# KI-Preismodelle 2026: die KI-Preistreppe vom Token-Preis zum Preis je Ergebnis

> KI-Preismodelle 2026 in fünf Stufen: Token-Preis, Tarifmechanik, Kosten je gelöster Aufgabe, Preis je Ergebnis. Mit Marktzahlen, Beispielen und Rechner.

- Kanonische URL: https://olivergausmann.com/insights/ki-preismodelle-preistreppe
- Veröffentlicht: 2026-08-10 · Aktualisiert: 2026-08-10
- Autor: Dr. Oliver Gausmann — https://olivergausmann.com/de/autor/oliver-gausmann

## Auf einen Blick

- Warum der Token-Listenpreis in 32 Prozent der Modellvergleiche in die Irre führt und die Kosten je gelöster Aufgabe die ehrliche Einheit sind.
- Wie die fünf Stufen der KI-Preistreppe das Risiko Schritt für Schritt vom Kunden zum Anbieter verschieben, bis zum verifizierten Ergebnis als Preisschild.
- Warum Sie die Zähleinheit vor dem Preis verhandeln und jede KI-Kalkulation mit einem Preisstand-Datum versehen sollten.

## TL;DR

KI-Preismodelle sortieren sich 2026 neu, weil KI anders als klassische Software bei jeder einzelnen Nutzung Rechenkosten verursacht: Anbieter von KI-Produkten kalkulieren im Median mit rund 50 Prozent Bruttomarge statt der SaaS-üblichen 80 [1]. Die KI-Preistreppe ordnet das Feld in fünf Stufen, vom Token-Preis über die Kosten je gelöster Aufgabe bis zum Preis je Ergebnis. Der Listenpreis allein trägt dabei nicht weit, denn in 32 Prozent der untersuchten Modellpaare verursacht das billiger gelistete Modell die höheren Gesamtkosten [2]. Hybride KI-Preismodelle sind binnen eines Jahres von 25 auf 37 Prozent der Anbieter gesprungen [1]. Wer einkauft, verhandelt deshalb zuerst die Zähleinheit und dann den Preis.

Ich pflege auf meiner Website einen Kostenrechner mit 75 KI-Modellen, und der hat mir eine Lektion erteilt. Zweimal in zwei Wochen war mein Preisstand veraltet, ohne dass ein einziger Test anschlug: Einmal stand ein Modell fünffach zu hoch, einmal hatte ein Anbieter eine zweite Preisstufe für lange Eingaben nur als Fußnote unter der Preistabelle vermerkt. Am 30. Juli senkte OpenAI dann den Preis eines drei Wochen alten Modells um 80 Prozent [3].

Wer KI einkauft oder selbst bepreist, arbeitet auf einem Markt, dessen Preisschilder sich schneller drehen als jeder Budgetzyklus. Das wirkt chaotisch, folgt aber einer Ordnung, die man in fünf Stufen fassen kann. Ich nenne sie die KI-Preistreppe: Token-Preis, Tarifmechanik, Preis je Fähigkeit, Kosten je gelöster Aufgabe, Preis je Ergebnis. Mit jeder Stufe wandert das Risiko ein Stück weiter vom Kunden zum Anbieter.

## Jede KI-Antwort kostet Geld, deshalb wackeln alle Preismodelle

Eine verkaufte Softwarelizenz kostete den Anbieter im Betrieb fast nichts mehr. Auf dieser Grenzkostenlogik ruhten zwanzig Jahre Abo-Preise. KI bricht sie, weil jede Antwort Rechenzeit auf teurer Hardware verbraucht, und die Rechnung dafür kommt beim Anbieter jeden Monat an.

Die Folgen stehen inzwischen in den Erhebungen. Anbieter von KI-Produkten peilen im Median rund 50 Prozent Bruttomarge an, nur 12 Prozent halten die SaaS-üblichen 80 Prozent für erreichbar [1]. Eine zweite, unabhängig erhobene Stichprobe kommt auf projizierte 52 Prozent für 2026 [4]. Dazu sagen 70 Prozent der Anbieter, ihre Kunden bezahlten KI aus dem vorhandenen Software-Budget [1]. Der Spielraum für Preisfehler ist also klein, und trotzdem tastet die Branche: 76 Prozent der Software-Anbieter haben KI-Funktionen eingeführt, doch die Mehrheit berichtet von einer Umsatzwirkung unter 10 Prozent [5].

