Cloudflares Extraktionsmodell Clairic ist am 19. Oktober 2026 als Vorschau auf Workers AI gestartet: Es erzeugt keinerlei Text. Es liest einen Text oder Bilder einmal und gibt direkt typisierte Werte zurück — Beträge, Daten, Zeitspannen, Listen oder eine Schätzung beziehungsweise Prognose samt Intervall. Cloudflare hat dieser Modellart einen neuen Kategorienamen gegeben: System-One-Extraktionsmodelle.
Es erledigt eine andere Aufgabe als ein Chatbot
Ein großer Teil der heutigen Aufrufe zur strukturierten Extraktion zwingt Sprachmodelle in eine unpassende Rolle: Wer aus einer E-Mail Bestellnummer, Lieferdatum, Gesamtbetrag inklusive Steuer und Verzugstage ziehen will, lässt das Modell JSON Token für Token erzeugen, riskiert Zifferndreher und Formatfehler und braucht danach noch Parsing, Validierung und Wiederholungen. Clairics Anfrageform ist eine völlig andere: Die Eingabe besteht aus einem State (Fließtext plus bis zu vier Bilder) und einer Menge von Feldern mit deklarierten Typen, und ein einziger Vorwärtsdurchlauf beantwortet alle Felder parallel. Textfelder kommen als Quellspannen mit Zeichenpositionen zurück, Zahlen und Daten tragen einen Vertrauenswert und p_null, also die Wahrscheinlichkeit, dass der Wert in der Eingabe gar nicht vorkommt; fehlt ein Feld, liefert das Modell null zurück, statt eine plausible Antwort zu erfinden. In Cloudflares Beispiel steht der Gesamtbetrag inklusive Steuer nirgends in der Support-E-Mail, und doch addierte Clairic im selben Durchlauf 649,00 Dollar Preis und 52,10 Dollar Steuer zu 701,10; auf einem Kassenbonfoto ohne Rabatt gab es für dieses Feld ehrlich null zurück.
Die gesparte Zeit und das gesparte Geld, in Cloudflares eigener Rechnung
Cloudflare hat einen Schadensersatz-Ablauf als Kaskade gemessen: Clairic extrahiert, Clef entscheidet, GLM-5.3 schreibt die Antwort — 19,3 Sekunden von Ende zu Ende. Alle drei Schritte bei GLM-5.3 dauerten 61,7 Sekunden, wobei Extraktion und Entscheidung allein 38 Sekunden fraßen, während Clairic und Clef zusammen unter einer Sekunde blieben. Die Gesamtkosten sanken von 11.740 auf 6.032 Dollar pro Million Schadensfälle, eine Ersparnis von 49 Prozent. Auch die Prognose wurde gemessen: Über die tägliche Kontrollserie der US-Transportsicherheitsbehörde TSA sagte Clairic 21 Tage in Folge den Folgetag voraus, mit einem mittleren Fehler von 3,3 Prozent, und 17 der 21 tatsächlichen Werte lagen innerhalb seines 80-Prozent-Intervalls; am Columbus-Day-Wochenende lag es spürbar daneben, weil eine Zahlenreihe allein keinen Feiertag verrät. Die Kaskade knüpft sauber an das früher auf dieser Website behandelte Entscheidungsmodell Cloudflare Clef an: Ein Modell liest die Fakten sauber, eines wählt zwischen Optionen, und erst dann schreibt ein Sprachmodell die Worte.
Die Grenzen stehen in den Versionshinweisen — kein Universalrechner
Cloudflare listet die Schwächen selbst auf: Mehrschrittiges Rechnen ist unzuverlässig, lange Ketten abhängiger Berechnungen und Aggregationen über viele Tabellenzeilen können schiefgehen, und der offizielle Rat lautet, das Rechnen dem Code zu überlassen und das Modell nur Werte lesen zu lassen. Schätzungen brauchen Vergleichsdaten oder Historie als Grundlage; ohne Belege gibt es kein glaubwürdiges Intervall. Die Prognose ist grundlegend und soll keine spezialisierten Zeitreihenmodelle ersetzen. Vorerst ist Clairic eine gehostete Vorschau auf Workers AI unter cf/cloudflare/clairic, auf der Modellseite mit 0,10 Dollar pro Million Eingabe-Token bepreist und ohne Ausgabegebühr, weil es überhaupt keine Ausgabe-Token erzeugt; offene Gewichte sind geplant, aber ohne Termin. Für Teams, die täglich Tausende Rechnungen, Tickets und E-Mails verarbeiten, liegt der eigentliche Wert nicht darin, Sprachmodelle zu ersetzen — sondern darin, die repetitivste und formatempfindlichste Schicht von Aufrufen aus der Rechnung der Sprachmodelle herauszuschneiden.
