01 / Aufgabe

Welche Arbeit soll die KI erledigen?

Wählen Sie einen Vorgang und planen Sie seine Monatsmenge.

1Aufgabe
2Ablauf
3Ergebnis

Aufgabe

Vorgänge pro Monat

Ein Vorgang = ein vollständiges Arbeitsergebnis.

Umfang je Vorgang

So wird hier gezählt

1 Vorgang = eine versandfertige Antwort

eine eingehende Kundenanfrage mit verfügbarem Verlauf und eine dazugehörige Antwort.

Ausgangsmaterialca. 2.400 Wörter · 3.700 Token

Ergebnisca. 250 Wörter · 400 Token

Typische Konversation. Wortzahlen dienen nur der Orientierung; die Tokenzahl hängt vom Modell ab.

Wie kritisch ist ein Fehler?

Was kann bei dieser Aufgabe schiefgehen?

Falsche Auskunft

Die Antwort nennt eine Regel, Frist oder Leistung falsch. Das kann das Unternehmen gegenüber dem Kunden binden.

Anliegen übersehen

Eine Rückfrage oder ein Teil des Problems bleibt unbeantwortet. Das Ticket wirkt erledigt, ist es aber nicht.

Unpassende Eskalation

Die KI antwortet selbst, obwohl der Fall an einen Menschen oder eine Fachabteilung gehört.

Konkrete Beispiele, keine gemessenen Fehlerquoten.

Ihre Monatsmenge

Kundenanfragen

10.000

Etwa 455 pro Arbeitstag.

Gezählt wird ein vollständiger Vorgang. Mehrere KI-Aufrufe können dazugehören.

Darauf sollten Sie prüfen

Falsche Auskunft

Die Antwort nennt eine Regel, Frist oder Leistung falsch. Das kann das Unternehmen gegenüber dem Kunden binden.

Gemerkte Varianten

0 von 3

Noch keine Variante gemerkt. Im Ergebnis können Sie bis zu 3 Varianten merken.

Direkte KI-Kosten für Ihre aktuelle Arbeitslast. Die gemerkten Varianten gelten für diesen Tab.

Vergleich öffnen

Nachlesen und einordnen

Wissen, das die Rechnung erklärt.

Die Grundlagen erklären die aktuelle Rechnung. Frühere Messreihen und Fachartikel bleiben als datierte Referenz erhalten.

Thema suchen

Grundlagen geprüft am 28.09.2026. Die anschließenden Aufgabenbeispiele und Fachartikel stammen aus dem Archiv vom 10.09.2026. Zur Methodik.

Was ist ein Token?Ein Token ist ein Textbaustein. Anbieter rechnen den verarbeiteten Inhalt in Token ab.

Wie viele Token ein Text benötigt, hängt von Sprache und Modell ab. Wörter, Zeichen und Dateigröße sind keine verlässlichen Abrechnungseinheiten.

Aus 500 Kilobyte PDF lassen sich keine 125.000 Token ableiten: Komprimierung, Bilder und extrahierter Text verändern den Verbrauch. Bei Dokumenten können zusätzlich Bildverarbeitung und andere Gebühren anfallen.

Nutzen Sie zunächst die Beispielmenge und ersetzen Sie sie durch die gemessenen Eingabe- und Ausgabe-Token Ihrer Anwendung.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Eingabe und AusgabeBeide haben eigene Preise. Auch kostenpflichtige Denk-Token gehören zur Ausgabe.

Die Eingabe umfasst Prompt, bereitgestellten Kontext und gegebenenfalls Verlauf oder Werkzeugantworten. Die Ausgabe umfasst die Antwort und die laut Tarif abgerechneten internen Denk-Token.

Ein Modell kann für denselben Vorgang mehr Token benötigen als ein anderes. Vergleichen Sie deshalb den Verbrauch für dieselbe Aufgabe, nicht nur die Preise je Million Token. Es gibt kein allgemeingültiges Verhältnis zwischen Eingabe- und Ausgabepreis.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Wiederverwendete Eingabe: CacheCache-Treffer können günstiger sein. Schreiben und Aufbewahren können zusätzlich kosten.

Ein Cache spart nur, wenn wiederverwendbare Teile der Eingabe tatsächlich als Treffer abgerechnet werden. Mindestlänge, Gültigkeit und Preis hängen von Modell und Anbieter ab.

Der Rechner trennt Lesetreffer, neu geschriebene Token und Speicherzeit. Schreib-Token sind bereits Teil der frischen Eingabe; zusätzlich zählt nur der Schreibaufschlag. Ohne bekannte Schreib- oder Speichermenge bleibt der betreffende Betrag offen.

Ein kalter Cache kann Kosten verursachen, bevor es einen Treffer gibt. Übernehmen Sie Trefferanteile aus Nutzungsdaten. Ein Monatsmittel beweist nicht, dass jeder einzelne Aufruf die Mindestlänge erreicht.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Aufrufe je AufgabeEin Vorgang kann mehrere Modellaufrufe enthalten.

Beispiel: Eine Antwort wird entworfen, gegen Dokumente geprüft und anschließend überarbeitet. Das sind drei Modellaufrufe innerhalb eines Durchlaufs.

„Aufrufe je Durchlauf“ zählt diese Schritte; „Durchläufe je Vorgang“ zählt zusätzliche vollständige Bearbeitungsversuche. Tragen Sie Wiederholungen nicht in beide Größen ein.

Der Rechner verwendet einen durchschnittlichen Tokenverbrauch je Aufruf. Nutzen mehrere Schritte unterschiedliche Modelle, braucht eine belastbare Rechnung deren getrennte Verbräuche; ein einzelnes Angebot bildet diese Modellkaskade nicht vollständig ab.

The Price Reversal Phenomenon, 2026

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Wiederholungen bis zum ErgebnisWiederholungen erhöhen die KI-Kosten. Ihre Erfolgswirkung muss separat gemessen werden.

1 Durchlauf bedeutet einmal bearbeiten; 1,2 bedeutet im Mittel 20 Prozent zusätzliche vollständige Durchläufe. Der Wert stammt aus Ihrer Messung oder einer ausdrücklich benannten Annahme.

Cost-of-Pass teilt Versuchskosten durch Erfolgswahrscheinlichkeit unter bestimmten Annahmen, darunter unabhängige Versuche. Bei erneutem Scheitern am selben Kontext passt diese Annahme möglicherweise nicht.

Die Untersuchung „Why Retrying Fails“ behandelt solche Abhängigkeiten. Daraus folgt kein allgemeiner Zuschlag von 1,2. Der Rechner leitet weder Wiederholungen noch verbleibende Fehler aus einem Benchmark ab.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Preisstufen bei langem KontextEin langer Aufruf kann einen höheren Tarif auslösen.

Manche Angebote wechseln oberhalb einer Eingabeschwelle die Preisstufe. Je nach Tarif betrifft das die gesamte Eingabe sowie Ausgabe und Cache, nicht nur die zusätzlichen Token.

Der Rechner nutzt die für das Angebot hinterlegte Schwelle. Beispielmengen sind Durchschnittswerte: Liegen einzelne Aufrufe oberhalb und andere unterhalb der Schwelle, rechnen Sie beide Gruppen separat.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Kontextfenster und AusgabelimitDas Kontextfenster begrenzt die Textmenge, nicht die inhaltliche Zuverlässigkeit.

Für die hier hinterlegten Grenzen prüft der Rechner Eingabe und geplante Ausgabe gemeinsam. Eine gesonderte maximale Ausgabe wird zusätzlich geprüft, soweit sie belegt ist.

Eine freie Million Token bedeutet nicht, dass das Modell alle Details korrekt berücksichtigt. Fehlt eine separat belegte Grenze, ist das kein unbegrenztes Angebot; prüfen Sie die konkrete Modellversion und API.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Batch, Flex und schnelle VerarbeitungDer Servicemodus verändert Preis, Verfügbarkeit und Wartezeit.

Batch verarbeitet viele unabhängige Anfragen asynchron. Flex nutzt günstigere flexible Kapazität, kann aber langsamer sein oder keine freie Kapazität erhalten. Eine sofortige Antwort ist dabei nicht garantiert.

Ein Rabatt gilt nur für die ausdrücklich unterstützten Angebote. Together nennt beispielsweise Llama 3.3 70B als rabattfähiges Batch-Modell; andere Batch-Angebote können zum Standardpreis laufen.

Der Rechner zeigt die für das gewählte Angebot hinterlegten Modi. Die Liste bildet geprüfte Varianten ab, nicht jede möglicherweise vertraglich verfügbare Kombination.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Anbieter, Region und EigenbetriebModellgewichte, Hosting und Verarbeitungsregion sind unterschiedliche Entscheidungen.

Auch ein Open-Weight-Modell über eine Anbieter-API wird nach dem Tarif dieses Anbieters bezahlt. Beim Eigenbetrieb entstehen stattdessen Infrastrukturkosten; bereitgehaltene Kapazität kostet auch ohne Anfrage.

Eine veröffentlichte Modelldatei belegt nicht die Eignung jeder Hardware oder jede erlaubte Nutzung. Der Rechner schaltet eigene Infrastruktur nur mit einem Gewichte-Beleg frei. Modellversion, Lizenz und ausreichender Durchsatz müssen zur geplanten Nutzung passen.

Eine Region im Rechner ist eine dokumentierte Tarifoption, keine Datenschutzfreigabe. Speicherung, Verarbeitung, Unterauftragnehmer und Vertrag müssen separat geprüft werden. Routergebühren können zusätzlich zum Modellpreis anfallen.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Modellklassen als Orientierung„Top-Modell“ und „günstig“ helfen beim Suchen. Sie belegen keine Eignung für Ihre Aufgabe.

Die Gruppierung vereinfacht die Vorauswahl. Ein großes Modell kann unnötig teuer sein; ein kleines Modell kann durch zusätzliche Aufrufe und Nacharbeit teurer werden.

Prüfen Sie zuerst verfügbare Betriebsform und benötigten Kontext. Vergleichen Sie anschließend Kandidaten mit identischen Aufgaben, festem Qualitätsmaßstab und tatsächlich gemessenen Verbräuchen.

Der Datenbestand enthält auch historische Angebote. Deren frühere Listung ist keine Zusicherung eines heute buchbaren Endpunkts.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Was Benchmarks aussagenBenchmarks helfen bei der Vorauswahl. Eine Punktzahl ist keine Fehlerquote Ihres Prozesses.

Ein Benchmark misst eine bestimmte Aufgabe unter einer bestimmten Konfiguration. Ein allgemeiner Fähigkeitsindex bündelt solche Ergebnisse; er misst weder Ihre Dokumente noch Ihre Prüfroutine.

Für die Wirtschaftlichkeit zählt, was ein brauchbares Ergebnis unter Ihren Bedingungen kostet. Cost-of-Pass verbindet Qualität und Inferenzkosten, setzt aber eine passend gemessene Erfolgswahrscheinlichkeit voraus.

Die aktuellen Berechnungen übernehmen keine historischen Qualitätsfaktoren. Fehlende Prozessmessungen bleiben sichtbar offen.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Preise fair vergleichenVergleichen Sie dieselbe Aufgabe, Qualitätsanforderung und Betriebsform.

Die Tariftabelle nennt Standardpreise in USD je Million Token. Eurobeträge nutzen den angegebenen EZB-Referenzkurs; Steuern, individuelle Rabatte und Zahlungsanbieteraufschläge sind nicht enthalten.

Das Preisprüfdatum bestätigt nur die im Prüfprotokoll benannten Felder. Es ist weder ein Qualitätsnachweis noch eine Zusicherung, dass jeder historische Endpunkt verfügbar ist.

Für Modellvergleiche dürfen die Tokenmengen unterschiedlich sein, wenn die Modelle für dieselbe Aufgabe unterschiedlich viel verbrauchen. Halten Sie diese Mengen und die Konfiguration im Vergleich fest.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Nacharbeit und verbleibende FehlerKorrekturzeit gehört zur Nacharbeit. Zusätzliche Folgen eines unentdeckten Fehlers werden getrennt gerechnet.

Beispiel: Eine Person korrigiert falsche Zahlen zehn Minuten lang. Das sind Personalkosten. Wird ein anderer Fehler trotz Prüfung an einen Kunden übermittelt, können weitere Folgen entstehen. Dieselbe Korrekturzeit darf nicht nochmals als Fehlerfolge zählen.

Der Rechner multipliziert die verbleibende Fehlerquote nach Prüfung und Nacharbeit mit dem Betrag je Fehler. Das ist ein Erwartungswert, keine garantierte Monatsrechnung. Seltene große Schäden werden dadurch nur eingeschränkt beschrieben.

Zellinger und Thomson zeigen an MATH-Aufgaben, dass Fehlerkosten die Modellwahl verändern. Die dort berichteten Dollar-Schwellen gelten für den untersuchten Aufbau und sind keine allgemeine Empfehlung für Geschäftsvorfälle.

Economic Evaluation of LLMs, 2025

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Prüfen kostet Zeit und erkennt nicht allesEine menschliche Freigabe reduziert Risiken nicht automatisch auf null.

Eine medizinische Simulationsstudie mit 20 Ärzten zeigte, dass absichtlich fehlerhafte KI-Entwürfe trotz Prüfung teilweise unkorrigiert blieben. Das belegt ein mögliches Problem, aber keine Fehlerquote für Ihr Unternehmen.

Tragen Sie die durchschnittlichen Prüf- und Nacharbeitsminuten je Vorgang ein: Anteil der betroffenen Vorgänge × Minuten je Fall, zum Beispiel 10 % × 5 Minuten = 0,5 Minuten. Anschließend braucht es eine separat gemessene oder angenommene Restfehlerquote.

Prüfung, Nacharbeit, Wartezeit und Integration gehören nicht automatisch zu veröffentlichten Inferenzkostenvergleichen. TCAI Run ergänzt die laufenden Positionen; einmaliger Aufbau steht separat.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Warum der günstigste Tokenpreis verlieren kannEin günstiger Tarif kann durch höheren Verbrauch teurer pro Aufgabe werden.

Eine Studie mit acht Reasoning-Modellen und zwölf Aufgaben beobachtete Preisumkehrungen: Der niedrigere Listenpreis führte nicht durchgehend zu niedrigeren Inferenzkosten. Das ist ein Befund dieses Versuchsaufbaus, kein universeller Zuschlag.

OckBench untersucht ebenfalls Token-Effizienz. Die überarbeitete Fassung vom Juni 2026 nennt Unterschiede bis zum Faktor 5 bei ähnlicher Genauigkeit. Die frühere pauschale Angabe „über 25-fach“ wird hier nicht weiterverwendet.

Für Ihre Rechnung sind Eingabe, Ausgabe, Modellaufrufe und Wiederholungen entscheidend. Variieren Sie diese gemessenen Größen; der Rechner erfindet keine modellspezifischen Verbrauchs- oder Qualitätsfaktoren.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Gleicher Text, andere TokenzahlDie Tokenisierung ist modell- und sprachabhängig.

