Billig pro Token, teuer pro Aufgabe: Die KI-Kostenfalle
Montagmorgen, der Kaffee steht neben der Tastatur, und aus dem KI-Test ist über Nacht ein laufender Prozess geworden. Eine Rechnung zeigt Kosten pro Million Tokens, eine andere trennt Eingaben und Antworten. Was davon zählt für Ihren Betrieb? Die unbequeme Antwort: Der Token-Preis allein sagt wenig darüber, was eine Aufgabe am Ende kostet. Besonders dann, wenn ein KI-Agent mehrere Schritte übernimmt. Wie behalten Sie die Rechnung im Griff, bevor aus einem nützlichen Versuch eine Dauerbelastung wird?
Die Rechnung steckt in zwei Zählern
Ein Token ist die Zähleinheit, nach der viele KI-Anbieter abrechnen. Für Ihre Rechnung zählen zwei Mengen: der Text und die Daten, die Sie an das Modell schicken, und die Antwort, die zurückkommt. Anbieter nennen diese Mengen Input und Output. Wer nur auf einen Gesamtpreis pro Million Tokens schaut, übersieht den Unterschied.
Ein Beispiel aus dem Büroalltag: Sie lassen einen langen Kundenverlauf zusammenfassen und bitten die KI, eine Antwort zu formulieren. Der Verlauf zählt zum Input, die formulierte Antwort zum Output. Beide Teile können unterschiedliche Preise haben. Ob der Vorgang günstig bleibt, hängt also auch davon ab, wie viel Material Sie hineingeben und wie ausführlich das Modell antwortet.
Das macht Tokenpreise zunächst unhandlich. Die gute Nachricht: Sie müssen nicht jedes einzelne Token im Alltag nachzählen. Sie brauchen aber ein Gefühl dafür, welche Aufgaben viel Input erzeugen, welche lange Antworten verlangen und welches Modell dafür eingesetzt wird.
Eine Million Tokens, ganz verschiedene Beträge
Die Preisspanne wird greifbar, wenn man Input und Output zusammen betrachtet. VentureBeat nennt für GPT-5.6 Luna 0,20 US-Dollar pro Million Input-Tokens und 1,20 US-Dollar pro Million Output-Tokens. Werden jeweils eine Million Input- und Output-Tokens abgerechnet, ergibt das zusammen 1,40 US-Dollar.
Für GPT-5.6 Sol Standard nennt derselbe Artikel 5 US-Dollar pro Million Input-Tokens und 30 US-Dollar pro Million Output-Tokens. Bei je einer Million von beiden wären das 35 US-Dollar. Der Unterschied zeigt: Ein niedriger Preis für ein Modell sagt noch nicht, was ein Arbeitsablauf kostet. Entscheidend ist auch, wie viele Tokens dieser Ablauf tatsächlich verbraucht.
Das sind US-Dollar-Angaben aus einem veröffentlichten Preisvergleich, keine Garantie für den Preis Ihres konkreten Vertrags. OpenRouter weist ausdrücklich darauf hin, die Preise vor der Budgetplanung auf der jeweiligen Modellseite zu prüfen. Wenn Ihre Firma über eine Plattform oder einen Vertrag abrechnet, sollten Sie zudem prüfen, welches Abrechnungsmodell dort gilt.
Billig pro Token heißt nicht billig pro Aufgabe
Ein häufiger Denkfehler: Das günstigste Modell müsse automatisch die sparsamste Lösung sein. Im Alltag zählt jedoch, ob es Ihre Aufgabe zuverlässig erledigt und wie viele Versuche oder zusätzliche Schritte dafür nötig werden. Ein niedriger Stückpreis hilft wenig, wenn das Modell bei einer Routineaufgabe immer wieder nacharbeiten muss.
Ein OpenRouter-Benchmark veranschaulicht die mögliche Spanne bei einer eng umrissenen Aufgabe. Für die Triage von 1.000 Support-Tickets nennt er 0,0248 US-Dollar mit Jev 1.13, 0,0921 US-Dollar mit GPT Luna und 2,8802 US-Dollar mit Claude Opus. Das ist keine allgemeine Rangliste: Der Test lief an einem Tag, mit kleinen Beispielsätzen und jeweils einem Prompt-Satz.
