Was kostet KI im Unternehmen? Abos, APIs und Betrieb

KI-Kosten im Unternehmen beginnen oft mit einem überschaubaren Abo. Sobald Dokumente, Werkzeuge und betriebliche Prozesse hinzukommen, verändert sich die Rechnung. Die Frage lautet dann, was ein akzeptiertes Ergebnis einschließlich Kontrolle und Betrieb kostet. Ein günstiger Modellaufruf kann dabei nur eine kleine Position sein.

Dieser Beitrag zeigt drei ausdrücklich hypothetische Rechnungen. Anbieterpreise sind zum 1. November 2026 geprüft; Mengen und Arbeitsabläufe sind Annahmen. Personal- und Integrationsaufwand bleiben Variablen, weil dafür keine belastbaren allgemeinen NEXRUM-Werte vorliegen. USD und EUR werden nicht umgerechnet. Anfallende Steuern und regionale Rechnungsbedingungen müssen für den konkreten Einkauf geprüft werden.

Bei fertigen Anwendungen bezahlen Sie typischerweise einen Tarif pro Person. Darin enthaltene Funktionen und Nutzungslimits sind Teil dieses Produkts. Eine API berechnet dagegen beispielsweise verarbeitete Tokens, Werkzeugaufrufe oder Generierungssekunden. Ein Anwendungsabo ist keine allgemeine API-Flatrate.

Tokens sind Verarbeitungseinheiten für Text und andere Inhalte. Input und Output haben häufig unterschiedliche Preise. Ein langer Dokumentkontext kann deshalb erheblich mehr kosten als die eigentliche Nutzerfrage. Bei Reasoning-Modellen muss außerdem geprüft werden, welche internen Ausgabetokens abrechenbar sind.

Caching kann wiederverwendete Eingaben verbilligen. Die Regeln unterscheiden sich jedoch nach Anbieter. Cache-Schreiben, Lesen und gegebenenfalls Speicherzeiten können eigene Kosten verursachen. Kalkulieren Sie keine hohe Trefferquote, solange der konkrete Ablauf sie nicht nachweist. Wiederholte Anfragen sind nicht automatisch cachefähig.

Unsere Einordnung: Beginnen Sie mit einer Liste der verwendeten Einheiten. Das macht Angebote und spätere Rechnungen vergleichbar. Ein niedriger Tokenpreis allein beantwortet noch nicht, welches System günstiger arbeitet.

Datenaufbereitung kann vor dem ersten produktiven Aufruf Arbeit verursachen. Eine Dateiablage mit widersprüchlichen Fassungen braucht Zuständigkeiten und eine Bereinigung. Ein niedriger API-Preis löst dieses Problem nicht. Bei einem internen Assistenten ist deshalb die Wissensarchitektur mit RAG Teil der Budgetplanung.

Auch Schulung und Verantwortlichkeiten gehören dazu. Mitarbeiter müssen wissen, welche Daten verwendet werden dürfen und wie Ergebnisse geprüft werden. Der Aufwand hängt von Anwendung und Aufgabe ab. Eine pauschale durchschnittliche Einführungssumme wäre ohne festgelegten Leistungsumfang wenig hilfreich.

Wir nehmen ein hypothetisches Team mit fünf Nutzern an. Als Preisgrundlage dient ChatGPT Business. Die geöffnete Anwendungs-Preisseite nennt 20 USD pro Person und Monat bei jährlicher Abrechnung beziehungsweise 25 USD bei monatlicher Abrechnung. Der geprüfte Tarif beginnt bei zwei Personen. Diese Werte beschreiben den Anwendungszugang und seine Bedingungen zum Prüfstand.

Die niedrigere Jahressumme steht einer längeren Bindung gegenüber. Ob sie sinnvoll ist, hängt von der geplanten Nutzung und den Vertragsbedingungen ab. Einrichtung, Schulung und interne Prüfung kommen hinzu. Deren Kosten berechnen Sie mit den tatsächlich eingeplanten Stunden. Ein wirtschaftlicher Vorteil ergibt sich erst aus einem Vergleich mit dem bisherigen Prozess.

Einzelabos und Geschäftskundentarife sind getrennt zu betrachten. Für vertrauliche Betriebsdaten können Vertrags- und Verwaltungsfunktionen wichtiger sein als eine kleine Tarifdifferenz. Unsere Empfehlung ist, diese Anforderungen vor dem Preisvergleich aufzuschreiben.