Eine Untersuchung von 24 EU-Sprachen zeigt, dass derselbe sprachliche Umfang je nach Sprache und Tokenizer unterschiedlich viele Token benötigt. Ein pauschaler Faktor für alle deutschen Texte ist daraus nicht ableitbar.

Der Rechner nimmt geplante Tokenmengen direkt entgegen. Er multipliziert sie nicht nochmals mit einem Sprachfaktor. Nutzen Sie den Tokenzähler oder die Verbrauchsdaten des konkret gewählten Modells.

The Tokenizer Tax Across 24 European Languages

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Langer Kontext braucht einen eigenen TestViel hineinzugeben und relevante Details zuverlässig zu finden sind verschiedene Fähigkeiten.

NoLiMa zeigt bei den untersuchten Modellen Leistungsabfälle, wenn gesuchte Informationen nicht wörtlich zur Frage passen und der Kontext länger wird. Eine einfache Nadelsuche kann die Eignung für echte Dokumentarbeit deshalb überschätzen.

Testen Sie Dokumentlänge, Position wichtiger Angaben, Ablenkungen und widersprüchliche Stellen. Messen Sie Auslassungen und falsche Zuordnungen gesondert.

Historische Modellkartenwerte bleiben im Archiv, steuern aber keine Fehlerkosten. Ein Ergebnis für 128.000 Token wird nicht als Nachweis für eine Million Token verwendet.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Niedrige Temperatur ist keine RichtigkeitsgarantieWiederholbarkeit und sachliche Richtigkeit sind unterschiedliche Eigenschaften.

Eine niedrige Temperatur begrenzt die Variation beim Sampling. Numerische Unterschiede, Hardware und die Zusammenstellung paralleler Anfragen können dennoch andere Ausgaben auslösen. Auch eine stets identische Antwort kann falsch sein.

Dokumentieren Sie Modellversion, Prompt, Kontext, Werkzeuge und Einstellungen gemeinsam. Prüfen Sie die Ergebnisse anhand fachlicher Kriterien. Ein gültiges JSON-Format bestätigt beispielsweise nur die Struktur, nicht die enthaltenen Zahlen.

Der Rechner senkt Fehlerquoten deshalb nicht automatisch bei niedriger Temperatur oder einem stärkeren Modell. Änderungen benötigen neue Messwerte oder ausdrücklich ausgewiesene Annahmen.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Wirkung messen statt schätzenGefühlte Entlastung, Zeitgewinn und Ergebnisqualität müssen getrennt gemessen werden.

METR fand in einer randomisierten Studie mit erfahrenen Open-Source-Entwicklern und Werkzeugen von Anfang 2025 längere Bearbeitungszeiten mit KI. Ein späterer Microsoft-Rollout berichtet dagegen mehr zusammengeführte Pull Requests. Population, Werkzeuge und Messgröße unterscheiden sich.

Daraus folgt weder „KI spart immer Zeit“ noch „KI macht langsamer“. Führen Sie für Ihre Aufgabe einen Vergleich mit gleichem Qualitätsziel durch und erfassen Sie auch Prüf- und Korrekturzeit.

Eine Schätzung ist als Startpunkt zulässig. Im Rechner bleibt sie als Annahme gekennzeichnet, bis Datum, Stichprobe und Konfiguration einer Messung hinterlegt sind.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Den passenden Qualitätstest wählenTesten Sie die Fähigkeit, die Ihre Aufgabe tatsächlich braucht.

Support braucht korrekte Antworten, Richtlinientreue und passende Werkzeugaktionen. Recherche braucht belastbare Belege und vollständige Antworten. Ein Code-Review muss Fehler finden und brauchbare Hinweise liefern; ein Test für Codeerzeugung misst etwas anderes.

Öffentliche Benchmarks helfen, Kandidaten zu finden. Ihre Übertragbarkeit hängt von Testaufbau, Daten und Modellversion ab. Präferenzranglisten sind kein Ersatz für fachliche Richtigkeit.

Die historischen Benchmarktabellen bleiben zur Einordnung erhalten. Für die Rechnung zählen Ihre Prozesswerte; eine Rangliste wird nicht in Erfolgswahrscheinlichkeit oder Fehlerkosten umgerechnet.

Geprüft: 2026-09-28 · Frühere Erklärung und Illustrationen im Archiv

Support-Ticket beantwortenWas ein falscher Bescheid beim Kunden kostet, wie viele Tickets im Monat anfallen und ob jemand gegenliest.

Ein Kundenanliegen verstehen und eine Antwort vorschlagen, die ein Mitarbeiter freigibt oder die direkt hinausgeht.

Einordnung

Ein Standard-Ticket liegt bei 3.700 Token Eingabe und wenigen hundert Token Ausgabe; in dieser Größenordnung ist der Preisabstand zwischen kompakter Klasse und Spitzenklasse am größten. Ob die kompakte Klasse trägt, zeigt sich an Ihren Anläufen: bleibt es bei einem, gewinnt der Preisabstand, steigen sie, kippt die Rechnung am Umschlagpunkt.

Klassenuntergrenze und Lösequote entscheiden, dann der Preis.

Warum diese Annahmen?

Eine falsche Auskunft kostet zuerst eine Eskalation und eine Korrektur, also Menschenzeit; das ist Zone 3. Sobald die Auskunft rechtlich bindet, gehört der Fall auf Zone 4: Moffatt gegen Air Canada, 2024 BCCRT 149, endete bei 812 CAD für einen falschen Satz des Chatbots. Geprüft wird stichprobenweise, der Denkaufwand bleibt niedrig, und die Antwort muss über wenige Absätze hinweg stimmen.

Typische Fehler

Falsche Auskunft, die das Unternehmen bindet. Dazu der Volumen-Bumerang: die Commonwealth Bank nahm 45 Kündigungen zurück, weil der Sprachbot die Anrufzahlen erhöhte. Klarna baute 2025 zurück und nannte Qualität als Grund, Stand Q3 2025 wieder 853 Vollzeitäquivalente.

Ausgangsdaten und Belege

3.700 Token je Konversation aus der Anthropic-Dokumentation; 88 Prozent der KI-nutzenden Unternehmen setzen KI im Kundenkontakt ein (Bitkom, 02/2026).

Anthropic, Preisdokumentation (3.700 Token je Support-Konversation) · 2026-08-18
Bitkom, Studienbericht Künstliche Intelligenz, 02/2026 · 2026-08-19
Moffatt v. Air Canada, 2024 BCCRT 149, 14.02.2024 · 2024-02-14
ABC News Australien zur Commonwealth Bank, 21.08.2025 · 2025-08-21
Customer Experience Dive zu Klarna, 20.11.2025 · 2025-11-20

Was die Literatur empfiehlt

Arbeitsklasse als Vorgabe, Kompaktklasse als Untergrenze

Die Untergrenze ist die schnelle Klasse starker Anbieter. Sobald die Auskunft den Kunden erreicht, gilt die Arbeitsklasse als Vorgabe. τ²-bench spreizt die Modelle von 36 bis 79 Prozent Lösequote, und eine falsche Auskunft bindet das Unternehmen: Moffatt gegen Air Canada endete bei 812 CAD für einen Satz. Für die Klassen unterhalb von Haiku und Flash liegt kein Kundendienst-Messwert vor, in keine Richtung. Das Zwischenspeichern der Richtlinien senkt die Rechnung weiter als ein Klassensprung nach unten: Lesen aus dem Cache kostet bei Anthropic ein Zehntel des Eingabepreises (Preisdokumentation, Stand 10.09.2026).

Genannte Modelle: Claude Sonnet 5, Gemini 3.7 Flash, gpt-5.5, Claude Haiku 4.5

Anthropic, Choosing the right model · 2026-08-19
OpenAI, Model selection guide · 2026-08-19
tau2-bench Leaderboard, Pass Rate · 2026-08-19
Moffatt v. Air Canada, 2024 BCCRT 149 · 2024-02-14

Literaturstand 2026-08-19

E-Mail auswerten und Antwort entwerfenDie Menge je Tag, der Anteil, den jemand vor dem Senden prüft, und ob eine erfundene Angabe auffällt.

Eingehende E-Mails lesen, das Wesentliche herausziehen und einen Antwortentwurf anlegen.

Einordnung

Ein Entwurf erzeugt rund 300 Ausgabe-Token in einem einzigen Aufruf; das ist der kleinste Posten unter den zwölf Vorfällen mit Fließtext. Bei langen Verläufen mit vielen Beteiligten verdreifacht sich die Eingabe, an der Rangfolge der Modelle ändert das wenig.

Der Preis entscheidet hier.

Bei dieser Schwierigkeit trennen die Fähigkeitsdaten nicht: Entwürfe dieser Länge lösen die aktuellen Modelle in den Messreihen nahezu vollständig.

Warum diese Annahmen?

Der Entwurf geht über den Schreibtisch des Absenders, bevor er hinausgeht; ein Fehler kostet einen weiteren Aufruf, also Zone 2. Geprüft wird gegen die eingegangene Mail, die daneben liegt, der Denkaufwand bleibt niedrig, und die Antwort muss über wenige Absätze hinweg stimmen.

Typische Fehler

Die stille Auslassung einer Rückfrage und der Registerbruch im Ton. Beim Zusammenfassen messen die 15 besten Modelle im HHEM-Leaderboard 1,8 bis 5,4 Prozent Halluzinationsrate, die meisten liegen bei 4 bis 5 Prozent (Stanford AI Index 2026).

Ausgangsdaten und Belege

E-Mail-Entwürfe sind 7 Prozent der Arbeits-Konversationen (Anthropic Economic Index, 06/2026); der zugehörige API-Task heißt „Analyze emails and draft replies" und liegt bei 0,28 Prozent aller Aufrufe.

Anthropic Economic Index, Juni 2026 · 2026-06-26
Anthropic Economic Index, Januar 2026 (Top-Tasks der API) · 2026-01-15
Stanford AI Index 2026 · 2026-08-19

Was die Literatur empfiehlt

Kompaktklasse

Der Text liegt vor, die Aufgabe ist einschrittig und prüfbar, und genau dafür positionieren die Hersteller ihre günstigsten Modelle. Google beschreibt Flash-Lite als Modell für hohen Durchsatz, Anthropic Haiku 4.5 für Mengenarbeit mit prüfbarer Ausgabe. Das Halluzinationsmaß HHEM misst bei dieser Aufgabe 3 bis 6 Prozent für Flash-Lite, nano und mini; Claude Haiku 4.5 liegt bei 9,8 Prozent, gpt-5.4 bei 7,0 (Stand 11.05.2026). Hier darf der Preis entscheiden, solange stichprobenweise gegengelesen wird.

Genannte Modelle: Claude Haiku 4.5, Gemini 3.5 Flash-Lite, gpt-5.4-mini

Google, Gemini API Models · 2026-08-19
Anthropic, Optimizing for cost and intelligence · 2026-08-19
Vectara, Hallucination Leaderboard · 2026-05-11

Literaturstand 2026-08-19

Text erstellen oder überarbeitenWie lang die Vorlagen sind, wie oft Sie nachbessern lassen und ob der Text ungeprüft nach außen geht.

Berichte, Dokumentation oder Marketingtexte entwerfen und überarbeiten.

Einordnung

Bei 4.000 Token Eingabe und 1.200 Token Ausgabe trägt die Ausgabe den größeren Posten, und Ausgabe kostet bei jedem Anbieter ein Mehrfaches der Eingabe. Ein Fünftel der Eingabe kommt aus dem Cache, weil Vorlage und Stilvorgabe über die Fassungen hinweg stehen bleiben.

Der Preis der Ausgabe entscheidet hier.

Für Schreibgüte führt keine unserer Quellen belastbare Lösequoten. Gerechnet wird mit den Beispiel-Anläufen; die Fähigkeitsspalte im Bereich Daten hilft bei der Klasseneinordnung.

Warum diese Annahmen?

Der Mensch liest den Text ohnehin, bevor er ihn verwendet, und der Prüfaufwand entspricht dem eines eigenen Entwurfs; ein Fehler kostet einen weiteren Aufruf, also Zone 2. Der Denkaufwand steht auf mittel, weil Aufbau und Argument über mehrere Absätze tragen müssen.

Typische Fehler

Stille Auslassung und Registerbruch wiegen hier schwerer als Erfindung. Der Mengenzuwachs ist gemessen, die Güteprüfung bleibt beim Menschen: Marketing-Teams erzeugten mit multimodaler KI 50 Prozent mehr Anzeigen je Kopf (Ju und Aral 2025, Stanford AI Index 2026).

Ausgangsdaten und Belege

Dokumente und Berichte sind 20 Prozent der Arbeits-Konversationen (Anthropic Economic Index, 06/2026); 78 Prozent der KI-nutzenden Unternehmen erzeugen damit Texte, Bilder oder Code (DIHK, 01/2026).

Anthropic Economic Index, Juni 2026 · 2026-06-26
DIHK, Digitalisierung 2026: Unternehmen halten Kurs, 28.01.2026 · 2026-01-28
Stanford AI Index 2026 · 2026-08-19

Was die Literatur empfiehlt

Arbeitsklasse

Die Telemetrie zeigt, wozu Menschen beim Schreiben greifen: auf Claude.ai laufen 10 Prozent der Konversationen auf der Spitzenklasse, in der Codeumgebung 54 Prozent. Wer Text erzeugt, arbeitet in der Mittelklasse. Anthropic ordnet Schreiben ausdrücklich der Sonnet-Klasse zu. Der teure Fehler ist hier die stille Auslassung und der Registerbruch, und beides findet der Mensch, der den Text ohnehin liest, bevor er ihn verwendet.

Genannte Modelle: Claude Sonnet 5, Gemini 3.7 Flash, gpt-5.6-terra

Anthropic Economic Index, Juni 2026 · 2026-06-26
Anthropic, Choosing the right Claude model · 2026-08-19

Literaturstand 2026-08-19

Vertriebs-E-Mail und AngebotsentwurfWie viel Kontext je Empfänger hineingeht, wie viele Entwürfe Sie je Tag brauchen und was eine peinliche Zeile beim Kunden kostet.

Eine persönliche Ansprache oder ein Angebot aus CRM-Daten und Vorlage entwerfen.

Einordnung

Beim Entwerfen schreibt das Modell viel; die Ausgabe trägt hier den größten Posten und kostet bei allen Anbietern ein Vielfaches der Eingabe. Knapp ein Drittel der Eingabe kommt aus dem Cache, weil Preisliste und Textbausteine über die Angebote hinweg gleich bleiben.

Preis und Schreibgüte entscheiden hier; messbar ist davon nur der Preis.