Für einen Handwerksbetrieb kann die passende Frage lauten: Was kostet es, eine Anfrage so vorzubereiten, dass jemand im Büro sie schnell bearbeiten kann? Für ein größeres Unternehmen könnte es darum gehen, wie teuer die Prüfung einer ganzen Ticketwarteschlange ist. In beiden Fällen ist der Preis pro fertigem Vorgang aussagekräftiger als der Preis pro Token.
Agenten können die Ersparnis auffressen
Ein KI-Agent soll eine Aufgabe in mehreren Schritten verfolgen, statt nur auf eine einzelne Frage zu antworten. Das kann bei Recherche, Sortierung oder einem mehrteiligen Kundenprozess nützlich sein. Es bedeutet aber auch, dass der Agent mehr Material verarbeiten und zusätzliche Arbeitsschritte auslösen kann.
Gartner prognostiziert, dass die Inferenzkosten pro agentischem Workflow bis 2028 um mehr als das Fünffache steigen. Laut Gartner benötigt die Weiterleitung einer Aufgabe an ein agentisches Reasoning-Modell mindestens fünfmal so hohe Inferenzkosten wie eine einfache Chatbot-Interaktion. Analyst Will Sommer beziffert den Verbrauch bei Agenten auf das Fünf- bis Dreißigfache an Tokens beziehungsweise Tasks für dieselbe Aufgabe.
Das sind Prognosen und Vergleiche, keine Rechnung für jeden einzelnen Betrieb. Sie zeigen aber, warum der günstige Preis pro Token keine sichere Kostenprognose ist. Wer einen Agenten unbeaufsichtigt laufen lässt, sollte deshalb früh klären, was ihn stoppt, wenn eine Aufgabe länger dauert als erwartet.
Was das für Ihr Unternehmen heißt
Sie müssen dafür kein großes KI-Budget aufstellen. Beginnen Sie mit einem Vorgang, der regelmäßig wiederkommt: etwa Support-Anfragen vorsortieren, eingehende Dokumente zusammenfassen oder Gesprächsnotizen aufbereiten. Notieren Sie, was die KI dafür erhält, welches Ergebnis sie liefern soll und wie oft der Vorgang anfällt.
Prüfen Sie dann die Kosten pro erledigter Aufgabe. Dazu gehören Input und Output, aber auch zusätzliche Modellaufrufe, falls Ihr Prozess mehrere Schritte umfasst. Ein einfacher Test mit einem begrenzten Satz realer, geeigneter Beispiele gibt Ihnen eine bessere Grundlage als ein Preisvergleich auf dem Papier. Kontrollieren Sie die Modellpreise vor der Planung nochmals, denn sie können sich ändern.
Legen Sie anschließend eine Grenze fest: ein maximales Budget, eine maximale Zahl an Durchläufen oder eine Freigabe durch einen Menschen, bevor der Agent weitermacht. Gartner zufolge fehlt bei 21 Prozent der befragten Unternehmen mit einer Orchestrierungsplattform eine automatische Sperre, die die Token-Ausgaben von Agenten stoppt. Selbst ein kleines Unternehmen kann diesen Punkt vorab entscheiden, statt ihn erst bei einer überraschenden Rechnung zu entdecken.
- Wählen Sie eine wiederkehrende Aufgabe und erfassen Sie den heutigen Aufwand.
- Testen Sie ein günstiges Modell für die Routine und ein leistungsfähigeres Modell nur dort, wo es nötig ist.
- Richten Sie ein Ausgabenlimit oder eine menschliche Freigabe ein.
- Prüfen Sie regelmäßig, ob Kosten und Ergebnis noch zusammenpassen.
Am nächsten Montag zählt die Freigabe
Stellen Sie sich den nächsten Montag vor: Eine neue Anfrage landet im Postfach. Die KI ordnet sie ein, fasst den Inhalt zusammen und schlägt den nächsten Schritt vor. Eine Mitarbeiterin prüft das Ergebnis, bevor etwas an den Kunden geht. Sie sehen zugleich, welche Aufgabe Kosten verursacht hat und ob eine Grenze erreicht wurde.
