % · Modell Claude Opus 5.5 · Stunden im Mittel um 0 danebenModellvergleich, Randfälle.
- 28.09.2026 · Neue Urteile, Pilot: 6 von 6Spanne 61 bis 100 % · Modell Claude Opus 5.5 · Stunden im Mittel um 5 danebenModellvergleich. Fast alle Fälle ohne Anspruch, sagt über Stufen darum wenig.
- 28.09.2026 · Übungsfälle: 10 von 14Spanne 45 bis 88 % · Modell Claude Sonnet 5 · Stunden im Mittel um 17,3 danebenModellvergleich, bestes weiteres Modell aus der Sichtung.
- 28.09.2026 · Erfundene Fälle: 6 von 7Spanne 49 bis 97 % · Modell Claude Sonnet 5 · Stunden im Mittel um 0,7 danebenModellvergleich. Erfundene Fälle mit Antworten auf die Rückfragen, darum eine Obergrenze.
- 28.09.2026 · Randfälle: 2 von 2Spanne 34 bis 100 % · Modell Claude Sonnet 5 · Stunden im Mittel um 0 danebenModellvergleich, Randfälle.
- 28.09.2026 · Neue Urteile, Pilot: 6 von 6Spanne 61 bis 100 % · Modell Claude Sonnet 5 · Stunden im Mittel um 0,8 danebenModellvergleich. Fast alle Fälle ohne Anspruch, sagt über Stufen darum wenig.
- 28.09.2026 · Übungsfälle: 10 von 14Spanne 45 bis 88 % · Modell Gemini 3.8 Flash · Stunden im Mittel um 19,4 danebenModellvergleich mit dem Modell, das eigenen Text liest, gleichauf mit Claude Opus. Gemessen über das lokale Abo-Gateway, nicht über den Weg der gehosteten Prüfung.
- 28.09.2026 · Erfundene Fälle: 7 von 7Spanne 65 bis 100 % · Modell Gemini 3.8 Flash · Stunden im Mittel um 0,6 danebenModellvergleich. Erfundene Fälle mit Antworten auf die Rückfragen, darum eine Obergrenze.
- 28.09.2026 · Randfälle: 1 von 2Spanne 10 bis 91 % · Modell Gemini 3.8 Flash · Stunden im Mittel um 0 danebenModellvergleich, Randfälle. Ein Randfall blieb ohne Wertung, weil das Gateway zweimal keine Antwort lieferte; er zählt hier als nicht getroffen.
- 28.09.2026 · Neue Urteile, Pilot: 5 von 6Spanne 44 bis 97 % · Modell Gemini 3.8 Flash · Stunden im Mittel um 4,2 danebenModellvergleich. Fast alle Fälle ohne Anspruch, sagt über Stufen darum wenig.
- 29.09.2026 · Übungsfälle: 10 von 14Spanne 45 bis 88 % · Modell Gemini 3.8 Flash · Stunden im Mittel um 17,8 danebenZweite Messrunde, neu gemessen nach der Änderung der Regel zur Bindung an den Bescheid bei einer Klage (Link und Wortlaut); die Anweisung an die KI blieb gleich. Wie im Modellvergleich über das lokale Abo-Gateway gemessen, nicht über den Weg der gehosteten Prüfung.
- 29.09.2026 · Erfundene Fälle: 7 von 7Spanne 65 bis 100 % · Modell Gemini 3.8 Flash · Stunden im Mittel um 0,9 danebenZweite Messrunde. Erfundene Fälle mit Antworten auf die Rückfragen, darum eine Obergrenze.
- 29.09.2026 · Randfälle: 1 von 2Spanne 10 bis 91 % · Modell Gemini 3.8 Flash · Stunden im Mittel um 0 danebenZweite Messrunde, Randfälle. Ein Randfall blieb ohne Wertung, weil das Gateway zweimal keine Antwort lieferte; er zählt hier als nicht getroffen.
- 29.09.2026 · Neue Urteile, Pilot: 5 von 6Spanne 44 bis 97 % · Modell Gemini 3.8 Flash · Stunden im Mittel um 3,3 danebenZweite Messrunde. Fast alle Fälle ohne Anspruch, sagt über Stufen darum wenig.