Für Schreibgüte führt keine unserer Quellen belastbare Lösequoten. Gerechnet wird mit den Beispiel-Anläufen; die Fähigkeitsspalte im Bereich Daten hilft bei der Klasseneinordnung.

Warum diese Annahmen?

Ein Entwurf kostet im Fehlerfall einen weiteren Aufruf, also Zone 2. Die Prüfung steht auf Zone c, weil Konditionen und Referenzen Satz für Satz gegengelesen werden. Sobald das Angebot bindet, gehört die Fehlerresilienz auf Zone 4: was das System zusagt, bindet das Unternehmen (Moffatt gegen Air Canada, 2024 BCCRT 149).

Typische Fehler

Falsche Konditionen, erfundene Referenzen und Tonfehler. Für diesen Vorfall liegt keine belastbare Fehlerraten-Studie vor; das Recherchepaket führt ihn ausdrücklich als am schwächsten belegten der sechs alten Vorfälle.

Ausgangsdaten und Belege

„Generate personalized B2B cold sales emails" ist mit 0,47 Prozent aller Aufrufe der häufigste nicht-technische Task in der Anthropic-API-Telemetrie (01/2026).

Anthropic Economic Index, Januar 2026 (Top-Tasks der API) · 2026-01-15
DIHK, Digitalisierung 2026: Unternehmen halten Kurs, 28.01.2026 · 2026-01-28
Moffatt v. Air Canada, 2024 BCCRT 149, 14.02.2024 · 2024-02-14

Was die Literatur empfiehlt

Arbeitsklasse, mit Nachweis der Zugehörigkeit zur Schreib-Spitzengruppe

Beim Angebot ist Schreibgüte das Kaufargument, und dafür gibt es einen abrufbaren Anker. Auf dem Creative-Writing-Board von arena.ai liegt Gemini 3.7 Flash mit 1496 Punkten auf Rang 3, acht Punkte hinter dem Spitzenreiter Claude Fable 5 und zu einem Dreizehntel des Eingangspreises; Gemini 3.8 Flash folgt einen Punkt dahinter zum selben Preis. Die Konfidenzintervalle der Spitzengruppe von ±7 bis ±25 Punkten machen die vorderen Ränge ununterscheidbar, deshalb taugt der Wert als Schwelle und der Preis entscheidet innerhalb der Gruppe. Unterhalb der Schwelle wird es dünn: Claude Sonnet 5 steht bei 1437, Claude Haiku 4.5 lag beim Abruf im August bei 1389 und gehört damit für Außentexte nicht ins Feld.

Genannte Modelle: Gemini 3.7 Flash, Gemini 3.8 Flash, Claude Fable 5.1

arena.ai, Creative Writing Leaderboard · 2026-09-02
The Leaderboard Illusion, arXiv 2504.20879 · 2025-04-29

Literaturstand 2026-09-10

Klassifikation und RoutingDas Volumen, die Trefferquote und was eine falsche Zuordnung an Umwegen auslöst.

Anfragen, Tickets oder Dokumente in Kategorien einordnen und weiterleiten.

Einordnung

Die Ausgabe ist ein Etikett von rund 30 Token, die Eingabe bleibt unter 2.000. Damit fällt der Ausgabepreis kaum ins Gewicht, und die Hälfte der Eingabe kommt aus dem Cache, weil das Etikettenschema bei jedem Aufruf gleich bleibt.

Der Preis entscheidet hier.

Für die Klassifikationsgüte in Ihrem eigenen Etikettenschema führt keine unserer Quellen eine übertragbare Lösequote. Gerechnet wird mit den Beispiel-Anläufen.

Warum diese Annahmen?

Fehlrouting ist umkehrbar und fällt beim Empfänger auf; es kostet Durchlaufzeit und einen weiteren Aufruf, also Zone 2. Die Prüfung läuft maschinell gegen eine Konfidenzschwelle, und nur die Fälle darunter gehen an einen Menschen zurück; niemand liest jeden Vorgang, deshalb Zone a ohne Prüfminuten. Denkaufwand niedrig, Kontexttreue auf Absatzebene.

Typische Fehler

Der teure Fehler ist die still falsche Zuordnung, die niemandem auffällt; sie ist gefährlicher als eine sichtbar fehlende (arXiv 2606.24420). Der Ausweg führt über Konfidenz je Feld und Rückgabe an den Menschen.

Ausgangsdaten und Belege

„Classify and categorize emails into predefined labels" ist mit 0,23 Prozent ein Top-10-Task der Anthropic-API-Telemetrie (01/2026); LinkedIn misst im Produktions-A/B-Test 30,6 Prozentpunkte mehr Routing-Genauigkeit.

Anthropic Economic Index, Januar 2026 (Top-Tasks der API) · 2026-01-15
LinkedIn, Produktions-A/B-Test, arXiv 2608.10224 · 2026-08-10
Google Cloud, 101 real-world generative AI use cases (Gelato), 22.04.2026 · 2026-04-22
Still falsche Extraktion, arXiv 2606.24420 · 2026-06-23

Was die Literatur empfiehlt

Kleinste tragfähige Klasse

Klassifizieren und Zuweisen ist der billigste Fall im ganzen Katalog und der Fall mit den klarsten Produktionsbelegen für kleine Modelle. LinkedIn misst im Produktions-A/B-Test 30,6 Prozentpunkte mehr Routing-Genauigkeit, Gelato hebt die Ticket-Zuweisung von 60 auf 90 Prozent. Der Fehlermodus ist Kalibrierung, und die Antwort darauf ist ein Konfidenzwert je Feld mit Rückgabe an den Menschen. Ein größeres Modell löst dieses Problem nicht.

Genannte Modelle: gpt-5.4-nano, Gemini 3.1 Flash-Lite, Claude Haiku 4.5

Wang et al., Self-evolving Agentic Customer Support System at LinkedIn, arXiv 2608.10224 · 2026-08-10
Small Language Models are the Future of Agentic AI, arXiv 2506.02153 · 2025-06-02

Literaturstand 2026-08-19

Datenextraktion aus DokumentenWie lang die Dokumente sind, ob jemand die Werte gegen das Original prüft und was ein falscher Wert im System kostet.

Felder aus Verträgen, Rechnungen oder Formularen in Tabellen übertragen.

Einordnung

Die Eingabe trägt hier fast die ganze Rechnung: 15.000 Token Dokument gegen 600 Token strukturierte Ausgabe. Cache greift nicht, weil jedes Dokument neu ist, und die Zahl der Anläufe entscheidet, sobald die Vollständigkeitsprüfung Nacharbeit auslöst.

Die Eingabemenge entscheidet hier, danach die Zahl der Anläufe.

Für Extraktion aus Ihren eigenen Dokumentarten führt keine unserer Quellen eine übertragbare Lösequote. Die veröffentlichten Messreihen laufen auf fremden Dokumentbeständen.

Warum diese Annahmen?

Ein übersehenes Feld kostet Menschenzeit in der Nachkontrolle, also Zone 3. Die Prüfung steht auf Zone c, weil Vollständigkeit erst durch Gegenlesen des Dokuments feststeht; wird aus der Extraktion eine Buchung, eine Frist oder eine Auszahlung, gehört die Fehlerresilienz auf Zone 4. Die Fundstelle liegt im Dokument, deshalb Kontexttreue auf Dokumentebene.

Typische Fehler

Die stille Auslassung, die keine Stichprobe findet. Dazu die Kontexttreue: Modelle antworten aus dem Allgemeinwissen, obwohl die Antwort im vorgelegten Dokument steht, auch wenn die Anweisung das ausdrücklich verbietet (Vals CaseLaw v2, Stanford AI Index 2026). Der Denkmodus erhöht die Vollständigkeit und senkt die Korrektheit (ContractEval, arXiv 2508.03080).

Ausgangsdaten und Belege

Deutsche Bank misst mit dbTextract 97 Prozent Genauigkeit bei 40 Prozent weniger Bearbeitungszeit; auf realen Kreditverträgen in Vals CorpFin v2: AI Index 2026 (Datenschnitt) kein Modell über 70 Prozent, Bestwert 68,26; Leaderboard 12.08.2026: Claude Opus 5 73,19 Prozent.

Deutsche Bank, dbTextract (Technologie-Seite, ohne Datum) · 2026-08-19
Stanford AI Index 2026 · 2026-08-19
Vals AI, CorpFin v2 · 2026-08-12
ContractEval, arXiv 2508.03080 · 2025-08-05

Was die Literatur empfiehlt

Kompaktklasse mit gezieltem Abruf, Fachmodell als Alternative außerhalb der Preisliste

Die Messwerte stehen quer zum Marketing: Vals CorpFin v2 kam über 200 Seiten Kreditvertrag zum Datenschnitt des AI Index 2026 auf einen Bestwert von 68,26 Prozent und kein Modell über 70; das Leaderboard von vals.ai nennt am 12.08.2026 Claude Opus 5 mit 73,19 Prozent an der Spitze, MortgageTax bleibt bei 69,4 Prozent. Ein selbst gehostetes Fachmodell schlug fünf Spitzenmodelle bei der Vertragsextraktion mit 78 bis 97 Prozent geringeren Inferenzkosten und höherer Präzision, und dieser Weg steht in keiner Preisliste. Für den Weg über die API gilt: gezielt abrufen, das Fenster so klein halten wie die Aufgabe es erlaubt, und die Vollständigkeit prüfen, weil der typische Fehler die stille Auslassung ist.

Genannte Modelle: Claude Haiku 4.5, Gemini 3.7 Flash

Vals AI, CorpFin v2 · 2026-08-12
Lincoln et al., A Few Good Clauses, arXiv 2605.05532 · 2026-05-07

Literaturstand 2026-08-19

Wissensdatenbank-FrageWie viel Wissen je Frage mitgegeben wird, wie oft gefragt wird und ob eine erfundene Regel jemand bemerkt.

Fragen von Mitarbeitern aus internen Richtlinien, Handbüchern und Wikis beantworten.

Einordnung

Bei 70 Prozent Cache-Anteil entscheidet der Preis für gelesene Cache-Token, der bei den Anbietern um ein Vielfaches unter dem Eingabepreis liegt. Richtlinien und Produktwissen bleiben über die Anfragen hinweg gleich, die Ausgabe von 400 Token fällt kaum ins Gewicht.

Der Cache-Preis entscheidet hier, danach die Güte des Abrufs.

Für gegroundete Antworten führt keine unserer Quellen eine laufend gepflegte Messreihe. Die Fehlerart, die hier zählt, findet kein bestehender Halluzinations- oder Zitations-Test.

Warum diese Annahmen?

Eine falsche interne Auskunft kostet eine Rückfrage und eine Korrektur, also Zone 3; geht dieselbe Antwort nach außen, gehört sie auf Zone 4. Geprüft wird stichprobenweise gegen die Fundstelle, der Denkaufwand bleibt niedrig, und jede Antwort muss auf einem Dokument stehen.

Typische Fehler

Zwei Fehler, die getrennt gehören. Offene Wissensfragen halluzinieren stark, AA-Omniscience misst über 26 Modelle 22 bis 94 Prozent. Gegroundete Antworten scheitern unsichtbar: „Deceptive Grounding" misst in einem produktiven System 7,8 Prozent Fälle, in denen echte Belege der falschen Entität zugeordnet werden, bei jüngeren Wirkstoffen 13,6 Prozent (arXiv 2607.09349).

Ausgangsdaten und Belege

Erklärungen sind 17 Prozent aller Konversationen (Anthropic Economic Index, 06/2026); UBS zählt für den internen Assistenten mehr als 25 Millionen Anfragen seit dem Start.

Anthropic Economic Index, Juni 2026 · 2026-06-26
UBS, Innovation and AI (interner Assistent Red) · 2026-08-19
Stanford AI Index 2026 · 2026-08-19
Deceptive Grounding, arXiv 2607.09349 · 2026-07-10

Was die Literatur empfiehlt

Mittlere Klasse mit striktem Abruf und Belegpflicht

Entscheidend ist die Belegpflicht, und die kostet kein Modell-Upgrade. Offene Wissensfragen halluzinieren über 26 Modelle hinweg mit 22 bis 94 Prozent, gegroundete Antworten scheitern dagegen unsichtbar: in einem produktiven System wurden in 7,8 Prozent der Fälle echte Belege der falschen Entität zugeordnet, bei jüngeren Wirkstoffen in 13,6 Prozent. Diese Fehlerart findet kein bestehender Halluzinations- oder Zitations-Test, deshalb gehört die Stichprobe gegen die Fundstelle in den Prozess.

Genannte Modelle: Claude Sonnet 5, Gemini 3.7 Flash, gpt-5.6-terra

Deceptive Grounding, arXiv 2607.09349 · 2026-07-10
Stanford AI Index 2026, Abschnitt 3.2 (AA-Omniscience) · 2026-08-19

Literaturstand 2026-08-19

Recherche-Agent über DokumenteViele Aufrufe und lange Kontexte je Auftrag, dazu das Risiko erfundener Belege, wenn niemand gegenliest.

Einen Markt, einen Anbieter oder eine Frage in mehreren Suchschritten mit Quellen aufbereiten.

Einordnung

Ein Recherche-Agent läuft acht Aufrufe je Aufgabe bei 70 Prozent Cache-Anteil; damit treiben Aufrufzahl und Cache-Quote die Kosten stärker als der Listenpreis. Jeder gesparte Anlauf spart ein Vielfaches eines einzelnen Aufrufs, und der Umschlagpunkt im Report zeigt, wie viel Vorsprung das günstigste Modell hat.

Die Zahl der Aufrufe entscheidet hier, danach der Cache-Anteil.

Warum diese Annahmen?

Das Ergebnis geht nach außen und trägt Belege, deshalb Zone 4. Deloitte Australien erstattete einen Teil eines Auftrags über 440.000 AUD zurück, weil Quellen erfunden waren, darunter ein Zitat aus einem Bundesgerichtsurteil. Hoher Denkaufwand und Prüfung Satz für Satz, weil jede Fundstelle einzeln nachgehalten wird.

Typische Fehler

Erfundene Belege, zu flache Bearbeitung und Rückschritte beim Nacharbeiten. Die stärksten Modelle erfüllen unter 50 Prozent der Prüfkriterien (arXiv 2601.08536), und beim Einarbeiten von Rückmeldungen zerstören Agenten in 16 bis 27 Prozent der Fälle vorher korrekte Inhalte (arXiv 2601.13217). Ein Abruf-Test auf tote Verweise senkt erfundene Quellen unter 1 Prozent und kostet weniger als jedes Modell-Upgrade.

Ausgangsdaten und Belege

Nur 16 Prozent der Unternehmens-Installationen sind echte Agenten (Menlo, 12/2025); 3 bis 13 Prozent der Zitations-Verweise sind erfunden, 5 bis 18 Prozent lösen nicht auf (arXiv 2604.03173).

