Die Auswahl an KI-Sprachmodellen wächst rasant – und damit auch die Unterschiede bei den Kosten. Ob günstiger Einstieg oder leistungsstarke Premium-Lösung: Wer das richtige Modell für seinen Anwendungsfall wählt, kann Kosten um den Faktor 100 reduzieren. Das interaktive Diagramm zeigt auf einen Blick, was die gängigsten LLMs je 1 Million Tokens kosten – für Input und Output.
* Richtwerte. Rabatte für Caching & Batch-Verarbeitung nicht eingerechnet.
Links zu den Modellen
Das falsche Modell kann richtig teuer werden…
Die Preisunterschiede zwischen den verfügbaren Modellen sind enorm. Während ein einfaches Modell wie Mistral Nemo oder GPT-5 Nano für wenige Cent pro Million Tokens zu haben ist, kosten Hochleistungsmodelle wie GPT-5.2 Pro oder o3-pro ein Vielfaches davon – teilweise über 100-fach mehr. Wer diese Unterschiede ignoriert und pauschal auf das bekannteste oder leistungsfähigste Modell setzt, zahlt am Ende deutlich mehr als nötig.
Input- vs. Output-Tokens: Ein oft unterschätzter Faktor
Besonders wichtig ist das Verhältnis zwischen Input- und Output-Tokens. Input-Tokens sind die Informationen, die man an das Modell schickt (Prompts, Kontext, Dokumente). Output-Tokens sind die generierten Antworten. In der Regel sind Output-Tokens 3- bis 10-mal teurer als Input-Tokens – ein Faktor, der bei der Kostenplanung häufig unterschätzt wird.
Wer also viele lange Antworten generiert, sollte gezielt Modelle bevorzugen, die bei Output-Preisen besonders günstig abschneiden. Das interaktive Diagramm oben ermöglicht genau diesen Vergleich – mit der Möglichkeit, gezielt zwischen Input-, Output- oder einer kombinierten Ansicht zu wechseln.
Die wichtigsten Anbieter im Überblick
Aktuell teilt sich der Markt auf einige wenige dominante Anbieter auf:
- OpenAI bietet mit der GPT-5-Familie eine breite Palette von Ultra-Günstig (GPT-5 Nano ab $0,05/1M) bis Ultra-Premium (GPT-5.2 Pro bis $168/1M Output).
- Anthropic positioniert sich mit der Claude-4-Serie im gehobenen Mittelfeld – mit starkem Fokus auf Zuverlässigkeit und langen Kontextfenstern.
- Google Gemini überzeugt vor allem durch ein großzügiges kostenloses Kontingent und sehr günstige Flash-Modelle.
- DeepSeek hat den Markt mit aggressiv niedrigen Preisen aufgemischt: DeepSeek V3.2 liefert starke Leistung für unter $0,30 pro Million Input-Tokens.
- Mistral punktet als europäischer Anbieter mit DSGVO-konformer Infrastruktur und wettbewerbsfähigen Preisen.
- xAI (Grok) bietet mit dem 2-Millionen-Token-Kontextfenster einen einzigartigen Vorteil für Anwendungen mit sehr langen Dokumenten.
Welches Modell passt zu welchem Anwendungsfall?
| Anwendungsfall | Empfehlung |
|---|---|
| Einfache Textaufgaben, hohes Volumen | Gemini 2.0 Flash-Lite, GPT-5 Nano |
| Coding & Entwicklung | GPT-5.2, Claude Sonnet 4.6 |
| Komplexe Analysen & Recherche | Claude Opus 4.6, o3 |
| Lange Dokumente (>200K Tokens) | Gemini 2.5 Pro, Grok 4 |
| DSGVO-konform (EU-Hosting) | Mistral Large 3 |
| Maximale Leistung, Kosten egal | GPT-5.2 Pro, o3-pro |
Zusätzliche Sparpotenziale
Neben dem reinen Modellpreis bieten viele Anbieter weitere Rabattmöglichkeiten:
- Prompt Caching: Wiederkehrende Kontext-Tokens werden gecacht und kosten nur 10–30 % des normalen Input-Preises.
- Batch-API: Asynchrone Verarbeitung großer Anfragemengen wird bei den meisten Anbietern mit 50 % Rabatt belohnt.
- Free Tiers: Google Gemini und mehrere Open-Source-Modelle sind für Prototyping und kleine Projekte vollständig kostenlos nutzbar.