# KI-Kostenrechner > Welches KI-Modell trägt Ihre Anforderung, was kostet Sicherheit? Kosten je gelöster Aufgabe, zwölf Szenarien, 75 Modelle. Stand 18. August 2026. - Kanonische URL: https://olivergausmann.com/insights/ki-kostenrechner - Stand Preise: 18. August 2026 - Stand Anker und Zonen: 19.08.2026 - Kurs: 1,1576 USD/EUR (EZB-Referenzkurs vom 18.08.2026); der Kurs ist eine Annahme, keine Tageszahl. ## Was der Rechner macht Erst die Anforderung, dann die Zahl: Wählen Sie den Vorfall, stellen Sie im Anforderungsprofil ein, was ein Fehler kostet und wer prüft, und sehen Sie die Kosten je gelöster Aufgabe für 75 Modelle, mit Bandbreite und dem Vergleich zur Literatur. 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); der Faktor ist eine ausgewiesene Annahme. 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. ## Die zwölf Vorfälle ### Support-Ticket beantworten Ein Kundenanliegen verstehen und eine Antwort vorschlagen, die ein Mitarbeiter freigibt oder die direkt hinausgeht. Worauf es ankommt: Was ein falscher Bescheid beim Kunden kostet, wie viele Tickets im Monat anfallen und ob jemand gegenliest. Vorgabewerte: Kurzes Ticket, eine Rückfrage (Eingabe 1.500 Token, Ausgabe 200 Token); Typische Konversation (Eingabe 3.700 Token, Ausgabe 400 Token); Langer Verlauf mit Anhängen (Eingabe 9.000 Token, Ausgabe 800 Token). Profil-Vorbelegung: F3 (Nacharbeit), P b (stichprobenhaft), D low (knapp), K absaetze (Absätze). Klassenuntergrenze: Kompaktklasse. Anker: τ²-bench, Kundendienst mit Richtlinie und Werkzeugen. #### Hintergrund 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). Typische Fehlerbilder: 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. Quellen zu diesem Vorfall: - Anthropic, Preisdokumentation (3.700 Token je Support-Konversation) — https://platform.claude.com/docs/en/about-claude/pricing (18.08.2026) - Bitkom, Studienbericht Künstliche Intelligenz, 02/2026 — https://www.bitkom.org/sites/main/files/2026-02/bitkom-studienbericht-ki.pdf (19.08.2026) - Moffatt v. Air Canada, 2024 BCCRT 149, 14.02.2024 — https://www.canlii.org/en/bc/bccrt/doc/2024/2024bccrt149/2024bccrt149.html (14.02.2024) - ABC News Australien zur Commonwealth Bank, 21.08.2025 (ohne Adresse) (21.08.2025) - Customer Experience Dive zu Klarna, 20.11.2025 (ohne Adresse) (20.11.2025) ### E-Mail auswerten und Antwort entwerfen Eingehende E-Mails lesen, das Wesentliche herausziehen und einen Antwortentwurf anlegen. Worauf es ankommt: Die Menge je Tag, der Anteil, den jemand vor dem Senden prüft, und ob eine erfundene Angabe auffällt. Vorgabewerte: Kurze E-Mail, wenige Absätze (Eingabe 800 Token, Ausgabe 150 Token); Typische E-Mail (Eingabe 2.000 Token, Ausgabe 300 Token); Langer Verlauf mit vielen Beteiligten (Eingabe 6.000 Token, Ausgabe 600 Token). Profil-Vorbelegung: F2 (günstig korrigierbar), P b (stichprobenhaft), D low (knapp), K absaetze (Absätze). Klassenuntergrenze: Kompaktklasse. Anker: HHEM, Halluzination beim Zusammenfassen vorgelegter Texte. #### Hintergrund 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. Typische Fehlerbilder: 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). Quellen zu diesem Vorfall: - Anthropic Economic Index, Juni 2026 — https://www.anthropic.com/research/economic-index-june-2026-report (26.06.2026) - Anthropic Economic Index, Januar 2026 (Top-Tasks der API) — https://www.anthropic.com/research/anthropic-economic-index-january-2026-report (15.01.2026) - Stanford AI Index 2026 — https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf (19.08.2026) ### Text erstellen oder überarbeiten Berichte, Dokumentation oder Marketingtexte entwerfen und überarbeiten. Worauf es ankommt: Wie lang die Vorlagen sind, wie oft Sie nachbessern lassen und ob der Text ungeprüft nach außen geht. Vorgabewerte: Kurzer Text, eine Seite (Eingabe 1.500 Token, Ausgabe 500 Token); Typischer Bericht oder Beitrag (Eingabe 4.000 Token, Ausgabe 1.200 Token); Langer Text mit Vorlagen und Anhängen (Eingabe 12.000 Token, Ausgabe 2.500 Token). Profil-Vorbelegung: F2 (günstig korrigierbar), P b (stichprobenhaft), D medium (normal), K absaetze (Absätze). Klassenuntergrenze: Arbeitsklasse. Anker: arena.ai Creative Writing, Schreibgüte nach Publikumsurteil. #### Hintergrund 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). Typische Fehlerbilder: 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). Quellen zu diesem Vorfall: - Anthropic Economic Index, Juni 2026 — https://www.anthropic.com/research/economic-index-june-2026-report (26.06.2026) - DIHK, Digitalisierung 2026: Unternehmen halten Kurs, 28.01.2026 — https://www.dihk.de/de/newsroom/digitalisierung-2026-unternehmen-halten-kurs-163290 (28.01.2026) - Stanford AI Index 2026 — https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf (19.08.2026) ### Vertriebs-E-Mail und Angebotsentwurf Eine persönliche Ansprache oder ein Angebot aus CRM-Daten und Vorlage entwerfen. Worauf es ankommt: Wie viel Kontext je Empfänger hineingeht, wie viele Entwürfe Sie je Tag brauchen und was eine peinliche Zeile beim Kunden kostet. Vorgabewerte: Kurzangebot (Eingabe 3.000 Token, Ausgabe 600 Token); Typisches Angebot (Eingabe 6.000 Token, Ausgabe 1.200 Token); Ausführliches Angebot (Eingabe 15.000 Token, Ausgabe 2.500 Token). Profil-Vorbelegung: F2 (günstig korrigierbar), P c (jede Aufgabe geprüft), D medium (normal), K absaetze (Absätze). Klassenuntergrenze: Arbeitsklasse. Anker: arena.ai Creative Writing, Schreibgüte nach Publikumsurteil. #### Hintergrund 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). Typische Fehlerbilder: 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. Quellen zu diesem Vorfall: - Anthropic Economic Index, Januar 2026 (Top-Tasks der API) — https://www.anthropic.com/research/anthropic-economic-index-january-2026-report (15.01.2026) - DIHK, Digitalisierung 2026: Unternehmen halten Kurs, 28.01.2026 — https://www.dihk.de/de/newsroom/digitalisierung-2026-unternehmen-halten-kurs-163290 (28.01.2026) - Moffatt v. Air Canada, 2024 BCCRT 149, 14.02.2024 — https://www.canlii.org/en/bc/bccrt/doc/2024/2024bccrt149/2024bccrt149.html (14.02.2024) ### Klassifikation und Routing Anfragen, Tickets oder Dokumente in Kategorien einordnen und weiterleiten. Worauf es ankommt: Das Volumen, die Trefferquote und was eine falsche Zuordnung an Umwegen auslöst. Vorgabewerte: Kurze Nachricht, ein Etikett (Eingabe 500 Token, Ausgabe 20 Token); Typische Eingangspost (Eingabe 1.500 Token, Ausgabe 30 Token); Langer Vorgang mit Anhang (Eingabe 4.000 Token, Ausgabe 60 Token). Profil-Vorbelegung: F2 (günstig korrigierbar), P a (automatisch prüfbar), D low (knapp), K absaetze (Absätze). Klassenuntergrenze: Kompaktklasse. Anker: HHEM, Halluzination beim Zusammenfassen vorgelegter Texte. #### Hintergrund 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. Typische Fehlerbilder: 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. Quellen zu diesem Vorfall: - Anthropic Economic Index, Januar 2026 (Top-Tasks der API) — https://www.anthropic.com/research/anthropic-economic-index-january-2026-report (15.01.2026) - LinkedIn, Produktions-A/B-Test, arXiv 2608.10224 — https://arxiv.org/abs/2608.10224 (10.08.2026) - Google Cloud, 101 real-world generative AI use cases (Gelato), 22.04.2026 — https://cloud.google.com/transform/101-real-world-generative-ai-use-cases-from-industry-leaders (22.04.2026) - Still falsche Extraktion, arXiv 2606.24420 — https://arxiv.org/abs/2606.24420 (23.06.2026) ### Datenextraktion aus Dokumenten Felder aus Verträgen, Rechnungen oder Formularen in Tabellen übertragen. Worauf es ankommt: Wie lang die Dokumente sind, ob jemand die Werte gegen das Original prüft und was ein falscher Wert im System kostet. Vorgabewerte: Rechnung oder Formular (Eingabe 4.000 Token, Ausgabe 300 Token); Typischer Vertrag oder Schadenfall (Eingabe 15.000 Token, Ausgabe 600 Token); Umfangreiche Akte (Eingabe 60.000 Token, Ausgabe 1.500 Token). Profil-Vorbelegung: F3 (Nacharbeit), P c (jede Aufgabe geprüft), D low (knapp), K dokument (Dokument). Klassenuntergrenze: Kompaktklasse. Anker: Vals CorpFin v2, Auswertung langer Kreditverträge. #### Hintergrund 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. Typische Fehlerbilder: 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). Quellen zu diesem Vorfall: - Deutsche Bank, dbTextract (Technologie-Seite, ohne Datum) — https://www.db.com/what-we-do/focus-topics/tech (19.08.2026) - Stanford AI Index 2026 — https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf (19.08.2026) - Vals AI, CorpFin v2 — https://www.vals.ai/benchmarks/corp_fin_v2 (12.08.2026) - ContractEval, arXiv 2508.03080 — https://arxiv.org/abs/2508.03080 (05.08.2025) ### Wissensdatenbank-Frage Fragen von Mitarbeitern aus internen Richtlinien, Handbüchern und Wikis beantworten. Worauf es ankommt: Wie viel Wissen je Frage mitgegeben wird, wie oft gefragt wird und ob eine erfundene Regel jemand bemerkt. Vorgabewerte: Kurze Frage, eine Richtlinie (Eingabe 3.000 Token, Ausgabe 250 Token); Typische Frage mit mehreren Fundstellen (Eingabe 8.000 Token, Ausgabe 400 Token); Breite Frage über viele Dokumente (Eingabe 25.000 Token, Ausgabe 800 Token). Profil-Vorbelegung: F3 (Nacharbeit), P b (stichprobenhaft), D low (knapp), K dokument (Dokument). Klassenuntergrenze: Arbeitsklasse. #### Hintergrund 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. Typische Fehlerbilder: 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). Quellen zu diesem Vorfall: - Anthropic Economic Index, Juni 2026 — https://www.anthropic.com/research/economic-index-june-2026-report (26.06.2026) - UBS, Innovation and AI (interner Assistent Red) — https://www.ubs.com/global/en/our-firm/what-we-do/technology/innovation-and-ai.html (19.08.2026) - Stanford AI Index 2026 — https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf (19.08.2026) - Deceptive Grounding, arXiv 2607.09349 — https://arxiv.org/abs/2607.09349 (10.07.2026) ### Recherche-Agent über Dokumente Warnfall: der Rechner führt diesen Vorfall als Warnfall, die Messungen sprechen gegen den ungeprüften Vollausbau. Einen Markt, einen Anbieter oder eine Frage in mehreren Suchschritten mit Quellen aufbereiten. Worauf es ankommt: Viele Aufrufe und lange Kontexte je Auftrag, dazu das Risiko erfundener Belege, wenn niemand gegenliest. Vorgabewerte: Wenige Dokumente (Eingabe 8.000 Token, Ausgabe 600 Token); Typisches Dossier (Eingabe 25.000 Token, Ausgabe 1.200 Token); Umfangreiches Dossier (Eingabe 80.000 Token, Ausgabe 2.500 Token). Profil-Vorbelegung: F4 (geschäftlich spürbar), P c (jede Aufgabe geprüft), D high (gründlich), K dokument (Dokument). Klassenuntergrenze: Arbeitsklasse. Anker: BrowseComp, Recherche im echten Web. #### Hintergrund 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). Typische Fehlerbilder: 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. Quellen zu diesem Vorfall: - Menlo Ventures, The State of Generative AI in the Enterprise, 09.12.2025 — https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/ (09.12.2025) - Erfundene und tote Belege in Deep-Research-Agenten, arXiv 2604.03173 — https://arxiv.org/abs/2604.03173 (03.04.2026) - Tiefe von Recherche-Agenten, arXiv 2601.08536 — https://arxiv.org/abs/2601.08536 (13.01.2026) - Rückschritte beim Einarbeiten von Feedback, arXiv 2601.13217 — https://arxiv.org/abs/2601.13217 (19.01.2026) - The Guardian zu Deloitte Australien, 06.10.2025 (ohne Adresse) (06.10.2025) ### Code schreiben oder ändern Code schreiben, ändern oder prüfen, mit Repository-Kontext und Testlauf. Worauf es ankommt: Der Kontext je Aufgabe, die Zahl der Anläufe bis die Tests grün sind und ob eine Prüfung im Team folgt. Vorgabewerte: Kleine Änderung (Eingabe 5.000 Token, Ausgabe 600 Token); Typische Änderung (Eingabe 15.000 Token, Ausgabe 1.500 Token); Große Änderung über mehrere Dateien (Eingabe 40.000 Token, Ausgabe 3.000 Token). Profil-Vorbelegung: F3 (Nacharbeit), P a (automatisch prüfbar), D medium (normal), K dokument (Dokument). Klassenuntergrenze: Arbeitsklasse. #### Hintergrund 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). Typische Fehlerbilder: 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). Quellen zu diesem Vorfall: - Menlo Ventures, The State of Generative AI in the Enterprise, 09.12.2025 — https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/ (09.12.2025) - Stanford AI Index 2026 — https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf (19.08.2026) - METR, RCT mit erfahrenen Entwicklern, arXiv 2507.09089 — https://arxiv.org/abs/2507.09089 (12.07.2025) - Qualitätskosten von KI-Code, arXiv 2601.13597 — https://arxiv.org/abs/2601.13597 (20.01.2026) - Agentische Code-Reviews in der Praxis, arXiv 2607.03316 — https://arxiv.org/abs/2607.03316 (03.07.2026) ### Langes Dokument auswerten Einen Vertrag, Bericht oder Prüfbericht von hunderten Seiten in einem Durchgang auswerten. Worauf es ankommt: Ob das Dokument ins Kontextfenster passt, ob das Modell am Ende noch verlässlich ist und die Langkontext-Aufpreise. Vorgabewerte: Rund 120.000 Token, unter den Staffelgrenzen (Eingabe 120.000 Token, Ausgabe 1.500 Token); Rund 300.000 Token, über beiden Staffelgrenzen (Eingabe 300.000 Token, Ausgabe 3.000 Token); Rund 700.000 Token, nur für die größten Fenster (Eingabe 700.000 Token, Ausgabe 5.000 Token). Profil-Vorbelegung: F3 (Nacharbeit), P c (jede Aufgabe geprüft), D medium (normal), K korpus (Korpus). Klassenuntergrenze: Arbeitsklasse. Anker: MRCR v2, Kontexttreue über die volle Fensterlänge. #### Hintergrund und Belege Typische Größe bewusst über den Staffelgrenzen von OpenAI (272.000) und Google (200.000): hier greifen die teureren Langkontext-Sätze. Typische Fehlerbilder: 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. Quellen zu diesem Vorfall: - OpenAI, Preisseite (Staffel ab 272.000 Token) — https://developers.openai.com/api/docs/pricing (18.08.2026) - Google, Gemini-Preisseite (Staffel ab 200.000 Token) — https://ai.google.dev/gemini-api/docs/pricing (18.08.2026) - NoLiMa, ICML 2025, arXiv 2502.05167 — https://arxiv.org/abs/2502.05167 (07.02.2025) - LongBench v2, arXiv 2412.15204 — https://arxiv.org/abs/2412.15204 (19.12.2024) ### Meeting- oder Gesprächsnotizen Aus Transkript oder Notizen ein Protokoll mit Beschlüssen und Aufgaben machen. Worauf es ankommt: Die Länge der Transkripte, die Zahl der Termine und ob ein Beschluss ungeprüft verteilt wird. Vorgabewerte: Kurzes Gespräch, eine halbe Stunde (Eingabe 6.000 Token, Ausgabe 400 Token); Typisches Meeting (Eingabe 15.000 Token, Ausgabe 800 Token); Langer Workshop mit vielen Beteiligten (Eingabe 40.000 Token, Ausgabe 1.500 Token). Profil-Vorbelegung: F1 (egal), P b (stichprobenhaft), D low (knapp), K dokument (Dokument). Klassenuntergrenze: Kompaktklasse. Anker: HHEM, Halluzination beim Zusammenfassen vorgelegter Texte. #### Hintergrund 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). Typische Fehlerbilder: Halluzination, Auslassung und Irrelevanz in derselben Notiz (arXiv 2509.15901). Der Engpass sitzt in der Qualität des Transkripts; ein größeres Modell hebt sie nicht. Quellen zu diesem Vorfall: - Stanford AI Index 2026 — https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf (19.08.2026) - Fehlermodi der Meeting-Zusammenfassung, arXiv 2509.15901 — https://arxiv.org/abs/2509.15901 (19.09.2025) ### Übersetzung Texte zwischen Sprachen übertragen, meist mit Nachbearbeitung. Worauf es ankommt: Die Textmenge, der Anteil Nachbearbeitung und die Sprachrichtung, weil deutscher Text mehr Token kostet. Vorgabewerte: Kurzer Abschnitt (Eingabe 500 Token, Ausgabe 500 Token); Typischer Text, wenige Seiten (Eingabe 2.000 Token, Ausgabe 2.000 Token); Langes Dokument zur Übersetzung (Eingabe 8.000 Token, Ausgabe 8.000 Token). Profil-Vorbelegung: F1 (egal), P b (stichprobenhaft), D low (knapp), K absaetze (Absätze). Klassenuntergrenze: keine. #### Hintergrund 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). Typische Fehlerbilder: 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). Quellen zu diesem Vorfall: - Anthropic Economic Index, Juni 2026 — https://www.anthropic.com/research/economic-index-june-2026-report (26.06.2026) - Bitkom, Presseinformation: Ein Drittel nutzt KI mindestens einmal pro Woche, 28.04.2026 — https://www.bitkom.org/Presse/Presseinformation/Ein-Drittel-nutzt-KI-mindestens-einmal-pro-Woche (28.04.2026) - Qualitätsabfall im Deutschen, arXiv 2607.19243 (Einzelautor-Preprint) — https://arxiv.org/abs/2607.19243 (25.07.2026) ## Das Anforderungsprofil ### Was kostet ein Fehler? - Zone 1 egal: Ein Fehler kostet nichts, das Ergebnis wird sofort verworfen oder ohnehin überschrieben. Angesetzt: 0 €. Beleg: Anthropic, Optimizing for cost and intelligence: „high-volume work with checkable outputs" — https://platform.claude.com/docs/en/about-claude/models/optimizing-for-cost-and-intelligence. Stand 19.08.2026. - Zone 2 günstig korrigierbar: Der Fehler fällt auf und kostet einen weiteren Aufruf, sonst nichts. Angesetzt: etwa ein Aufruf. Beleg: Erol et al., Cost-of-Pass (arXiv 2504.13359); Anthropic: „retry the failures" — https://arxiv.org/abs/2504.13359. Stand 19.08.2026. - Zone 3 Nacharbeit: Der Fehler bindet Menschenzeit: eine Eskalation, eine Rückfrage, eine Korrektur. Angesetzt: 0,50 bis 5 €. Beleg: Marktpreis je gelöstem Support-Ticket 0,49 bis 2,00 USD (Drag, MavenAGI 2026); Zellinger und Thomson (arXiv 2507.03834): ab etwa 0,01 USD Fehlerkosten gewinnt das stärkere Modell — https://arxiv.org/abs/2507.03834. Stand 19.08.2026. - Zone 4 geschäftlich spürbar: Der Fehler kostet Kunden, Fristen oder Rechtspositionen. Angesetzt: 50 bis 500 €. Beleg: Cost-of-Pass, menschliche Referenz GPQA Diamond 58 USD je Aufgabe (arXiv 2504.13359); Moffatt v. Air Canada 2024 BCCRT 149 (812 CAD); Klarna-Rückbau 05/2025 — https://arxiv.org/abs/2504.13359. Stand 19.08.2026. - Zone 5 darf nicht passieren: Der Fehler ist nicht bezifferbar oder existenziell. Eine vorher festgelegte Regel entscheidet. Angesetzt: keine Zahl, Sperre. Beleg: BSI Generative AI Models v2.0 (17.01.2025) M20; AI Act VO (EU) 2024/1689 Art. 14, 15; Lemonade: „we never let AI perform deterministic actions" — https://www.bsi.bund.de/SharedDocs/Downloads/DE/BSI/KI/Generative_KI-Modelle.pdf. Stand 19.08.2026. ### Wer prüft das Ergebnis? - automatisch prüfbar: Ein Programm prüft das Ergebnis, Fehler kosten nur den erneuten Aufruf. Angesetzt: 0,0 Minuten je Aufgabe. Beleg: PAL (arXiv 2211.10435); OpenAI Structured Outputs sichern nur die Form — https://arxiv.org/abs/2211.10435. Stand 19.08.2026. - stichprobenhaft: Menschen prüfen Stichproben. Vorsicht: 35 bis 45 Prozent fehlerhafter KI-Entwürfe wurden in einer Studie unverändert abgeschickt. Angesetzt: 0,5 Minuten je Aufgabe. Beleg: MedStar/Georgetown, npj Digital Medicine 24.04.2025 (Automation Bias) — https://www.nature.com/articles/s41746-025-01586-2. Stand 19.08.2026. - jede Aufgabe geprüft: Jedes Ergebnis wird gelesen. Prüfen kostet Lesezeit, und Prüfer ermüden bei hoher Last. Angesetzt: 2,0 Minuten je Aufgabe. Beleg: UC San Diego, JAMA Netw Open 15.04.2024, doi 10.1001/jamanetworkopen.2024.6565 (plus 21,8 Prozent Lesezeit); Turan (arXiv 2606.08919): mehr Eskalation kann Sicherheit senken; OpenAI GDPval: Kosten ohne Aufsicht — https://arxiv.org/abs/2606.08919. Stand 19.08.2026. ### Wie viel Denkaufwand? - knapp: Bei einfachen Aufgaben schneiden Standardmodelle besser ab als Denkmodelle. Beleg: Shojaee