Für einen Solo-Unternehmer kann diese Kontrolle schlicht eine wöchentliche Sichtung der Abrechnung sein. In einem größeren Betrieb braucht es eher eine klare Zuständigkeit dafür, welche Teams Modelle auswählen und wer automatische Prozesse stoppen darf. In beiden Fällen hilft eine einfache Regel: Routineaufgaben bekommen ein begrenztes Budget, Ausnahmen brauchen eine bewusste Entscheidung.
Gartner empfiehlt, Kosten sichtbar zu machen, Anfragen automatisch an kosteneffiziente Modelle weiterzuleiten und Frontier-Modelle nicht standardmäßig für Routineaufgaben aufzurufen. Damit wird die wichtige Frage konkret: Welche Entscheidung darf Ihre KI selbst treffen, und an welchem Punkt soll ein Mensch übernehmen?
Häufige Fragen
Was sind Tokens bei einer KI?
Tokens sind die Zähleinheit, nach der viele KI-Anbieter ihre Nutzung berechnen. Für die Abrechnung wird meist getrennt betrachtet, was Sie an das Modell schicken, also der Input, und was es zurückgibt, der Output. Die genaue Menge hängt davon ab, wie viel Inhalt ein Vorgang verarbeitet und erzeugt.
Wie berechnet man KI-Kosten pro Million Tokens?
Multiplizieren Sie die abgerechnete Zahl der Input-Tokens mit dem Input-Preis und die Output-Tokens mit dem Output-Preis. Teilen Sie beide Ergebnisse durch eine Million und addieren Sie sie. Bei GPT-5.6 Luna nennt VentureBeat zum Beispiel 0,20 US-Dollar je Million Input-Tokens und 1,20 US-Dollar je Million Output-Tokens.
Warum kosten KI-Agenten oft mehr als ein Chatbot?
Ein Agent kann für eine Aufgabe mehrere Arbeitsschritte und Modellaufrufe benötigen. Gartner schätzt, dass Agenten für dieselbe Aufgabe fünf- bis dreißigmal mehr Tokens beziehungsweise Tasks als einfache Chatbots brauchen können. Wie hoch die tatsächlichen Kosten ausfallen, hängt vom konkreten Ablauf, vom Modell und von der Menge der verarbeiteten Inhalte ab.
Wie kann ich die Kosten für KI begrenzen?
Messen Sie zuerst die Kosten pro erledigter Aufgabe und nicht nur den Preis pro Token. Legen Sie anschließend ein Ausgabenlimit, eine maximale Zahl an Durchläufen oder eine menschliche Freigabe fest. Für Routineaufgaben können Sie kosteneffiziente Modelle testen und leistungsfähigere Modelle gezielt einsetzen. Prüfen Sie die geltenden Preise vor der Budgetplanung.
Interesse?
Sie möchten wissen, was das für Ihr Unternehmen heißt?
Quellen
- Jev vs LLM: When to Use a Decision Model Instead of Generating Text · openrouter.ai, 2026-09-19
- Claude Opus 5.5, GPT-6 Sol, GPT-6 Luna, and a new price war · Simon Willison’s Weblog, 2026-09-22
- Gartner says agent costs will rise fivefold by 2028 even as tokens get cheaper. Here is how to keep them in check · VentureBeat, 2026-10-16
- AI price wars: OpenAI cuts GPT-5.6 Luna prices by 80% as model competition shifts toward cost · VentureBeat, 2026-07-30
- ChatGPT Rate Card (Enterprise token-based pricing) | OpenAI Help Center · OpenAI Help Center, 2026-10-24
- Build more responsive apps with the Decisions API · OpenAI, 2026-10-22
Dieser Artikel wurde mit KI-Unterstützung recherchiert und geschrieben und vor der Veröffentlichung automatisch gegen die genannten Quellen geprüft. Mehr zu unserer KI-Transparenz
Klarframe AI Readiness Check
Wie bereit ist Ihr Unternehmen für KI?
Rund zehn Minuten, sofortiges Ergebnis mit Stufe, 90-Tage-Plan, passenden Lösungen und Hinweisen zum EU AI Act.
