Alle Insights

Der Rabatt wird in Wiederholungen bezahlt

Gezählt wird pro gelöster Aufgabe, nicht pro Million Token.

Am 21. September veröffentlichte Artificial Analysis Version 4.3.2 seines Modellindex. Grok 4.7 kostet 2 Dollar pro Million Eingabe-Token und 6 pro Million Ausgabe-Token, etwa ein Drittel dessen, was Claude Fable 5.1 oder GPT-6 für dieselbe Menge verlangen. Im hauseigenen Intelligence-Benchmark des Index steht es bei 46, die beiden teureren Modelle bei je 53. Als Preisliste gelesen ist das ein Rabatt. Für ein Team, das Agenten gegen echte Geschäftsaufgaben laufen lässt, ist es etwas anderes: weniger erledigte Aufgaben pro Euro, wobei die Differenz an einer Stelle bezahlt wird, die auf keiner Rechnung auftaucht.

Zwei Dollar die Million, sechsundvierzig im Index

Der Listenpreis eines Modells gilt für eine feste Menge Text, die rein- und rausgeht. Über den tatsächlichen Aufwand einer Aufgabe sagt er nichts, denn ein Modell, das beim ersten Versuch danebenliegt, hört nicht auf. Es liefert eine zweite Antwort, oft eine dritte. Abgerechnet wird das nirgends gesondert. Es zeigt sich als mehr verbrauchte Token für dieselbe Aufgabe, oder als Mensch, der die Ausgabe öffnet und von vorn anfängt.

Genau dahin zeigt ein Indexwert, ohne es auszusprechen. Sechsundvierzig gegen dreiundfünfzig ist eine Differenz von acht Punkten auf einer Skala, die im Alltag kaum jemand genau liest, denn die Zahl, die die Kosten wirklich bestimmt, liegt eine Stufe weiter unten: wie oft löst dieses Modell die Aufgabe im ersten Versuch richtig.

Sechsundzwanzig Prozent im Terminal, und wofür diese Klasse taugt

Terminal-Bench 4.0 misst genau das, an agentischen Coding-Aufgaben über mehrere Schritte. Grok 4.7 kommt auf 26 Prozent. GPT-6 Astra liegt bei 60, Fable 5.1 bei 55. DeepSeek V4.1 Flash, ein Modell, das auf billig und schnell gebaut ist, nicht auf Fähigkeit, kommt auf 27.

Damit steht das Rabattmodell neben einem Flash-Modell, nicht in der Nähe der beiden teuren Modelle, gegen die es preislich antritt. Bei mehrstufigen Agenten-Läufen ist der Unterschied nicht acht Punkte, sondern mehr als das Doppelte. Das spricht nicht gegen den Einsatz, es weist ihm nur einen bestimmten Platz zu: Routing, Klassifikation, Massenarbeit, überall dort, wo eine falsche Ausgabe billig ist und sofort auffällt. Ein schlechter Platz ist eine Kette von Tool-Aufrufen, in der ein falscher Schritt drei Aufrufe später ein plausibel aussehendes Ergebnis erzeugt, das niemand gegenliest, bevor es in den vierten Aufruf einfließt.

Siebenundfünfzig Prozent falsch, bezahlt oder nicht

Eine andere Studie, gemeldet am 21. September und von der Financial Times aufgegriffen, hat 18 Chatbots gegen 121 Finanzfragen antreten lassen, jede Frage fünfmal gestellt. Über alles gemittelt lagen die Antworten in 57 Prozent der Fälle falsch. Kostenlose Modelle irrten in 63 Prozent der Fälle, bezahlte in 49. Bezahlen verschob die Fehlerquote um 14 Punkte. Bei den komplexen Fragen im Set lagen beide Klassen in 88 bis 99 Prozent der Fälle falsch. Das einzelne beste Modell, Claude Opus 5 mit eingeschaltetem Reasoning, irrte noch in 39 Prozent der Fälle.

Bezahlen für eine bessere Klasse verschob die Fehlerquote um vierzehn Punkte. Eine Quelle, gegen die man die Antwort prüft, verschiebt sie weiter, und ihr ist egal, welche Klasse die Antwort geliefert hat.

Was Verlässlichkeit kauft, und was nicht

Nebeneinandergelegt sagen die beiden Ergebnisse etwas, das ein Indexwert allein nicht sagt. Die Spanne zwischen einer billigen und einer teuren Klasse ist real, aber sie ist kleiner als die Spanne zwischen einer ungeprüften Antwort und einer gegen eine Quelle geprüften. Retrieval plus ein Prüfschritt kauft Verlässlichkeit. Eine höhere Klasse kauft meist nur eine kleinere Menge derselben Art von Fehler.

Deshalb gehört ein adversarialer Prüflauf vor jeden Abschluss, als fester Schritt, nicht als Reaktion auf ein Ergebnis, das verdächtig aussieht. Ein Ergebnis, das solide aussieht, ist genau der Fall, für den der Prüflauf existiert, denn die 39 Prozent Fehlerquote des besten Modells in der Finanzstudie bestehen zu einem guten Teil aus selbstsicheren, flüssig formulierten, falschen Antworten. Die Routing-Entscheidung folgt derselben Logik: Ein billiges Modell ist ein vernünftiges Ziel für Klassifikation und Massenarbeit, wo der Fehler billig ist und sofort jemand hinschaut. Ein schlechtes Ziel ist es für einen mehrstufigen Lauf, in dem ein falscher Zwischenschritt sich still fortpflanzt und die Person am Ende der Kette keinen Anlass hat, ihn zu vermuten.

Das Kontingent ist das eigentliche Budget

Ein letzter Punkt, ausdrücklich als das gekennzeichnet, was er ist: die Messung eines einzelnen Nutzers, kein Benchmark. Dieser Nutzer hat beobachtet, dass eine große Claude-Abo-Klasse vor einem Monat etwa das 2,2-Fache des Wochenkontingents der kleineren Klasse lieferte, und jetzt etwa das 1,5-Fache, bei unverändertem Preis. Wenn das stimmt, ist das Kontingent die eigentliche Grenze, mehr als der Preis pro Token. Bei einem festen Kontingent ist Routine-Massenarbeit an ein kleines, billiges Modell zu schicken nicht nur eine Frage der Ausgabequalität. Es ist eine Entscheidung darüber, welche Aufgaben überhaupt vom knappen Budget bezahlt werden.

Kern

Der Preis pro Token ist eine Speisekarte. Der Preis pro Aufgabe ist das Budget, und darin steckt jede Wiederholung, jedes Nachlesen und jede falsche Antwort, die niemand abgefangen hat, bevor sie rausging.

Hung Mai

Hung Mai ist selbstständiger Berater in Weilmünster (Hessen) und arbeitet meist remote. Er plant, baut und überwacht KI-Automatisierung für Marketing und Vertrieb, für Firmen ohne Digitalteam. Mehr über Hung Mai

Lass uns etwas Echtes aufbauen.

KontaktAntwort innerhalb von 24h.