Zum Inhalt springen
LLM Pricing Calc
Preise zuletzt geprüft

LLM Kostenrechner für API- und KI-Agent-Kosten

Berechnen Sie die LLM-API-Kosten für 35 Modelle von OpenAI, Anthropic Claude, Google Gemini, DeepSeek und xAI, inklusive Prompt Caching, Batch-API-Rabatten, Multi-Turn-Agent-Schleifen und versteckten Reasoning-Tokens.

Workload

Schnellvorlagen

1.000 Tokens ≈ 750 englische Wörter.

Pro-/Agent-Modus

Caching, Batch, Multi-Turn-Schleifen, Reasoning-Tokens

Kostenvergleich

Günstigstes / Monat

$10.65

Claude Haiku 5.5

Teuerstes / Monat

$425.88

Claude Opus 5.5

Tokens / Anfrage

1.5K Input

400 Output (günstigstes Modell)

Geschätzte Kosten pro Modell
Entfernen
Claude Haiku 5.5Am günstigstenAnthropic · $0.10 / $0.50$0.00035$0.35$10.65$127.75
GPT-6 LunaOpenAI · $0.10 / $0.50$0.00035$0.35$10.65$127.75
DeepSeek V4 ProDeepSeek · $1.32 / $3.96$0.00356$3.56$108.42$1,301
Grok 4.7xAI · $2.00 / $6.00$0.0054$5.40$164.27$1,971
Claude Sonnet 5.5Anthropic · $2.00 / $10.00$0.007$7.00$212.94$2,555
GPT-6.2 SolOpenAI · $2.00 / $10.00$0.007$7.00$212.94$2,555
Gemini 4 CarbonGoogle · $2.00 / $10.00$0.007$7.00$212.94$2,555
Claude Opus 5.5Anthropic · $4.00 / $20.00$0.014$14.00$425.88$5,110

Monatlich = täglich × 30,42. Preise sind Listenpreise für die Standard-Kontextstufe. Long-Context-Aufschläge, regionale Preise und Steuern sind nicht enthalten.Offizielle Preise: Anthropic ↗ · OpenAI ↗ · Google ↗ · DeepSeek ↗ · xAI ↗

Weitere KI-Kostenrechner

Ratgeber

So funktioniert die Token-Abrechnung bei LLMs

Jede große LLM-API rechnet nach Tokens ab. Ein Token ist ein Textstück von etwa vier Zeichen oder drei Vierteln eines englischen Wortes. Preise werden pro Million Tokens angegeben, und Input-Tokens (Ihr System-Prompt, der Gesprächsverlauf, abgerufene Dokumente und Tool-Ergebnisse) werden getrennt von Output-Tokens (dem Text, den das Modell erzeugt) abgerechnet. Output ist fast immer der teure Teil: Bei den meisten aktuellen Modellen kostet er pro Token vier- bis fünfmal so viel wie Input, weil das Erzeugen von Tokens nacheinander weit mehr GPU-Zeit beansprucht als das parallele Einlesen eines Prompts.

Daraus ergibt sich eine einfache Formel für jede einzelne Anfrage: Input-Tokens × Input-Preis ÷ 1 Mio. + Output-Tokens × Output-Preis ÷ 1 Mio.. Eine Chatbot-Anfrage mit 2.000 Input-Tokens und 500 Output-Tokens auf Claude Sonnet 5.5 ($2.00 Input / $10.00 Output pro 1 Mio.) kostet etwa $0.009. Bei 10.000 Anfragen pro Tag sind das rund $2,738 im Monat. Der Rechner oben macht genau das für alle Modelle gleichzeitig, sodass Sie sehen, was derselbe Workload bei verschiedenen Anbietern kostet.

API-Preise von OpenAI, Claude und Gemini im Vergleich

Listenpreise sind ein Ausgangspunkt, nicht die Antwort. Zwei Modelle mit gleichem Preis pro Token können sehr unterschiedliche Rechnungen erzeugen, wenn eines längere Antworten schreibt, einen längeren Prompt braucht, um sich richtig zu verhalten, oder mehr versteckte Reasoning-Tokens verbraucht. Mittelklasse-Modelle wie Claude Sonnet 5.5, GPT-6.2 Sol und Gemini 4 Carbon sind heute nahezu gleich bepreist, daher sollten Sie für einen fairen LLM-Kostenvergleich Ihre eigenen Token-Zahlen durch jedes Modell rechnen. Einen schnellen Überblick über alle Input-, Cache- und Output-Preise bietet die LLM-API-Preistabelle.