Für die folgenden Stufen hilft ein konkreter Fall, den ich durch den ganzen Text trage: ein Unternehmen mit 10.000 Kundenanfragen im Monat, die eine KI beantworten soll. An diesem einen Arbeitsvolumen lässt sich jede Stufe der KI-Preistreppe durchrechnen.

## Was kostet ein Token wirklich?

Die unterste Stufe klingt beruhigend einfach. Sprachmodelle rechnen in Token ab, kleinen Textstücken von ein paar Zeichen, mit Listenpreisen je Million. Unsere 10.000 Kundenanfragen mit je rund 3.700 Token Umfang kosten auf einem günstigen Modell etwa 37 US-Dollar im Monat, die Zahl stammt aus der Preisdokumentation von Anthropic selbst [6]. Bis hierhin rechnet das jeder Praktikant nach.

Der Tarif dahinter, Stufe zwei der Treppe, hat mehr bewegliche Teile. Wiederkehrende Eingaben lassen sich zwischenspeichern, das Lesen aus diesem Cache kostet bei Anthropic nur ein Zehntel des Eingabepreises, das Befüllen dafür einen Aufschlag von 25 Prozent bis 100 Prozent [6]. Bei DeepSeek kostet der Cache-Treffer sogar nur rund ein Prozent [7]. Für Aufträge ohne Zeitdruck halbiert die Stapelverarbeitung den Preis [6]. Und bei langen Eingaben führen mehrere Anbieter eine zweite Preisstufe, oft nur als Fußnote unter der Preistabelle vermerkt: Google verdoppelt beim Modell Gemini 2.5 Pro oberhalb von 200.000 Token den Satz, und zwar rückwirkend für alle Token des Aufrufs [8], OpenAI hebt bei mehreren Modellen ab 272.000 Token an [9]. Dazu kommt das Nachdenken: Moderne Modelle erzeugen beim Überlegen unsichtbare Denk-Token, die ganz normal auf der Rechnung landen und deren Menge bei identischer Aufgabe um das bis zu 9,7-Fache schwankt [2]. Die Ausgabenseite der Rechnung ist damit im Wortsinn unkalkulierbar geworden.

Die dritte Stufe der Treppe ist der Preis je Fähigkeit, und auf ihr liegt eine Preisdynamik, die beide Richtungen gleichzeitig kennt. Der Preis für ein festes Fähigkeitsniveau fällt um den Faktor 5 bis 10 pro Jahr [10], an einzelnen Leistungsschwellen gemessen im Median sogar um den Faktor 50 [11]. Der Spitzenpreis für das jeweils beste Modell steigt zugleich um den Faktor 3 bis 18 pro Jahr [10]. Deshalb erleben Unternehmen beides zugleich: Die gestrige Aufgabe wird laufend billiger, die neueste Ambition laufend teurer.

## Die ehrliche Einheit ist die gelöste Aufgabe

Auf der vierten Stufe ändert sich die Frage: Was kostet es, bis eine Aufgabe erledigt ist? Die Forschung hat dafür seit 2025 eine schlichte Formel: Kosten je gelöster Aufgabe gleich Preis je Versuch geteilt durch Erfolgsquote [12]. Ein Modell, das halb so viel kostet, aber nur ein Drittel so oft richtig liegt, ist auf dieser Stufe das teurere.

Wie oft die Listenpreise dabei in die Irre führen, hat eine im März veröffentlichte Studie beziffert: In 32 Prozent der Modellpaare verursacht das billiger gelistete Modell die höheren Gesamtkosten, im Extrem um das 28-Fache [2]. Ein Modell mit 80 Prozent niedrigerem Listenpreis kam über alle Aufgaben hinweg 38 Prozent teurer [2]. Die Studie führt das auf die schwankenden Denk-Token und zusätzliche Arbeitsschritte zurück [2]. Der Listenpreis versagt als Preissignal ausgerechnet dort, wo er am meisten verspricht.

