Azure Document Intelligence

Kurzfazit

Azure Document Intelligence ist Microsofts API für strukturierte Dokumentenextraktion und für DACH-Unternehmen mit DSGVO-Anforderungen oft die naheliegende Wahl. Read kostet 1,50 USD je 1.000 Seiten, vortrainierte Modelle 10 USD, eigene Modelle 30 USD, ein Custom-Modell startet mit fünf gelabelten Beispielen. EU-Regionen, Confidence-Scores und Container für Air-Gap-Umgebungen sprechen dafür. Gegen das Tool sprechen fehlende No-Code-Oberfläche und teure Custom-Modelle, ABBYY liefert die fertige Plattform.

Für wen ist Azure Document Intelligence?

Pharma, Chemie, Medizintechnik: Wer Batch-Protokolle, Analysenzertifikate oder GxP-Prüfberichte auswerten muss, bekommt mit den Custom-Modellen eine validierbare Extraktionsschicht. Confidence-Scores je Feld sind hier kein Marketing-Goodie, sondern Voraussetzung für Human-in-the-Loop-Validierung, der QS-Mitarbeitende prüft nur die Felder unter einem definierten Schwellwert.

Banken und Versicherer: Antragsstrecken, Schadensmeldungen, KYC-Dokumente, der hohe Strukturierungsgrad und die EU-Region-Optionen passen zu den regulatorischen Anforderungen von BaFin und EZB. Die vorgefertigten ID-Modelle decken die gängigen Ausweisformate ab.

Buchhaltung und Procure-to-Pay: Das Prebuilt-Invoice-Modell extrahiert Rechnungsnummer, Datum, Beträge, Positionen, USt-IDs und Bankverbindung mit hoher Genauigkeit. In Kombination mit dem ERP (SAP, DATEV, Microsoft Dynamics) entsteht eine durchgängige Eingangsrechnungs-Pipeline.

Öffentliche Verwaltung und KRITIS: Wer Anträge, Bescheide oder Genehmigungen verarbeitet und EU-Hosting braucht, findet hier eines der wenigen Enterprise-tauglichen Werkzeuge mit AVV, Standard-DSGVO-Vertrag und EU-Region-Garantie. Germany West Central (Frankfurt) ist der direkteste Pfad. Wer gar keine Cloud nutzen darf, betreibt Document Intelligence als Container im eigenen Rechenzentrum.

Versicherungsmakler und Vertragsmanagement, mit Einschränkung: Für Vertragsbeilagen, Klauselübersichten und andere semi-strukturierte Texte, bei denen klassisches Labeln zu aufwändig wäre, empfiehlt Microsoft inzwischen den Schwesterdienst Content Understanding: Dort beschreibst du die Zielfelder in natürlicher Sprache, ohne Training, oder nutzt den vorgefertigten Vertrags-Analysator. Document Intelligence bleibt die Wahl, wenn die Formulare strukturiert sind und sich mit wenigen Beispielen labeln lassen.

Weniger geeignet für: Fachanwender ohne IT-Hintergrund (kein No-Code-Workflow, immer Entwickler nötig), Kleinmengen-Use-Cases (für 200 Rechnungen/Monat lohnt sich der Setup-Aufwand nicht), Unternehmen mit klarer Multi-Cloud- oder Open-Source-Strategie (Azure-Lock-in nimmt schnell zu), und Workflows mit überwiegend handgeschriebenen Dokumenten, dafür gibt es spezialisierte HTR-Lösungen mit besseren Trefferquoten.