Menlo Ventures, The State of Generative AI in the Enterprise, 09.12.2025 · 2025-12-09
Erfundene und tote Belege in Deep-Research-Agenten, arXiv 2604.03173 · 2026-04-03
Tiefe von Recherche-Agenten, arXiv 2601.08536 · 2026-01-13
Rückschritte beim Einarbeiten von Feedback, arXiv 2601.13217 · 2026-01-19
The Guardian zu Deloitte Australien, 06.10.2025 · 2025-10-06

Was die Literatur empfiehlt

Spitzenklasse als Orchestrator, Arbeitsklasse als Arbeiter, dazu eine deterministische Nachprüfung

Der einzige Beleg, der speziell Recherche misst, stellt Claude Opus 5 vor Claude Fable 5, und Anthropic empfiehlt Opus 5 als Startpunkt für Agenten. Bei Websuche liegt gpt-5.6-sol mit 92,2 Prozent BrowseComp vorn, dicht gefolgt von gpt-6-astra mit 91,5 zum zweieinhalbfachen Preis; Claude Sonnet 5 erreicht 84,7 Prozent zu einem Fünftel des Astra-Preises. Wichtiger als jede Modellwahl ist der Prüf-Layer: ein Abruftest auf tote Verweise senkt erfundene Quellen unter 1 Prozent und kostet weniger als jedes Upgrade. Und zuerst die Effortstufe senken, denn Anthropic misst, dass low einen Orchestrator-Aufbau bei 20 Prozent geringeren Kosten erreichte.

Genannte Modelle: Claude Opus 5, Claude Sonnet 5, gpt-5.6-sol

Anthropic, Optimizing for cost and intelligence · 2026-08-19
BrowseComp, Stände über BenchLM · 2026-09-08
Rao, Wong und Callison-Burch, Detecting and Correcting Reference Hallucinations, arXiv 2604.03173 · 2026-04-03

Literaturstand 2026-09-10

Code schreiben oder ändernDer Kontext je Aufgabe, die Zahl der Anläufe bis die Tests grün sind und ob eine Prüfung im Team folgt.

Code schreiben, ändern oder prüfen, mit Repository-Kontext und Testlauf.

Einordnung

Drei Aufrufe je Aufgabe bei halbem Cache-Anteil, dazu 15.000 Token Eingabe und 1.500 Token Ausgabe. Damit zählen Aufrufzahl und Anläufe stärker als der Listenpreis, und der Umschlagpunkt im Report übersetzt das in eine Zahl: so viele Anläufe darf sich das günstige Modell leisten, bevor sein Preisvorteil aufgebraucht ist.

Fähigkeit und Preis entscheiden hier.

Für Code-Aufgaben führt der Rechner keinen Anker mehr: SWE-bench Verified misst Patch-Erzeugung, nicht Fehlersuche; die Reihung folgt Preis und Klassenuntergrenze.

Warum diese Annahmen?

Tests fangen viel ab, ein durchgerutschter Fehler kostet Nacharbeit, also Zone 3. Geprüft wird durch die Testabnahme, deshalb Zone a. Mittlerer Denkaufwand und Kontexttreue auf Dokumentebene, weil die Änderung in ihre Datei passen muss. Als letzte Instanz im Review gehört der Fall auf Zone 4.

Typische Fehler

Dauerhafte Qualitätskosten: 18 Prozent mehr Warnungen der statischen Analyse und 39 Prozent mehr kognitive Komplexität, auch dann, wenn der Tempovorteil verpufft (arXiv 2601.13597). Im Review-Betrieb wurden 56,3 Prozent der Agenten-Kommentare abgelehnt (arXiv 2607.03316, 10.191 Pull Requests).

Ausgangsdaten und Belege

Coding ist mit 4,0 Milliarden USD 55 Prozent der Abteilungsausgaben für KI (Menlo, 12/2025); die Copilot-Feldstudie misst 26 Prozent mehr abgeschlossene Pull Requests, ein RCT mit erfahrenen Entwicklern misst 19 Prozent Verlangsamung (arXiv 2507.09089).

Menlo Ventures, The State of Generative AI in the Enterprise, 09.12.2025 · 2025-12-09
Stanford AI Index 2026 · 2026-08-19
METR, RCT mit erfahrenen Entwicklern, arXiv 2507.09089 · 2025-07-12
Qualitätskosten von KI-Code, arXiv 2601.13597 · 2026-01-20
Agentische Code-Reviews in der Praxis, arXiv 2607.03316 · 2026-07-03

Was die Literatur empfiehlt

Arbeitsklasse, Kompaktklasse im Review

GitHub Copilot verortet Diff-Review bei den Allzweckmodellen, und die einzige kontrollierte Studie dazu misst einen umgekehrten Zusammenhang: Claude Haiku 4.5 schlägt Claude Sonnet 4.6 mit höherem F1 und 18 Prozent mehr Recall bei 3,2-fach niedrigeren Kosten je Review. Der stärkste Hebel liegt außerhalb der Modellwahl: die Diff-Größe bestimmt das Ergebnis, F1 fällt von 0,657 bei unter 10 Zeilen auf 0,043 bei über 150 Zeilen. Wer den Diff schneidet und von einem anderen Modell prüfen lässt als dem Autor, gewinnt mehr als durch jeden Klassensprung.

Genannte Modelle: gpt-5.6-terra, Claude Sonnet 5, Claude Haiku 4.5

GitHub Copilot, Choosing the right AI model · 2026-08-19
Bigger Isn't Always Better, arXiv 2606.15689 · 2026-04-09
CR-Bench, arXiv 2603.11078 · 2026-03-10

Literaturstand 2026-08-19

Langes Dokument auswertenOb das Dokument ins Kontextfenster passt, ob das Modell am Ende noch verlässlich ist und die Langkontext-Aufpreise.

Einen Vertrag, Bericht oder Prüfbericht von hunderten Seiten in einem Durchgang auswerten.

Einordnung

Hier entscheidet zuerst, ob das Dokument überhaupt ins Kontextfenster passt, und danach, ob der Anbieter oberhalb seiner Schwelle staffelt. Bei 300.000 Token greift die Staffel bei mehreren Anbietern; die betroffenen Zeilen tragen im Report die Kennzeichnung „Langkontext-Satz".

Kontextfenster und Staffel entscheiden hier, danach der Preis.

Warum diese Annahmen?

Ein übersehener Punkt kostet Nacharbeit, also Zone 3. Die Prüfung steht auf Zone c, weil jede Aussage gegen ihre Belegstelle läuft. Mittlerer Denkaufwand, und die Kontexttreue steht auf Korpus, weil die Antwort über hunderte Seiten hinweg stimmen muss.

Typische Fehler

Die nutzbare Kontextlänge liegt unter der beworbenen: sobald die Frage nicht wörtlich mit der Fundstelle überlappt, fallen bei 32.000 Token 11 von 13 Modellen unter die Hälfte ihrer Kurzkontext-Leistung (NoLiMa, ICML 2025, arXiv 2502.05167). In LongBench v2 erreicht das beste direkt antwortende Modell 50,1 Prozent.

Ausgangsdaten und Belege

Typische Größe bewusst über den Staffelgrenzen von OpenAI (272.000) und Google (200.000): hier greifen die teureren Langkontext-Sätze.

OpenAI, Preisseite (Staffel ab 272.000 Token) · 2026-08-18
Google, Gemini-Preisseite (Staffel ab 200.000 Token) · 2026-08-18
NoLiMa, ICML 2025, arXiv 2502.05167 · 2025-02-07
LongBench v2, arXiv 2412.15204 · 2024-12-19

Was die Literatur empfiehlt

Arbeitsklasse, entschieden nach Preisstaffel statt nach Fenstergröße

Zwei Größen entscheiden, und die Fenstergröße ist keine davon. Die erste ist die Preisstaffel: OpenAI bepreist oberhalb 272.000 Token die ganze Anfrage neu, Google verdoppelt ab 200.000 Token in der Pro-Linie, Anthropic hat den Aufschlag zum 13.03.2026 abgeschafft und Gemini Flash staffelt gar nicht. Die zweite ist die Kontexttreue: derselbe Modellname fällt von 84,9 Prozent bei 128k auf 26,3 Prozent bei 1M, und unter demselben Etikett 1M stehen 76 Prozent gegen 18,5 Prozent. Und die Werte hängen an der Messlänge: Für Gemini veröffentlicht Google nur 128k-Werte (3.7 Flash 97,0 Prozent, kumulativ), keinen einzigen für die volle Million. Für 300.000 Token misst ohnehin kein öffentlicher Test, das bleibt eine Lücke.

Genannte Modelle: Claude Sonnet 5, Claude Opus 5, Gemini 3.7 Flash

Google DeepMind, Gemini 3.1 Pro Model Card · 2026-02-19
Anthropic, Claude Opus 4.6 · 2026-02-05
Anthropic, Pricing (Langkontext ohne Aufschlag) · 2026-08-19
Google DeepMind, Modellkarte Gemini 3.7 Flash · 2026-08-13

Literaturstand 2026-09-10

Meeting- oder GesprächsnotizenDie Länge der Transkripte, die Zahl der Termine und ob ein Beschluss ungeprüft verteilt wird.

Aus Transkript oder Notizen ein Protokoll mit Beschlüssen und Aufgaben machen.

Einordnung

Viel Eingabe, wenig Ausgabe: 15.000 Token Transkript gegen 800 Token Notiz. Ein Aufruf je Gespräch, kein Cache, weil jedes Transkript neu ist; damit hängt die Rechnung fast allein am Eingabepreis. Rechnerisch ist das der Gegenpol zum Recherche-Agenten.

Der Eingabepreis entscheidet hier.

Für Gesprächsnotizen führt keine unserer Quellen eine laufend gepflegte Lösequote je Modell. Der Engpass liegt ohnehin in der Qualität des Transkripts.

Warum diese Annahmen?

Die Teilnehmer waren dabei und erkennen einen Fehler sofort, die Notiz wird ohnehin überschrieben; das ist Zone 1. Geprüft wird stichprobenweise beim Gegenlesen, der Denkaufwand bleibt niedrig, und die Notiz muss zum Transkript passen, deshalb Kontexttreue auf Dokumentebene.

Typische Fehler

Halluzination, Auslassung und Irrelevanz in derselben Notiz (arXiv 2509.15901). Der Engpass sitzt in der Qualität des Transkripts; ein größeres Modell hebt sie nicht.

Ausgangsdaten und Belege

Sharp HealthCare meldet 83 Prozent weniger Schreibaufwand, Northwestern 24 Prozent weniger Dokumentationszeit und 11,3 zusätzliche Patienten je Monat (Stanford AI Index 2026).

Stanford AI Index 2026 · 2026-08-19
Fehlermodi der Meeting-Zusammenfassung, arXiv 2509.15901 · 2025-09-19

Was die Literatur empfiehlt

Mittlere Klasse, Engpass ist die Transkriptqualität

Die Zeitersparnis ist hier am besten dokumentiert: 83 Prozent weniger Schreibaufwand bei Sharp HealthCare, 24 Prozent weniger Dokumentationszeit und 11,3 Patienten mehr im Monat bei Northwestern, 20 Minuten je halbem Klinik-Tag in einer JAMIA-Studie mit 48 Ärzten. Die Fehler sind Halluzination, Auslassung und Irrelevanz, und die Teilnehmer erkennen sie sofort, weil sie dabei waren. Ein größeres Modell hebt ein schlechtes Transkript nicht.

Genannte Modelle: Claude Sonnet 5, Gemini 3.7 Flash, Claude Haiku 4.5

Stanford AI Index 2026, Kapitel Medizin · 2026-08-19
Fehlermodi der Meeting-Zusammenfassung, arXiv 2509.15901 · 2025-09-19

Literaturstand 2026-08-19

ÜbersetzungDie Textmenge, der Anteil Nachbearbeitung und die Sprachrichtung, weil deutscher Text mehr Token kostet.

Texte zwischen Sprachen übertragen, meist mit Nachbearbeitung.

Einordnung

Eingabe und Ausgabe sind hier etwa gleich groß, 2.000 gegen 2.000 Token, und Ausgabe kostet bei jedem Anbieter ein Mehrfaches der Eingabe. Damit hängt die Rechnung am Ausgabepreis, und der Tokenizer-Aufschlag für Deutsch wirkt auf beide Seiten.

Der Ausgabepreis entscheidet hier.

Für Übersetzungsgüte führt keine unserer Quellen eine laufend gepflegte Messreihe. Bei diesem Vorfall entscheidet der Preis.

Warum diese Annahmen?

Die Übersetzung wird gelesen, bevor sie verwendet wird, und ein Fehler wird überschrieben; das ist Zone 1. Geprüft wird stichprobenweise beim Gegenlesen, der Denkaufwand bleibt niedrig, und die Treue reicht bis zum Absatz.

Typische Fehler

Registerbruch, Fachbegriffe ohne feste Entsprechung und stille Auslassung ganzer Sätze. Für den Qualitätsabfall im Deutschen liegt nur ein einschlägiger Beleg vor (arXiv 2607.19243, Einzelautor-Preprint).

Ausgangsdaten und Belege

Übersetzung trägt die niedrigste Autonomiestufe aller Artefakte in der Anthropic-Telemetrie (06/2026); 41 Prozent der KI-Nutzenden verwenden sie dafür (Bitkom, 04/2026).

Anthropic Economic Index, Juni 2026 · 2026-06-26
Bitkom, Presseinformation: Ein Drittel nutzt KI mindestens einmal pro Woche, 28.04.2026 · 2026-04-28
Qualitätsabfall im Deutschen, arXiv 2607.19243 (Einzelautor-Preprint) · 2026-07-25

Was die Literatur empfiehlt

Kompaktklasse

Übersetzung trägt in der Telemetrie die niedrigste Autonomiestufe aller Artefakte, der Mensch liest ohnehin gegen. Damit entscheidet der Preis, und zwar der Ausgabepreis, weil Eingabe und Ausgabe hier etwa gleich groß sind. Der Tokenizer-Aufschlag für Deutsch wirkt auf beide Seiten: derselbe Text ergibt bei GPT-5 1,71 Token je Wort und bei Claude Opus 4.8 3,48. Für den Qualitätsabfall im Deutschen liegt nur ein Einzelautor-Preprint vor, das ist eine dünne Belegdecke.

Genannte Modelle: Gemini 3.7 Flash, Claude Haiku 4.5, gpt-5.4-mini

Anthropic Economic Index, Juni 2026 · 2026-06-26
TextKit, Tokens per word, Tokenizer-Vergleich 2026 · 2026-06-10

Literaturstand 2026-08-19

Warum ein Modell keine Fehlerfreiheit garantiertWenn ein Fehler nicht passieren darf: Prozess, Grenzen und Belege.

Die Rechenreihenfolge auf der Grafikkarte hängt an der Stapelgröße, und die schwankt mit der Serverauslastung. Bei 1.000 identischen Anfragen mit Temperatur 0 entstanden 80 verschiedene Antworten.