Für unsere 10.000 Kundenanfragen heißt das: Die 37 Dollar von eben sind nur dann eine gute Zahl, wenn das günstige Modell die Anfragen auch löst. Bleibt jede fünfte Antwort unbrauchbar und ein Mensch arbeitet nach, steht die wahre Rechnung woanders. Ab wann sich das stärkste Modell trotz höherem Preis rechnet, lässt sich sogar beziffern: Sobald ein einzelner Fehler rund 10 Cent kostet, gewinnt fast immer das Spitzenmodell, so eine Caltech-Arbeit auf dem Preisstand von Mitte 2025 [13]. Das klingt niedrig, folgt aber aus dem Größenverhältnis: Was das Spitzenmodell je einzelner Anfrage mehr kostet, ist klein gegen das, was ein einziger vermiedener Fehler spart. Bei Kundenanfragen ist ein verlorener Kunde schnell teurer.

Diese Stufe ist der Grund, warum ich meinen Kostenrechner genau um diese Einheit gebaut habe, und die Kostenhebel dahinter habe ich in KI-Kosten senken durch Modellwahl auseinandergenommen.

## Welche KI-Preismodelle setzen sich 2026 durch?

Oberhalb des Einkaufs beginnt die Anbieterseite der KI-Preistreppe, und dort läuft seit zwei Jahren eine Wanderung. 2024 bepreisten die meisten Software-Anbieter ihre KI-Funktionen wie gewohnt, als Aufpreis je Nutzer. Dann kam die Margenrechnung von oben, und seither probiert der Markt öffentlich neue Zähleinheiten aus.

Man kann dabei zusehen. Salesforce führt für seinen Service-Agenten zwei Verbrauchsmodelle parallel, 2 US-Dollar je Gespräch oder ein Guthabenmodell mit 10 Cent je Standard-Aktion, und welches günstiger ist, muss der Kunde selbst durchrechnen [14]. GitHub stellte Copilot zum 1. Juni 2026 auf Token-Guthaben um, die alten Pauschal-Kontingente entfielen [15]. Cursor wechselte sein Preismodell im Juni 2025 so unglücklich, dass das Unternehmen sich öffentlich entschuldigte und unerwartete Gebühren erstattete [16]. Und auf der fünften Stufe, dem oberen Ende der Treppe, steht seit 2026 das Ergebnis selbst auf der Preisliste: Intercom berechnet 0,99 US-Dollar je erreichtem Ergebnis, gezählt als bestätigt gelöstes Anliegen oder abgeschlossener Arbeitsablauf [17], HubSpot senkte im April von 1 US-Dollar je Gespräch auf 0,50 je gelöstem Gespräch [18], und Zendesk lässt die abgerechneten Lösungen von einem zweiten KI-Modell verifizieren, bezahlt wird nur der bestätigte Erfolg [19]. Für unsere 10.000 Kundenanfragen existieren damit zwei Welten: als Token-Rechnung ein zweistelliger Dollarbetrag, als Ergebnis-Rechnung beim Anbieter mehrere tausend Dollar, wenn man die 50 bis 99 Cent je gelöstem Fall hochrechnet (eigene Kalkulation). Die Spanne dazwischen ist Marge, Risiko und Verifikationsaufwand des Anbieters.

Im deutschsprachigen Raum hat SAP eine eigene Antwort gewählt: eine konzernweite Vorauszahl-Währung namens AI Units, aus der KI-Funktionen über alle Produkte hinweg schöpfen. Ein Joule-Beraterpaket etwa bündelt 22.900 Anfragen je Nutzer und Monat, gepoolt über alle Nutzer [20]. Die Treppe ordnet die Logik; am Markt verdichtet sie sich zu vier Grundtypen von Preismodellen.

Die vier KI-Preismodelle im Vergleich
Kriterium | Preis je Nutzer | Verbrauch (Token, Credits) | Preis je Ergebnis | Hybrid (Sockel plus Komponente)
Zähleinheit | Arbeitsplatz | Token, Aktion, Guthaben | Gelöster Fall | Sockel plus Verbrauch oder Ergebnis
Kostenrisiko trägt | Anbieter | Kunde | Anbieter | geteilt
Planbarkeit für den Kunden | hoch | niedrig | mittel | mittel bis hoch
Typischer Streitpunkt | ungenutzte Lizenzen | Verbrauchsspitzen | Wer verifiziert das Ergebnis? | Komplexität des Vertrags
Beispiel 2026 | Microsoft 365 Copilot | GitHub Copilot, SAP AI Units, Salesforce Agentforce | Intercom, HubSpot, Zendesk | verbreitetster Typ: 37 % der B2B-SaaS-Anbieter