Preise im Detail

Plan / Funktion	Preis (USD)	Was du bekommst
Free Tier	0	500 Seiten/Monat über alle Modelle (Read, Prebuilt, Custom), für Tests und Prototyping
Read (OCR)	1,50 / 1.000 Seiten (ab 1M: 0,60)	Reine Text- und Layout-Erkennung, günstigste Option für Volltextindexierung
Layout	10 / 1.000 Seiten	Lesereihenfolge, Tabellen, Auswahlmarkierungen, Strukturhierarchie
Prebuilt Models	10 / 1.000 Seiten	Invoice, Receipt, ID, W-2, Health Insurance Card, Contract, sofort einsatzbereit
Custom Extraction	30 / 1.000 Seiten	Trainierbares Template- oder Neural-Modell für eigene Formulartypen, ab fünf gelabelten Beispielen
Custom Generative Extraction	30 / 1.000 Seiten	Steht weiter in der Preistabelle. In der aktuellen v4.0-Dokumentation gibt es kein generatives Custom-Modell mehr, Extraktion ohne Training empfiehlt Microsoft über Content Understanding
Custom Classification	3 / 1.000 Seiten	Automatische Dokumentensortierung in Klassen (z. B. Eingangsrechnung vs. Mahnung)
Add-On Features	6 / 1.000 Seiten	Hochauflösung, Font-Erkennung, Formelextraktion
Query Fields	10 / 1.000 Seiten	Ad-hoc-Abfragen ohne Modelltraining (z. B. “Welcher Bankname steht auf Seite 2?”)
Commitment Tier (Custom)	540 USD / 20.000 oder 2.400 USD / 100.000 Seiten	Mengenrabatt mit Vorauszahlung, sinnvoll bei stabilen, hohen Volumen

Einordnung: Der Free-Tier mit 500 Seiten/Monat reicht für Tests, Prototyping und kleine interne Tools. Für Tagesgeschäft ist Read (1,50 USD/1.000) der günstige Standard, sobald du Custom-Extraktion oder Prebuilt-Models brauchst, springst du in die 10-30-USD-Klasse. Die größte Kostenfalle: Custom Extraction ist 20x teurer als Read, wer 100.000 Seiten/Monat verarbeitet, zahlt 3.000 USD statt 150 USD. Ab 20.000 Seiten/Monat lohnt sich der Sprung in einen Commitment Tier mit Mengenrabatt. Wer nur OCR oder Layout braucht, sollte auch Content Understanding durchrechnen, Microsoft nennt die dortigen Read- und Layout-Analysatoren ausdrücklich die günstigere Option. Eigene Tipps: Read für Volltextsuche separat fakturieren, Custom nur für die wirklich strukturierten Pflichtfelder einsetzen, und nach 4-6 Wochen Produktivbetrieb ein FinOps-Review machen, die Verbrauchskurve ist erfahrungsgemäß überraschend.

Stärken im Detail

Vorgefertigte Modelle ohne Trainingsaufwand. Microsoft pflegt eine umfangreiche Bibliothek vortrainierter Modelle, Invoice, Receipt, ID, W-2, Health Insurance Card, Contract. Die Trefferquote für strukturierte Standardformate liegt bei 90-97 %. Für viele Unternehmen heißt das: kein Training, kein Labeling, sofort Produktivbetrieb. Das ist der wichtigste Hebel gegenüber Open-Source-OCR (Tesseract), wo der Strukturextraktions-Layer komplett selbst gebaut werden muss.

Custom-Modelle mit minimalem Aufwand. Das Document Intelligence Studio bietet eine visuelle Labeling-Oberfläche, du markierst in fünf oder mehr Beispieldokumenten die Felder, die extrahiert werden sollen, und Azure trainiert das Modell. Für feste Layouts nimmst du ein Template-Modell, das in 1 bis 5 Minuten trainiert ist, für wechselnde Layouts ein Neural-Modell mit 30 Minuten bis 12 Stunden Trainingszeit, das Microsoft als ersten Versuch empfiehlt. Für proprietäre Formate (Chargenprotokoll, Antragsformular, Branchenzertifikat) ist das der schnellste Pfad zu einem produktiven Modell. Keine ML-Expertise nötig.

Klare Arbeitsteilung mit Content Understanding. Microsoft hat die generative Extraktion ohne Training in den Schwesterdienst Content Understanding gelegt, dessen erste GA-API die Version 2025-11-01 ist. Document Intelligence konzentriert sich auf die deterministische, schnelle Extraktion aus strukturierten Dokumenten. Für dich heißt das: Strukturierte Formulare mit Confidence-Scores hier, unstrukturierte Verträge oder Arztbriefe mit Feldbeschreibung in natürlicher Sprache dort. Laufende Document-Intelligence-Installationen müssen laut Microsoft nicht migriert werden.

EU-Hosting in vielen Regionen. West Europe (Amsterdam), Germany West Central (Frankfurt), Switzerland North (Zürich), France Central (Paris), Sweden Central und Norway East. Das ist Bestnote im Vergleich zu vielen US-zentrischen OCR-Anbietern. Für KRITIS und regulierte Branchen ein klares Argument.