Warum Multi-Turn-KI-Agents mehr kosten als Chatbots

LLM-APIs sind zustandslos. Um ein Gespräch fortzusetzen, sendet Ihr Code bei jedem Aufruf den gesamten Verlauf erneut, und ein Agent fügt diesem Verlauf bei jedem Schritt Tool-Definitionen, Tool-Aufrufe und Tool-Ausgaben hinzu. Die Input-Tokens wachsen daher mit jedem Turn, und der gesamte Input einer Session wächst ungefähr mit dem Quadrat der Anzahl an Turns.

Nehmen wir einen Coding- oder Research-Agent, der mit 12.000 Tokens Kontext startet, pro Turn 2.500 Tokens Tool-Output und 500 Tokens eigenen Output hinzufügt und 25 Turns läuft. Eine naive Schätzung ergibt 25 × 12.000 = 0,3 Mio. Input-Tokens. Der tatsächliche Wert liegt bei etwa 1,2 Mio., also 4× höher, weil Turn 25 alles erneut liest, was die ersten 24 Turns erzeugt haben. Ohne Caching kostet diese eine Session rund $2.52 auf Claude Sonnet 5.5. Ein Kostenrechner für KI-Agents muss dieses Kontextwachstum abbilden, und genau das macht der Pro-/Agent-Modus oben. Voice Agents folgen bei jedem gesprochenen Turn demselben Muster; der Kostenrechner für KI-Voice-Agents bildet das zusammen mit Speech-to-Text, Text-to-Speech und Telefonie ab.

Wie Prompt Caching und Batch-API-Rabatte Ihre Rechnung senken

Prompt Caching

Weil Agents immer wieder denselben Präfix senden, lassen Anbieter Sie diesen cachen. Gecachte Input-Tokens kosten auf Claude Sonnet 5.5 $0.10 pro 1 Mio. statt $2.00, ein Rabatt von 95 %. Anthropic berechnet einen Aufschlag für das Schreiben in den Cache ($2.50 pro 1 Mio.); OpenAI und Google cachen automatisch bei Prompts ab einer Mindestlänge. Mit einer Cache-Trefferquote von 85 % sinkt die Agent-Session oben von $2.52 auf etwa $0.677, eine Ersparnis von 73 %. Für hohe Trefferquoten halten Sie alles Stabile (System-Prompt, Tool-Schemas, Referenzdokumente) am Anfang des Prompts und hängen neue Inhalte ans Ende an. Ein Zeitstempel oder eine User-ID weit oben im Prompt bricht den Cache bei jeder Anfrage.

Batch API

Wenn Sie keine Antwort in Echtzeit brauchen, gewährt die Batch API von OpenAI, Anthropic und Google 50 % Rabatt auf Input- und Output-Tokens, im Gegenzug kommen die Ergebnisse innerhalb von 24 Stunden. Evals, Dokumentklassifizierung, Datenextraktion, nachträgliches Erzeugen von Embeddings und nächtliche Zusammenfassungen eignen sich gut dafür. Batch- und Caching-Rabatte lassen sich kombinieren, weshalb Offline- Pipelines oft die günstigsten LLM-Workloads sind.

Wie versteckte Reasoning-Tokens abgerechnet werden

Reasoning-Modelle denken nach, bevor sie antworten. Diese Thinking-Tokens werden wie jeder andere Output erzeugt und zum Output-Preis abgerechnet, doch die meisten APIs zeigen sie Ihnen nie. Eine sichtbare Antwort von 500 Tokens, die 1.000 Tokens Reasoning benötigte, wird als 1.500 Output-Tokens abgerechnet: $0.015 statt $0.005 auf Claude Sonnet 5.5. Der Reasoning- Verbrauch hängt von der Schwierigkeit der Aufgabe und den Effort-Einstellungen ab. Messen Sie ihn daher am usage-Feld echter Antworten und stellen Sie den Reasoning-Faktor im Rechner entsprechend ein. Reasoning-Tokens werden nicht in den Kontext des nächsten Turns übernommen, sie erhöhen also die Output-Kosten, ohne die Input-Seite einer Agent-Schleife aufzublähen.