- 05.10.2026 · Erfundene Fälle: 7 von 7Spanne 65 bis 100 % · Modell Claude Opus 5.5Prüferregression: Grundsätze aus Rückfragen ausgeschlossen. Erfundene Fälle mit vorhandenen Antworten, dieselbe Obergrenze; keine neue Hauptmessung.
Unberührte Fälle
Erster Durchgang: 5 von 15 Fällen mit getroffener Referenzstufe. Auf 100 ähnliche Fälle wären wohl 15 bis 58 richtig.
Davon mit echter Stufe 4 von 13, kein Anspruch 1 von 1, Kind außerhalb des Umfangs 0 von 1.
Daneben: 10. Davon 7 zu niedrig, 2 zu hoch, einmal ein Kind nicht erkannt.
In jedem Lauf richtig: 3 von 15.
Mit einer Rückfrage: 7 von 15.
Diese Fälle wurden einmal zum Schluss gewertet, und an ihnen wurde danach nichts verbessert. Das Ergebnis steht hier, auch wenn es schlecht ist.
Vor dem Bau liefen diese Fälle schon in Modellvergleichen mit. 22 Regeln nennen einen von ihnen als Herkunft, 10 davon stehen im Text an die KI. Das betrifft X16, X19, X21, X22, X24, X25, X28, X29, X30. Die Fall-IDs selbst stehen nicht im Text an die KI. Wir nennen die Fälle deshalb unberührt seit dem Bau, nicht neu.
Stufe aus dem Bescheid übernehmen
Unberührte Fälle: Auf den 14 Fällen mit Referenzstufe traf der ursprüngliche Bescheid 8-mal, also öfter als der Pflegegeld-Prüfer.
Übungsfälle: Auf den 14 Fällen mit Referenzstufe traf der Bescheid 5-mal, also seltener als der Pflegegeld-Prüfer.
Über alle 29 gesammelten Urteile mit Bescheid lag der Bescheid 16-mal auf der Stufe laut Urteil.
Weicht sein Ergebnis vom Bescheid ab, beweist das nicht, dass der Bescheid falsch ist. Es ist ein Anlass, genauer hinzusehen und sich beraten zu lassen.
Zeigt er mehr, wenn der Bescheid zu niedrig war?
Nachträglich gezählt, nicht vorher festgelegt. Für die nächste Messung legen wir diese Größe vorher fest.
Unberührte Fälle: Lag der Bescheid unter der Referenzstufe, zeigte er in 4 von 6 Fällen mehr als den Bescheid. Passte der Bescheid, zeigte er in 1 von 8 Fällen trotzdem mehr.
Übungsfälle: Lag der Bescheid unter der Referenzstufe, zeigte er in 3 von 3 Fällen mehr als den Bescheid. Passte der Bescheid, zeigte er in 0 von 5 Fällen trotzdem mehr.
Übungsfälle
Erster Durchgang: 10 von 14 Fällen mit getroffener Referenzstufe. Auf 100 ähnliche Fälle wären wohl 45 bis 88 richtig. Vorher festgelegtes Ziel: 12, verfehlt.
Davon mit echter Stufe 6 von 9, kein Anspruch 1 von 1, Kind außerhalb des Umfangs 3 von 4.
In jedem Lauf richtig: 10 von 14.
Getroffen heißt: Die Mehrheit von 3 Läufen trifft die Referenzstufe. Dazu kommt ein Sonderfall, bei dem das Verhalten gewertet wird. Er zählt getrennt, zusammen sind es 15 Übungsfälle.
Mit einer Rückfrage: 13 von 15. Gezählt, wenn er die Stufe traf oder die Frage stellte, auf die es ankam. Vorher festgelegtes Ziel: 13, erreicht.
Daneben: 4. Davon 3 zu niedrig, keiner zu hoch. Einmal erkannte er einen Kinderfall nicht.
Rechnen ohne KI
Mit den Stunden aus dem Urteil trifft das Programm 22 von 22 Fällen, Übungsfälle und erfundene Fälle zusammen. Vorher festgelegtes Ziel: 22, erreicht.
Unberührte Fälle: 12 von 15. Verfehlt: X18, X25 und X30. Diese Urteile nennen nur die Stufe, keine Stunden je Tätigkeit, darum bekommt das Programm keine Eingabe.