Confidence-Scores je Feld. Jedes extrahierte Feld kommt mit einem Konfidenzwert zwischen 0 und 1. Das ermöglicht saubere Human-in-the-Loop-Workflows: Felder über 0,95 werden automatisch übernommen, Felder unter 0,85 gehen in die manuelle Prüfung. Für GxP-Validierung, Compliance-Audits und alle Workflows mit Beweispflicht ist das essenziell.

Tiefe Azure-Integration. Azure Active Directory für SSO, Azure Key Vault für Secrets, Azure Monitor für Logging, Azure Storage für Eingangsdokumente, Private Endpoints für Netzisolation. Wer ohnehin auf Azure läuft, bekommt eine durchgängig integrierte Pipeline. Über Azure AI Search lassen sich die extrahierten Inhalte direkt in RAG-Anwendungen einbinden, Stichwort Azure OpenAI Service.

Container-Deployment möglich. Document Intelligence kann als Connected Container im eigenen Rechenzentrum oder als Disconnected Container ohne Internetverbindung betrieben werden. Letzteres ist relevant für Air-Gapped-Umgebungen (Militär, kritische Infrastruktur, Forschung). Microsoft nennt die Container ausdrücklich die derzeit einzige Option für On-Premises- und Air-Gap-Betrieb in seinem Dokumentenstack, Content Understanding gibt es so nicht.

Schwächen ehrlich betrachtet

Kein No-Code-Einstieg. Du brauchst Entwickler. Die Modelle laufen über REST-API oder SDK (Python, .NET, Java), die Ergebnisse müssen in die Zielanwendung integriert werden, Authentifizierung läuft über Azure AD, Logging über Azure Monitor. Für Fachabteilungen ohne IT ist das Tool nicht direkt nutzbar, anders als z. B. ABBYY FlexiCapture mit eigener Review-UI.

Custom-Modelle sind teuer. 30 USD pro 1.000 Seiten klingt überschaubar, ist aber 20x teurer als Read (1,50 USD). Bei 100.000 Seiten/Monat (typisch für mittelgroße Versicherer oder Buchhaltungen) summiert sich das auf 3.000 USD/Monat, und das ist nur die Extraktions-Komponente, ohne Storage, ohne Azure AI Search, ohne Compute für die nachgelagerte Verarbeitung. Wer das übersieht, hat eine unangenehme Cloud-Rechnung.

Handschrift bleibt schwierig. Gedruckter Text wird mit hoher Genauigkeit erkannt, handschriftliche Eintragungen deutlich schlechter, typische Trefferquoten 60-80 % bei guter Schrift, deutlich schlechter bei Kursiv oder schlechter Scanqualität. Für Anwendungen mit überwiegend handschriftlichen Inhalten (alte Versicherungsakten, historische Dokumente) sind spezialisierte HTR-Lösungen besser geeignet.

Keine eigene Workflow-Oberfläche. Document Intelligence ist eine API. Es gibt keinen eingebauten Review-Workflow, keine Aufgabenliste für Bearbeiter, keine Eskalationsregeln. All das muss in einem ECM (z. B. M-Files, d.velop) oder einer eigenen Anwendung gebaut werden. Konkurrenten wie ABBYY FlexiCapture oder Hyperscience liefern UI und Workflow mit, das spart in Capture-zentrischen Branchen Wochen Implementierungsaufwand.

Lock-in nimmt schnell zu. Sobald du Azure AD, Azure Storage, Azure Monitor und Azure AI Search verwendest, ist eine Migration zu einem anderen Cloud-Anbieter ein Großprojekt. Wer Multi-Cloud oder Cloud-Exit-Strategie verfolgt, sollte die Architektur bewusst entkoppeln (z. B. nur die REST-API nutzen, Storage selbst halten).

Alte API-Versionen laufen aus, und Custom-Modelle mit ihnen. Microsoft beendet den Support für die REST-API v2.1 am 15. September 2027 und für v3.0 am 30. März 2029, aktuell ist v4.0 (2024-11-30). Wichtig ist das Kleingedruckte: Ein Custom-Modell lebt so lange wie die API-Version, mit der es trainiert wurde, danach steht es für die Auswertung nicht mehr zur Verfügung. Wer Modelle aus der Form-Recognizer-Zeit produktiv nutzt, muss sie rechtzeitig auf v4.0 neu trainieren.