Praktische Tipps, um monatliche LLM-API-Kosten zu senken

  1. Nach Schwierigkeit routen. Schicken Sie einfache Klassifizierungs-, Extraktions- und Routing-Aufrufe an ein günstiges Modell und reservieren Sie Flagship-Modelle für die schweren Fälle. Viele Teams senken ihre Ausgaben so um 60–80 %.
  2. Output-Länge begrenzen. Output-Tokens sind der teure Teil. Setzen Sie max_tokens, fordern Sie knappe Formate wie JSON an und vermeiden Sie, dass das Modell seinen Input wiederholt.
  3. Prompts fürs Caching gestalten. Stabile Inhalte zuerst, variable Inhalte zuletzt, und prüfen Sie die Anzahl gecachter Tokens in den API-Antworten, um Treffer zu bestätigen.
  4. Agent-Kontext kürzen. Fassen Sie alte Tool-Ausgaben zusammen oder verwerfen Sie sie, statt vollständige Dateiinhalte und Logs durch jeden Turn mitzuschleppen.
  5. Alles per Batch verarbeiten, was warten kann. Der halbe Preis für dasselbe Modell ist die einfachste verfügbare Ersparnis.
  6. Reasoning-Effort anpassen. Nutzen Sie niedrigen oder mittleren Effort oder ein Modell ohne Reasoning, wo tiefes Nachdenken die Ergebnisse nicht verbessert.
  7. Self-Hosting bei hohem Volumen neu prüfen. Bei Milliarden Tokens pro Monat kann ein Open-Weight-Modell auf einer dedizierten GPU günstiger sein. Mit dem Break-Even-Rechner für API vs. Self-Hosting finden Sie Ihren Schnittpunkt, mit dem LLM-VRAM-Rechner dimensionieren Sie die Hardware.

Jeder Wert in diesem Rechner steht in der URL der Seite. Sobald Sie eine Schätzung haben, können Sie den Link kopieren und mit Ihrem Team oder Ihrer Finanzabteilung teilen.

So wird gerechnet

Für eine einzelne Anfrage gilt einfach: Kosten = Tokens × Preis. Echte Workloads sind komplizierter, daher ergänzt der Pro-Modus vier Dinge, die die meisten Rechner weglassen:

  • Kontextwachstum. In Turn k einer Agent-Schleife liest das Modell Input + k × (Kontext-Zuwachs + Output) Tokens erneut.
  • Prompt Caching. Cache-Treffer werden zum Cache-Preis des Anbieters abgerechnet. Fehltreffer zum Cache-Write-Preis, sofern es einen gibt (Anthropic: 1,25× Input).
  • Batch API. 50 % Rabatt auf alles, nur bei Anbietern, die das anbieten.
  • Reasoning-Tokens. Verstecktes Thinking, als Output abgerechnet, nur bei Reasoning-Modellen. Es wird nicht in den Kontext übernommen.

Formel für eine Agent-Session

input_tokens  = T·I + (G + O)·T(T−1)/2
output_tokens = T·O·R
cost = (1−h)·input·P_miss + h·input·P_cached
     + output·P_out        (× 0.5 if batch)

T Turns · I initialer Kontext · G Kontext-Zuwachs pro Turn · O Output pro Turn · R Reasoning-Faktor · h Cache-Trefferquote

FAQ zu LLM-Preisen

Was kosten 1 Million (1M) Tokens bei einem LLM?

Eine Million Tokens entspricht etwa 750.000 englischen Wörtern und ist die Einheit, in der alle Anbieter ihre Preise angeben. Aktuell kosten 1 Mio. Tokens zwischen $0.10 Input / $0.50 Output auf Claude Haiku 5.5 und $8.00 Input / $40.00 Output auf GPT-6.2 Astra. Mittelklasse-Modelle wie Claude Sonnet 5.5 liegen bei $2.00 Input / $10.00 Output.

Wie werden LLM-API-Kosten berechnet?

Anbieter rechnen Input-Tokens (Prompt) und Output-Tokens (Completion) getrennt ab, jeweils mit einem Preis pro 1 Million Tokens. Kosten pro Anfrage = Input-Tokens × Input-Preis ÷ 1.000.000 + Output-Tokens × Output-Preis ÷ 1.000.000. Beispiel: 2.000 Input- und 500 Output-Tokens auf Claude Sonnet 5.5 kosten $0.009, bei 10.000 Anfragen pro Tag sind das etwa $2,738 im Monat.

Wie berechne ich den Preis eines Tokens?

Teilen Sie den Preis pro Million durch 1.000.000. Claude Sonnet 5.5 kostet $2.00 pro 1 Mio. Input-Tokens, ein Input-Token kostet also $0.000002 und ein Output-Token $0.00001. Multiplizieren Sie diesen Preis pro Token mit Ihrer Token-Anzahl oder lassen Sie den Rechner oben das für alle Modelle gleichzeitig erledigen.

Wie rechnet man Wörter oder Zeichen in LLM-Tokens um?