Erfundene Fälle
Die Messung nutzt 7 erfundene Fälle. Die KI liest die Erzählung, das Programm rechnet: 7 von 7 mit der erwarteten Stufe. Vorher festgelegtes Ziel: 6, erreicht. 5 davon können Sie auf der Seite zum Prüfen selbst ausprobieren.
Anders erzählt: Keine von 35 Umformulierungen änderte die Stufe. Diese Messung war nicht vorher festgelegt.
Modell Ihrer Prüfung
Ihre Prüfung mit eigenem Text nutzt Gemini 3.8 Flash. Der Stand heute stammt von diesem Modell. Die Einzelheiten zu Übungsfällen und unberührten Fällen in diesem Teil stammen aus Läufen mit Claude Opus 5.5.
Ein erster eigener Lauf mit Gemini 3.8 Flash am 26.09.2026 traf 11 von 14 Übungsfällen. Auf 100 ähnliche Fälle wären wohl 52 bis 92 richtig. An den unberührten Fällen ist dieses Modell noch nicht gemessen.
Modellvergleich
Am 28.09.2026 haben wir 10 KI-Modelle auf denselben Fällen verglichen: Übungsfälle, erfundene Fälle, Rand- und Zusatzfälle. Die unberührten Fälle waren nicht dabei. Auf den Übungsfällen traf Gemini 3.8 Flash 10 von 14, Claude Opus 5.5 10 von 14, jeweils nach der Mehrheit der Läufe.
Beide verfehlten dieselben Fälle: X5, X6, X12 und X15. Die Lücke liegt damit eher bei Regeln und Ablauf als beim Modell. Gemini 3.8 Flash bleibt deshalb das Modell für Ihren Text. Claude Opus 5.5 prüft die verfehlten Fälle als zweite Meinung mit, und jede Verbesserung messen wir wieder mit Gemini 3.8 Flash auf denselben Fällen.
Das sind wenige Fälle, und an den Übungsfällen haben wir eingestellt. Ein Unterschied zwischen den Modellen ist damit nicht belegt, in keine Richtung.
Woher die Referenzstufe kommt
Die Gerichtsfälle stammen aus veröffentlichten Urteilen österreichischer Gerichte.
KI-Agenten haben diese Urteile gesucht, gelesen und nacherzählt. Aus jedem Urteil wurde abgeleitet, welche Stufe nach den Regeln passt. Diese Stufe heißt hier Referenzstufe.
Bei einigen Fällen weicht sie von der Stufe im Urteil ab, etwa wenn ein Kind außerhalb des Umfangs liegt.
Strittige Fragen dabei hat der Betreiber entschieden, jeweils so, wie die Agenten es empfahlen. Eine Fachperson für Recht hat die Referenzstufen noch nicht geprüft.
So bleiben wir ehrlich
- Übungsfälle und unberührte Fälle bleiben getrennt. An den unberührten Fällen wird nichts verbessert.
- Was als Treffer zählt, steht vorher fest. Änderungen kommen als datierte Nachträge dazu.
- Jede Messung wird angehängt, keine überschrieben. Jede trägt einen Fingerabdruck von Regeln und Anweisung an die KI.
- Messläufe kosten kein Geld für einzelne Aufrufe, darum können wir so oft messen wie nötig.
- Was wir nachträglich gezählt haben, steht als solches da.
- Eine Prüfung ohne KI läuft bei jeder Änderung mit. Sie rechnet Berichte und Nenner nach, sucht nach Spuren der unberührten Fälle in Regeln und Erzählungen und vergleicht Übungs- mit unberührten Fällen. Sie misst nicht neu.
Fachwörter
- Übungsfälle
- Kalibrierung
- Unberührte Fälle
- Holdout, vor dem Bau schon gesehen
- Vorher festgelegt
- Vorregistrierung
- Spanne
- 95-%-Intervall nach Wilson
Fall für Fall
Die Übungsfälle einzeln. Antippen zeigt Einzelheiten.
Die unberührten Fälle einzeln.
Das ist keine Rechtsberatung. Zu Bescheid und Klage beraten die Arbeiterkammer und Behindertenverbände ihre Mitglieder.