Die Zahlen zur Verbreitung passen zur Erzählung. Unter gut 300 befragten KI-Anbietern rechnen 58 Prozent per Abo, 35 Prozent nach Verbrauch und 18 Prozent nach Ergebnis, Mehrfachnennungen inklusive [4]. Das hybride Modell ist unter 230 B2B-Software-Anbietern binnen zwölf Monaten von 25 auf 37 Prozent gesprungen und damit das häufigste [1]. In der DACH-Empirie zeigt sich derselbe Bruch: Klassisches SaaS wird hier zu 92 Prozent im Abo verkauft, bei KI-Produkten springt der Anteil nutzungsbasierter Preise auf 69 Prozent [21]. Und 45 Prozent der Software-Anbieter fahren bereits zwei oder mehr Preismodelle parallel [5]. Hinter all dem steht eine alte Preisregel, die im KI-Zeitalter neu zieht: Der Preis gehört an die Einheit, die mit dem Kundennutzen mitwächst.

Was das für Software-Verträge und die Doppelzahlungs-Falle aus Lizenz plus Guthaben bedeutet, habe ich in SaaS-Preismodelle im Agenten-Zeitalter beschrieben, die Dienstleistungsseite in Honorarmodelle im KI-Zeitalter.

## Drei von vier Anfragen brauchen kein Spitzenmodell

Quer über alle Stufen der KI-Preistreppe liegt ein Hebel, der erst sichtbar wird, wenn Unternehmen mehrere Modelle kombinieren. Der Durchschnittsbetrieb nutzt bereits 3,1 Modellanbieter parallel [4], meist ohne System. Dabei funktioniert die Sortierung wie im Versandraum: Niemand schickt jeden Brief per Expresskurier, und von unseren 10.000 Kundenanfragen sind die meisten Routine und wenige heikel.

Wie viel diese Sortierung wert ist, hat die Berkeley-Arbeit RouteLLM gemessen: Ein trainierter Verteiler schickte nur gut jede fünfte Anfrage zum teuren Modell statt jeder zweiten bei zufälliger Verteilung und hielt dabei 95 Prozent der Qualität des Spitzenmodells [22]. In einer Produktionsumgebung senkte ein kalibrierter Verteiler die reinen Modellkosten um 31 Prozent bei stabiler Güte [23]. Als Größenordnung gilt: ein Drittel bis zwei Drittel der Kosten, immer bezogen auf eine erklärte Qualitätsschwelle.

Zwei Einschränkungen gehören dazu, sonst wird das hier Werbung. Erstens schlagen viele fertige Verteiler, auch kommerzielle, eine simple Faustregel nicht, das zeigt ein Vergleich über 400.000 Testfälle [24]. Zweitens gilt die Fehlerkosten-Schwelle von eben auch hier: Sobald ein Fehler richtig Geld kostet, gewinnt das eine Spitzenmodell gegen jede Kombination [13]. Bei Agenten, die selbstständig in mehreren Schritten arbeiten, fällt die Modellwahl zudem längst je Arbeitsschritt und die Kombination wird zur Architekturfrage.

Verhandeln Sie die Zähleinheit vor dem Preis, und kalkulieren Sie in Kosten je gelöster Aufgabe. Datieren Sie jeden Preisstand, KI-Preise veralten binnen Wochen.

## Wie bringen Sie Ordnung in Ihre KI-Preisfindung?

- Datieren Sie jeden Preisstand. Schreiben Sie an jede KI-Kalkulation das Abrufdatum der Anbieter-Preisseiten, und behandeln Sie jede Zahl ohne Datum als veraltet. Mein eigener Rechner war trotz täglicher Nutzung zweimal binnen zwei Wochen überholt, das Problem trifft also auch Leute, die es hauptberuflich versuchen.

- Messen Sie eine Woche lang die Kosten je gelöster Aufgabe. Lassen Sie eine echte Arbeitslast parallel auf einem günstigen und einem starken Modell laufen und zählen Sie mit, wie viele Ergebnisse ohne Nacharbeit brauchbar sind. Für die Rechnung dahinter, inklusive Anläufen, Cache und Nacharbeit, können Sie den KI-Kostenrechner nutzen.