Bei englischem Text entspricht 1 Token etwa 4 Zeichen oder 0,75 Wörtern, also Tokens ≈ Wörter × 1,33 oder Zeichen ÷ 4. Ein Artikel mit 1.500 Wörtern hat ungefähr 2.000 Tokens. Code, nicht-englische Sprachen und Zahlen brauchen meist mehr Tokens pro Wort. Für exakte Werte nutzen Sie den Tokenizer des Anbieters oder das usage-Feld in API-Antworten.

Wie lang ist ein LLM-Token?

Ein Token umfasst im Schnitt etwa 4 Zeichen englischen Textes, rund drei Viertel eines Wortes. Häufige Wörter sind ein einzelnes Token, lange oder seltene Wörter werden in mehrere Teile zerlegt. Leerzeichen und Satzzeichen zählen mit, und jede Modellfamilie nutzt ihren eigenen Tokenizer, sodass derselbe Text auf verschiedenen Modellen leicht unterschiedliche Token-Zahlen ergeben kann.

Was kosten 1.000 KI-Tokens?

1.000 Input-Tokens kosten $0.0001 auf Claude Haiku 5.5, $0.002 auf Claude Sonnet 5.5 und $0.008 auf GPT-6.2 Astra. Als Output kosten dieselben 1.000 Tokens jeweils $0.0005, $0.01 und $0.04. Das sind etwa 750 Wörter, weshalb die Kosten pro Anfrage meist nur Bruchteile eines Cents betragen.

Was kosten 4.000 Tokens?

4.000 Input-Tokens kosten $0.0004 auf Claude Haiku 5.5, $0.008 auf Claude Sonnet 5.5 und $0.032 auf GPT-6.2 Astra. Als Output kosten dieselben 4.000 Tokens jeweils $0.002, $0.04 und $0.16. 4.000 Tokens sind etwa 3.000 Wörter, ein typischer Chatbot-Prompt mit etwas Gesprächsverlauf.

Was kosten 100.000 (100K) Tokens?

100.000 Input-Tokens kosten $0.01 auf Claude Haiku 5.5, $0.20 auf Claude Sonnet 5.5 und $0.80 auf GPT-6.2 Astra. Als Output kosten dieselben 100.000 Tokens jeweils $0.05, $1.00 und $4.00. 100K Tokens sind etwa 75.000 Wörter, ungefähr die Länge eines ganzen Romans.

Was kosten 300.000 Tokens?

300.000 Input-Tokens kosten $0.03 auf Claude Haiku 5.5, $0.60 auf Claude Sonnet 5.5 und $2.40 auf GPT-6.2 Astra. Als Output kosten dieselben 300.000 Tokens jeweils $0.15, $3.00 und $12.00. 300K Tokens sind etwa 225.000 Wörter, rund drei Romane oder eine große Codebasis.

Was kosten 500.000 Tokens?

500.000 Input-Tokens kosten $0.05 auf Claude Haiku 5.5, $1.00 auf Claude Sonnet 5.5 und $4.00 auf GPT-6.2 Astra. Als Output kosten dieselben 500.000 Tokens jeweils $0.25, $5.00 und $20.00. 500K Tokens sind etwa 375.000 Wörter, ein übliches Volumen für eine lange Multi-Turn-Agent-Session.

Wie viele Wörter sind 20.000 Tokens?

20.000 Tokens sind etwa 15.000 englische Wörter oder rund 30 Seiten mit einfachem Zeilenabstand. Diese Menge als Input zu lesen kostet $0.002 auf Claude Haiku 5.5 und $0.04 auf Claude Sonnet 5.5. Code und nicht-englischer Text ergeben weniger Wörter pro Token.

Wie viel Text sind 1.000.000 Tokens?

1.000.000 Tokens sind etwa 750.000 Wörter, rund 1.500 Seiten mit einfachem Zeilenabstand oder zehn durchschnittlich lange Romane. Viele aktuelle Modelle, darunter Claude Sonnet 5.5 und GPT-6.2 Astra, akzeptieren rund 1 Mio. Tokens Kontext in einer einzigen Anfrage. So viel Input kostet $2.00 auf Claude Sonnet 5.5.

Wie werden OpenAI- und ChatGPT-API-Tokens abgerechnet?

ChatGPT-Abos sind monatliche Pauschalen, die OpenAI API rechnet dagegen pro Token ab, mit getrennten Input- und Output-Preisen pro 1 Mio. Tokens. Aktuelle Preise: GPT-6.2 Astra $8.00 Input / $40.00 Output; GPT-6.2 Sol $2.00 Input / $10.00 Output; GPT-6 Luna $0.10 Input / $0.50 Output. Gecachter Input auf GPT-6.2 Sol sinkt auf $0.10 pro 1 Mio., und die Batch API gewährt 50 % Rabatt auf beide Seiten.