Horace He, Thinking Machines Lab, Defeating Nondeterminism in LLM Inference, 10.09.2025 · 2026-08-19

Die Streuung erreicht das Ergebnis. Über natürlich auftretende Läufe hinweg wurden bis zu 15 Punkte Unterschied in der Genauigkeit gemessen, bei fünf Modellen und acht Aufgaben.

Atil et al., Non-Determinism of Deterministic LLM Settings (arXiv 2408.04667, v5 02.04.2025) · 2026-08-19

Bei Denkmodellen wird der Effekt größer: bis zu 9 Punkte Genauigkeit und 9.000 Token Längenunterschied, verursacht von der Gleitkommarechnung in begrenzter Genauigkeit.

Yuan et al., Numerical Sources of Nondeterminism in LLM Inference (arXiv 2506.09501, 11.06.2025) · 2026-08-19

Wiederholbarkeit ist kaufbar und kostet Zeit. Mit stapelinvarianten Kernen waren alle 1.000 Antworten gleich, die Laufzeit stieg von 26 auf 42 bis 55 Sekunden, also etwa auf das 1,6- bis 2,1-Fache. Über die Richtigkeit sagt das nichts.

Thinking Machines Lab, 10.09.2025; Gond et al., LLM-42 (arXiv 2601.17768, 25.01.2026) für den Weg über verifizierte Spekulation · 2026-08-19

Determinismus steht in keiner geprüften Anbieterzusage. Schemagebundene Ausgabe sichert die Form und trägt in derselben Doku den Satz, dass die Ausgabe weiterhin Fehler enthalten kann.

OpenAI Structured Outputs: „Structured Outputs can still contain mistakes."; die Seiten zu seed und system_fingerprint waren am 19.08.2026 nicht abrufbar, die Aussagen von Anthropic und Google zur Reproduzierbarkeit sind in diesem Lauf ungeprüft · 2026-08-19

13 ArchitekturmusterWenn ein Fehler nicht passieren darf: Prozess, Grenzen und Belege.

Einmal übersetzen, dann fest ausführen

Was festgelegt wird: Den gesamten Laufzeitweg. Im Betrieb läuft kein Modellaufruf mehr.

Was offen bleibt: Die Güte des einmal erzeugten Artefakts. Die Beweglichkeit im Betrieb geht verloren.

Einsatz: Wiederkehrende, regulierte Massenprozesse

Compiled AI (arXiv 2604.05150, 06.04.2026): „execute deterministically without further model invocation", 57-mal weniger Token bei 1.000 Transaktionen · 2026-08-19

Formale Verifikation mit Beweiser

Was festgelegt wird: Die Korrektheit gegenüber der formalen Spezifikation, hart.

Was offen bleibt: Ob die Spezifikation das Richtige verlangt. Der Übersetzungsschritt läuft selbst im Modell.

Einsatz: Sicherheitskritischer Code, Regelableitungen

Dantas et al., The 4/δ Bound (arXiv 2512.02080, 30.11.2025): über 90.000 Läufe, jeder Lauf erreichte die Verifikation; AWS Bedrock Automated Reasoning: „Because this step uses LLMs, it may contain errors" für die Übersetzung, „mathematically sound" nur für die Prüfung · 2026-08-19

Vorschlag plus deterministischer Prüfer

Was festgelegt wird: Die Entscheidung. Der Prüfer ist ein Programm und liefert bei gleicher Eingabe dasselbe Urteil.

Was offen bleibt: Den Vorschlag selbst und alles, was die Prüfregel nicht abdeckt.

Einsatz: Zahlungsfreigabe, Code-Freigabe, Regelkonformität

Sun et al., Agentic Model Checking (arXiv 2605.21434, 20.05.2026): „agents propose, solvers verify"; jede Ausgabe, die ein Prüfurteil ändern könnte, durchläuft die Prüfkette · 2026-08-19

Regelwerk als Programm vor der Ausführung

Was festgelegt wird: Ob eine Aktion regelkonform ist, über Läufe hinweg wiederholbar.

Was offen bleibt: Ob die Regel vollständig ist. Modellgeschriebene Regeln erreichten 70,96 Prozent Trefferquote.

Einsatz: Freigabe-Tore vor irreversiblen Schritten

SOCpilot (arXiv 2605.05501, 06.05.2026), Finanzsektor-SOC mit 200 echten Vorfällen: der Verifizierer entfernte 466 nicht-konforme, freigabepflichtige Aktionen, „Aggregate rates remain stable across 3 reruns"; AgentSpec (arXiv 2503.18666, ICSE 2026) · 2026-08-19

Das Werkzeug rechnet, das Modell schreibt nur den Aufruf

Was festgelegt wird: Das Rechenergebnis.

Was offen bleibt: Ob das richtige Programm gewählt wurde.

Einsatz: Beträge, Fristen, Buchungslogik

Gao et al., PAL (arXiv 2211.10435): „offloads the solution step to a runtime such as a Python interpreter", weil Modelle „often make logical and arithmetic mistakes in the solution part" · 2026-08-19

Fähigkeitswächter über dem Datenfluss

Was festgelegt wird: Welche Aktionen überhaupt möglich sind, unabhängig davon, was das Modell will.

Was offen bleibt: Die Aufgabenerfüllung. Die Abdeckung fiel von 84 auf 77 Prozent.

Einsatz: Agenten mit Schreibrechten, Auszahlungswege

Debenedetti et al., CaMeL (arXiv 2503.18813, DeepMind und ETH): „solving 77% of tasks with provable security (compared to 84% with an undefended system)" · 2026-08-19

Fester Ablaufplan, Modell nur für Teilschritte

Was festgelegt wird: Den Ablaufweg. Die Richtung des Vorgangs bestimmt das Modell nicht.

Was offen bleibt: Die Teilschritte selbst. Die bleiben probabilistisch.

Einsatz: Sachbearbeitung mit festem Prozess

Blueprint First, Model Second (arXiv 2508.02721): Verstöße gegen Vorgaben um 96,0 Prozent gesenkt, 11 statt 275 · 2026-08-19

Schema-gebundene Ausgabe

Was festgelegt wird: Die Form: Syntax, Schema, erlaubte Werte einer Auswahl.

Was offen bleibt: Den Inhalt. Die Werte im gültigen Schema können frei erfunden sein.

Einsatz: Maschinenlesbare Übergabe an die nächste Stufe

OpenAI Structured Outputs: „Structured Outputs can still contain mistakes."; Azure AI Foundry mit strict-Schema unterstützt minLength, pattern, minimum und maximum nicht · 2026-08-19

Zitatpflicht auf die Fundstelle

Was festgelegt wird: Dass der Zeiger auf die Quelle gültig ist.

Was offen bleibt: Ob die Aussage von der Fundstelle gedeckt ist.

Einsatz: Auskunft mit Belegpflicht

Anthropic Citations: „citations are guaranteed to contain valid pointers to the provided documents"; Zitate und schemagebundene Ausgabe schließen sich aus · 2026-08-19

Antwort einfrieren und versionieren

Was festgelegt wird: Die Wiederholbarkeit ab dem zweiten Abruf.

Was offen bleibt: Die Richtigkeit der eingefrorenen Antwort.

Einsatz: Prüfpflichtige Dokumente, die stabil bleiben müssen

Kein Primärbeleg gefunden (Recherchelauf 19.08.2026). Als Handwerk verbreitet, hier nicht belegt. · 2026-08-19

Menschliche Freigabe, bei Bedarf durch zwei Personen

Was festgelegt wird: Die Freigabe als Rechtsakt und die Zurechenbarkeit.

Was offen bleibt: Die Aufmerksamkeit des Menschen. Automatisierungsbias wirkt genau hier.

Einsatz: Zahlungsfreigabe, Diagnose, Sanktionsentscheid

AI Act VO (EU) 2024/1689 Art. 14 Abs. 5 verlangt „mindestens zwei natürliche Personen" ausschließlich bei biometrischer Fernidentifizierung; BSI Generative KI-Modelle v2.0 R8 zum Automatisierungsbias · 2026-08-19

Mehrfach ziehen und abstimmen lassen

Was festgelegt wird: Nichts. Die Streuung sinkt, Wiederholbarkeit entsteht dabei nicht.

Was offen bleibt: Alles. Das Verfahren zieht absichtlich mehrere verschiedene Antwortwege.

Einsatz: Genauigkeit heben, niemals als Determinismus ausweisen

Wang et al., Self-Consistency (arXiv 2203.11171): „It first samples a diverse set of reasoning paths instead of only taking the greedy one", plus 17,9 Punkte auf GSM8K · 2026-08-19

Filter und Klassifikatoren als Leitplanke

Was festgelegt wird: Nur, solange die Sperre eine Regel ist. Ist sie selbst ein Modell, streut sie mit.

Was offen bleibt: Die Vollständigkeit. Filter sind umgehbar und taugen nicht als letzte Instanz.

Einsatz: Grobfilter vor der eigentlichen Prüfung

BSI M13: Filter lassen sich über kodierte Ausgaben umgehen; AWS Well-Architected Agentic AI Lens (10.06.2026), AGENTSEC04-BP02: der Risikoklassifizierer vor dem menschlichen Tor darf selbst kein Sprachmodell sein · 2026-08-19

Was die Aufsicht verlangtWenn ein Fehler nicht passieren darf: Prozess, Grenzen und Belege.

Geltung: Art. 12, 14 und 15 binden nur Hochrisiko-Systeme, und zwar nach Anhang III ab dem 02.12.2027 und nach Anhang I ab dem 02.08.2028 (Verschiebung durch die Änderungsverordnung VO (EU) 2026/1744, Digital Omnibus, in Kraft seit 27.07.2026). Die Transparenzpflichten nach Art. 50 gelten seit dem 02.08.2026. In Deutschland führt die Bundesnetzagentur die Marktüberwachung nach dem KI-MIG seit dem 29.07.2026. Wer heute nach diesen Artikeln baut, baut auf die Frist hin, nicht gegen eine geltende Pflicht.

Verordnung (EU) 2024/1689 Art. 113, konsolidierte Fassung 27.07.2026 (artificialintelligenceact.eu); BaFin, Pressemitteilung 29.07.2026: Transparenzpflichten ab 02.08.2026, Hochrisiko-Anforderungen ab 02.12.2027 · 2026-08-19

AI Act Art. 12 Abs. 1: die Technik muss die automatische Aufzeichnung von Ereignissen über den Lebenszyklus des Systems ermöglichen. Ohne Protokoll bleibt eine Entscheidung später unbelegbar.

Verordnung (EU) 2024/1689, konsolidierte Fassung 27.07.2026 · 2026-08-19

AI Act Art. 14 Abs. 4: die aufsichtführende Person muss den Automatisierungsbias kennen, die Ausgabe außer Kraft setzen oder rückgängig machen können und den Betrieb mit einer Stopptaste unterbrechen können.

Verordnung (EU) 2024/1689, konsolidierte Fassung 27.07.2026 · 2026-08-19

AI Act Art. 15 Abs. 3 und 4: die Genauigkeitsgrade stehen in der Betriebsanleitung, und Robustheit darf über technische Redundanz mit Sicherungs- oder Störungssicherheitsplänen erreicht werden. Die Fehlerrate gehört also benannt.

Verordnung (EU) 2024/1689, konsolidierte Fassung 27.07.2026 · 2026-08-19

Reichweite der Vier-Augen-Regel: Art. 14 Abs. 5 verlangt zwei natürliche Personen ausschließlich für biometrische Fernidentifizierung nach Anhang III Nr. 1 Buchst. a. Für Kreditwürdigkeit oder Zahlungsfreigabe steht das dort nicht.

Verordnung (EU) 2024/1689, konsolidierte Fassung 27.07.2026; Volltextsuche findet die Begriffe Determinismus und Reproduzierbarkeit im Verordnungstext nicht · 2026-08-19

BSI R7: „Selbst wenn eine identische Eingabe getätigt wird, kann die jeweils erzeugte Ausgabe unterschiedlich sein." Maßnahme M20 verlangt bei potenziell kritischen Auswirkungen Überprüfung, Abgleich mit weiteren Quellen und manuelle Nachbearbeitung vor der Weiterverwendung.

BSI, Generative KI-Modelle: Chancen und Risiken, Version 2.0, 17.01.2025, Kap. 4.1 und M20 · 2026-08-19

NIST führt das Thema als Konfabulation: erfundene Inhalte, überzeugend vorgetragen, mit dem Beispiel einer falsch zusammengefassten Patientenakte. Im Konzeptpapier zur kritischen Infrastruktur steht die Anforderung umgekehrt: solche Prozesse brauchen deterministisches Verhalten, Erklärbarkeit und einen sicheren Rückfall.

NIST AI 600-1, Generative AI Profile, Juli 2024, Abschnitt 2.2; NIST, Concept Note AI RMF Profile for Critical Infrastructure, 07.04.2026 · 2026-08-19

BaFin, Pressemitteilung vom 29.07.2026: Entscheidungen müssen weiterhin von Menschen korrigiert und rückgängig gemacht werden können, und die Verantwortung liegt bei den Unternehmen und ihren Geschäftsleitungen. Die Orientierungshilfe vom 18.12.2025 nennt dazu die Einschränkung der Modellnutzung für kritische Funktionen und eine menschliche Überprüfungspflicht.

BaFin, Überwachung von KI: BaFin erhält neue Kompetenzen, 29.07.2026; BaFin, Orientierungshilfe zu IKT-Risiken beim Einsatz von KI in Finanzunternehmen, 18.12.2025, S. 31 · 2026-08-19

Deutschland: das Durchführungsgesetz zur KI-Verordnung gilt seit dem 29.07.2026. Die Bundesnetzagentur führt die Marktüberwachung, die BaFin übernimmt sie für den Finanzbereich.

KI-Marktüberwachungs- und Innovationsförderungsgesetz, BGBl. 2026 I Nr. 223, in Kraft 29.07.2026 · 2026-08-19

Umsetzung in der PraxisWenn ein Fehler nicht passieren darf: Prozess, Grenzen und Belege.

Lemonade begründet das Verbot aus der Systemeigenschaft: „AI is non-deterministic and has been shown to have biases across different communities. That’s why we never let AI perform deterministic actions such as rejecting claims or canceling policies." Ablehnung und Kündigung bleiben regelgebundene Akte.

Lemonade, Claim automation, Blog (ohne gedrucktes Datum) · 2026-08-19

Die US-Abrechnungsregel für Medicare nennt KI seit Juli 2025 ausdrücklich: wer eine KI als Schreibkraft einsetzt, unterschreibt den Eintrag selbst. Die Schreibkraft unterschreibt nicht, und ohne Unterschrift können die Leistungen abgelehnt werden.

