KI-Prompt-Kostenrechner: Schätzen Sie Token-Kosten über Modelle hinweg (2026)

Zwei Zahlen treiben jede Schätzung an: wie viele Tokens Sie senden (Input) und wie viele das Modell zurückgibt (Output). Jede hat seinen eigenen Preis, angegeben pro 1.000.000 Tokens.

Die Formel:

``` cost = (input_tokens / 1,000,000) * input_price_per_M + (output_tokens / 1,000,000) * output_price_per_M ```

Um Token-Zahlen vor einer genauen Tokenizer-Zählung zu schätzen, verwenden Sie die Faustregel, dass 1 Token ungefähr 4 Zeichen oder etwa 0,75 Wörter Englisch entspricht (eine grobe Schätzung nach OpenAI- und Anthropic-Dokumentation). Ein Prompt mit 500 Wörtern sind also ungefähr 500 ÷ 0,75 ≈ 667 Input-Tokens. Dies ist eine Näherung; Leerzeichen, Satzzeichen, Code und nicht-englischer Text verschieben das Verhältnis.

Output dominiert viele Rechnungen, da Output-Preise typischerweise mehrfach höher als Input-Preise sind und lange Generationen sich schnell summieren. Wenn eine Aufgabe statt Prosa eine kurze strukturierte Antwort liefern kann, spart das allein Kosten.

Angenommen, Sie senden einen 750-Wörter-Prompt und erhalten eine 750-Wörter-Antwort zurück. Bei ~0,75 Wörtern pro Token sind das etwa 1.000 Input-Tokens und 1.000 Output-Tokens — je 0,001 M.

Bei gpt-5.4 ($2,50 Input / $15,00 Output pro 1M): Input = 0,001 × $2,50 = $0,0025; Output = 0,001 × $15,00 = $0,015; insgesamt ≈ $0,0175 pro Aufruf.

Bei Claude Sonnet 4.6 ($3,00 / $15,00): Input = 0,001 × $3,00 = $0,003; Output = 0,001 × $15,00 = $0,015; insgesamt ≈ $0,018 pro Aufruf.

Bei Gemini 2.5 Flash ($0,30 / $2,50): Input = 0,001 × $0,30 = $0,0003; Output = 0,001 × $2,50 = $0,0025; insgesamt ≈ $0,0028 pro Aufruf.

Gleiche Arbeitslast, etwa 6x günstiger auf Gemini 2.5 Flash als auf den mittleren OpenAI- oder Anthropic-Modellen — genau darum geht es beim Abgleichen von Modell-Tier mit Aufgaben-Schwierigkeit.

Führen Sie nun denselben 1.000-ein / 1.000-aus-Aufruf 100.000-mal aus — etwa eine Batch-Klassifizierung oder Zusammenfassung. Multiplizieren Sie die oben angegebenen Pro-Aufruf-Summen mit 100.000:

gpt-5.4: $0,0175 × 100.000 ≈ $1.750. Claude Sonnet 4.6: $0,018 × 100.000 ≈ $1.800. Gemini 2.5 Flash: $0,0028 × 100.000 ≈ $280.

Bei dieser Größenordnung spielen Rabatte eine Rolle. Wenn der Job nicht latenzempfindlich ist, gibt Anthropics Batch API 50% Rabatt auf Ein- und Ausgabe und halbiert die Sonnet-Summe auf etwa $900. Prompt-Caching hilft, wenn ein großes, identisches Präfix (System-Prompt, Anweisungen, Referenzdokument) über Aufrufe wiederholt wird. Siehe die Methoden unten.

Zwei Mechanismen können die Kosten deutlich senken, wenn Ihre Arbeitslast zu ihnen passt.

Prompt-Caching (Anthropic): Wenn viele Aufrufe das gleiche große Präfix teilen, cachen Sie es einmal und zahlen eine reduzierte Rate auf den gecachten Teil späterer Aufrufe. Nach Anthropics Preisgestaltung kostet ein Cache-Treffer (Lesezugriff) 0,1x den Basis-Input-Preis — das heißt, 10% des normalen Input-Satzes für die gecachten Tokens. Das Schreiben in den Cache kostet mehr als Basis-Input (1,25x für einen 5-Minuten-Cache, 2x für einen 1-Stunden-Cache), daher rentiert sich Caching, wenn das gleiche Präfix genug Male wiederverwendet wird, um das Schreiben zu amortisieren. Beispiel: Claude Opus 4.8 Input ist $5/M und sein Cache-Lesezugriff ist $0,50/M — eine 90%-Einsparung auf dem wiederholten Teil.

Batch API (Anthropic): 50% Rabatt auf Ein- und Ausgabe für asynchrone, nicht-zeitsensitive Jobs. Dies kombiniert sich sauber mit großen Offline-Arbeitslasten wie dem 100.000-Aufrufe-Beispiel oben.

Gleichen Sie den Rabatt auf die Form der Arbeit ab: Caching für ein großes wiederholtes Präfix mit variierendem Schwanz, Batch für große Jobs, auf die Sie warten können. Bestätigen Sie aktuelle Sätze und Mechaniken auf den verlinkten Preisseiten, da sich diese Bedingungen ändern.

Zur Planung bringen Sie Zeichen- oder Wortanzahlen Sie nah heran. Nehmen Sie die Zeichenanzahl Ihres Prompts und dividieren Sie durch 4, oder teilen Sie die Wortanzahl durch 0,75, um Input-Tokens zu schätzen. Schätzen Sie Output-Tokens aus der Länge der erwarteten Antwort.

Setzen Sie dann beide in die Formel und den Preis für Ihr gewähltes Modell ein. Behandeln Sie das Ergebnis als Größenordnungsschätzung, nicht als Rechnungsgarantie — die genaue Zahl hängt von der Tokenizer des Modells und Ihrer tatsächlichen Ausgabelänge ab. Um prägnantere Prompts (weniger Tokens, klarere Anweisungen) für welches Modell Sie auch wählen, zu verfassen, helfen Ihnen unser ChatGPT-Prompt-Generator und Code-Prompt-Builder, Inputs schlank zu halten.