- Verhandeln Sie die Zähleinheit vor dem Preis. Als Einkäufer fragen Sie: Was genau zählt der Anbieter, wer verifiziert ein gelöstes Ergebnis, was passiert oberhalb des Kontingents? Als Anbieter wählen Sie die Einheit, die mit dem Nutzen Ihres Kunden mitwächst, und steigen realistischerweise hybrid ein, mit Sockel und Ergebniskomponente.

- Definieren Sie Ihre Fehlerkosten-Schwelle. Beziffern Sie je Aufgabentyp, was ein falsches Ergebnis kostet. Oberhalb der Schwelle arbeitet das beste verfügbare Modell, unterhalb das günstigste, das die Qualitätsschwelle hält.

Ein Wort zur Umstellung selbst, denn sie ist Kommunikationsarbeit. Cursor hat 2025 vorgeführt, wie ein sachlich vertretbarer Preiswechsel zum Reputationsschaden wird, wenn Kunden ihn erst auf der Rechnung bemerken [16]. Vor jeden Wechsel des eigenen KI-Preismodells gehören deshalb eine Ankündigung, vorgerechnete Beispiele und eine Übergangsfrist für Bestandskunden.

## Meine Einordnung

Die Preisdebatte wird als Anbieterthema geführt, dabei verschiebt sie gerade die Anforderungen an den Einkauf. Wer 2026 KI-Verträge unterschreibt, braucht Kompetenzen, die bisher in der Produktion saßen: Erfolgsquoten messen, Qualitätsschwellen definieren, Verifikation verhandeln. Die Einkaufsabteilungen, die ich sehe, sind darauf selten vorbereitet, und die Anbieter wissen das.

Bemerkenswert finde ich, wie offen die Anbieterseite ihr eigenes Suchen dokumentiert. Wenn 37 Prozent der KI-Anbieter ankündigen, ihr Preismodell binnen zwölf Monaten zu ändern [4], ist jeder Vertrag dieser Tage ein Experiment, an dem beide Seiten lernen. Das spricht für kurze Laufzeiten und eingebaute Anpassungsklauseln, auf beiden Seiten des Tisches. Vielleicht unterschätze ich auch, wie lange Übergangszustände sich halten können. Und ob am Ende überhaupt noch jemand Token zählt oder nur noch Ergebnisse... ich traue mich nicht, das zu datieren.

Eine Beobachtung zum Schluss. Als ich Ende Juli fünf marktübliche KI-Kostenrechner verglichen habe (eigene Erhebung), konnte keiner von ihnen Kosten je gelöster Aufgabe ausweisen, alle rechneten in Token. Der Markt diskutiert öffentlich über die oberste Stufe der KI-Preistreppe und seine Werkzeuge stehen noch auf der untersten.