CMS MLN905364, Complying with Medicare Signature Requirements, Juli 2025 · 2026-08-19

Kalifornien SB 1120, unterzeichnet am 28.09.2024: ein Softwarewerkzeug darf Leistungen nicht wegen medizinischer Notwendigkeit ablehnen, verzögern oder ändern. Diese Feststellung trifft eine zugelassene Fachperson.

California SB 1120, Physicians Make Decisions Act, Health & Safety Code § 1367.01 · 2026-08-19

Allianz, Zurich und Swiss Re binden sich öffentlich gleich: das Modell liefert Empfehlungen und Entwürfe, über Deckung und Auszahlung entscheidet die Sachbearbeitung. Zurich verlangt eine menschliche Prüfung für alle folgenreichen Entscheidungen und benennt selbst, dass dieses Muster bei autonomen Agenten an Grenzen stößt.

Allianz, Smarter claims management, 05.02.2025; Zurich, How do we navigate a safe AI transformation (H2/2025); Swiss Re Corporate Solutions, ClaimsGenAI, 20.06.2025 · 2026-08-19

Im Zahlungsverkehr trennt die Architektur Modell und Ausführung: der Agent bekommt einen Token, die Autorisierung läuft beim Zahlungsdienstleister oder im Kartennetz und wird gegen die ursprüngliche Anweisung des Nutzers geprüft.

Agentic Commerce Protocol (Stripe und OpenAI), 29.09.2025: „The use of the token is programmatically controlled, permissioned, and logged"; Visa Intelligent Commerce · 2026-08-19

Bloomberg veröffentlicht beides: 99 Prozent der KI-Zusammenfassungen erfüllen den redaktionellen Standard, und bis Ende März 2025 mussten mindestens 36 korrigiert werden. Über die Veröffentlichung entscheidet die Redaktion, jeder Punkt der Zusammenfassung springt in die Fundstelle.

Bloomberg, AI-Powered Earnings Call Summaries, 22.01.2024; NYT-Bericht vom 29.03.2025 (über zwei unabhängige Referate belegt) · 2026-08-19

In einem Sicherheitsleitstand einer Bank mit 200 echten Vorfällen bewegte dieselbe Richtlinie als Prompt zwei Anbieter in entgegengesetzte Richtungen. Als Programm davor entfernte sie 466 nicht-konforme, freigabepflichtige Aktionen, ohne die Trefferquote der Grundaufgabe zu senken.

SOCpilot (arXiv 2605.05501, 06.05.2026), anonymisierter Produktions-SOC im Finanzsektor · 2026-08-19

AWS schreibt die Aufteilung als Regel: deterministische Kontrollen für alles, was sich deterministisch ausdrücken lässt, probabilistische Kontrollen für den Rest. Der Risikoklassifizierer, der über das menschliche Tor entscheidet, darf selbst kein Sprachmodell sein.

AWS Well-Architected Agentic AI Lens, 10.06.2026, AGENTSEC04-BP02 und AGENTSEC05-BP01 · 2026-08-19

Wie der Prozess abgesichert wirdProzesshinweise, Modellrolle und weiterführende Einordnung.

In dieser Zone entscheidet eine Regel, die Sie vorher festgelegt haben, und das Sprachmodell liefert dazu nur den Vorschlag.

Lassen Sie jede Freigabe durch eine feste Prüfung im Programm oder durch eine zweite Person bestätigen, bevor sie wirksam wird.

Rechnen, Buchen und Abgleichen gehören in Werkzeuge, die bei gleicher Eingabe immer dasselbe Ergebnis liefern.

Halten Sie Eingabe, Modellstand und Ausgabe zusammen fest, damit die Entscheidung später nachvollziehbar bleibt.

Planen Sie den Aufwand für diese Prüfschicht von Anfang an ein, denn sie trägt die Verlässlichkeit des Ergebnisses.

Als Vorschlagender trägt die Arbeitsklasse, gebunden an die Zitatpflicht auf die Fundstelle. Die Spitzenklasse kommt dazu, sobald der Anker dieses Vorfalls eine gemessene Lösequote ausweist.

Der Anker dieses Vorfalls weist Lösequoten aus, deshalb steht die Spitzenklasse mit in der Gruppe.

Für diesen Vorfall liegt keine gemessene Lösequote vor, deshalb bleibt die Gruppe bei der Arbeitsklasse.

Kandidaten als Vorschlagender

KI-Preismodelle: die Preistreppe

/insights/ki-preismodelle-preistreppe

Die Streuung, die Preistreppe und die Rechnung dahinter stehen ausführlich im eigenen Artikel.

Mit dem 40-Tonner zum Bäcker: wie Sie KI-Kosten senken, ohne Qualität zu verlierenVollständiger Artikel mit Tabellen, Quellen und häufigen Fragen.

Artikel lesen →

KI-Compliance-Architektur: Drei Entscheidungen, die schwerer wiegen als die Framework-WahlVollständiger Artikel mit Tabellen, Quellen und häufigen Fragen.

Artikel lesen →

B2B-SaaS im KI-Zeitalter skalieren: warum die Mauer alle bauen und nur der Graben zähltVollständiger Artikel mit Tabellen, Quellen und häufigen Fragen.

Artikel lesen →

Dieser Abschnitt ist das Archiv der früheren Fassung 3.1 mit Stand 10.09.2026. Rechenweg, Lösequoten, Preise, Kurs und Modellzahl darin sind historisch. Version 10 rechnet mit direkten KI-Kosten, Menschenzeit, sonstigem Betrieb und Fehlerfolgen.

1 · Rechenweg

Kosten je Aufgabe = Maschine × Modifikatoren. Die Maschine besteht aus vier Posten: frische Eingabe (× Aufrufe × Anläufe), einmaliges Füllen des Cache, Lesen aus dem Cache (× alle weiteren Aufrufe) und Ausgabe (× Aufrufe × Anläufe). Das Füllen des Cache zählt dabei einmal je Aufgabe und wird nicht mit den Anläufen vervielfacht, denn abgerechnet wird es auch nur einmal. Die menschliche Nacharbeit rechnet dieser Rechner bewusst nicht mit. Er vergleicht Modelle.

Seit der Fassung v3 steht darüber die erwartete Rechnung je gelöster Aufgabe: K = Versuch × Anläufe + (1 − Lösequote) × Fehlerkosten + Prüfkosten. Der Versuch ist die Maschinenrechnung von oben, ergänzt um Mengen- und Tokenizerfaktor. Die Anläufe kommen aus der Lösequote am Anker des Vorfalls, mal 1,2, weil wiederholte Versuche dieselbe Fehlerursache erben: Yang (arXiv 2605.08563) misst, dass die Annahme unabhängiger Versuche die Trefferquote nach drei Anläufen um 17,4 Punkte zu hoch ansetzt. Die Richtung ist damit belegt, die Höhe nicht: der Faktor 1,2 ist eine ausgewiesene Annahme dieses Rechners. Die Fehlerkosten sind der Betrag der gewählten Zone und fallen mit der Gegenwahrscheinlichkeit zur Lösequote an. Die Prüfkosten sind Prüfminuten mal Stundensatz, angenommen 60 Euro je Stunde. Die Maschinenrechnung aus v2 bleibt dabei unverändert: mit Fehlerkosten 0, Prüfkosten 0, normaler Denkstufe, neutralem Tokenizer und ohne Anker liefert die Formel genau den Wert der Vorfassung.

2 · Cache

Der Cache wird gerechnet, wie er abgerechnet wird: einmal je Aufgabe gefüllt, danach gelesen. Deshalb kostet er bei einem einzigen Aufruf mehr, als er spart. Verwendet werden die veröffentlichten Cache-Preise je Modell. Anthropic verlangt fürs Füllen das 1,25-Fache und fürs Lesen ein Zehntel, OpenAI seit der gpt-5.6-Serie ebenfalls das 1,25-Fache fürs Füllen, DeepSeek liest für rund drei Prozent, Mistral liest seit August 2026 für ein Zehntel des Eingabepreises. Googles Speicherentgelt je Stunde hängt an der Laufzeit und ist NICHT eingerechnet.

3 · Auf- und Abschläge

Modifikatoren: Stapelverarbeitung × 0,5 (nur bei Anbietern, die sie anbieten), US-Residenz × 1,1, Router × 1,055. Anläufe vervielfachen die Aufrufe. Wer eine Aufgabe zweimal laufen lässt, füllt den Cache trotzdem nur einmal.

4 · Zweite Preisstufe

10 Modelle wechseln ab einer Kontextgröße in eine teurere Preisstufe: Gemini 2.5 Pro und Gemini 3.1 Pro ab 200.000 Token, gpt-6-astra, die gpt-5.6-Serie, gpt-5.5, gpt-5.5-pro, gpt-5.4 und gpt-5.4-pro ab 272.000. Der höhere Satz gilt dann für alle Token des Aufrufs, auch für die unterhalb der Schwelle, denn so rechnen die Anbieter ab. Betroffene Zeilen tragen in der Rangliste den Hinweis „Langkontext-Satz". Anthropic staffelt nicht und stellt das volle Fenster zum Grundpreis.

5 · Fähigkeit und Lösequote

Der Abschnitt „Alle Modelle" zeigt je Modell den Epoch Capabilities Index (Epoch AI, Daten CC-BY, Stand 09.09.2026), einen per Item-Response-Theorie über 50 und mehr Benchmarks zusammengeführten Fähigkeitswert. Die Skala ist relativ: GPT-5 liegt per Definition bei 150, Claude 3.5 Sonnet bei 130.

9 der 12 Geschäftsvorfälle tragen einen Anker-Benchmark aus anker.json, jeder mit Quelle, Lizenz und Stand. Nur Anker der Art „Quote" liefern eine Lösequote je Modell; daraus folgen die Anläufe nach dem Cost-of-Pass-Prinzip: Kosten je gelöster Aufgabe gleich Kosten je Versuch geteilt durch Lösequote. Anker der Art „Schwelle" (Elo), „Sperre" (Halluzinationsrate) und „Treue" (MRCR, Kontexttreue über die volle Fensterlänge) filtern nur und werden nie als Anlaufzahl gelesen; bei „Langes Dokument" kommen die Anläufe deshalb aus dem Handwert des Vorfalls.

Geschätzt wird nichts: was in anker.json steht, ist gemessen, und für Modelle ohne Wert steht ein Strich. Ab Zone 3 kann eine Zeile ohne Messung nicht gewinnen. Quoten werden auf 5 bis 99 Prozent begrenzt. Der Benchmark ist eine Näherung für den Geschäftsvorfall, keine Messung der konkreten Aufgabe; der Expertenmodus rechnet unverändert mit Handwerten. Wo ein Vorfall keinen Anker trägt, sagt die Einordnung, wonach stattdessen gereiht wird.

6 · Modellbestand

Der Bestand umfasst 86 Modelle, darunter abgekündigte und eingestellte. Die Rangliste im Ergebnis blendet sie voreingestellt aus, weil niemand sie neu einsetzen sollte; wer einen Bestand betreibt, holt sie über das Kontrollkästchen zurück. Der Abschnitt „Alle Modelle" hält es genauso: die Tabelle zeigt voreingestellt die aktuellen, der Schalter „veraltete und eingestellte zeigen" über ihr holt die übrigen dazu. Wo das Kontextfenster für die eingestellte Eingabe zu klein ist, steht „passt nicht". Ein billiges Modell nützt nichts, wenn die Aufgabe nicht hineinpasst. Jedes Modell trägt eine von fünf Klassen (Spitze, Arbeit, Kompakt, Gerät, Code), abgeleitet aus der Eigenpositionierung des Anbieters; die Klasse ordnet ein, gemessen wird in der Fähigkeitsspalte. In den Bestand kommt nur, was an einem aktiven Endpunkt mit veröffentlichtem Listenpreis buchbar ist; kursierende Kampfpreise ohne buchbaren Endpunkt bleiben draußen.

7 · Belegtiefe

Sämtliche Preise, Cache-Sätze, Stapelrabatte und Kontextstaffeln stammen unmittelbar von den unten verlinkten Preisseiten der Anbieter. Ein Kontextfenster steht bei 83 der 86 Modelle; nur Claude Opus 4, Claude Sonnet 4 und Claude Haiku 3.5 tragen einen Strich, weil der Anbieter dort keine Größe ausweist. Die Einstufung als abgekündigt folgt bei Anthropic der Modellübersicht des Anbieters; bei den übrigen Anbietern, die keine solche Kennzeichnung führen, ist sie meine Einordnung nach Modellgeneration.

8 · Preisstand und Umrechnung

Preise sind Listenpreise der Anbieter, geprüft am 10. September 2026 an den unten verlinkten Preisseiten, ohne Rabatte. Umgerechnet wird mit 1,1652 USD/EUR (EZB-Referenzkurs vom 09.09.2026); der Kurs ist eine Annahme, keine Tageszahl. Der einzige empirisch belegte Wert unter den Geschäftsvorfällen sind 3.700 Token für eine Support-Konversation (Quelle: Anthropic-Dokumentation). Alle übrigen Größen sind plausible Beispielwerte, keine Messwerte. Die Stände sind bewusst getrennt: Preise Stand 10. September 2026, Anker und Zonenbelege Stand 10.09.2026.

9 · Gegenprobe

Die Anthropic-Dokumentation beziffert 10.000 Support-Konversationen à 3.700 Token mit Claude Haiku 4.5 auf rund 37 US-Dollar. Genau diese Zahl gibt der Rechner aus, wenn man im Expertenmodus Ausgabe und Cache auf null stellt.

Quellen

Anthropic: Preisdokumentation (Preise, Cache-Sätze, Kontextfenster, Gegenprobe)
OpenAI: Preisseite (Preise, Staffeln ab 272.000 Token)
Google: Gemini-Preisseite (Preise, Staffeln ab 200.000 Token, Speicherentgelt)
Mistral: API-Preise (Preise, Cache-Nachlass)
DeepSeek: Preisseite
Together AI: Preisseite (offene Gewichte beim Hoster)
OpenRouter: Preisseite (Router-Gebühr)
EZB: Euro-Referenzkurs USD
Epoch AI: Epoch Capabilities Index (Fähigkeitswerte und Lösequoten, Daten CC-BY)
Ho et al. 2025: A Rosetta Stone for AI Benchmarks (Methode hinter dem Fähigkeitsindex, arXiv 2512.00193)
Erol et al. 2026: Cost-of-Pass (Kosten je gelöster Aufgabe, arXiv 2504.13359, v2 vom 26.02.2026, ICLR 2026)
Chen et al. 2026: The Price Reversal Phenomenon (Preis-Umkehr zwischen Listenpreis und Gesamtkosten, arXiv 2603.23971, v2 vom 28.05.2026)

Was die Rechnung umfasst

Direkte KI-Kosten sind die Gebühren für die Nutzung des Modells. TCAI Run (Total Cost of AI im laufenden Betrieb) sind die laufenden Gesamtkosten einer KI-Aufgabe: direkte KI-Kosten plus Menschenzeit, sonstiger Betrieb und erwartete verbleibende Fehlerfolgen. Einmaliger Aufbau bleibt separat.