et al., The Illusion of Thinking (arXiv 2506.06941) — https://arxiv.org/abs/2506.06941. Stand 19.08.2026. - normal: Mittlere Denkstufe. Bei Claude Opus 5 und Fable 5 ist die Vorgabestufe high; normal senkt dort die Ausgabe laut Messung auf die Hälfte (Opus 5) bzw. rund drei Viertel (Fable 5), siehe mengen.json. Beleg: Bezugsstufe der Mengenfaktoren (mengen.json, medium gleich 1). Anthropic, Optimizing for cost and intelligence: Vorgabestufe high, medium halbiert die Kosten je Aufgabe bei Opus 5 (Stand 19.08.2026). Artificial Analysis nennt Token je Index-Aufgabe nur im Fließtext, nicht je Modell und Effortstufe — https://artificialanalysis.ai/articles/artificial-analysis-intelligence-index-v4-1. Stand 19.08.2026. - gründlich: GPT-5 high verbraucht 23-mal so viele Token wie minimal, von medium auf high kommt ein Indexpunkt dazu. Beleg: Artificial Analysis, GPT-5 benchmarks 07.08.2025; Claude Sonnet 5 agentic cost 30.06.2026 — https://artificialanalysis.ai/articles/gpt-5-benchmarks-and-analysis. Stand 19.08.2026. Der Mengenfaktor ist für 2 Modelle gemessen; für die übrigen gilt Faktor 1. ### Wie viel Text im Blick? - Absätze: Kurzer Kontext, jedes Modell trägt. Bis 8.000 Token. Beleg: NoLiMa (arXiv 2502.05167) — https://arxiv.org/abs/2502.05167. Stand 19.08.2026. - Dokument: Ab 32.000 Token fallen elf von dreizehn Modellen unter die Hälfte ihrer Kurzkontext-Leistung, sobald die Frage nicht wörtlich mit der Fundstelle überlappt. Bis 128.000 Token. Beleg: NoLiMa, ICML 2025 (arXiv 2502.05167) — https://arxiv.org/abs/2502.05167. Stand 19.08.2026. - Korpus: Ein 1M-Fenster sagt nichts über Treue: Gemini 3.1 Pro fällt im MRCR v2 von 84,9 Prozent bei 128k auf 26,3 Prozent bei 1M, Opus 4.6 hält 76, Sonnet 4.5 18,5 Prozent. Bis 1.050.000 Token. Beleg: DeepMind Gemini 3.1 Pro Model Card 19.02.2026; Anthropic Claude Opus 4.6 05.02.2026 — https://deepmind.google/models/model-cards/gemini-3-1-pro/. Stand 19.08.2026. ### Sprache der Aufgabe Deutscher Text braucht bei denselben Inhalten mehr Token als englischer. Der Aufschlag steht je Modell in den Daten. Token im Bezugsmaß GPT-5 (englischer Text); für deutschen Text rechnet der Rechner je Modell mit Faktor 1,46 bis 2,60. Beleg: TextKit, Tokens per word (10.06.2026), Anthropic Pricing (neuer Tokenizer ab Claude 4.7, rund 30 Prozent mehr Token), arXiv 2605.24718 (Deutsch 1,55 bis 1,98 je Anbieter). Bezug: GPT-5-Tokenizer Englisch = 1,0, konservativ abgerundet. — https://textkit.tech/blog/tokens-per-word-tokenizer-comparison-2026. Stand 19.08.2026. ### Bindungen Verarbeitung in der EU, Schneller Antwortmodus. Schneller Antwortmodus: 2× Ein- und Ausgabe, nicht mit Stapelverarbeitung kombinierbar. Bei Verarbeitung in der EU können Hoster fremder Modelle ohne ausgewiesenen EU-Preis den Fall nicht gewinnen; Anbieter mit eigenem EU-Preis bleiben drin und rechnen mit ihrem Aufschlag. Guthabengebühr OpenRouter 5,5 %: Die Gebühr fällt beim Aufladen des Guthabens an und liegt nicht auf dem einzelnen Aufruf. Andere Wege, etwa das Vercel Gateway, nehmen dafür nichts. ## Zone 5: wenn ein Fehler nicht passieren darf 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. ### Was der Prozess leisten muss 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. ### Die 13 Architekturmuster - Einmal übersetzen, dann fest ausführen (Wiederkehrende, regulierte Massenprozesse). Determiniert: Den gesamten Laufzeitweg. Im Betrieb läuft kein Modellaufruf mehr. Determiniert nicht: Die Güte des einmal erzeugten Artefakts. Die Beweglichkeit im Betrieb geht verloren. Beleg: Compiled AI (arXiv 2604.05150, 06.04.2026): „execute deterministically without further model invocation", 57-mal weniger Token bei 1.000 Transaktionen — https://arxiv.org/abs/2604.05150. Stand 19.08.2026. - Formale Verifikation mit Beweiser (Sicherheitskritischer Code, Regelableitungen). Determiniert: Die Korrektheit gegenüber der formalen Spezifikation, hart. Determiniert nicht: Ob die Spezifikation das Richtige verlangt. Der Übersetzungsschritt läuft selbst im Modell. Beleg: 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 — https://arxiv.org/abs/2512.02080. Stand 19.08.2026. - Vorschlag plus deterministischer Prüfer (Zahlungsfreigabe, Code-Freigabe, Regelkonformität). Determiniert: Die Entscheidung. Der Prüfer ist ein Programm und liefert bei gleicher Eingabe dasselbe Urteil. Determiniert nicht: Den Vorschlag selbst und alles, was die Prüfregel nicht abdeckt. Beleg: 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 — https://arxiv.org/abs/2605.21434. Stand 19.08.2026. - Regelwerk als Programm vor der Ausführung (Freigabe-Tore vor irreversiblen Schritten). Determiniert: Ob eine Aktion regelkonform ist, über Läufe hinweg wiederholbar. Determiniert nicht: Ob die Regel vollständig ist. Modellgeschriebene Regeln erreichten 70,96 Prozent Trefferquote. Beleg: 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) — https://arxiv.org/abs/2605.05501. Stand 19.08.2026. - Das Werkzeug rechnet, das Modell schreibt nur den Aufruf (Beträge, Fristen, Buchungslogik). Determiniert: Das Rechenergebnis. Determiniert nicht: Ob das richtige Programm gewählt wurde. Beleg: 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" — https://arxiv.org/abs/2211.10435. Stand 19.08.2026. - Fähigkeitswächter über dem Datenfluss (Agenten mit Schreibrechten, Auszahlungswege). Determiniert: Welche Aktionen überhaupt möglich sind, unabhängig davon, was das Modell will. Determiniert nicht: Die Aufgabenerfüllung. Die Abdeckung fiel von 84 auf 77 Prozent. Beleg: Debenedetti et al., CaMeL (arXiv 2503.18813, DeepMind und ETH): „solving 77% of tasks with provable security (compared to 84% with an undefended system)" — https://arxiv.org/abs/2503.18813. Stand 19.08.2026. - Fester Ablaufplan, Modell nur für Teilschritte (Sachbearbeitung mit festem Prozess). Determiniert: Den Ablaufweg. Die Richtung des Vorgangs bestimmt das Modell nicht. Determiniert nicht: Die Teilschritte selbst. Die bleiben probabilistisch. Beleg: Blueprint First, Model Second (arXiv 2508.02721): Verstöße gegen Vorgaben um 96,0 Prozent gesenkt, 11 statt 275 — https://arxiv.org/abs/2508.02721. Stand 19.08.2026. - Schema-gebundene Ausgabe (Maschinenlesbare Übergabe an die nächste Stufe). Determiniert: Die Form: Syntax, Schema, erlaubte Werte einer Auswahl. Determiniert nicht: Den Inhalt. Die Werte im gültigen Schema können frei erfunden sein. Beleg: OpenAI Structured Outputs: „Structured Outputs can still contain mistakes."; Azure AI Foundry mit strict-Schema unterstützt minLength, pattern, minimum und maximum nicht — https://developers.openai.com/api/docs/guides/structured-outputs. Stand 19.08.2026. - Zitatpflicht auf die Fundstelle (Auskunft mit Belegpflicht). Determiniert: Dass der Zeiger auf die Quelle gültig ist. Determiniert nicht: Ob die Aussage von der Fundstelle gedeckt ist. Beleg: Anthropic Citations: „citations are guaranteed to contain valid pointers to the provided documents"; Zitate und schemagebundene Ausgabe schließen sich aus — https://platform.claude.com/docs/en/build-with-claude/citations. Stand 19.08.2026. - Antwort einfrieren und versionieren (Prüfpflichtige Dokumente, die stabil bleiben müssen). Determiniert: Die Wiederholbarkeit ab dem zweiten Abruf. Determiniert nicht: Die Richtigkeit der eingefrorenen Antwort. Beleg: Kein Primärbeleg gefunden (Recherchelauf 19.08.2026). Als Handwerk verbreitet, hier nicht belegt. (ohne Adresse). Stand 19.08.2026. - Menschliche Freigabe, bei Bedarf durch zwei Personen (Zahlungsfreigabe, Diagnose, Sanktionsentscheid). Determiniert: Die Freigabe als Rechtsakt und die Zurechenbarkeit. Determiniert nicht: Die Aufmerksamkeit des Menschen. Automatisierungsbias wirkt genau hier. Beleg: 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 — https://artificialintelligenceact.eu/article/14/. Stand 19.08.2026. - Mehrfach ziehen und abstimmen lassen (Genauigkeit heben, niemals als Determinismus ausweisen). Determiniert: Nichts. Die Streuung sinkt, Wiederholbarkeit entsteht dabei nicht. Determiniert nicht: Alles. Das Verfahren zieht absichtlich mehrere verschiedene Antwortwege. Beleg: 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 — https://arxiv.org/abs/2203.11171. Stand 19.08.2026. - Filter und Klassifikatoren als Leitplanke (Grobfilter vor der eigentlichen Prüfung). Determiniert: Nur, solange die Sperre eine Regel ist. Ist sie selbst ein Modell, streut sie mit. Determiniert nicht: Die Vollständigkeit. Filter sind umgehbar und taugen nicht als letzte Instanz. Beleg: 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 — https://docs.aws.amazon.com/wellarchitected/latest/agentic-ai-lens/agentic-ai-lens.html. Stand 19.08.2026. ### Was die Aufsicht verlangt - 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. Beleg: 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 — https://artificialintelligenceact.eu/article/113/. Stand 19.08.2026. - 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. Beleg: Verordnung (EU) 2024/1689, konsolidierte Fassung 27.07.2026 — https://artificialintelligenceact.eu/article/12/. Stand 19.08.2026. - 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. Beleg: Verordnung (EU) 2024/1689, konsolidierte Fassung 27.07.2026 — https://artificialintelligenceact.eu/article/14/. Stand 19.08.2026. - 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. Beleg: Verordnung (EU) 2024/1689, konsolidierte Fassung 27.07.2026 — https://artificialintelligenceact.eu/article/15/. Stand 19.08.2026. - 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. Beleg: Verordnung (EU) 2024/1689, konsolidierte Fassung 27.07.2026; Volltextsuche findet die Begriffe Determinismus und Reproduzierbarkeit im Verordnungstext nicht — https://artificialintelligenceact.eu/article/14/. Stand 19.08.2026. - 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. Beleg: BSI, Generative KI-Modelle: Chancen und Risiken, Version 2.0, 17.01.2025, Kap. 4.1 und M20 — https://www.bsi.bund.de/SharedDocs/Downloads/DE/BSI/KI/Generative_KI-Modelle.pdf. Stand 19.08.2026. - 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. Beleg: NIST AI 600-1, Generative AI Profile, Juli 2024, Abschnitt 2.2; NIST, Concept Note AI RMF Profile for Critical Infrastructure, 07.04.2026 — https://www.nist.gov/programs-projects/concept-note-ai-rmf-profile-trustworthy-ai-critical-infrastructure. Stand 19.08.2026. - 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. Beleg: 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 — https://www.bafin.de/SharedDocs/Veroeffentlichungen/DE/Pressemitteilung/2026/pm_2026_07_29_ki_verordnung.html. Stand 19.08.2026. - Deutschland: das Durchführungsgesetz zur KI-Verordnung gilt seit dem 29.07.2026. Die Bundesnetzagentur führt die Marktüberwachung, die BaFin übernimmt sie für den Finanzbereich. Beleg: KI-Marktüberwachungs- und Innovationsförderungsgesetz, BGBl. 2026 I Nr. 223, in Kraft 29.07.2026 — https://www.bafin.de/SharedDocs/Veroeffentlichungen/DE/Pressemitteilung/2026/pm_2026_07_29_ki_verordnung.html. Stand 19.08.2026. ### Wie es in der Praxis gelöst wird - 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. Beleg: Lemonade, Claim automation, Blog (ohne gedrucktes Datum) — https://www.lemonade.com/blog/lemonades-claim-automation/. Stand 19.08.2026. - 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. Beleg: CMS MLN905364, Complying with Medicare Signature Requirements, Juli 2025 — https://www.cms.gov/files/document/mln905364-complying-medicare-signature-requirements.pdf. Stand 19.08.2026. - 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. Beleg: California SB 1120, Physicians Make Decisions Act, Health & Safety Code § 1367.01 — https://leginfo.legislature.ca.gov/faces/billTextClient.xhtml?bill_id=202320240SB1120. Stand 19.08.2026. - 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. Beleg: 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 — https://www.allianz.com/en/mediacenter/news/articles/250205-smarter-claims-management-smoother-settlements.html. Stand 19.08.2026. - 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. Beleg: Agentic Commerce Protocol (Stripe und OpenAI), 29.09.2025: „The use of the token is programmatically controlled, permissioned, and logged"; Visa Intelligent Commerce — https://stripe.com/blog/developing-an-open-standard-for-agentic-commerce. Stand 19.08.2026. - 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. Beleg: Bloomberg, AI-Powered Earnings Call Summaries, 22.01.2024; NYT-Bericht vom 29.03.2025 (über zwei unabhängige Referate belegt) — https://www.bloomberg.com/company/press/bloomberg-launches-ai-powered-earnings-call-summaries/. Stand 19.08.2026. - 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. Beleg: SOCpilot (arXiv 2605.05501, 06.05.2026), anonymisierter Produktions-SOC im Finanzsektor — https://arxiv.org/abs/2605.05501. Stand 19.08.2026. - 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. Beleg: AWS Well-Architected Agentic AI Lens, 10.06.2026, AGENTSEC04-BP02 und AGENTSEC05-BP01 — https://docs.aws.amazon.com/wellarchitected/latest/agentic-ai-lens/agentic-ai-lens.html. Stand 19.08.2026. ## Was die Literatur empfiehlt ### Support-Ticket beantworten Empfehlung: Arbeitsklasse als Vorgabe, Kompaktklasse als Untergrenze (Claude Sonnet 5, Gemini 3.7 Flash, gpt-5.5, Claude Haiku 4.5). 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 18.08.2026). Quellen: - Anthropic, Choosing the right model — https://platform.claude.com/docs/en/about-claude/models/choosing-a-model (19.08.2026) - OpenAI, Model selection guide — https://developers.openai.com/api/docs/guides/model-selection (19.08.2026) - tau2-bench Leaderboard, Pass Rate — https://www.codesota.com/benchmark/tau2-bench (19.08.2026) - Moffatt v. Air Canada, 2024 BCCRT 149 — https://www.canlii.org/en/bc/bccrt/doc/2024/2024bccrt149/2024bccrt149.html (14.02.2024) Stand 19.08.2026. ### E-Mail auswerten und Antwort entwerfen Empfehlung: Kompaktklasse (Claude Haiku 4.5, Gemini 3.5 Flash-Lite, gpt-5.4-mini). 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. Quellen: - Google, Gemini API Models — https://ai.google.dev/gemini-api/docs/models (19.08.2026) - Anthropic, Optimizing for cost and intelligence — https://platform.claude.com/docs/en/about-claude/models/optimizing-for-cost-and-intelligence (19.08.2026) - Vectara, Hallucination Leaderboard — https://github.com/vectara/hallucination-leaderboard (11.05.2026) Stand 19.08.2026. ### Text erstellen oder überarbeiten Empfehlung: Arbeitsklasse (Claude Sonnet 5, Gemini 3.7 Flash, gpt-5.6-terra). 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. Quellen: - Anthropic Economic Index, Juni 2026 — https://www.anthropic.com/research/economic-index-june-2026-report (26.06.2026) - Anthropic, Choosing the right Claude model — https://claude.com/resources/tutorials/choosing-the-right-claude-model (19.08.2026) Stand 19.08.2026. ### Vertriebs-E-Mail und Angebotsentwurf Empfehlung: Arbeitsklasse, mit Nachweis der Zugehörigkeit zur Schreib-Spitzengruppe (Gemini 3.7 Flash, Claude Sonnet 5, Claude Fable 5). 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 1493 Punkten auf Rang 3, 13 Punkte hinter dem Spitzenreiter Claude Fable 5 zu einem Dreizehntel des Eingangspreises. Die Konfidenzintervalle der Spitzengruppe von ±7 bis ±18 Punkten (über das ganze Feld ±5 bis ±28) machen die vorderen Ränge ununterscheidbar, deshalb taugt der Wert als Schwelle und der Preis entscheidet innerhalb der Gruppe. Claude Haiku 4.5 steht dort auf Rang 112 mit 1389 Punkten und gehört damit für Außentexte nicht ins Feld. Quellen: - arena.ai, Creative Writing Leaderboard — https://arena.ai/leaderboard/text/creative-writing (12.08.2026) - The Leaderboard Illusion, arXiv 2504.20879 — https://arxiv.org/abs/2504.20879 (29.04.2025) Stand 19.08.2026. ### Klassifikation und Routing Empfehlung: Kleinste tragfähige Klasse (gpt-5.4-nano, Gemini 3.1 Flash-Lite, Claude Haiku 4.5). 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. Quellen: - LinkedIn, Produktions-A/B-Test, arXiv 2608.10224 — https://arxiv.org/abs/2608.10224 (10.08.2026) - Small Language Models are the Future of Agentic AI, arXiv 2506.02153 — https://arxiv.org/abs/2506.02153 (02.06.2025) Stand 19.08.2026. ### Datenextraktion aus Dokumenten Empfehlung: Kompaktklasse mit gezieltem Abruf, Fachmodell als Alternative außerhalb der Preisliste (Claude Haiku 4.5, Gemini 3.7 Flash). 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. Quellen: - Vals AI, CorpFin v2 — https://www.vals.ai/benchmarks/corp_fin_v2 (12.08.2026) - Fachtrainiertes MoE-Modell bei der Vertragsextraktion, arXiv 2605.05532 — https://arxiv.org/abs/2605.05532 (07.05.2026) Stand 19.08.2026. ### Wissensdatenbank-Frage Empfehlung: Mittlere Klasse mit striktem Abruf und Belegpflicht (Claude Sonnet 5, Gemini 3.7 Flash, gpt-5.6-terra). 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. Quellen: - Deceptive Grounding, arXiv 2607.09349 — https://arxiv.org/abs/2607.09349 (10.07.2026) - Stanford AI Index 2026, Abschnitt 3.2 (AA-Omniscience) — https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf (19.08.2026) Stand 19.08.2026. ### Recherche-Agent über Dokumente Empfehlung: Spitzenklasse als Orchestrator, Arbeitsklasse als Arbeiter, dazu eine deterministische Nachprüfung (Claude Opus 5, Claude Sonnet 5, gpt-5.6-sol). 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, Claude Sonnet 5 erreicht 84,7 Prozent zum halben Listenpreis. 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. Quellen: - Anthropic, Optimizing for cost and intelligence — https://platform.claude.com/docs/en/about-claude/models/optimizing-for-cost-and-intelligence (19.08.2026) - BrowseComp, Stände über BenchLM — https://benchlm.ai/benchmarks/browsecomp (18.08.2026) - Erfundene und tote Belege in Deep-Research-Agenten, arXiv 2604.03173 — https://arxiv.org/abs/2604.03173 (03.04.2026) Stand 19.08.2026. ### Code schreiben oder ändern Empfehlung: Arbeitsklasse, Kompaktklasse im Review (gpt-5.6-terra, Claude Sonnet 5, Claude Haiku 4.5). 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. Quellen: - GitHub Copilot, Choosing the right AI model — https://docs.github.com/en/copilot/reference/ai-models/choosing-the-right-ai-model-for-your-task (19.08.2026) - Bigger Isn't Always Better, arXiv 2606.15689 — https://arxiv.org/abs/2606.15689 (09.04.2026) - CR-Bench, arXiv 2603.11078 — https://arxiv.org/abs/2603.11078 (10.03.2026) Stand 19.08.2026. ### Langes Dokument auswerten Empfehlung: Arbeitsklasse mit flachem Preis über die volle Länge (Gemini 3.7 Flash, Claude Sonnet 5, Claude Opus 5). 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. Für 300.000 Token misst kein öffentlicher Test, das bleibt eine Lücke. Quellen: - Google DeepMind, Gemini 3.1 Pro Model Card — https://deepmind.google/models/model-cards/gemini-3-1-pro/ (19.02.2026) - Anthropic, Claude Opus 4.6 — https://www.anthropic.com/news/claude-opus-4-6 (05.02.2026) - Anthropic, Pricing (Langkontext ohne Aufschlag) — https://platform.claude.com/docs/en/about-claude/pricing (19.08.2026) Stand 19.08.2026. ### Meeting- oder Gesprächsnotizen Empfehlung: Mittlere Klasse, Engpass ist die Transkriptqualität (Claude Sonnet 5, Gemini 3.7 Flash, Claude Haiku 4.5). 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. Quellen: - Stanford AI Index 2026, Kapitel Medizin — https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf (19.08.2026) - Fehlermodi der Meeting-Zusammenfassung, arXiv 2509.15901 — https://arxiv.org/abs/2509.15901 (19.09.2025) Stand 19.08.2026. ### Übersetzung Empfehlung: Kompaktklasse (Gemini 3.7 Flash, Claude Haiku 4.5, gpt-5.4-mini). 