Meine Frau hat eine halbe Stunde an einer Aufgabe gesessen, die ich am selben Abend mit einem einzigen Prompt erledigt habe. Gleiche KI, gleiche Daten, dieselbe Aufgabe.
Es war nichts Exotisches: Aus einem Satz Rohdaten sollte ein Bericht werden. Ich hatte das anfangs für sie aufgesetzt, ein Prompt, Daten rein, der Bericht saß. Auch ihre Erweiterungswünsche liefen, solange ich promptete. Dann musste ich zurück an meine eigene Arbeit, sie hat die Prompts selbst weitergeführt, und nach dreißig Minuten hat sie aufgegeben. Nach Feierabend habe ich es mit einem Prompt geradegezogen.
Sie ist nicht ungeschickt. Ihr fehlte nur die eine Sache, die man nicht sieht: das Gefühl dafür, wie der erste Prompt und der mitgelieferte Kontext aussehen müssen, damit das Modell auf Anhieb das Richtige tut. Dasselbe beobachte ich bei Kollegen. Diese Fähigkeit sieht nach nichts aus, und sie ist trotzdem der halbe Wert des Systems.
Deshalb ist fast jede Agent-Kostenrechnung, die ich lese, falsch. Sie behandelt die Kosten als Eigenschaft des Modells. Das sind sie nicht. Sie sind eine Eigenschaft des eingespielten Systems aus Mensch plus Pipeline plus Modell. Fangen wir unten an, beim Preis, den alle zitieren, und arbeiten wir uns in drei Stufen nach oben.
Stufe 1: Der Token-Preis fällt, deine Agent-Kosten nicht
Das populärste Argument für sinkende KI-Kosten heißt LLMflation. a16z-Analyst Guido Appenzeller hat es am 12. November 2024 geprägt: Der Preis pro Token falle um rund den Faktor zehn pro Jahr, von 60 US-Dollar pro Million Token für GPT-3 im November 2021 auf 0,06 US-Dollar für Llama 3.2 3B Ende 2024. Das ist real, und für einfache Ein-Schritt-Aufgaben schlägt es voll durch. Wer nur klassifiziert oder Daten extrahiert, zahlt heute einen Bruchteil von früher.
Nur beschreibt der Token-Preis bei mehrstufigen Agenten nicht die Rechnung, die am Monatsende ankommt. Drei Effekte fressen die Senkung. Erstens reinvestiert man billigere Token sofort in längere Aufgaben. Laut METR (Time Horizon 1.1, 29. Januar 2026) verdoppelt sich die Aufgabenlänge, die Agenten mit 50 Prozent Erfolg schaffen, seit 2023 alle 4,3 Monate. Das ist der Jevons-Effekt in Reinform: Was pro Einheit billiger wird, nutzt man in größerer Menge. Zweitens produziert der Tokenizer der neuen Modelle ab Opus 4.7 laut Anthropics API-Preisdokumentation (Stand Juli 2026) rund 30 Prozent mehr Token für denselben Text. Und für deutsche Prompts kommt ein eigener Aufschlag obendrauf, über den das KI-Syndikat unter dem Stichwort Englisch-Steuer separat geschrieben hat. Drittens ist Verifikationszeit Menschenzeit, und die wird nicht billiger, wenn Token es werden.
Stufe 2: Rechne pro erledigtem Task, nicht pro Token
Die ehrlichere Einheit ist der Preis pro erledigtem Task, Fehlversuche eingerechnet. Und Fehlversuche sind die Regel, nicht die Ausnahme. Laut dem tau-bench-Leaderboard von Sierra AI (Stand 2024) löste das damals beste Modell, Claude 3.5 Sonnet, im Retail-Szenario nur 69,2 Prozent der Aufgaben im ersten Versuch, im Airline-Szenario 46,0 Prozent (GPT-4o: 60,4 und 42,0 Prozent). Bei 46 Prozent Erfolgsquote braucht ein Task im Erwartungswert 2,17 Anläufe, bei 69,2 Prozent immer noch 1,45.
