Ein API-Durchlauf kann weniger als einen Dollar kosten. Das macht das Softwareprojekt aber nicht zu einem Ein-Dollar-Projekt.
Trotzdem definiert jemand die Aufgabe, liefert den passenden Kontext, prüft den Patch, führt Tests aus, behebt Fehler, bringt die Änderung in Betrieb und verantwortet den Produktivbetrieb. Tokens sind nur eine Position im Kostenmodell. Sie zu messen lohnt sich dennoch, denn aus einem ungemessenen Pilotprojekt kann eine unlesbare Monatsrechnung werden.
Die Preise in diesem Artikel wurden am 10. Juli 2026 überprüft und verstehen sich ohne Steuern. Anbieter können sie ändern.
Anbieter berechnen Eingabe- und Ausgabe-Tokens getrennt. Die Eingabe umfasst Anweisungen, den Gesprächsverlauf, Ausschnitte aus dem Repository und die Ausgabe von Werkzeugen. Die Ausgabe umfasst die Antwort des Modells, den generierten Code und bei manchen Produkten die Reasoning-Tokens, die zu ihrer Erzeugung aufgewendet wurden.
Coding-Agenten sind eingabelastig. Sie lesen wiederholt Dateien, Testergebnisse, Terminalfehler und Diffs. Eine einzige Nutzeranfrage kann viele Modellaufrufe auslösen.
Standardpreise pro Million Tokens in USD:
| Modell | Eingabe | Ausgabe | Wichtige Bedingung |
|---|---|---|---|
| OpenAI GPT-5.6 Terra | $2.50 | $15.00 | Anfragen mit langem Kontext kosten mehr. |
| Anthropic Claude Sonnet 5 | $2.00 | $10.00 | Einführungspreis bis 31. August 2026. |
| Google Gemini 3.1 Pro Preview | $2.00 | $12.00 | Für Prompts bis zu 200k Tokens. |
| DeepSeek V4 Pro | $0.435 | $0.87 | Eingabepreis bei Cache-Miss. |
Quellen: OpenAI API pricing, Claude pricing, Gemini API pricing und DeepSeek pricing.
Diese Tabelle bewertet nicht die Qualität des Codes. Ein Modell mit einem niedrigeren Listenpreis kann teurer sein, wenn es zusätzliche Versuche braucht oder mehr Prüfaufwand erzeugt.
Diese Volumina sind transparente Beispiele, keine Produktivitäts-Benchmarks.
| Szenario | Volumen | GPT-5.6 Terra | Sonnet 5 | Gemini 3.1 Pro | DeepSeek V4 Pro |
|---|---|---|---|---|---|
| Leichte Unterstützung | 150k Eingabe + 20k Ausgabe | $0.68 | $0.50 | $0.54 | $0.08 |
| Aufwändigerer Agentenlauf | 500k Eingabe + 60k Ausgabe | $2.15 | $1.60 | $1.72 | $0.27 |
| Großer Kontext und mehrere Iterationen | 1.5M Eingabe + 150k Ausgabe | $6.00 | $4.50 | $4.80 | $0.78 |
Die Formel ist einfach:
Kosten = Eingabe-Tokens × Eingabepreis + Ausgabe-Tokens × Ausgabepreis
Websuche, Sandboxes, Cache-Speicher, regionale Verarbeitung und weitere Werkzeuge können zusätzliche Kosten verursachen. Eine unkontrollierte Wiederholungsschleife bezahlt jeden fehlgeschlagenen Versuch.
Platy.sk berichtet, dass 80 % der befragten Programmierer in der Slowakei etwa 1.717 bis 4.126 Euro brutto im Monat verdienen.
Keine dieser Zahlen lässt sich direkt auf den Tokenpreis übertragen. Bei einem Angestellten kommen außerdem Lohnnebenkosten, Ausstattung, Führung und Verfügbarkeit hinzu. Der Satz eines externen Dienstleisters enthält Koordination, Risiko und Fachwissen. Der Mensch trägt zudem architektonisches Urteilsvermögen, Domänenwissen und Verantwortung, die die API-Tabelle nicht erfasst.
Quelle: Platy.sk.
Am besten funktionieren Fälle mit einer klaren Grenze und einer automatisierten Möglichkeit, das Ergebnis zu überprüfen:
Ein erfahrener Entwickler kann mehr Arbeit parallel begleiten, aber das Betriebsmodell braucht weiterhin einen Menschen in der Schleife. Jede ausgelieferte Änderung braucht einen Verantwortlichen und einen Nachweis.
Die Kosten steigen, wenn die Aufgabe kein definiertes Ergebnis hat, dem Repository Tests fehlen, der Kontext ohne Auswahl abgeladen wird oder der Agent denselben gescheiterten Ansatz wiederholt. Die Prüfung wird zum Engpass, wenn niemand die fachliche Korrektheit schnell beurteilen kann.
Das günstigste Modell ist nicht immer der günstigste Weg. Eine durchdachte Multi-Modell-Strategie kann Klassifizierung und Zusammenfassung an ein günstigeres Modell leiten und schwierigere Entscheidungen dem Modell vorbehalten, das weniger Korrekturen braucht.
Verfolgen Sie die Kosten einer abgeschlossenen Aufgabe, nicht den Preis von einer Million Tokens:
Nutzen = eingesparte Stunden − Aufgabenvorbereitung − Prüfung − Nacharbeit − API − Betriebsrisiko
Wählen Sie zehn wiederkehrende Aufgaben für ein Pilotprojekt. Messen Sie die Zeit ohne KI, die Zeit mit KI, den Modellverbrauch, die Prüfkommentare und die Regressionen. Nach einem Monat wissen Sie, wo der Agent hilft und wo er die Arbeit nur verschiebt.
Wenn Sie diesen Vergleich an einem echten Arbeitsablauf oder Repository durchführen möchten, beginnen Sie mit einem eng gefassten KI-Automatisierungspiloten. Das Ergebnis sollte ein gemessener Nachweis sein, keine versprochene prozentuale Einsparung.
Gründer und technischer Leiter von Rise.sk. Er konzipiert und liefert Webanwendungen, Datensysteme und Automatisierungen und schreibt über Softwareentscheidungen, KI und digitale Dienste.
OpenAI sagt, dass GPT-5.6 Sol Claude Fable 5 beim Programmieren zu einem Drittel der Kosten schlägt. Anthropic sagt, Fable 5 führt bei der reinen Leistungsfähigkeit. Beide haben recht. Hier erfahren Sie, welches Modell welche Aufgabe gewinnt.
Ein KI-Agent kann Stunden sparen, aber nur, wenn Berechtigungen, Protokolle, Freigaben, Verantwortliche und Fehlerpfade entworfen sind, bevor er Produktivsysteme berührt.
Vollständig autonome KI-Coding-Schleifen sind für den Produktivbetrieb nicht zuverlässig genug. Das Vercel-Team hat bestätigt, was wir in der Praxis sehen. Agenten plus menschliche Kontrolle sind die goldene Mitte.
Ihr Kontext entscheidet