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. Quellen: - Anthropic Economic Index, Juni 2026 — https://www.anthropic.com/research/economic-index-june-2026-report (26.06.2026) - TextKit, Tokens per word, Tokenizer-Vergleich 2026 — https://textkit.tech/blog/tokens-per-word-tokenizer-comparison-2026 (10.06.2026) Stand 19.08.2026. ## Wissen ### Was ist ein Token? Ein Token ist das Stück Text, mit dem ein Modell rechnet, meist ein kurzes Wort oder eine Silbe, und zugleich die Abrechnungseinheit aller Anbieter. Als Faustregel gilt ein Token je vier Zeichen englischen Textes, also rund 750 Wörter je 1.000 Token. Deutsch ist dichter gepackt: Komposita und Umlaute zerfallen in mehr Stücke, für denselben Inhalt zahlen Sie also etwas mehr. Alle Preise auf dieser Seite beziehen sich auf 1 Mio. Token. Das klingt viel, ist aber schnell erreicht: ein einzelnes 500-Kilobyte-PDF entspricht bereits rund 125.000 Token, ein Achtel davon. Quellen: Anthropic, Preisdokumentation — https://platform.claude.com/docs/en/about-claude/pricing · OpenAI, Preisseite — https://developers.openai.com/api/docs/pricing Stand 18.08.2026. ### Eingabe und Ausgabe Eingabe ist alles, was Sie mitschicken; Ausgabe ist, was das Modell zurückschreibt, und sie kostet je Token meist das Fünffache. Zur Eingabe zählen Systemanweisung, bisheriger Gesprächsverlauf und angehängte Dokumente, und sie wird bei jedem einzelnen Aufruf neu berechnet. Eine durchschnittliche Webseite mit 10 Kilobyte entspricht rund 2.500 Token. Bei der Ausgabe zählen Denkschritte mit, auch wenn Sie sie nie zu sehen bekommen. Aufgaben mit langer Ausgabe, etwa Entwürfe, verschieben den größten Kostenposten deshalb von der Eingabe zur Ausgabe. Quellen: Anthropic, Preisdokumentation — https://platform.claude.com/docs/en/about-claude/pricing · OpenAI, Preisseite — https://developers.openai.com/api/docs/pricing Stand 18.08.2026. ### Der Cache Der Cache speichert den Teil der Eingabe, der sich über Aufrufe wiederholt, und wird einmal teuer gefüllt und danach billig gelesen. Die Preise je Modell stehen in der Modelltabelle: Anthropic verlangt fürs Füllen das 1,25-Fache des Eingabepreises und fürs Lesen ein Zehntel, OpenAI seit der gpt-5.6-Serie ebenfalls das 1,25-Fache fürs Füllen, Mistral liest seit August 2026 für ein Zehntel, DeepSeek für rund drei Prozent. Daraus folgt eine oft übersehene Konsequenz: Bei einem einzigen Aufruf ist Cache TEURER als keiner, denn er wird gefüllt und nie gelesen. Der Nutzen beginnt ab dem zweiten Aufruf derselben Aufgabe. Jedes Modell und jede Denkstufe hat einen eigenen Cache. Wer mitten in der Arbeit umschaltet, erzwingt einen neuen Schreibvorgang. Quellen: Anthropic, Preisdokumentation — https://platform.claude.com/docs/en/about-claude/pricing · Mistral, Prompt-Caching-Dokumentation — https://docs.mistral.ai/studio-api/conversations/advanced/prompt-caching · DeepSeek, Preisseite — https://api-docs.deepseek.com/quick_start/pricing Stand 18.08.2026. ### Aufrufe je Aufgabe Eine Aufgabe ist selten ein einzelner Aufruf: ein Agent, der sucht, liest und plant, kommt schnell auf zehn und mehr. Ein einfacher Chat ist ein Aufruf. Sobald Werkzeuge, Suchschritte oder Zwischenprüfungen dazukommen, vervielfacht sich die Zahl, und mit ihr die Eingabe, die bei jedem Aufruf neu berechnet wird. Dieser Wert bleibt leicht unsichtbar: die Tokenpreise stehen auf der Preisseite, die Aufrufzahl steht nirgends und muss gemessen werden. Eigene Einschätzung, keine externe Quelle. Stand 19.08.2026. ### Anläufe bis zum Ergebnis Wie oft Sie im Schnitt neu ansetzen, bis das Ergebnis trägt: jeder verworfene Anlauf wird voll bezahlt. Hier entscheidet sich, ob ein billiges Modell wirklich billiger ist. In einer Untersuchung vom März 2026 verursachte in 32 Prozent der Modellpaare das günstiger gelistete Modell die höheren Gesamtkosten, vor allem durch stark schwankende Denk-Token und mehr Arbeitsschritte je Aufgabe. Der Umschlagpunkt im Ergebnis rechnet das für Ihr Szenario aus: ab wie vielen Anläufen das günstigste Modell seinen Vorsprung an das teuerste verliert. Wo ein Anker eine Lösequote liefert, leitet der Rechner die Anläufe daraus ab, mit einer Korrektur. Yang (arXiv 2605.08563, 08.05.2026) zeigt, dass die Annahme unabhängiger Versuche pass@3 um 17,4 Punkte zu hoch ansetzt, 98,6 statt 81,2 Prozent: ein zweiter Anlauf erbt die Fehlerursache des ersten. Der Rechner legt deshalb den Faktor 1,2 auf die Anläufe. Dieser Faktor ist eine ausgewiesene Annahme aus dieser Messung, keine eigene Messung. Quellen: Chen et al. 2026, arXiv 2603.23971 — https://arxiv.org/abs/2603.23971 · Yang, arXiv 2605.08563, 08.05.2026 — https://arxiv.org/abs/2605.08563 Stand 19.08.2026. ### Die zweite Preisstufe Neun Modelle werden teurer, sobald ein einzelner Aufruf eine bestimmte Textmenge überschreitet, bei OpenAI 272.000 und bei Google 200.000 Token. Der höhere Satz gilt dann für ALLE Token des Aufrufs, auch für die unterhalb der Schwelle. So rechnen die Anbieter ab, und die Schwellen stehen oft nur als Fußnote unter der Preistabelle. Ein Rechner, der pauschal mit dem Preis der ersten Seite rechnet, unterschätzt lange Dokumente deshalb um bis zur Hälfte. Anthropic staffelt nicht und stellt das volle Fenster zum Grundpreis. Welche neun Modelle betroffen sind, zeigt der Filter „Merkmal" in der Modelltabelle; im Ergebnis tragen betroffene Zeilen die Kennzeichnung „Langkontext-Satz". Quellen: OpenAI, Preisseite — https://developers.openai.com/api/docs/pricing · Google, Gemini-Preisseite — https://ai.google.dev/gemini-api/docs/pricing Stand 18.08.2026. ### Das Kontextfenster Das Kontextfenster ist die größte Textmenge, die ein einzelner Aufruf aufnehmen kann; ein billiges Modell nützt nichts, wenn die Aufgabe nicht hineinpasst. Die Spannbreite ist groß: Claude Haiku 4.5 nimmt bis zu 200.000 Token an, die aktuellen Opus- und gpt-5.6-Modelle rund 1 Mio. Im Ergebnis tragen Modelle, deren Fenster für Ihre Eingabe zu klein ist, den Hinweis „passt nicht". Ein Strich in der Modelltabelle bedeutet: der Anbieter weist für dieses Modell keine Größe auf der Preisseite aus. Dort steht bewusst keine geschätzte Zahl. Quellen: Anthropic, Preisdokumentation — https://platform.claude.com/docs/en/about-claude/pricing · OpenAI, Preisseite — https://developers.openai.com/api/docs/pricing Stand 18.08.2026. ### Stapelverarbeitung Wer auf die Antwort einige Stunden warten kann, bekommt bei den meisten Anbietern 50 Prozent Nachlass auf Eingabe und Ausgabe. Anthropic, OpenAI, Google und Mistral veröffentlichen den Stapelrabatt als eigene Preisliste; die Anbieter offener Gewichte in unserem Bestand führen keinen. Wo er fehlt, lässt der Rechner den Nachlass weg und sagt es an der Zahl. Für wiederkehrende Mengenaufgaben, etwa die nächtliche Auswertung von Dokumenten, sind das 50 Prozent Nachlass; die Qualität bleibt gleich, nur die Wartezeit kommt dazu. Quellen: Anthropic, Preisdokumentation — https://platform.claude.com/docs/en/about-claude/pricing · OpenAI, Preisseite — https://developers.openai.com/api/docs/pricing · Google, Gemini-Preisseite — https://ai.google.dev/gemini-api/docs/pricing Stand 18.08.2026. ### Router und Datenresidenz Router wie OpenRouter bündeln viele Modelle hinter einem Zugang; die Gebühr sitzt beim Aufladen des Guthabens, und die Datenfrage wiegt schwerer als die Gebühr. Auf die Token selbst erheben Router keinen Aufschlag; beim Aufladen fallen 5,5 Prozent bei Kartenzahlung an. Die Anfrage geht an den jeweils ausgewählten Anbieter weiter, und dieser kann sie für Training oder Verbesserung verwenden. Wer eine feste Liste von Unterauftragnehmern braucht, muss das Routing festnageln. Erzwungene Verarbeitung in den USA kostet bei Anthropic das 1,1-Fache. Einen EU-Wert kennt der Residenz-Parameter derzeit nicht; Verarbeitung innerhalb der EU führt über die Cloud-Plattformen mit europäischen Regionen. Quellen: OpenRouter, Preisseite — https://openrouter.ai/pricing · Anthropic, Preisdokumentation — https://platform.claude.com/docs/en/about-claude/pricing Stand 18.08.2026. ### Die fünf Modellklassen Vom Edge-Modell fürs Endgerät bis zur Spitzenklasse: Die Klasse sagt, wofür der Anbieter ein Modell gebaut hat, der Preis allein sagt das nicht. Die Zuordnung folgt dem Namensschema der Anbieter: Anthropic staffelt Opus, Sonnet, Haiku; OpenAI sol, terra, luna plus die pro-Stufen; Google Pro, Flash, Flash-Lite; Mistral Large, Medium, Small, dazu die Ministral-Reihe ausdrücklich für den Geräte-Einsatz und Codestral sowie Devstral für Code. Die Klasse ordnet ein, die Fähigkeitsspalte misst. Beides kann auseinanderfallen: DeepSeek V4 Pro ist die Spitzenklasse seines Anbieters zum Preis einer Kompaktklasse, und ein Geräteklasse-Modell kann Listenpreis-Ranglisten anführen, obwohl es mit kleinem Kontextfenster und ohne Fähigkeitsmessung für viele Geschäftsvorfälle ausscheidet. In den Bestand kommt nur, was an einem aktiven Endpunkt mit veröffentlichtem Listenpreis buchbar ist. Kursierende Kampfpreise ohne buchbaren Endpunkt bleiben draußen, so verlockend die Zahl auch aussieht. Quellen: Anthropic, Preisdokumentation — https://platform.claude.com/docs/en/about-claude/pricing · OpenAI, Preisseite — https://developers.openai.com/api/docs/pricing · Google, Gemini-Preisseite — https://ai.google.dev/gemini-api/docs/pricing · Mistral, API-Preisseite — https://mistral.ai/pricing/api Stand 18.08.2026. ### Fähigkeit, Schwierigkeit, Lösequote Ob ein Modell für eine Aufgabe reicht, ist messbar: Fähigkeit und Schwierigkeit liegen auf einer Skala, und ihr Abstand bestimmt die Lösequote. Der