Branding-Verwirrung. Microsoft hat den Service mehrfach umbenannt: ursprünglich “Form Recognizer”, dann “Azure Document Intelligence”, heute offiziell “Azure Document Intelligence in Foundry Tools”. Die übergeordnete Plattform hieß erst Azure AI Studio, dann Azure AI Foundry und heißt jetzt Microsoft Foundry. Dazu kommt mit Content Understanding ein Schwesterdienst, der Document Intelligence einschließt. Die Funktionalität bleibt, aber Dokumentation, URLs und Marketing-Materialien sind nicht immer konsistent, was die Recherche und das interne Sprechen mühsamer macht.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eine fertige Capture-Plattform mit Review-UI willst	ABBYY FlexiCapture
Generische OCR im AWS-Ökosystem brauchst	AWS Textract
Eine Google-Cloud-native Lösung suchst	Google Document AI
Open-Source bevorzugst und Entwicklerkapazität hast	Tesseract + Layout-Modelle (kein Tool-Page)
Spezialisiert auf Verträge / Klauselanalyse arbeitest	Legartis

Erwähnenswert ohne eigene Tool-Seite: Azure Content Understanding (Microsofts Schwesterdienst für Extraktion ohne Training sowie Bild, Audio und Video), Hyperscience (sehr starke US-Lösung mit eigener UI, hoher Preispunkt), Rossum (Tschechien, EU-Hosting, Invoice-Spezialist), Klippa (Niederlande, KMU-Fokus), Nanonets (günstiger Cloud-OCR-Anbieter) und kofax/Tungsten Automation (Enterprise-Capture-Klassiker). Für DACH-Mittelstand sind ABBYY und Document Intelligence die zwei realistischen Kandidaten, ABBYY für die fertige UI-Plattform, Document Intelligence für die saubere API-Integration in eine Azure-zentrische Architektur.

So steigst du ein

Schritt 1: Azure-Konto und Free Tier nutzen. Lege einen Azure-Account an (200 USD Startguthaben für 30 Tage), erstelle eine Document-Intelligence-Ressource in Germany West Central oder West Europe und lade die ersten 50 Beispieldokumente ins Document Intelligence Studio. Teste zuerst die vortrainierten Modelle (Read, Layout, Invoice), oft reichen sie schon für 70 % deines Bedarfs.

Schritt 2: Custom-Modell trainieren. Wenn die Prebuilt-Modelle nicht reichen, labele mindestens fünf, besser 10 bis 15 Beispieldokumente im Studio (visuell, drag-and-drop). Starte mit einem Neural-Modell, bei streng gleichförmigen Formularen reicht ein Template-Modell. Teste die Trefferquote auf einem Holdout-Set von 20 weiteren Dokumenten. Wenn die Genauigkeit unter 90 % liegt, mehr Beispiele labeln und retrainieren. Sind die Dokumente so unterschiedlich, dass sich Labeln nicht lohnt, probiere parallel einen Analysator in Content Understanding mit Feldbeschreibungen in natürlicher Sprache.

Schritt 3: Integration in die Zielanwendung. Über die REST-API oder das SDK (Python, .NET, Java, JavaScript) bindest du Document Intelligence an dein ERP, ECM oder eine eigene Webapp an. Neue Integrationen gehören direkt auf die API-Version v4.0 (2024-11-30), damit trainierte Modelle nicht mit einer auslaufenden Version altern. Confidence-Scores nutzen: Felder über 0,95 automatisch übernehmen, alles darunter in die Review-Queue legen. Für GxP-relevante Workflows: Audit-Log und Reviewer-Signatur dokumentieren.

Schritt 4: Kosten überwachen. Aktiviere Budget-Alerts in Azure Cost Management. Nach 4-6 Wochen Produktivbetrieb: Verbrauch nach Modelltyp aufschlüsseln. Wenn 80 % der Seiten über Custom Extraction laufen, prüfe Commitment Tiers (ab 20.000 Seiten/Monat lohnt sich der Mengenrabatt). Erwäge, einfache Layout-Aufgaben auf Read (1,50 USD) abzuwälzen, statt teure Custom-Modelle für triviale Felder laufen zu lassen.