## Quellen

1. Growth Unhinged: The 2026 State of B2B SaaS and AI Monetization (230 Unternehmen, April/Mai 2026) — https://www.growthunhinged.com/p/the-state-of-b2b-monetization-in-2026
2. Chen et al.: The Price Reversal Phenomenon (arXiv, März 2026) — https://arxiv.org/abs/2603.23971
3. CNBC: OpenAI cuts API prices, 30.07.2026 — https://www.cnbc.com/2026/07/30/open-ai-price-cut-gpt.html
4. ICONIQ Growth: State of AI 2026, Bi-Annual Snapshot (rund 300 Führungskräfte) — https://www.iconiq.com/growth/reports/2026-state-of-ai-bi-annual-snapshot
5. Simon-Kucher: Global Software Study 2025 — https://www.simon-kucher.com/en/who-we-are/newsroom/software-leaders-brace-ai-shake-while-chasing-growth
6. Anthropic: Preisdokumentation (Cache, Batch, Referenzrechnung; Abruf 10.08.2026) — https://platform.claude.com/docs/en/about-claude/pricing
7. DeepSeek: API-Preisdokumentation (Cache-Treffer; Abruf 10.08.2026) — https://api-docs.deepseek.com/quick_start/pricing
8. Google: Gemini-API-Preisseite (Kontextstaffel ab 200.000 Token; Abruf 10.08.2026) — https://ai.google.dev/gemini-api/docs/pricing
9. OpenAI: API-Preisseite (Kontextstaffeln ab 272.000 Token; Abruf 10.08.2026) — https://developers.openai.com/api/docs/pricing
10. Gundlach et al.: The Price of Progress (MIT, arXiv, März 2026) — https://arxiv.org/abs/2511.23455
11. Epoch AI: LLM inference prices have fallen rapidly but unequally across tasks (Abruf 08/2026) — https://epoch.ai/data-insights/llm-inference-price-trends
12. Erol et al.: Cost-of-Pass, An Economic Framework for Evaluating Language Models (arXiv) — https://arxiv.org/abs/2504.13359
13. Zellinger, Thomson: Economic Evaluation of LLMs (Caltech, arXiv, Juli 2025) — https://arxiv.org/abs/2507.03834
14. Salesforce-Hilfe: Agentforce-Preismodelle (Conversations und Flex Credits) — https://help.salesforce.com/s/articleView?id=004811240&language=en_US&type=1
15. GitHub Blog: Copilot is moving to usage-based billing (Umstellung zum 01.06.2026) — https://github.blog/news-insights/company-news/github-copilot-is-moving-to-usage-based-billing/
16. Cursor Blog: June 2025 pricing (Umstellung, Entschuldigung, Rückerstattungen) — https://cursor.com/blog/june-2025-pricing
17. Intercom: Preisseite Fin (0,99 USD je Outcome; Abruf 10.08.2026) — https://www.intercom.com/pricing
18. HubSpot Company News: Now you pay when the task is complete (14.04.2026) — https://www.hubspot.com/company-news/hubspots-customer-agent-and-prospecting-agent-now-you-pay-when-the-task-is-complete
19. Zendesk Newsroom: Relate 2026, verifizierte Resolutions (19.05.2026) — https://www.zendesk.com/newsroom/press-releases/relate-2026/
20. SAP Learning: Evaluating the Commercial Model (Joule, AI Units) — https://learning.sap.com/courses/introducing-sap-joule-for-consultants/evaluating-the-commercial-model
21. hy × OMR Reviews: SaaS & AI Pricing Report 2026 (4.000+ Profile, 180 Befragte) — https://pricing.hy.co/
22. Ong et al.: RouteLLM, Learning to Route LLMs with Preference Data (ICLR 2025) — https://arxiv.org/abs/2406.18665
23. UCCI: Calibrated Uncertainty for Cost-Optimal LLM Cascade Routing (arXiv, Mai 2026) — https://arxiv.org/abs/2605.18796
24. LLMRouterBench (arXiv, Januar 2026) — https://arxiv.org/abs/2601.07206
25. Menlo Ventures: 2025 The State of Generative AI in the Enterprise (November 2025) — https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/

## Häufige Fragen

### Was ist die KI-Preistreppe?

Ein Ordnungsmodell für KI-Preismodelle in fünf Stufen: Preis je Token, Tarifmechanik (Cache, Batch, Kontextstaffeln), Preis je Fähigkeit, Kosten je gelöster Aufgabe und Preis je Ergebnis. Mit jeder Stufe wandert das Kostenrisiko weiter vom Kunden zum Anbieter.

### Welche KI-Preismodelle gibt es 2026?

Vier Grundtypen: Preis je Nutzer, Verbrauchspreise über Token oder Guthaben, Preis je Ergebnis und hybride Modelle aus Sockel plus Komponente. Hybride Modelle sind mit 37 Prozent inzwischen am weitesten verbreitet, ergebnisbasierte Preise führen Anbieter wie Intercom, HubSpot und Zendesk als Listenpreis.

### Warum ist das billigste KI-Modell oft nicht das günstigste?

Weil die Gesamtkosten von Erfolgsquote und Denk-Token abhängen. In 32 Prozent der untersuchten Modellpaare verursacht das billiger gelistete Modell höhere Gesamtkosten, weil mehr Anläufe und längeres Nachdenken den Listenpreisvorteil aufzehren.

### Was ist Outcome-Pricing bei KI?

Ein Preismodell, bei dem nur das verifizierte Ergebnis bezahlt wird, etwa ein gelöstes Kundenanliegen. Intercom berechnet 0,99 US-Dollar je Ergebnis, HubSpot 0,50 US-Dollar je gelöstem Gespräch, Zendesk lässt Lösungen vor der Abrechnung von einem zweiten KI-Modell bestätigen.