Epoch Capabilities Index (ECI) fasst über 50 Benchmarks per Item-Response-Theorie zu einem Fähigkeitswert je Modell zusammen, mit denselben Werkzeugen, mit denen Prüfungen wie der GMAT kalibriert werden. Die Skala ist relativ: GPT-5 liegt per Definition bei 150, Claude 3.5 Sonnet bei 130. Die ökonomische Folge heißt Cost-of-Pass: Kosten je gelöster Aufgabe sind Kosten je Versuch geteilt durch die Lösequote. Ein Modell knapp unter der Aufgabenschwierigkeit wird über die Anläufe teuer; weit über ihr zahlen Sie Fähigkeit, die die Aufgabe nicht braucht. Der Rechner nutzt das bei Geschäftsvorfällen mit Anker-Benchmark, und zwar nur mit gemessenen Lösequoten: wo keine Messung vorliegt, steht ein Strich statt einer geschätzten Zahl, und ab Zone 3 gewinnt die Zeile nicht. Wo kein Anker trägt, sagt der Report das offen. Quellen: Epoch AI, Epoch Capabilities Index (CC-BY) — https://epoch.ai/eci · Ho et al. 2025, A Rosetta Stone for AI Benchmarks, arXiv 2512.00193 — https://arxiv.org/abs/2512.00193 · Erol et al. 2025, Cost-of-Pass, arXiv 2504.13359 — https://arxiv.org/abs/2504.13359 Stand 18.08.2026. ### Preise und Vergleichbarkeit Alle Preise hier sind Listenpreise der Anbieter je 1 Mio. Token, und Token sind zwischen Anbietern nur näherungsweise vergleichbar. Geprüft am 18. August 2026 direkt an den Preisseiten der Anbieter, ohne Rabatte. Preise ändern sich still: zwischen zwei Prüfungen dieses Rechners stand ein Modell zeitweise fünffach zu hoch in der Liste, ohne dass eine Meldung darauf hinwies. Anthropic weist für Modelle ab Claude 4.7 einen Tokenizer aus, der für denselben Text rund 30 Prozent mehr Token erzeugt. Ein Preisvergleich über Anbietergrenzen hinweg trägt deshalb nur als Größenordnung. Quellen: Anthropic, Preisdokumentation — https://platform.claude.com/docs/en/about-claude/pricing · OpenAI, Preisseite — https://developers.openai.com/api/docs/pricing Stand 18.08.2026. ### Was ein Fehler kostet Sobald ein Fehler mehr als etwa einen US-Cent kostet, wiegt die Fehlerseite der Rechnung schwerer als der Tokenpreis. Zellinger und Thomson beziffern die Schwelle: „reasoning models offer better accuracy-cost tradeoffs as soon as the economic cost of a mistake exceeds $0.01". Modellkaskaden verlieren ihren Vorteil ab etwa 0,1 USD. Eine Voraussetzung gehört dazu: die Schwelle gilt, solange das stärkere Modell auch das genauere ist. Bei Code-Review und Recherche fällt das messbar oft anders aus; die Schwellenlogik trägt dort weiter, die Rangordnung dahinter muss gemessen werden. Im Kundendienst liegen die beiden Größen zwei Zehnerpotenzen auseinander. Ein Ticket mit 3.700 Token kostet in jeder Modellklasse Bruchteile eines Cents, der Marktpreis eines gelösten Tickets liegt bei 0,49 bis 2,00 USD (Drag und MavenAGI 2026, Sekundärquellen). Wer am Tokenpreis spart und die Eskalation weglässt, optimiert die kleinere der beiden Zahlen. Zwei belegte Fälle zeigen die Spanne nach oben. Im Verfahren Moffatt v. Air Canada (2024 BCCRT 149, 14.02.2024) sprach das Tribunal 812,02 CAD zu und hielt fest: „It should be obvious to Air Canada that it is responsible for all the information on its website." Klarna kündigte im Februar 2024 die Arbeit von rechnerisch 700 Vollzeitkräften und 40 Mio. USD Ergebnisverbesserung an und korrigierte im Mai 2025: „As cost unfortunately seems to have been a too predominant evaluation factor when organizing this, what you end up having is lower quality." Im Abschnitt Anforderungen stellen Sie diese Größe als Zone ein. Die Vorbelegungen reichen von 0 Euro über die Kosten eines weiteren Aufrufs bis 100 Euro je Aufgabe. Die oberste Zone vergibt keine Zahl, weil der Fehler dort nicht bezifferbar ist, und schaltet das Ergebnis auf Modellgruppe und Prozess um. Quellen: Zellinger und Thomson, Economic Evaluation of LLMs, arXiv 2507.03834 — https://arxiv.org/abs/2507.03834 · Drag und MavenAGI 2026, Marktpreis je gelöstem Ticket (Sekundärquelle) — https://www.dragapp.com/blog/state-of-ai-support-pricing/ · Moffatt v. Air Canada, 2024 BCCRT 149, 14.02.2024 — https://www.canlii.org/en/bc/bccrt/doc/2024/2024bccrt149/2024bccrt149.html · Klarna, Ankündigung 27.02.2024 und Korrektur 05/2025 (Sekundärquelle) — https://www.entrepreneur.com/business-news/klarna-ceo-reverses-course-by-hiring-more-humans-not-ai/491396 Stand 19.08.2026. ### Prüfen kostet Zeit und fängt einen Teil Die Prüfschicht ist ein eigener Kostenposten: sie kostet Lesezeit, und sie findet weniger Fehler, als die Rechnung meist unterstellt. Eine Simulationsstudie von MedStar und Georgetown (npj Digital Medicine, 24.04.2025) legte 20 Hausärzten 18 Patientennachrichten mit KI-Entwürfen vor, vier davon mit eingebauten Fehlern. 35 bis 45 Prozent der fehlerhaften Entwürfe gingen unverändert hinaus, jeder fehlerhafte Entwurf wurde von mindestens 13 der 20 Teilnehmer übersehen, im Mittel blieben 2,67 von 4 Fehlern unentdeckt, und genau ein Teilnehmer adressierte alle vier. Die Autoren nennen die Ursache Automation Bias, „the tendency to over-rely on automation". Prüfen kostet messbar Zeit. An der UC San Diego stieg die Lesezeit je Nachricht um 21,8 Prozent (JAMA Network Open, 15.04.2024, p gleich 0,008), während die Antwortzeit um 5,9 Prozent sank, ohne statistische Signifikanz. Der Rechner setzt deshalb Prüfminuten mal Stundensatz an, mit 60 Euro je Stunde als ausgewiesener Annahme. Aufmerksamkeit ist eine endliche Ressource. Turan (arXiv 2606.08919, 08.06.2026) modelliert Prüfer, die mit der Eskalationslast ermüden: „when the reviewer is modeled as endogenous (fatiguing as escalation load grows), realized safety becomes an inverted-U in the escalation rate: more human oversight can make a system less safe". Prüfer sind sich zudem nur mäßig einig, was riskant ist, Fleiss Kappa 0,52. Die Arbeit ist ein Einzelautor-Vorabdruck ohne Humanstudie; sie steht hier als Hinweis, in die Rechnung geht sie nicht ein. OpenAI schreibt zu GDPval (25.09.2025), dass Spitzenmodelle die dortigen Aufgaben rund 100-mal schneller und rund 100-mal günstiger erledigen als Branchenfachleute, und stellt im selben Absatz klar, dass diese Zahlen nur Inferenzzeit und API-Kosten umfassen und die menschliche Aufsicht, Überarbeitung und Integration nicht enthalten. Genau diese Posten trägt der Regler Prüfbarkeit in die Rechnung. Quellen: MedStar und Georgetown, npj Digital Medicine, 24.04.2025 — https://www.nature.com/articles/s41746-025-01586-2 · UC San Diego (Tai-Seale et al.), JAMA Network Open, 15.04.2024 — https://doi.org/10.1001/jamanetworkopen.2024.6565 · Turan 2026, Oversight Has a Capacity, arXiv 2606.08919 — https://arxiv.org/abs/2606.08919 · OpenAI, GDPval, 25.09.2025 — https://openai.com/index/gdpval/ Stand 19.08.2026. ### Die Preisumkehr In 32 Prozent der Modellpaare verursacht das billiger gelistete Modell die höheren Ist-Kosten, weil es mehr Token und mehr Runden braucht. Chen et al. (arXiv 2603.23971, 25.03.2026, 8 Modelle, 12 Aufgaben) messen: „in 32% of model-pair comparisons, the model with a lower listed price actually incurs a higher total cost, with reversal magnitude reaching up to 28x". Auf derselben Anfrage verbraucht ein Modell bis zu 900 Prozent mehr Denk-Token als ein anderes oder zehnmal so viele Runden. Wiederholt man dieselbe Anfrage beim selben Modell, schwanken die Denk-Token um bis zum 9,7-Fachen; die Arbeit nennt das einen nicht reduzierbaren Rauschboden für jede Vorhersage. OckBench (arXiv 2511.05722) misst denselben Effekt bei gleicher Genauigkeit: über 25-facher Tokenunterschied, rund 1.600 gegen rund 42.000 Token. Der Satz der Arbeit dazu lautet: „cheaper token cost does not always imply cheaper task cost; verbose smaller models can pay an Overthinking Tax". Die Denkstufe wirkt in derselben Größenordnung. Artificial Analysis maß für GPT-5 auf der Stufe high das 23-Fache der Token der Stufe minimal, 82 Mio. gegen 3,5 Mio. für den ganzen Index, bei 68 gegen 44 Indexpunkten; der Schritt von medium auf high brachte einen Punkt. Auch die Generation zählt: Claude Sonnet 5 erzeugt je Index-Aufgabe rund 40 Prozent mehr Ausgabe-Token als Sonnet 4.6, braucht rund dreimal so viele Agenten-Runden und kostet je Aufgabe rund das Doppelte, bei gleichem Listenpreis. Deshalb rechnet diese Fassung mit einem Mengenfaktor je Modell und Denkstufe und zeigt das Ergebnis als Bandbreite. Wo für das obere Band keine gemessene Streuung vorliegt, steht das an der Zahl. Quellen: Chen et al. 2026, arXiv 2603.23971 — https://arxiv.org/abs/2603.23971 · OckBench, arXiv 2511.05722 — https://arxiv.org/abs/2511.05722 · Artificial Analysis, GPT-5 benchmarks and analysis, 07.08.2025 — https://artificialanalysis.ai/articles/gpt-5-benchmarks-and-analysis · Artificial Analysis, Claude Sonnet 5 agentic cost, 30.06.2026 — https://artificialanalysis.ai/articles/claude-sonnet-5-agentic-cost Stand 19.08.2026. ### Der Tokenizer als Mengenfaktor Derselbe deutsche Text ergibt je nach Anbieter unterschiedlich viele Token, und das verschiebt die Rechnung, bevor ein Preis verglichen ist. Anthropic weist für Modelle ab Claude 4.7 einen neuen Tokenizer aus: „This tokenizer produces approximately 30% more tokens for the same text." Bei gleichem Preis je Token ist das ein Aufschlag von rund 30 Prozent auf der Mengenseite, ohne dass sich eine Preisangabe ändert. Zwischen den Anbietern ist die Spanne größer. TextKit maß am 10.06.2026 für deutschen Text 1,71 Token je Wort bei GPT-5, 2,18 bei GPT-4, 2,64 bei Claude Sonnet 4.6 und 3,48 bei Claude Opus 4.8; englischer Text liegt bei 1,17 bis 1,88. Zwischen den Enden liegt Faktor 2,0, und er wirkt auf Eingabe und Ausgabe zugleich. Über 24 EU-Sprachen gemessen (arXiv 2605.24718) spreizt sich die Tokenzahl je Wort um das 2,5-Fache, von 1,2 im Englischen bis 3,1 im