Ein konkretes Beispiel

Ein Pharmahersteller aus Hessen mit 380 Mitarbeitenden verarbeitet täglich 15 Batch-Protokolle (40–60 Seiten pro Protokoll) und 80 eingehende Analysenzertifikate von Lieferanten. Bisher: Drei QS-Mitarbeitende verbringen täglich je 2,5 Stunden mit manueller Übertragung der Messwerte ins LIMS. Das IT-Team baut eine Pipeline mit Azure Document Intelligence in Germany West Central. Ein Custom Extraction Model wird mit 30 historischen Protokollen trainiert (Trefferquote: 96 % nach 3 Iterationen). Die Pipeline läuft so: PDF landet in Azure Blob Storage → Document Intelligence extrahiert Messwerte und Confidence-Scores → strukturiertes JSON ans LIMS → Felder unter 85 % Konfidenz in die QS-Review-Queue. Ergebnis nach 6 Monaten: Manuelle Review-Zeit pro Protokoll von 3,5 Stunden auf 45 Minuten gesunken, Übertragungsfehler praktisch eliminiert, jährliche Kostenersparnis bei zwei eingesparten QS-Stellen ca. 140.000 €. Azure-Verbrauch: ca. 1.800 €/Monat (Custom Extraction für 18.000 Seiten/Monat plus Storage und Compute). DSGVO-Bewertung war in einem Tag abgeschlossen, alle Ressourcen in der EU-Region.

DSGVO & Datenschutz

• Datenhosting: Wählbare EU-Regionen: Germany West Central (Frankfurt), West Europe (Amsterdam), Switzerland North (Zürich), France Central (Paris), Sweden Central, Norway East. Region muss bei Ressourcenerstellung explizit gewählt werden, sonst Default US.
• Datennutzung: Microsoft nutzt Kundendokumente standardmäßig nicht für Modelltraining. Eingaben werden nur transient für die Verarbeitung gespeichert, nicht persistent. Custom-Modelle bleiben im eigenen Azure-Tenant.
• Auftragsverarbeitung (AVV): Standardmäßig Teil des Microsoft Cloud Service Agreement. Kein separates Aushandeln nötig. Standard Contractual Clauses sind im AVV enthalten.
• Disconnected Container: Für Air-Gapped-Umgebungen verfügbar, Verarbeitung im eigenen Rechenzentrum ohne Internetverbindung. Laut Microsoft derzeit die einzige On-Premises-Option im eigenen Dokumentenstack. Lizenz separat, deutlich teurer.
• Private Endpoints: Datenfluss kann auf das eigene Azure-VNet beschränkt werden, keine Verbindung über das öffentliche Internet.
• Empfehlung für Unternehmen: Für DSGVO-sensible Branchen (Pharma, Versicherung, Banken, öffentliche Verwaltung) ist die Konfiguration mit EU-Region, Private Endpoints und Azure-AD-basierter Authentifizierung der saubere Pfad. Datenschutz-Folgenabschätzung ist trotzdem Pflicht, Confidence-Scores und Audit-Logs helfen bei der Begründung. Disconnected Container nur erwägen, wenn echte Air-Gapped-Anforderung vorliegt (Kosten und Wartung sind erheblich).

Gut kombiniert mit

• Azure OpenAI Service, die natürliche Ergänzung: Document Intelligence extrahiert die Felder, ein Sprachmodell aus Azure OpenAI (heute in Microsoft Foundry) verarbeitet sie weiter, Zusammenfassen, Klassifizieren, Anreichern. Beide Services laufen in derselben EU-Region, was den Datenfluss DSGVO-konform hält. Achte auf die Modellversion: gpt-4o in der Version 2024-05-13 wird am 9. Dezember 2026 abgeschaltet und automatisch auf gpt-5.6-sol umgestellt.
• Microsoft 365 Copilot, wenn extrahierte Dokumenteninhalte später in SharePoint, Teams oder OneDrive abgelegt werden, durchsucht Copilot sie automatisch, der Workflow von Dokumenteneingang bis zur Volltextsuche wird geschlossen.
• Microsoft Power Automate, für Workflow-Orchestrierung ohne eigenen Code: Power Automate kann Dokumente aus E-Mail, SharePoint oder OneDrive an Document Intelligence weiterleiten, das Ergebnis ins ERP übergeben und Eskalationen auslösen. Damit wird der API-zentrische Service auch für Low-Code-Anwendungen nutzbar.

Häufige Fragen zu Azure Document Intelligence

Was kostet Azure Document Intelligence?