TCAI Run = KI-Kosten + Prüfung + Nacharbeit + sonstiger Betrieb + Restfehlerfolgen. Arbeitsdefinition dieses Rechners; kein Rechnungslegungsstandard.

Anbieter-API

Vorgänge × Aufrufe × Durchläufe × Tokenverbrauch. Eingabe, Ausgabe, Cache und Zusatzgebühren werden getrennt bepreist. Open-Weight-Modelle über eine Anbieter-API folgen ebenfalls deren Tarif.

Eigene Infrastruktur

Gebuchte Stunden × gesamte Infrastrukturkosten pro Stunde × Aufgabenanteil. Auch bereitgehaltene Kapazität kostet. Der erforderliche Durchsatz muss für Modell, Konfiguration und Last bestätigt sein.

Menschenzeit

Prüfung: Vorgänge × durchschnittliche Prüfminuten je Vorgang × Stundensatz ÷ 60. Nacharbeit: Vorgänge × durchschnittliche Nacharbeitsminuten je Vorgang × Stundensatz ÷ 60. Der Durchschnitt ergibt sich aus dem Anteil betroffener Vorgänge × Minuten je Fall, zum Beispiel 10 % × 5 Minuten = 0,5 Minuten. Beide Werte sind Prozessannahmen, keine Benchmarkwerte.

Fehlerfolgen

Vorgänge × verbleibende Fehlerquote nach Prüfung und Nacharbeit × Betrag pro verbleibendem Fehler. Bereits als Nacharbeit erfasste Kosten nicht nochmals ansetzen.

Belastbarkeit

Fehlende Angaben sind unbekannt, nicht null. Ein Modellwechsel liefert keine automatisch belegte Fehlerquote. Temperatur, Kontext und Prompt garantieren keine Richtigkeit; eigene Messungen müssen den gesamten Ablauf abdecken.

Tarife und Cache

Es gelten nur belegte Betriebsformen, Tarifmodi und Regionen. Cache-Schreibmengen sind Teil der frischen Eingabe; nur der Aufpreis kommt hinzu. Speicherung wird separat gerechnet, auch ohne Cache-Treffer. Abgelaufene Angebote ohne gültigen Folgetarif werden nicht berechnet.

Tarifdaten mit Preisstand

96 Angebote, davon 50 historisch. Listenpreise im Standardtarif in Euro je 1 Mio. Token, ohne Steuern und individuelle Rabatte. Tabelle erstellt am 19.10.2026; das Prüfdatum steht je Angebot. „Aktuell“ bezeichnet den Modellstatus, keine tagesaktuelle Preisprüfung.

Langer Kontext, Cache-Schreiben, Speicherung und andere Tarifmodi können abweichen. Die Berechnung berücksichtigt die erfassten Regeln; vollständige Bedingungen stehen beim Anbieter und im Angebotsdatensatz.

Listenpreise im Standardtarif in Euro je 1 Mio. Token, US-Dollar-Original in Klammern. Umgerechnet mit 1,1206 USD je EUR, EZB vom 09.10.2026.
Modell / Anbieter	Status	Eingabe	Ausgabe	Cache lesen	Prüfdatum / Gültigkeit
Claude Fable 5.1Anthropic	aktuell	8,92 € (10,00 USD)	44,62 € (50,00 USD)	0,2231 € (0,25 USD)	10.10.2026Keine Frist erfasst
Claude Mythos 5.1Anthropic	aktuell	8,92 € (10,00 USD)	44,62 € (50,00 USD)	0,2231 € (0,25 USD)	10.10.2026Keine Frist erfasst
Claude Fable 5Anthropic	veraltet	8,92 € (10,00 USD)	44,62 € (50,00 USD)	0,8924 € (1,00 USD)	28.09.2026Keine Frist erfasst
Claude Mythos 5Anthropic	veraltet	8,92 € (10,00 USD)	44,62 € (50,00 USD)	0,8924 € (1,00 USD)	28.09.2026Keine Frist erfasst
Claude Opus 5Anthropic	veraltet	4,46 € (5,00 USD)	22,31 € (25,00 USD)	0,4462 € (0,50 USD)	28.09.2026Keine Frist erfasst
Claude Opus 4.8Anthropic	veraltet	4,46 € (5,00 USD)	22,31 € (25,00 USD)	0,4462 € (0,50 USD)	28.09.2026Keine Frist erfasst
Claude Opus 4.7Anthropic	veraltet	4,46 € (5,00 USD)	22,31 € (25,00 USD)	0,4462 € (0,50 USD)	28.09.2026Keine Frist erfasst
Claude Opus 4.6Anthropic	veraltet	4,46 € (5,00 USD)	22,31 € (25,00 USD)	0,4462 € (0,50 USD)	28.09.2026Keine Frist erfasst
Claude Opus 4.5Anthropic	veraltet	4,46 € (5,00 USD)	22,31 € (25,00 USD)	0,4462 € (0,50 USD)	28.09.2026Keine Frist erfasst
Claude Opus 4.1Anthropic	eingestellt	13,39 € (15,00 USD)	66,93 € (75,00 USD)	1,3386 € (1,50 USD)	28.09.2026Keine Frist erfasst
Claude Opus 4Anthropic	eingestellt	13,39 € (15,00 USD)	66,93 € (75,00 USD)	1,3386 € (1,50 USD)	28.09.2026Keine Frist erfasst
Claude Sonnet 5.5Anthropic	aktuell	1,78 € (2,00 USD)	8,92 € (10,00 USD)	0,0892 € (0,10 USD)	10.10.2026Keine Frist erfasst
Claude Sonnet 5Anthropic	veraltet	1,78 € (2,00 USD)	8,92 € (10,00 USD)	0,1785 € (0,20 USD)	28.09.2026Keine Frist erfasst
Claude Sonnet 4.6Anthropic	veraltet	2,68 € (3,00 USD)	13,39 € (15,00 USD)	0,2677 € (0,30 USD)	28.09.2026Keine Frist erfasst
Claude Sonnet 4.5Anthropic	veraltet	2,68 € (3,00 USD)	13,39 € (15,00 USD)	0,2677 € (0,30 USD)	28.09.2026Keine Frist erfasst
Claude Sonnet 4Anthropic	eingestellt	2,68 € (3,00 USD)	13,39 € (15,00 USD)	0,2677 € (0,30 USD)	28.09.2026Keine Frist erfasst
Claude Haiku 5.5Anthropic	aktuell	0,09 € (0,10 USD)	0,45 € (0,50 USD)	0,0089 € (0,01 USD)	10.10.2026Keine Frist erfasst
Claude Haiku 4.5Anthropic	aktuell	0,89 € (1,00 USD)	4,46 € (5,00 USD)	0,0892 € (0,10 USD)	10.10.2026Keine Frist erfasst
Claude Haiku 3.5Anthropic	eingestellt	0,71 € (0,80 USD)	3,57 € (4,00 USD)	0,0714 € (0,08 USD)	28.09.2026Keine Frist erfasst
gpt-6-astraOpenAI	aktuell	8,92 € (10,00 USD)	44,62 € (50,00 USD)	0,8924 € (1,00 USD)	10.10.2026Keine Frist erfasst
gpt-5.6-solOpenAI	aktuell	3,57 € (4,00 USD)	17,85 € (20,00 USD)	0,3570 € (0,40 USD)	10.10.2026Bis 21.11.2026
gpt-5.6-terraOpenAI	aktuell	1,78 € (2,00 USD)	10,71 € (12,00 USD)	0,1785 € (0,20 USD)	10.10.2026Keine Frist erfasst
gpt-5.6-lunaOpenAI	aktuell	0,18 € (0,20 USD)	1,07 € (1,20 USD)	0,0178 € (0,02 USD)	10.10.2026Keine Frist erfasst
gpt-5.5OpenAI	aktuell	4,46 € (5,00 USD)	26,77 € (30,00 USD)	0,4462 € (0,50 USD)	10.10.2026Keine Frist erfasst
gpt-5.5-proOpenAI	aktuell	26,77 € (30,00 USD)	160,63 € (180,00 USD)	nicht belegt	10.10.2026Keine Frist erfasst
gpt-5.4OpenAI	aktuell	2,23 € (2,50 USD)	13,39 € (15,00 USD)	0,2231 € (0,25 USD)	10.10.2026Keine Frist erfasst
gpt-5.4-miniOpenAI	aktuell	0,67 € (0,75 USD)	4,02 € (4,50 USD)	0,0669 € (0,075 USD)	10.10.2026Keine Frist erfasst
gpt-5.4-nanoOpenAI	aktuell	0,18 € (0,20 USD)	1,12 € (1,25 USD)	0,0178 € (0,02 USD)	10.10.2026Bis 01.04.2027
gpt-5.4-proOpenAI	aktuell	26,77 € (30,00 USD)	160,63 € (180,00 USD)	nicht belegt	10.10.2026Keine Frist erfasst
gpt-5.2OpenAI	aktuell	1,56 € (1,75 USD)	12,49 € (14,00 USD)	0,1562 € (0,175 USD)	10.10.2026Keine Frist erfasst
gpt-5.2-proOpenAI	aktuell	18,74 € (21,00 USD)	149,92 € (168,00 USD)	nicht belegt	10.10.2026Keine Frist erfasst
gpt-5.1OpenAI	aktuell	1,12 € (1,25 USD)	8,92 € (10,00 USD)	0,1115 € (0,125 USD)	10.10.2026Bis 01.04.2027
gpt-5OpenAI	veraltet	1,12 € (1,25 USD)	8,92 € (10,00 USD)	0,1115 € (0,125 USD)	28.09.2026Bis 11.12.2026
gpt-5-miniOpenAI	veraltet	0,22 € (0,25 USD)	1,78 € (2,00 USD)	0,0223 € (0,025 USD)	28.09.2026Bis 11.12.2026
gpt-5-nanoOpenAI	veraltet	0,04 € (0,05 USD)	0,36 € (0,40 USD)	0,0045 € (0,005 USD)	28.09.2026Bis 11.12.2026
gpt-5-proOpenAI	veraltet	13,39 € (15,00 USD)	107,09 € (120,00 USD)	nicht belegt	28.09.2026Bis 11.12.2026
gpt-4.1OpenAI	veraltet	1,78 € (2,00 USD)	7,14 € (8,00 USD)	0,4462 € (0,50 USD)	28.09.2026Keine Frist erfasst
gpt-4.1-miniOpenAI	veraltet	0,36 € (0,40 USD)	1,43 € (1,60 USD)	0,0892 € (0,10 USD)	28.09.2026Keine Frist erfasst
gpt-4.1-nanoOpenAI	veraltet	0,09 € (0,10 USD)	0,36 € (0,40 USD)	0,0223 € (0,025 USD)	28.09.2026Bis 23.10.2026
gpt-4oOpenAI	veraltet	2,23 € (2,50 USD)	8,92 € (10,00 USD)	1,1155 € (1,25 USD)	28.09.2026Keine Frist erfasst
gpt-4o-miniOpenAI	veraltet	0,13 € (0,15 USD)	0,54 € (0,60 USD)	0,0669 € (0,075 USD)	28.09.2026Keine Frist erfasst
o1OpenAI	veraltet	13,39 € (15,00 USD)	53,54 € (60,00 USD)	6,6928 € (7,50 USD)	28.09.2026Bis 23.10.2026
o1-proOpenAI	veraltet	133,86 € (150,00 USD)	535,43 € (600,00 USD)	nicht belegt	28.09.2026Bis 23.10.2026
o3OpenAI	veraltet	1,78 € (2,00 USD)	7,14 € (8,00 USD)	0,4462 € (0,50 USD)	28.09.2026Bis 11.12.2026
o3-proOpenAI	veraltet	17,85 € (20,00 USD)	71,39 € (80,00 USD)	nicht belegt	28.09.2026Bis 11.12.2026
o3-miniOpenAI	veraltet	0,98 € (1,10 USD)	3,93 € (4,40 USD)	0,4908 € (0,55 USD)	28.09.2026Bis 23.10.2026
o4-miniOpenAI	veraltet	0,98 € (1,10 USD)	3,93 € (4,40 USD)	0,2454 € (0,275 USD)	28.09.2026Bis 23.10.2026
Gemini 3.8 FlashGoogle	aktuell	0,67 € (0,75 USD)	3,35 € (3,75 USD)	0,0669 € (0,075 USD)	10.10.2026Folgetarif ab 01.01.2027
Gemini 3.7 FlashGoogle	eingestellt	0,67 € (0,75 USD)	3,35 € (3,75 USD)	0,0669 € (0,075 USD)	28.09.2026Keine Frist erfasst
Gemini 3.6 FlashGoogle	aktuell	0,67 € (0,75 USD)	3,35 € (3,75 USD)	0,0669 € (0,075 USD)	10.10.2026Folgetarif ab 01.01.2027
Gemini 3.5 FlashGoogle	eingestellt	1,34 € (1,50 USD)	8,03 € (9,00 USD)	0,1339 € (0,15 USD)	28.09.2026Keine Frist erfasst
Gemini 3.5 Flash-LiteGoogle	aktuell	0,27 € (0,30 USD)	2,23 € (2,50 USD)	0,0268 € (0,03 USD)	10.10.2026Keine Frist erfasst
Gemini 3.1 Pro PreviewGoogle	aktuell	1,78 € (2,00 USD)	10,71 € (12,00 USD)	0,1785 € (0,20 USD)	10.10.2026Keine Frist erfasst
Gemini 3.1 Flash-LiteGoogle	aktuell	0,22 € (0,25 USD)	1,34 € (1,50 USD)	0,0223 € (0,025 USD)	10.10.2026Bis 07.05.2027
Gemini 2.5 ProGoogle	veraltet	1,12 € (1,25 USD)	8,92 € (10,00 USD)	0,1115 € (0,125 USD)	28.09.2026Keine Frist erfasst
Gemini 2.5 FlashGoogle	veraltet	0,27 € (0,30 USD)	2,23 € (2,50 USD)	0,0268 € (0,03 USD)	28.09.2026Keine Frist erfasst
Gemini 2.5 Flash-LiteGoogle	veraltet	0,09 € (0,10 USD)	0,36 € (0,40 USD)	0,0089 € (0,01 USD)	28.09.2026Keine Frist erfasst
Mistral Medium 3.5Mistral	aktuell	1,34 € (1,50 USD)	6,69 € (7,50 USD)	0,1339 € (0,15 USD)	10.10.2026Keine Frist erfasst
Mistral Large 4Mistral	aktuell	1,21 € (1,36 USD)	3,73 € (4,18 USD)	0,1249 € (0,14 USD)	10.10.2026Keine Frist erfasst
Mistral Large 3Mistral	aktuell	0,45 € (0,50 USD)	1,34 € (1,50 USD)	0,0446 € (0,05 USD)	10.10.2026Keine Frist erfasst
Mistral Small 4Mistral	aktuell	0,13 € (0,15 USD)	0,54 € (0,60 USD)	0,0134 € (0,015 USD)	10.10.2026Keine Frist erfasst
Magistral MediumMistral	eingestellt	1,78 € (2,00 USD)	4,46 € (5,00 USD)	0,1785 € (0,20 USD)	10.09.2026Keine Frist erfasst
Magistral SmallMistral	eingestellt	0,45 € (0,50 USD)	1,34 € (1,50 USD)	0,0446 € (0,05 USD)	10.09.2026Keine Frist erfasst
Ministral 3 3BMistral	aktuell	0,09 € (0,10 USD)	0,09 € (0,10 USD)	0,0089 € (0,01 USD)	10.10.2026Keine Frist erfasst
Ministral 3 8BMistral	aktuell	0,13 € (0,15 USD)	0,13 € (0,15 USD)	0,0134 € (0,015 USD)	10.10.2026Keine Frist erfasst
Ministral 3 14BMistral	aktuell	0,18 € (0,20 USD)	0,18 € (0,20 USD)	0,0178 € (0,02 USD)	10.10.2026Keine Frist erfasst
Devstral 2Mistral	eingestellt	0,36 € (0,40 USD)	1,78 € (2,00 USD)	0,0357 € (0,04 USD)	10.09.2026Keine Frist erfasst
Devstral Small 2Mistral	eingestellt	0,09 € (0,10 USD)	0,27 € (0,30 USD)	0,0089 € (0,01 USD)	10.09.2026Keine Frist erfasst
CodestralMistral	aktuell	0,27 € (0,30 USD)	0,80 € (0,90 USD)	0,0268 € (0,03 USD)	10.10.2026Keine Frist erfasst
Mistral NeMoMistral	eingestellt	0,13 € (0,15 USD)	0,13 € (0,15 USD)	0,0134 € (0,015 USD)	10.09.2026Keine Frist erfasst
Mixtral 8x7BMistral	eingestellt	0,62 € (0,70 USD)	0,62 € (0,70 USD)	0,0625 € (0,07 USD)	10.09.2026Keine Frist erfasst
Mixtral 8x22BMistral	eingestellt	1,78 € (2,00 USD)	5,35 € (6,00 USD)	0,1785 € (0,20 USD)	10.09.2026Keine Frist erfasst
DeepSeek V4 ProDeepSeek	aktuell	1,18 € (1,32 USD)	3,53 € (3,96 USD)	0,0393 € (0,044 USD)	10.10.2026Keine Frist erfasst
DeepSeek V4 FlashDeepSeek	eingestellt	0,39 € (0,44 USD)	1,18 € (1,32 USD)	0,0125 € (0,014 USD)	10.09.2026Keine Frist erfasst
DeepSeek V4 Pro 0813 (Together)Together	aktuell	1,18 € (1,32 USD)	3,53 € (3,96 USD)	0,1160 € (0,13 USD)	10.10.2026Keine Frist erfasst
DeepSeek V4 Flash 0731 (Together)Together	aktuell	0,12 € (0,14 USD)	0,25 € (0,28 USD)	0,0268 € (0,03 USD)	10.10.2026Bis 22.10.2026
Kimi K3 (Together)Together	aktuell	2,68 € (3,00 USD)	13,39 € (15,00 USD)	0,2677 € (0,30 USD)	10.10.2026Keine Frist erfasst
GLM-5.3 (Together)Together	aktuell	1,25 € (1,40 USD)	3,93 € (4,40 USD)	0,2320 € (0,26 USD)	10.10.2026Keine Frist erfasst
GLM-5.3-Flash (Together)Together	aktuell	0,13 € (0,15 USD)	0,45 € (0,50 USD)	0,0268 € (0,03 USD)	10.10.2026Keine Frist erfasst
GLM-5.2 (Together)Together	veraltet	1,25 € (1,40 USD)	3,93 € (4,40 USD)	0,2320 € (0,26 USD)	28.09.2026Keine Frist erfasst
Qwen3.8-2.4T-A95B (Together)Together	aktuell	1,78 € (2,00 USD)	5,35 € (6,00 USD)	nicht belegt	10.10.2026Keine Frist erfasst
Qwen3.8 Flash (Together)Together	aktuell	0,08 € (0,09 USD)	0,25 € (0,28 USD)	nicht belegt	28.09.2026Keine Frist erfasst
Qwen3.7-Max (Together)Together	veraltet	1,12 € (1,25 USD)	3,35 € (3,75 USD)	0,1160 € (0,13 USD)	10.09.2026Keine Frist erfasst
Qwen3.7-Plus (Together)Together	aktuell	0,29 € (0,32 USD)	1,14 € (1,28 USD)	nicht belegt	10.10.2026Keine Frist erfasst
Qwen3.6-Plus (Together)Together	veraltet	0,45 € (0,50 USD)	2,68 € (3,00 USD)	nicht belegt	28.09.2026Keine Frist erfasst
Qwen3.5-397B-A17B (Together)Together	veraltet	0,54 € (0,60 USD)	3,21 € (3,60 USD)	0,3123 € (0,35 USD)	28.09.2026Keine Frist erfasst
Qwen3.5 9B (Together)Together	veraltet	0,15 € (0,17 USD)	0,22 € (0,25 USD)	nicht belegt	28.09.2026Keine Frist erfasst
Qwen2.5 7B Instruct Turbo (Together)Together	veraltet	0,27 € (0,30 USD)	0,27 € (0,30 USD)	nicht belegt	28.09.2026Keine Frist erfasst
Llama 3.3 70B (Together)Together	veraltet	0,93 € (1,04 USD)	0,93 € (1,04 USD)	nicht belegt	28.09.2026Keine Frist erfasst
gpt-6-solOpenAI	veraltet	1,78 € (2,00 USD)	8,92 € (10,00 USD)	0,1785 € (0,20 USD)	28.09.2026Keine Frist erfasst
gpt-6.1-solOpenAI	aktuell	1,78 € (2,00 USD)	8,92 € (10,00 USD)	0,0892 € (0,10 USD)	10.10.2026Keine Frist erfasst
gpt-6-lunaOpenAI	aktuell	0,09 € (0,10 USD)	0,45 € (0,50 USD)	0,0089 € (0,01 USD)	10.10.2026Keine Frist erfasst
Claude Opus 5.5Anthropic	aktuell	3,57 € (4,00 USD)	17,85 € (20,00 USD)	0,1785 € (0,20 USD)	10.10.2026Keine Frist erfasst
DeepSeek V4.1 FlashDeepSeek	aktuell	0,27 € (0,30 USD)	1,07 € (1,20 USD)	0,0054 € (0,006 USD)	10.10.2026Keine Frist erfasst
DeepSeek V4.1 Flash (Together)Together	aktuell	0,27 € (0,30 USD)	1,07 € (1,20 USD)	0,0054 € (0,006 USD)	10.10.2026Keine Frist erfasst
Qwen3.7-Max (Together)Together	aktuell	1,34 € (1,50 USD)	4,02 € (4,50 USD)	nicht belegt	10.10.2026Keine Frist erfasst