Ein Retry ist nicht einfach ein zweiter Erstversuch. Er schleppt den gewachsenen Kontext mit und schickt ihn erneut durch das Modell, ist also strukturell teurer als der erste Durchlauf. Caching dämpft das, aber nur gezielt: Laut Lumer und Kollegen (Arbeitspapier arXiv:2601.06007, Januar 2026) spart Prompt-Caching über mehr als 500 Agenten-Sessions 41 bis 80 Prozent, allerdings nur, wenn gezielt der System-Prompt gecacht wird. Naives Voll-Caching kann die Latenz sogar erhöhen. Die Mechanik dahinter hat das KI-Syndikat in Prompt-Caching richtig einsetzen auseinandergenommen. Und wer seine Agenten durch ein schweres Framework schickt, zahlt noch einen Overhead obendrauf, wie das KI-Syndikat am Framework-Overhead von LangChain gezeigt hat. Der Punkt hier ist nur: Der Preis pro Task hängt an der Erfolgsquote und am Overhead, nicht am Token-Preis.
Dass das keine Rechnerei am grünen Tisch ist, zeigt Uber. Laut Forbes (26. Mai 2026) sprang die Claude-Code-Nutzung dort zwischen Februar und März 2026 von 32 auf 84 Prozent der rund 5.000 Engineers, und die monatlichen Kosten pro Engineer bewegten sich zwischen 150 und 2.000 US-Dollar. Das gesamte KI-Coding-Budget für 2026 war bereits im April aufgebraucht, wie der zuständige CTO Praveen Neppalli Naga bestätigte. Gartner rechnet den Trend zu Ende: Laut einer Pressemitteilung vom 24. Juni 2026 übersteigen die KI-Coding-Kosten pro Entwickler bis 2028 das durchschnittliche Entwicklergehalt. Schon heute geben knapp ein Viertel der Tech-Verantwortlichen 200 bis 500 US-Dollar pro Entwickler und Monat für Coding-Token aus, rund 6 Prozent liegen über 2.000 US-Dollar.
Die Anbieter selbst haben die Konsequenz längst gezogen und preisen aufs Ergebnis um, nicht auf Token. Fin, das frühere Intercom, verlangt laut seiner Preisseite (fin.ai/pricing, Stand Juli 2026) 0,99 US-Dollar pro gelöstem Vorgang. Salesforce Agentforce nimmt 2 US-Dollar pro Conversation oder rechnet über Flex Credits ab, rund 0,10 US-Dollar pro Standardaktion. Dass Salesforce Fin per verbindlicher Vereinbarung vom 15. Juni 2026 für rund 3,6 Milliarden US-Dollar übernimmt, zeigt, wohin die Branche die Preislogik verschiebt: weg vom Token, hin zum erledigten Fall.
Stufe 3: Auch der Preis pro Task ist keine Konstante des Modells
Auch die ehrlichere Pro-Task-Rechnung übergeht einen Teil der Wahrheit: Der Preis pro Task ist keine Zahl, die am Modell hängt. Er ist eine Eigenschaft des eingespielten Systems aus Mensch, Pipeline und Modell.
Nimm Pass@1, die Quote der im ersten Versuch gelösten Aufgaben. Als reine Modellmetrik ignoriert sie den Menschen davor komplett. In meinem Betrieb lerne ich mit täglicher Nutzung ziemlich genau, welche Prompts auf Anhieb funktionieren und welche auch nach dem fünften Anlauf scheitern. Ein triviales Bug-Ticket erledige ich mit einem Screenshot und fünf Wörtern, die Trefferquote liegt nahe hundert Prozent. Am anderen Ende steht das Logo-Design: Ohne passende Skills und speziellen Kontext liefert mir dasselbe Modell auch nach dem zwanzigsten Prompt kein Logo, mit dem ich wirklich zufrieden bin. Zwischen diesen Polen entscheide ich bewusst, wie viel Arbeit ich in den Prompt stecke, je nachdem, was das Ticket wert ist. Das Modell ist in allen Fällen dasselbe. Der Preis pro Task ist es nicht.
Genau das war der Unterschied zwischen mir und meiner Frau an jenem Abend. Nicht die KI, nicht die Daten. Es waren der initiale Prompt und das Context Engineering, also die eine Fähigkeit, die nach nichts aussieht. Wer sie hat, löst den Task in einem Zug. Wer sie nicht hat, sitzt dreißig Minuten daran und bricht ab. Das sind Größenordnungen aus meinem Alltag, keine Messreihe, aber Kostenrechnungen unterschätzen darin systematisch den Faktor Mensch.
Warum Verifikation billiger wird, je öfter etwas gut geht
Zur zweiten versteckten Position, der Verifikation. Auch sie ist nicht konstant, sondern hängt an Risiko und Vertrauen. Drei Fragen entscheiden über den Aufwand: Wie trivial ist die Aufgabe? Was passiert, wenn das Ergebnis ohne Human-in-the-Loop live geht? Und wie waren die bisherigen Erfahrungswerte?