Die ersten 500 Seiten im Monat sind kostenlos. Danach kostet Read 1,50 USD je 1.000 Seiten (ab einer Million Seiten 0,60 USD), Layout und vortrainierte Modelle 10 USD, eigene Custom-Modelle 30 USD und die Klassifikation 3 USD je 1.000 Seiten. Commitment Tiers mit Vorauszahlung senken den Preis bei hohen Volumen.

Gibt es Custom Generative Extraction in Document Intelligence noch?

Die Zeile steht weiter auf Microsofts Preisseite, die aktuelle v4.0-Dokumentation kennt aber nur noch Custom-Template- und Custom-Neural-Modelle. Für Extraktion ohne Training, bei der du Felder in natürlicher Sprache beschreibst, empfiehlt Microsoft den Schwesterdienst Content Understanding.

Wann laufen alte Document-Intelligence-APIs aus?

Die REST-API v2.1 verliert am 15. September 2027 den Support, v3.0 am 30. März 2029. Aktuell ist v4.0 mit der Version 2024-11-30. Custom-Modelle, die mit einer auslaufenden Version trainiert wurden, stehen danach für die Auswertung nicht mehr zur Verfügung.

Unser Fazit

Azure Document Intelligence verdient 4 von 5 Sternen. Es ist eines der wenigen Dokumentenextraktions-Tools, die alle Anforderungen von DACH-Enterprise erfüllt: EU-Hosting in mehreren Regionen, AVV als Standard, Container-Option für Air-Gapped-Setups, Custom-Modelle ab fünf Beispielen, deutscher Microsoft-Support, und mit Content Understanding ein Schwesterdienst für die Fälle, in denen Labeln nicht lohnt. Den fünften Stern verliert es durch das Developer-Niveau (kein No-Code), die schnell skalierenden Kosten bei Custom-Modellen und die fehlende eigene Workflow-Oberfläche, Capture-zentrische Branchen sparen Wochen Implementierungsaufwand mit Plattform-Konkurrenten wie ABBYY oder Hyperscience. Wer aber ohnehin in der Microsoft-Welt zuhause ist, eine API-First-Architektur baut und DSGVO-konform arbeiten muss, hat keinen besseren Default als Azure Document Intelligence.

Was wir bemerkt haben

• Oktober 2026, Korrektur in eigener Sache: Frühere Fassungen dieser Seite führten Custom Generative Extraction als aktuelle Funktion von Document Intelligence, mit der sich Felder ohne Training in natürlicher Sprache beschreiben lassen. Die v4.0-GA-Dokumentation kennt nur noch Custom-Template- und Custom-Neural-Modelle. Für Extraktion ohne Labels verweist Microsoft auf Content Understanding, dessen GA-API die Version 2025-11-01 ist. Auf der Preisseite steht die Zeile Custom generative extraction allerdings weiterhin.
• Oktober 2026, Neue Namen: Die Plattform heißt jetzt Microsoft Foundry (vormals Azure AI Studio, dann Azure AI Foundry), die früheren Azure AI Services heißen Foundry Tools. Der offizielle Name des Dienstes lautet “Azure Document Intelligence in Foundry Tools”, viele bestehende Texte sprechen noch vom alten “Form Recognizer”.
• März 2026, Microsoft hat das Supportende für die REST-API v3.0 (2022-08-31) auf den 30. März 2029 gelegt. Für v2.1 gilt bereits seit 2024 der 15. September 2027. Mit der API-Version endet auch die Nutzbarkeit der damit trainierten Custom-Modelle.
• 2023, Umbenennung von Form Recognizer zu Azure Document Intelligence. Die API-Endpunkte und SDKs blieben kompatibel, aber Dokumentationslinks und alte Tutorials sind teilweise broken. Bei der Recherche auf das neuere Naming achten.
• 2022/2023, Microsoft hat den Free Tier auf 500 Seiten/Monat vereinheitlicht (zuvor unterschiedlich je Modell). Das macht den Einstieg deutlich planbarer und reicht für die meisten Prototyping-Szenarien.
• Mai 2026, Aktuelle Pay-as-you-Go-Preise: Read 1,50 USD, Prebuilt 10 USD, Custom 30 USD je 1.000 Seiten. Die Commitment-Tier-Rabatte machen ab ca. 20.000 Seiten/Monat einen spürbaren Unterschied.