Was kostet ein LLM-Token aktuell bei den großen Anbietern?

Stand 21. Nov. 2026 liegen die Listenpreise pro 1 Mio. Tokens für bekannte Modelle bei: Anthropic $0.10–$8.00 Input und $0.50–$40.00 Output; OpenAI $0.10–$8.00 Input und $0.50–$40.00 Output; Google $0.75–$3.00 Input und $3.75–$15.00 Output; DeepSeek $0.30–$1.32 Input und $1.20–$3.96 Output; xAI $2.00 Input und $6.00 Output. Die günstigsten weit verbreiteten Closed-Modelle bei einem Input-Output-Verhältnis von 3:1 sind Claude Haiku 5.5, GPT-6 Luna, DeepSeek V4.1 Flash. Gehostete Open-Weight-Modelle wie Llama und Qwen können noch günstiger sein.

Warum sind Output-Tokens teurer als Input-Tokens?

Input-Tokens werden parallel in einem Durchlauf verarbeitet, Output-Tokens dagegen einzeln nacheinander erzeugt, wobei jedes einen vollständigen Durchlauf durch das Modell braucht. Sie beanspruchen daher weit mehr GPU-Zeit. Deshalb kostet Output typischerweise etwa 5× so viel wie Input; auf Claude Sonnet 5.5 sind es $10.00 vs. $2.00 pro 1 Mio. Die Antwortlänge zu begrenzen, ist eine der wirksamsten Methoden, die Rechnung zu senken.

Wie viel spart Prompt Caching bei LLM-API-Kosten?

Gecachte Input-Tokens kosten auf Claude Sonnet 5.5 $0.10 pro 1 Mio. statt $2.00, ein Rabatt von 95 %, allerdings berechnet Anthropic $2.50 pro 1 Mio. für das Schreiben in den Cache. In einer Agent-Session mit 25 Turns und 85 % Cache-Trefferquote sinken die Kosten von $2.52 auf $0.677, eine Ersparnis von 73 %. Halten Sie stabile Inhalte wie System-Prompts und Tool-Schemas am Anfang des Prompts, um möglichst viele Treffer zu erzielen.

Wie werden versteckte Reasoning- bzw. Thinking-Tokens abgerechnet?

Reasoning-Modelle erzeugen vor der sichtbaren Antwort Thinking-Tokens und rechnen sie zum Output-Preis ab, obwohl die meisten APIs sie nicht zurückgeben. Eine Antwort von 500 Tokens, die 1.000 Tokens Reasoning benötigte, wird als 1.500 Output-Tokens abgerechnet: $0.015 statt $0.005 auf Claude Sonnet 5.5. Stellen Sie den Reasoning-Faktor im Rechner so ein, wie es das usage-Feld echter Antworten zeigt.

Warum kosten Multi-Turn-KI-Agents mehr als einfache Chatbots?

LLM-APIs sind zustandslos, daher sendet ein Agent bei jedem Turn das gesamte Gespräch, die Tool-Definitionen und die Tool-Ergebnisse erneut. Eine Session mit 25 Turns, die mit 12K Tokens Kontext startet und pro Turn um 3K wächst, liest etwa 1,2 Mio. Input-Tokens, nicht 0,3 Mio. Ohne Caching kostet das etwa $2.52 auf Claude Sonnet 5.5; aktivieren Sie oben den Pro-/Agent-Modus, um das abzubilden.

Wie hoch ist der Batch-API-Rabatt?

OpenAI, Anthropic und Google bieten eine asynchrone Batch API an, die Ergebnisse innerhalb von 24 Stunden mit 50 % Rabatt auf Input- und Output-Tokens liefert. Sie eignet sich für Evals, Klassifizierung, nachträgliches Erzeugen von Embeddings und nächtliche Reports. Der Batch-Schalter im Rechner wendet den Rabatt nur auf Modelle an, deren Anbieter ihn anbietet.

Wie genau sind diese LLM-Preise?

Die Preise stammen von der offiziellen Preisseite des jeweiligen Anbieters und wurden zuletzt am 21. Nov. 2026 geprüft. Jede Eingabe wird in der URL der Seite gespeichert, sodass Sie eine exakte Schätzung mit Ihrem Team teilen können. Prüfen Sie die Preise immer auf der Website des Anbieters, bevor Sie ein Budget festlegen, denn sie ändern sich häufig.