Produktionskosten

Wissen

"Was kostet ein Arbeitstag mit KI-Agents?" -- diese Frage stellt jeder Manager, und die Antwort ist selten so einfach wie "der API-Preis mal die Anzahl der Aufrufe". Produktionskosten umfassen direkte Token-Kosten, Infrastruktur, Monitoring, und den oft unterschätzten Faktor: menschliche Aufsicht.

Die vier Kostenschichten

Realistische Kostenberechnung: Ein Arbeitstag

Nehmen wir ein konkretes Szenario: Ein Multi-Agent System für automatisiertes Code-Review, das an einem typischen Arbeitstag 50 Pull Requests verarbeitet.

Agent-Konfiguration:

• Planner: Claude Opus (1 Aufruf/PR, ~2.000 Input-Tokens, ~500 Output-Tokens)
• Executor: Claude Haiku (5 Aufrufe/PR, ~1.500 Input-Tokens, ~300 Output-Tokens)
• Reviewer: Claude Sonnet (1 Aufruf/PR, ~3.000 Input-Tokens, ~800 Output-Tokens)

Tagesrechnung für 50 PRs:

Das sind rund $64/Monat nur für Token-Kosten. Mit Infrastruktur und Monitoring landest du bei etwa $120-170/Monat.

Verstehen

Kostenmodelle im Vergleich

Es gibt drei gängige Strategien, um Agent-Kosten zu managen:

1. Pay-per-Use (Standard)

• Du zahlst pro Token, wie die API es vorsieht
• Vorhersagbar bei stabilem Volumen
• Risiko: Unerwartete Spitzen (Agent-Loop-Explosionen)

2. Batched Processing

• Anthropic und OpenAI bieten Batch-APIs mit 50% Rabatt
• Aufgaben werden gesammelt und zeitversetzt verarbeitet
• Ideal für nicht-zeitkritische Aufgaben (z.B. nächtliche Code-Reviews)

3. Tiered Model Routing

• Einfache Aufgaben an Haiku, mittlere an Sonnet, komplexe an Opus
• Ein Router-Agent oder regelbasiertes System entscheidet
• Spart 30-50% gegenüber einem einheitlichen Modell

def route_to_model(task_complexity: str) -> str:
    """Routet Aufgaben zum passenden Modell basierend auf Komplexität."""
    routing = {
        "simple": "claude-haiku-4-5",     # Formatierung, einfache Checks
        "medium": "claude-sonnet-5",    # Code-Review, Analyse
        "complex": "claude-opus-5",     # Architektur-Entscheidungen
    }
    return routing.get(task_complexity, "claude-sonnet-5")

def estimate_daily_cost(
    tasks_per_day: int,
    avg_tokens_per_task: int,
    model: str
) -> float:
    """Schätzt die täglichen Kosten für einen Agent."""
    pricing = {
        "claude-opus-5": 5.0,
        "claude-sonnet-5": 3.0,
        "claude-haiku-4-5": 1.0,
    }
    price_per_million = pricing.get(model, 3.0)
    total_tokens = tasks_per_day * avg_tokens_per_task
    return (total_tokens / 1_000_000) * price_per_million

Budgetierung: Die 80/20-Regel

In der Praxis gilt: 80% der Kosten entstehen durch 20% der Aufgaben. Das sind typischerweise die komplexen Aufgaben, bei denen der Agent viele Iterationen braucht oder der Planner ein teures Modell verwendet.

Optimierungshebel (nach Wirksamkeit sortiert):

1. Context-Trimming: Alte Ergebnisse zusammenfassen statt komplett mitschicken (spart 30-40%)
2. Model-Routing: Einfache Schritte an günstiges Modell (spart 20-30%)
3. Batch-Processing: Nicht-zeitkritische Aufgaben sammeln (spart 50% auf diese Aufgaben)
4. Caching: Wiederholte Anfragen zwischenspeichern (spart 10-20%)
5. Plan-Optimierung: Planner anweisen, kompakte Pläne zu erstellen (spart 15-25%)

Anwenden

Reflektieren

Kostenmanagement bei KI-Agents ist kein einmaliges Setup, sondern ein kontinuierlicher Prozess. Preise ändern sich, neue Modelle erscheinen, und dein Nutzungsmuster entwickelt sich weiter. Der Schlüssel ist ein gutes Monitoring (vorheriger Abschnitt), das dir ermöglicht, datenbasiert zu optimieren statt zu raten. Ein Agent, der $100/Monat kostet und einem Entwickler 2 Stunden/Tag spart, ist eine exzellente Investition. Ein Agent, der $500/Monat kostet und 30 Minuten spart, ist es nicht.