Der zweite Fall nimmt 2.000 Fragen im Monat an. Jede Frage erzeugt einen Aufruf von GPT-6.1 Sol mit 6.000 Inputtokens einschließlich Fundstellen sowie 1.000 vollständig abrechenbaren Outputtokens. Es gibt keinen Cache-Rabatt und keine Wiederholung. Die OpenAI-API-Preisliste nennt dafür 2 USD pro Million Inputtokens und 10 USD pro Million Outputtokens.

Zusätzlich nehmen wir einen Dateisuchaufruf je Frage an. Dieser kostet laut derselben Quelle 2,50 USD pro 1.000 Aufrufe. Der abgerechnete Suchindex belegt konstant 3 GB. Für den angenommenen Monat mit 30 Tagen steht das erste kostenlose GB noch zur Verfügung; weitere Speicherung kostet 0,10 USD pro GB und Tag.

Diese 55 USD sind kein vollständiger Angebotspreis. Hosting der Anwendung, Einlesen der Dateien, Zugriffsschutz und Betreuung fehlen bewusst in der Anbietersumme und müssen ergänzt werden. Der Speicherwert ist eine Annahme für den abgerechneten Index, keine Aussage über die Größe ursprünglicher PDF-Dateien.

Wächst der Kontext oder werden mehrere Modellaufrufe nötig, ändert sich die Rechnung. Bei Sol nennt die Modellseite außerdem andere Preise für sehr lange Anfragen oberhalb von 272.000 Inputtokens. Der hier verwendete kleine Kontext erreicht diese Schwelle nicht.

Wir nehmen 10.000 betriebliche Vorgänge pro Monat an. Jeder Vorgang benötigt drei Luna-Aufrufe. Zehn Prozent der Vorgänge werden genau einmal vollständig wiederholt. Damit entstehen 11.000 Durchläufe und insgesamt 33.000 Modellaufrufe. Je Aufruf rechnen wir mit 2.000 Input- und 300 Outputtokens.

Für GPT-6 Luna nennt die offizielle Modellseite 0,10 USD pro Million Inputtokens und 0,50 USD pro Million Outputtokens. Die vereinfachte Rechnung verwendet Standardpreise ohne Cache oder gesonderte Werkzeuge.

Nun die Kontrolle. Angenommen, ein Mensch prüft 20 Prozent der ursprünglichen Vorgänge für jeweils drei Minuten. Das ergibt 10.000 × 0,20 × 3 ÷ 60 = 100 Arbeitsstunden. Die Kontrollkosten betragen somit 100 × Ihren internen Stundensatz. Zusätzliche Nacharbeit, kritische Fehler und andere Werkzeuge sind noch nicht enthalten.

Gerade dieser Fall zeigt, warum die Modellkosten den Prozesspreis schlecht vertreten. Die angenommene Wiederholungsquote und der Prüfanteil sind keine gemessenen Qualitätswerte. Ein Pilot muss sie erst ermitteln. Wie Sie einen solchen Versuch begrenzen, beschreibt der Beitrag über KI-Agenten.

Setzen Sie Kostenwarnungen, maximale Versuchszahlen und Grenzen pro Vorgang. Erfassen Sie anschließend Anbieterrechnung und akzeptierte Ergebnisse gemeinsam. Bei einem Modellwechsel sollte derselbe Testbestand erneut geprüft werden. Ein günstigerer Aufruf kann mehr Wiederholungen auslösen oder zusätzliche Kontrolle verlangen.

Vergleichen Sie im laufenden Betrieb die angenommenen Mengen mit der tatsächlichen Rechnung. Dafür sollte jeder Vorgang einer Kostenstelle und einer Anwendung zugeordnet werden können. Unerwartet lange Kontexte, mehrfache Dateisuchen oder abgebrochene Versuche fallen sonst erst in der Gesamtsumme auf. Prüfen Sie auch, ob ungenutzte Sitzplätze weiterhin bezahlt werden. Wenn ein Pilot erweitert wird, braucht er eine neue Mengenschätzung und einen klaren Verantwortlichen für Budgetänderungen. Eine Kostengrenze sollte außerdem festlegen, was bei ihrem Erreichen passiert. Ein kontrollierter Stopp mit menschlicher Übernahme kann sinnvoller sein als weitere automatische Versuche ohne festes Ende.

Unsere Empfehlung ist ein kleines Budgetmodell mit veränderbaren Mengen. Rechnen Sie einen erwarteten und einen ungünstigen Nutzungsfall. Hinterlegen Sie Personalpositionen mit Ihren tatsächlichen Werten. Die KI-Beratung kann daraus eine belastbare Entscheidungsgrundlage entwickeln. Über Kontakt besprechen wir Ihren vorgesehenen Ablauf und dessen Kostenstellen.