Griechischen. Deutsch liegt im Mittel bei 1,76 und je nach Anbieter zwischen 1,55 und 1,98, also 1,28-fach allein durch die Anbieterwahl. Der Rechner legt den Faktor je Modellfamilie auf Eingabe und Ausgabe und zeigt ihn in der Modelltabelle als eigene Spalte. Ein Vergleich, der Token als anbieterneutrale Einheit behandelt, bevorzugt die Anbieter mit dem gröberen Tokenizer. Quellen: Anthropic, Preisdokumentation — https://platform.claude.com/docs/en/about-claude/pricing · TextKit, Token je Wort im Anbietervergleich, 10.06.2026 — https://textkit.tech/blog/tokens-per-word-tokenizer-comparison-2026 · Tokenizer-Aufschlag über 24 EU-Sprachen, arXiv 2605.24718 — https://arxiv.org/html/2605.24718 Stand 19.08.2026. ### Fenstergröße und Kontexttreue Das beworbene Kontextfenster sagt, wie viel Text hineinpasst, und die Treue sagt, wie viel davon ein Modell noch findet. Zwei Hersteller berichten denselben Langkontext-Wert in ihren Modellkarten, MRCR v2 mit acht Nadeln, und dort bricht das Etikett auseinander. Gemini 3.1 Pro fällt von 84,9 Prozent bei 128.000 Token auf 26,3 Prozent bei 1 Mio. (Modellkarte, 19.02.2026). Anthropic schreibt zur 1M-Variante: „on the 8-needle 1M variant of MRCR v2 … Opus 4.6 scores 76%, whereas Sonnet 4.5 scores just 18.5%". Gleiches Etikett, vierfacher Unterschied. NoLiMa (ICML 2025) misst den Abfall dort, wo die Frage nicht wörtlich mit der Fundstelle übereinstimmt: bei 32.000 Token fallen elf von dreizehn Modellen unter die Hälfte ihrer Kurzkontext-Leistung. RULER bestätigt das über 17 Modelle und rechnet in effektiver statt in beworbener Länge: Llama-3.1-70B wird mit 128k angegeben und trägt 64k. Chroma zeigt, dass der Abfall auch einfache Aufgaben trifft: „model performance varies significantly as input length changes, even on simple tasks". Die Nadelsuche prüft weniger als echte Auswertungsarbeit, die darüber liegt. In der Modelltabelle steht die Treue als eigene Spalte für 128k und 1M. Vier Modelle des Bestands tragen einen Wert: drei davon berichten die Hersteller in ihren Modellkarten, der vierte, Gemini 3.7 Flash, stammt aus einer Sekundärquelle und trägt eine andere Messgröße, GDM-MRCR long context. Alle übrigen Modelle tragen einen Strich, weil keine Angabe vorliegt. Der Regler Kontextlänge im Abschnitt Anforderungen arbeitet mit diesen Werten. Quellen: Google DeepMind, Modellkarte Gemini 3.1 Pro, 19.02.2026 — https://deepmind.google/models/model-cards/gemini-3-1-pro/ · Anthropic, Claude Opus 4.6, 05.02.2026 — https://www.anthropic.com/news/claude-opus-4-6 · NoLiMa, ICML 2025, arXiv 2502.05167 — https://arxiv.org/abs/2502.05167 · NVIDIA RULER, effektive Kontextlänge — https://github.com/NVIDIA/RULER · Chroma, Context Rot, 14.07.2025 — https://www.trychroma.com/research/context-rot Stand 19.08.2026. ### Zweimal dieselbe Frage Ein Sprachmodell antwortet auch bei Temperatur 0 nicht zweimal gleich, weil die Rechenreihenfolge auf der Grafikkarte von der Auslastung abhängt. Das Thinking Machines Lab hat die Ursache am 10.09.2025 auf die schwankende Stapelgröße im Server zurückgeführt: mit der Last ändert sich die Reihenfolge, in der der Rechenkern zusammenfasst. Gemessen ergaben 1.000 identische Anfragen bei Temperatur 0 achtzig verschiedene Antworten. Mit stapelinvarianten Rechenkernen waren alle 1.000 Antworten identisch, und die Laufzeit stieg von 26 auf 55 Sekunden, mit verbessertem Aufmerksamkeitskern auf 42. Die Streuung bleibt nicht im Wortlaut. Atil et al. (arXiv 2408.04667, fünf Modelle, acht Aufgaben, zehn Läufe) berichten: „We see accuracy variations up to 15% across naturally occurring runs with a gap of best possible performance to worst possible performance up to 70%." Yuan et al. (arXiv 2506.09501) messen bei einem Denkmodell „up to 9% variation in accuracy and 9,000 tokens difference in response length" und führen es auf Gleitkomma-Arithmetik begrenzter Genauigkeit zurück. Verlässlichkeit entsteht deshalb in der Architektur um das Modell herum. Das belegte Grundmuster: das Modell schlägt vor, eine feste Regel oder ein Prüfprogramm entscheidet, und nur die Entscheidung zählt. Strukturierte Ausgaben sichern dabei die Form der Antwort; über den Inhalt sagen sie nichts, und der Anbieter schreibt dazu, dass solche Ausgaben weiterhin Fehler enthalten können. Mehrfachziehungen und Abstimmungsverfahren senken die Streuung, Determinismus stellen sie nicht her, denn sie ziehen bewusst mehrere Stichproben. Das BSI führt Nichtreproduzierbarkeit als eigene Risikokategorie R7 (Generative AI Models, Version 2.0, 17.01.2025): „The outputs of many generative AI models are not necessarily reproducible due to the use of random components." Die Maßnahme M20 verlangt bei kritischer Wirkung eine Prüfung der Ausgabe, den Abgleich mit weiteren Quellen und bei Bedarf manuelle Nachbearbeitung. Im Ergebnis zeigt die oberste Fehlerkosten-Zone die belegten Muster mit ihren Grenzen. Quellen: Thinking Machines Lab, Defeating Nondeterminism in LLM Inference, 10.09.2025 — https://thinkingmachines.ai/blog/defeating-nondeterminism-in-llm-inference/ · Atil et al., Non-Determinism of Deterministic LLM Settings, arXiv 2408.04667 — https://arxiv.org/abs/2408.04667 · Yuan et al., Numerical Sources of Nondeterminism in LLM Inference, arXiv 2506.09501 — https://arxiv.org/abs/2506.09501 · BSI, Generative AI Models, Version 2.0, 17.01.2025, Risiko R7 und Maßnahme M20 — https://www.bsi.bund.de/SharedDocs/Downloads/DE/BSI/KI/Generative_KI-Modelle.pdf Stand 19.08.2026. ### Gefühlte und gemessene Wirkung Zwischen gefühlter und gemessener Produktivität liegen in der Messung von METR rund 39 Prozentpunkte. METR (Becker, Rush, Barnes, Rein, arXiv 2507.09089, 12.07.2025) ließ erfahrene Entwickler auf reifem Code randomisiert mit und ohne KI arbeiten. Gemessen waren sie mit KI 19 Prozent langsamer, eingeschätzt hatten sie sich schneller. Zwischen Selbsteinschätzung und Messung liegen rund 39 Prozentpunkte. Die Gegenzahlen gehören dazu. Ein Rollout über zehntausende Entwickler bei Microsoft zeigt rund 24 Prozent mehr zusammengeführte Pull Requests (arXiv 2607.01418, 01.07.2026). Und der Stanford AI Index 2026 hält fest, dass METR den eigenen Befund später nicht replizieren konnte, „primarily due to a growing reluctance among developers to work without AI, and that developers in late 2025 were likely sped up by AI relative to the original study period" (Seite 219). Für diesen Rechner folgt daraus eine Regel: kalibriert wird er nie mit Selbsteinschätzungen. Jede Fallstudie, die auf einer Zufriedenheitsbefragung beruht, kann um diese Größenordnung zu optimistisch liegen, und Anbieterzahlen zur Zeitersparnis tragen dasselbe Risiko. Die Zahlen hier stammen aus Preislisten, Modellkarten und Messreihen mit veröffentlichtem Aufbau. Quellen: Becker, Rush, Barnes, Rein (METR), arXiv 2507.09089, 12.07.2025 — https://arxiv.org/abs/2507.09089 · Microsoft-Rollout über zehntausende Entwickler, arXiv 2607.01418, 01.07.2026 — https://arxiv.org/abs/2607.01418 · Stanford AI Index 2026, Seite 219 (Replikationshinweis zu METR) — https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf Stand 19.08.2026. ### Welcher Benchmark je Geschäftsvorfall Ein Anker trägt nur, wenn er die Aufgabe misst, und zwei verbreitete Benchmarks messen bei Recherche und Code-Review etwas anderes. GPQA Diamond ist als „Google-proof" gebaut, also so, dass Suchen nicht hilft. Ein Maß, das Suchfähigkeit neutralisiert, kann sie nicht bewerten. Dazu ist es gesättigt: vals.ai zählt am 15.08.2026 „24 of the 133 models tested now score 90% or higher", und der Autor des Benchmarks, David Rein, sagt im Interview, es „stopped discriminating between good and great". Für Recherche tragen BrowseComp und die Deep Research Bench, die als einzige Kosten je Aufgabe mitliefert. SWE-bench Verified misst die Erzeugung eines Patches bei bekanntem Fehlerort. Ein Review sucht den Fehler erst. CR-Bench (arXiv 2603.11078, 10.03.2026) begründet den Unterschied und führt eigene Maße ein, Usefulness Rate und Signal-to-Noise: „these agents often face a fundamental trade-off, they either prioritize precision and risk missing critical vulnerabilities, or prioritize recall at the cost of producing noisy and low-actionable feedback." Für Support-Tickets trägt τ²-bench, weil es die drei Eigenschaften des Vorfalls prüft: eine Richtlinie, der das System folgen muss, Werkzeugnutzung und einen simulierten Kunden, der bei unvollständigen Antworten nachfasst. Die Spreizung auf dem öffentlichen Leaderboard ist deutlich: Claude Opus 4.5 79 Prozent, GPT-5.2 73, Sonnet 4.5 63, GPT-4o 36. Als Sperrkriterium für quellengebundene Ausgaben dient das HHEM-Halluzinations-Leaderboard, gelesen als Mindestschwelle, denn eine niedrige Rate kann auch geringe Fähigkeit abbilden. Für Textarbeit gibt es einen abrufbaren Anker mit Preisspalte, arena.ai Creative Writing (Stand 12.08.2026, 1,18 Mio. Stimmen). Die Konfidenzintervalle der Spitzengruppe von ±7 bis ±18 Punkten (über das ganze Feld ±5 bis ±28) machen die vorderen Ränge statistisch ununterscheidbar. Der Anker taugt damit als Schwelle: er beantwortet die Frage, ob ein Modell zur Spitzengruppe gehört, und innerhalb der Gruppe entscheidet der Preis. Quellen: MindStudio, Interview mit GPQA-Autor David Rein, 05.05.2026 — https://www.mindstudio.ai/blog/gpqa-benchmark-graduate-level-google-proof-qa-creator-limits · vals.ai, GPQA-Auswertung, 15.08.2026 — https://www.vals.ai/benchmarks/gpqa · Deep Research Bench, Stand 10.06.2026 — https://evals.futuresearch.ai/ · CR-Bench, arXiv 2603.11078, 10.03.2026 — https://arxiv.org/abs/2603.11078 · τ²-bench, sierra-research/tau2-bench — https://github.com/sierra-research/tau2-bench · CodeSOTA, τ²-bench-Leaderboard 2026 (Sekundärquelle) — https://www.codesota.com/benchmark/tau2-bench · Vectara HHEM-2.3, Werte referiert über CodingFleet 2026 (Sekundärquelle) — https://codingfleet.com/blog/ai-model-hallucination-rates-2026/ · arena.ai, Creative Writing, Stand 12.08.2026 — https://arena.ai/leaderboard/text/creative-writing Stand 19.08.2026. ## Alle Modelle (Listenpreise je 1 Mio. Token, USD) | Modell | Anbieter | Status | Eingabe | Ausgabe | Cache-Lesen | Batch | Kontext (Token) | Hinweis | | --- | --- | --- | --- | --- | --- | --- | --- | --- | | Claude Fable 5 | Anthropic | aktuell | 10 | 50 | 1 | ja | 1.000k | — | | Claude Mythos 5 | Anthropic | aktuell | 10 | 50 | 1 | ja | 1.000k | begrenzt verfügbar | | Claude Opus 5 | Anthropic | aktuell | 5 | 25 | 0,5 | ja | 1.000k | — | | Claude Opus 4.8 | Anthropic | veraltet | 5 | 25 | 0,5 | ja | 1.000k | — | | Claude Opus 4.7 | Anthropic | veraltet | 5 | 25 | 0,5 | ja | 1.000k | — | | Claude Opus 4.6 | Anthropic | veraltet | 5 | 25 | 0,5 | ja | 1.000k | — | | Claude Opus 4.5 | Anthropic | veraltet | 5 | 25 | 0,5 | ja | 200k | — | | Claude Opus 4.1 | Anthropic | eingestellt | 15 | 75 | 1,5 | ja | 200k | — | | Claude Opus 4 | Anthropic | eingestellt | 15 | 75 | 1,5 | ja | — | — | | Claude Sonnet 5 | Anthropic | aktuell | 2 | 10 | 0,2 | ja | 1.000k | — | | Claude Sonnet 4.6 | Anthropic | veraltet | 3 | 15 | 0,3 | ja | 1.000k | — | | Claude Sonnet 4.5 | Anthropic | veraltet | 3 | 15 | 0,3 | ja | 200k | — | | Claude Sonnet 4 | Anthropic | eingestellt | 3 | 15 | 0,3 | ja | — | — | | Claude Haiku 4.5 | Anthropic | aktuell | 1 | 5 | 0,1 | ja | 200k | — | | Claude Haiku 3.5 | Anthropic | eingestellt | 0,8 | 4 | 0,08 | ja | — | — | | gpt-5.6-sol | OpenAI | aktuell | 5 | 30 | 0,5 | ja | 1.050k | — | | gpt-5.6-terra | OpenAI | aktuell | 2 | 12 | 0,2 | ja | 1.050k | — | | gpt-5.6-luna | OpenAI | aktuell | 0,2 | 1,2 | 0,02 | ja | 1.050k | — | | gpt-5.5 | OpenAI | aktuell | 5 | 30 | 0,5 | ja | 1.050k | — | | gpt-5.5-pro | OpenAI | aktuell | 30 | 180 | — | ja | 1.050k | — | | gpt-5.4 | OpenAI | aktuell | 2,5 | 15 | 0,25 | ja | 1.050k | — | | gpt-5.4-mini | OpenAI | aktuell | 0,75 | 4,5 | 0,075 | ja | 400k | — | | gpt-5.4-nano | OpenAI | aktuell | 0,2 | 1,25 | 0,02 | ja | 400k | — | | gpt-5.4-pro | OpenAI | aktuell | 30 | 180 | — | ja | 1.050k | — | | gpt-5.2 | OpenAI | aktuell | 1,75 | 14 | 0,175 | ja | 400k | — | | gpt-5.2-pro | OpenAI | aktuell | 21 | 168 | — | ja | 400k | — | | gpt-5.1 | OpenAI | aktuell | 1,25 | 10 | 0,125 | ja | 400k | — | | gpt-5 | OpenAI | veraltet | 1,25 | 10 | 0,125 | ja | 400k | Abschaltung angekündigt zum 11.12.2026 | | gpt-5-mini | OpenAI | veraltet | 0,25 | 2 | 0,025 | ja | 400k | Abschaltung angekündigt zum 11.12.2026 | | gpt-5-nano | OpenAI | veraltet | 0,05 | 0,4 | 0,005 | ja | 400k | Abschaltung angekündigt zum 11.12.2026 | | gpt-5-pro | OpenAI | veraltet | 15 | 120 | — | ja | 400k | Abschaltung angekündigt zum 11.12.2026 | | gpt-4.1 | OpenAI | veraltet | 2 | 8 | 0,5 | ja | 1.048k | — | | gpt-4.1-mini | OpenAI | veraltet | 0,4 | 1,6 | 0,1 | ja | 1.048k | — | | gpt-4.1-nano | OpenAI | veraltet | 0,1 | 0,4 | 0,025 | ja | 1.048k | Abschaltung angekündigt zum 23.10.2026 | | gpt-4o | OpenAI | veraltet | 2,5 | 10 | 1,25 | ja | 128k | — | | gpt-4o-mini | OpenAI | veraltet | 0,15 | 0,6 | 0,075 | ja | 128k | — | | o1 | OpenAI | veraltet | 15 | 60 | 7,5 | ja | 200k | Abschaltung angekündigt zum 23.10.2026 | | o1-pro | OpenAI | veraltet | 150 | 600 | — | ja | 200k | Abschaltung angekündigt zum 23.10.2026 | | o3 | OpenAI | veraltet | 2 | 8 | 0,5 | ja | 200k | Abschaltung angekündigt zum 11.12.2026 | | o3-pro | OpenAI | veraltet | 20 | 80 | — | ja | 200k | Abschaltung angekündigt zum 11.12.2026 | | o3-mini | OpenAI | veraltet | 1,1 | 4,4 | 0,55 | ja | 200k | Abschaltung angekündigt zum 23.10.2026 | | o4-mini | OpenAI | veraltet | 1,1 | 4,4 | 0,275 | ja | 200k | Abschaltung angekündigt zum 23.10.2026 | | Gemini 3.7 Flash | Google | aktuell | 0,75 | 3,75 | 0,075 | ja | 1.049k | Aktionspreis bis 31.12.2026, danach 1,50 / 7,50 USD | | Gemini 3.6 Flash | Google | aktuell | 0,75 | 3,75 | 0,075 | ja | 1.049k | Aktionspreis bis 31.12.2026, danach 1,50 / 7,50 USD | | Gemini 3.5 Flash | Google | aktuell | 1,5 | 9 | 0,15 | ja | 1.049k | — | | Gemini 3.5 Flash-Lite | Google | aktuell | 0,3 | 2,5 | 0,03 | ja | 1.049k | — | | Gemini 3.1 Pro Preview | Google | aktuell | 2 | 12 | 0,2 | ja | 1.049k | — | | Gemini 3.1 Flash-Lite | Google | aktuell | 0,25 | 1,5 | 0,025 | ja | 1.049k | Abschaltung angekündigt zum 07.05.2027 | | Gemini 2.5 Pro | Google | veraltet | 1,25 | 10 | 0,125 | ja | 1.049k | — | | Gemini 2.5 Flash | Google | veraltet | 0,3 | 2,5 | 0,03 | ja | 1.049k | — | | Gemini 2.5 Flash-Lite | Google | veraltet | 0,1 | 0,4 | 0,01 | ja | 1.049k | — | | Mistral Medium 3.5 | Mistral | aktuell | 1,5 | 7,5 | 0,15 | ja | 256k | — | | Mistral Large 3 | Mistral | aktuell | 0,5 | 1,5 | 0,05 | ja | 256k | — | | Mistral Small 4 | Mistral | aktuell | 0,15 | 0,6 | 0,015 | ja | 256k | — | | Magistral Medium | Mistral | eingestellt | 2 | 5 | 0,2 | ja | 128k | — | | Magistral Small | Mistral | eingestellt | 0,5 | 1,5 | 0,05 | ja | 128k | — | | Ministral 3 3B | Mistral | aktuell | 0,1 | 0,1 | 0,01 | ja | 128k | — | | Ministral 3 8B | Mistral | aktuell | 0,15 | 0,15 | 0,015 | ja | 128k | — | | Ministral 3 14B | Mistral | aktuell | 0,2 | 0,2 | 0,02 | ja | 128k | — | | Devstral 2 | Mistral | eingestellt | 0,4 | 2 | 0,04 | ja | 256k | — | | Devstral Small 2 | Mistral | eingestellt | 0,1 | 0,3 | 0,01 | ja | 256k | — | | Codestral | Mistral | aktuell | 0,3 | 0,9 | 0,03 | ja | 256k | — | | Mistral NeMo | Mistral | eingestellt | 0,15 | 0,15 | 0,015 | ja | 128k | — | | Mixtral 8x7B | Mistral | eingestellt | 0,7 | 0,7 | 0,07 | ja | 32k | — | | Mixtral 8x22B | Mistral | eingestellt | 2 | 6 | 0,2 | ja | 64k | — | | DeepSeek V4 Pro | Offene Gewichte beim Anbieter | aktuell | 1,32 | 3,96 | 0,044 | nein | 1.000k | — | | DeepSeek V4 Flash | Offene Gewichte beim Anbieter | aktuell | 0,44 | 1,32 | 0,014 | nein | 1.000k | — | | DeepSeek V4 Pro (Together) | Offene Gewichte beim Hoster | aktuell | 1,74 | 3,48 | 0,2 | nein | 1.000k | gehostet bei Together AI | | Qwen3.7-Max (Together) | Offene Gewichte beim Hoster | aktuell | 1,25 | 3,75 | 0,13 | nein | 262k | gehostet bei Together AI | | Qwen3.7-Plus (Together) | Offene Gewichte beim Hoster | aktuell | 0,32 | 1,28 | — | nein | 262k | gehostet bei Together AI | | Qwen3.6-Plus (Together) | Offene Gewichte beim Hoster | aktuell | 0,5 | 3 | — | nein | 262k | gehostet bei Together AI | | Qwen3.5-397B-A17B (Together) | Offene Gewichte beim Hoster | aktuell | 0,6 | 3,6 | 0,35 | nein | 262k | gehostet bei Together AI | | Qwen3.5 9B (Together) | Offene Gewichte beim Hoster | aktuell | 0,17 | 0,25 | — | nein | 131k | gehostet bei Together AI | | Qwen2.5 7B Instruct Turbo (Together) | Offene Gewichte beim Hoster | veraltet | 0,3 | 0,3 | — | nein | 33k | gehostet bei Together AI | | Llama 3.3 70B (Together) | Offene Gewichte beim Hoster | veraltet | 1,04 | 1,04 | — | nein | 131k | gehostet bei Together AI | Umgerechnet wird mit 1,1576 USD/EUR (EZB-Referenzkurs vom 18.08.2026); der Kurs ist eine Annahme, keine Tageszahl. Preise sind Listenpreise der Anbieter, geprüft am 18. August 2026 an den folgenden Preisseiten, ohne Rabatte. Preisquellen je Anbieter: - Anthropic: Preisdokumentation — https://platform.claude.com/docs/en/about-claude/pricing (Preise, Cache-Sätze, Kontextfenster, Gegenprobe) - OpenAI: Preisseite — https://developers.openai.com/api/docs/pricing (Preise, Staffeln ab 272.000 Token) - Google: Gemini-Preisseite — https://ai.google.dev/gemini-api/docs/pricing (Preise, Staffeln ab 200.000 Token, Speicherentgelt) - Mistral: API-Preise — https://mistral.ai/pricing/api (Preise, Cache-Nachlass) - DeepSeek: Preisseite — https://api-docs.deepseek.com/quick_start/pricing - Together AI: Preisseite — https://www.together.ai/pricing (offene Gewichte beim Hoster) - OpenRouter: Preisseite — https://openrouter.ai/pricing (Router-Gebühr) ## Quellen - τ²-bench, Kundendienst mit Richtlinie und Werkzeugen — https://www.codesota.com/benchmark/tau2-bench (19.08.2026) - HHEM, Halluzination beim Zusammenfassen vorgelegter Texte — https://github.com/vectara/hallucination-leaderboard (11.05.2026) - arena.ai Creative Writing, Schreibgüte nach Publikumsurteil — https://arena.ai/leaderboard/text/creative-writing (12.08.2026) - Vals CorpFin v2, Auswertung langer Kreditverträge — https://www.vals.ai/benchmarks/corp_fin_v2 (12.08.2026) - BrowseComp, Recherche im echten Web — https://benchlm.ai/benchmarks/browsecomp (18.08.2026) - MRCR v2, Kontexttreue über die volle Fensterlänge — https://deepmind.google/models/model-cards/gemini-3-1-pro/ (19.08.2026) - Mengenfaktoren: Bezugsstufe der Mengenfaktoren (mengen.json, medium gleich 1). Anthropic, Optimizing for cost and intelligence: Vorgabestufe high, medium halbiert die Kosten je Aufgabe bei Opus 5 (Stand 19.08.2026). Artificial Analysis nennt Token je Index-Aufgabe nur im Fließtext, nicht je Modell und Effortstufe — https://artificialanalysis.ai/articles/artificial-analysis-intelligence-index-v4-1 (19.08.2026) - Kontexttreue: DeepMind Gemini 3.1 Pro Model Card 19.02.2026; Anthropic Claude Opus 4.6 05.02.2026 — https://deepmind.google/models/model-cards/gemini-3-1-pro/ (19.08.2026) - Tokenizer: TextKit, Tokens per word (10.06.2026), Anthropic Pricing (neuer Tokenizer ab Claude 4.7, rund 30 Prozent mehr Token), arXiv 2605.24718 (Deutsch 1,55 bis 1,98 je Anbieter). Bezug: GPT-5-Tokenizer Englisch = 1,0, konservativ abgerundet. — https://textkit.tech/blog/tokens-per-word-tokenizer-comparison-2026 (19.08.2026) - Epoch AI, Epoch Capabilities Index (Daten CC-BY) — https://epoch.ai/eci (18.08.2026)