Über die Zeit stellt sich eine verdiente Routine ein. Eine triviale Aufgabe, die fünfzig von fünfzig Mal sauber lief, schaue ich beim einundfünfzigsten Mal nicht mehr Zeile für Zeile an. Etwas Neuartiges oder Komplexes dagegen schon. Ich vertraue dem System und den Feedback-Loops, die ich darum herum baue, aber erst, nachdem sie sich bewährt und das Vertrauen verdient haben. Mein Prinzip lässt sich in einen Satz fassen: Automatisierung wo möglich, Kontrolle wo nötig. Warum diese Kontrolle nicht wegfällt, sondern nur ihre Form ändert, hat das KI-Syndikat unter warum vollautonome Agenten-Pipelines einen Menschen behalten beschrieben.
Zeichnet man die Verifikationsminuten pro Task über die Wiederholungen auf, ergibt das eine fallende Kurve. Am Anfang schaut man genau hin, mit jeder bestandenen Runde sinkt der Aufwand. Bis zu einem Punkt, an dem die Kurve schlagartig wieder nach oben springt. Wann das passiert, ist der eigentliche Kern dieses Textes.
Ein Rechenbeispiel aus meinem Betrieb: die Blog-Pipeline
Wie stark der eingespielte Zustand die Kosten drückt, sieht man an der Pipeline, die diesen Text mitproduziert hat. Meine Subscription ist eine Flatrate pro Monat mit wöchentlichem Reset. Nähert sich die Woche dem Ende und sind noch Token übrig, fließt das Restbudget in Content.
Mein Aufwand pro Artikel liegt heute bei grob fünf Minuten: gemeinsames Brainstorming, die Ideen kurz sichten, dann die Pipeline anstoßen. Danach arbeitet sie dreißig bis sechzig Minuten weitgehend autonom, am Ende folgen fünf bis zehn Minuten finales Review mit Änderungsanmerkungen. Das klingt effizient. Und das ist es auch, nur nicht, weil das Modell so gut ist. Effizient ist sie, weil ich die Pipeline über die ersten rund hundert Blogposts hinweg gebaut und immer weiter optimiert habe, bis sie sich in der Praxis bewährt hatte. Was ich hier ernte, ist amortisierte Pipeline-Investition plus verdientes Vertrauen. Kein Feature, das im Datenblatt eines Modells steht. Auch das sind Größenordnungen, keine gestoppten Zeiten.
Die teuerste Position steht nirgends: der Komponententausch
Am teuersten wird es an der Stelle, an der die Verifikationskurve nach oben springt: wenn eine Komponente ausgetauscht wird.
Der offensichtliche Fall: Der Mensch wird getauscht. Meine Frau soll die Aufgabe übernehmen, und mit ihr geht das eingespielte Prompt-Wissen verloren, das nie irgendwo dokumentiert war. Der weniger offensichtliche Fall, den kaum jemand einpreist: Das Modell wird getauscht. Statt Sonnet 4.5 läuft plötzlich Sonnet 5, oder es wird ChatGPT. Von einem Tag auf den anderen reagiert das System anders auf dieselben Prompts, der aufgebaute Trust ist dahin, die Pipeline wird instabil und muss neu justiert werden. Das Vertrauen fängt bei null an und muss sich neu verdienen. Das ist der Grund, warum die Verifikationskurve beim Modellwechsel senkrecht nach oben schnellt.
Ein Modellwechsel ist damit Drift auf Ansage. Dieselbe stille Drift, die ein KI-System auch ohne Eingriff über Wochen verändert und die einen ISO-42001-Audit zur Regelschleife statt zum Jahres-Zertifikat macht, hat das KI-Syndikat aus der Compliance-Perspektive im Detail beschrieben. Aus Kostensicht ist die Konsequenz dieselbe: Ein Release, das auf dem Papier billiger oder besser ist, kann dich teuer zu stehen kommen, wenn du die Neukalibrierung nicht einrechnest.
Bevor du also zwei Modelle über ihren Token-Preis vergleichst, frag, was der Wechsel dein eingespieltes System kostet. Diese Position steht auf keiner Rechnung. Bezahlen wirst du sie trotzdem.
Wer solche Rechnungen lieber vor dem nächsten Release aufmacht als danach, findet im KI-Syndikat Newsletter regelmäßig Einordnungen, die nicht vom Anbieter bezahlt sind.