Änderungen seit Version 10

11.10.2026 · Modellliste, Vergleich und Einheiten

Die Modellliste ist jetzt eine eigene Ansicht mit kombinierbaren Filtern, Trefferzahl und Sortierung in beide Richtungen. Jede Zeile zeigt die direkten KI-Kosten pro Monat für Ihre Aufgabe und den Listenpreis je 1 Mio. Token in Euro. Region, Servicemodus und Durchläufe bleiben beim Modellwechsel erhalten, sofern Sie in der Modellliste keine andere Rechenbasis wählen. Beim Aufgabenwechsel bleibt das Modell. Felder mit nur einem gültigen Wert nennen den Grund der Einschränkung. Der Vergleich rechnet gemerkte Varianten mit Ihrer aktuellen Arbeitslast neu und zeigt die Differenz zum Bezug in Euro und Prozent. Alle Preise stehen in Euro, das US-Dollar-Original steht in den Details und in der CSV-Datei.

10.10.2026 · Preisprüfung: Modelle und Preise

Preise am 10.10.2026 an den Preisseiten der Anbieter geprüft; 45 Angebote tragen das neue Prüfdatum. Neu sind Claude Haiku 5.5 und Mistral Large 4, dieses zum Listenpreis ohne Einführungsrabatt. Claude Sonnet 5.5 und Mistral Small 4 haben einen neuen Preis für Cache-Lesen, vier Kontextfenster bei Mistral sind korrigiert. Gemini 3.7 Flash und Gemini 3.5 Flash stehen als eingestellt im Bestand. gpt-5.4-nano, gpt-5.1 und DeepSeek V4 Flash 0731 bei Together tragen ein Abschaltdatum. Der Datensatz umfasst 96 Angebote, 46 davon aktuell.

10.10.2026 · Preisprüfung: Regionen und Servicemodi

Für gpt-6-astra und gpt-6.1-sol gibt es den Servicemodus Ultrafast zum sechsfachen Standardsatz, für Claude Opus 5.5 den Modus Fast, für Claude Mythos 5.1 und sechs Mistral-Modelle Batch. Welche Servicemodi eine Verarbeitungsregion zulässt, steht jetzt am einzelnen Angebot. gpt-6.1-sol und gpt-6-luna lassen sich deshalb mit EU-Verarbeitung auch in Batch, Flex und Fast rechnen, gpt-6.1-sol zusätzlich in Ultrafast. Sieben Mistral-Modelle können Sie mit EU- oder US-Verarbeitung rechnen, mit 10 Prozent Aufschlag und ohne Batch.

30.09.2026 · Bedienung

Die Modellauswahl sortiert nach den KI-Kosten pro Monat; die Angebote mit den niedrigsten KI-Kosten stehen oben. Nach einem Modellwechsel lassen sich Ihre Eingaben zu Menschenzeit, Restfehlern und weiteren Kosten per Knopf als Annahme übernehmen. Sind nur einzelne Posten bekannt, zeigt das Ergebnis den Betrag als „mindestens“ mit den offenen Posten. Auf dem Handy steht beim Ausfüllen die laufende Summe in einer Leiste am unteren Rand.

30.09.2026 · Frische 30 Tage, gpt-6.1-sol, Eingabeprüfung

Ein Tarif gilt jetzt 30 Tage ab seinem Prüfdatum als geprüft, vorher sieben Tage. Neu im Bestand ist gpt-6.1-sol, zugleich das neue Startmodell; gpt-6-sol steht als veraltet darin. Der Datensatz umfasst damit 94 Angebote, 46 davon aktuell. Umgerechnet wird mit dem EZB-Kurs vom 29.09.2026. Eine Zahl, die der Rechner nicht eindeutig lesen kann, etwa „30,000“, hält die Rechnung jetzt an. Vorher rechnete er in diesem Fall still mit dem zuletzt gültigen Wert weiter.

29.09.2026 · Preisprüfung und Detailprüfung

Preise und Modellgrenzen am 28.09.2026 an den Preisseiten der Anbieter neu geprüft; neun historische Tarife behalten ihr früheres Prüfdatum. 20 Grundlagentexte gegen Primärquellen überarbeitet. Neu sind eigene Ausgabegrenzen für 30 OpenAI-Angebote und vier aktuelle Claude-Modelle; die Cache-Schreibpreise bei langen Eingaben für gpt-5.6-sol, gpt-5.6-terra und gpt-5.6-luna sind korrigiert. Zahlenfelder lesen deutsche Tausenderpunkte, „10.000“ zählt also als zehntausend. Benchmark-Schwellen legen jetzt die Vorauswahl fest. Gesperrt wird ein Modell aus technischen Gründen, etwa bei zu kleinem Kontextfenster. Claude Sonnet 5.5 ergänzt, 93 Angebote.

23.09.2026 · Version 10

Neue Fassung des Rechners. Er trennt direkte KI-Kosten, Menschenzeit, sonstigen Betrieb und verbleibende Fehlerfolgen und fasst sie als laufende Gesamtkosten (TCAI Run) zusammen. Kosten je gelöster Aufgabe rechnet er nicht mehr, weil ein Benchmark keine betriebliche Fehlerquote liefert. Die frühere Fassung 3.1 bleibt als Archiv erreichbar; die englische Seite zeigt sie weiterhin.

Welche Arbeit soll die KI erledigen?

1 Vorgang = eine versandfertige Antwort

Wissen, das die Rechnung erklärt.

Einordnung

Warum diese Annahmen?

Typische Fehler

Ausgangsdaten und Belege

Was die Literatur empfiehlt

Einordnung

Warum diese Annahmen?

Typische Fehler

Ausgangsdaten und Belege

Was die Literatur empfiehlt

Einordnung

Warum diese Annahmen?

Typische Fehler

Ausgangsdaten und Belege

Was die Literatur empfiehlt

Einordnung

Warum diese Annahmen?

Typische Fehler

Ausgangsdaten und Belege

Was die Literatur empfiehlt

Einordnung

Warum diese Annahmen?

Typische Fehler

Ausgangsdaten und Belege

Was die Literatur empfiehlt

Einordnung

Warum diese Annahmen?

Typische Fehler

Ausgangsdaten und Belege

Was die Literatur empfiehlt

Einordnung

Warum diese Annahmen?

Typische Fehler

Ausgangsdaten und Belege

Was die Literatur empfiehlt

Einordnung

Warum diese Annahmen?

Typische Fehler

Ausgangsdaten und Belege

Was die Literatur empfiehlt

Einordnung

Warum diese Annahmen?

Typische Fehler

Ausgangsdaten und Belege

Was die Literatur empfiehlt

Einordnung

Warum diese Annahmen?

Typische Fehler

Ausgangsdaten und Belege

Was die Literatur empfiehlt

Einordnung

Warum diese Annahmen?

Typische Fehler

Ausgangsdaten und Belege

Was die Literatur empfiehlt

Einordnung

Warum diese Annahmen?

Typische Fehler

Ausgangsdaten und Belege

Was die Literatur empfiehlt

Einmal übersetzen, dann fest ausführen

Formale Verifikation mit Beweiser

Vorschlag plus deterministischer Prüfer

Regelwerk als Programm vor der Ausführung

Das Werkzeug rechnet, das Modell schreibt nur den Aufruf

Fähigkeitswächter über dem Datenfluss

Fester Ablaufplan, Modell nur für Teilschritte

Schema-gebundene Ausgabe

Zitatpflicht auf die Fundstelle

Antwort einfrieren und versionieren

Menschliche Freigabe, bei Bedarf durch zwei Personen

Mehrfach ziehen und abstimmen lassen

Filter und Klassifikatoren als Leitplanke

Was die Rechnung umfasst

Tarifdaten mit Preisstand

Änderungen seit Version 10

Recherche und frühere Fassungen