Token-Preise und Modellnamen entsprechen dem Stand vom November 2026 (Anthropic-Tarife: Opus 5.5, Sonnet 5.5, Haiku 5.5). Prüfe vor Kostenkalkulationen die offizielle Preisliste — die Anbieter passen Tarife regelmäßig an, und seit Opus 4.7 verwenden die Claude-Modelle einen neuen Tokenizer, der pro Anfrage rund 30 % mehr Tokens als ältere Modelle produziert.
Schritt 1 von 4Wissen
"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
| Schicht | Beispiele | Anteil an Gesamtkosten |
|---|---|---|
| Direkte Token-Kosten | API-Aufrufe an LLM-Provider | 40-60% |
| Infrastruktur | Server, Docker, Datenbanken, Speicher | 15-25% |
| Monitoring & Ops | Logging-Tools, Alerting, Dashboards | 5-10% |
| Human Oversight | Reviewer-Zeit, Escalation-Handling | 15-30% |
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:
| Agent | Aufrufe/Tag | Input-Tokens | Output-Tokens | Kosten/Tag |
|---|---|---|---|---|
| Planner (Opus 5.5) | 50 | 100.000 | 25.000 | $0.90 |
| Executor (Haiku 5.5) | 250 | 375.000 | 75.000 | $0.08 |
| Reviewer (Sonnet 5.5) | 50 | 150.000 | 40.000 | $0.70 |
| Gesamt | 350 | 625.000 | 140.000 | $1.68/Tag |
Das sind rund $37/Monat (22 Arbeitstage) nur für Token-Kosten. Mit Infrastruktur und Monitoring landest du grob geschätzt bei etwa $95-145/Monat. Auffällig: Der Executor macht die meisten Aufrufe, kostet mit Haiku 5.5 aber fast nichts — solange die Prompts unter 100.000 Tokens bleiben, denn darüber verfünffacht sich der Haiku-Preis.
Schritt 2 von 4Verstehen
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-5-5", # Formatierung, einfache Checks
"medium": "claude-sonnet-5-5", # Code-Review, Analyse
"complex": "claude-opus-5-5", # Architektur-Entscheidungen
}
return routing.get(task_complexity, "claude-sonnet-5-5")
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": 4.0,
"claude-sonnet-5-5": 2.0,
"claude-haiku-5-5": 0.10,
}
price_per_million = pricing.get(model, 2.0)
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):
- Context-Trimming: Alte Ergebnisse zusammenfassen statt komplett mitschicken (spart 30-40%)
- Model-Routing: Einfache Schritte an günstiges Modell (spart 20-30%)
- Batch-Processing: Nicht-zeitkritische Aufgaben sammeln (spart 50% auf diese Aufgaben)
- Caching: Wiederholte Anfragen zwischenspeichern (spart 10-20%)
- Plan-Optimierung: Planner anweisen, kompakte Pläne zu erstellen (spart 15-25%)
Schritt 3 von 4Anwenden
Schritt 4 von 4Reflektieren
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.