Was eine KI-Anfrage wirklich kostet: Wir haben neun Operationen gemessen

Die Kurzversion: Am 30. Juli 2026 haben wir neun Anfragetypen über Google Vertex AI ausgeführt und die Token-Anzahlen direkt aus den API-Antworten protokolliert. Das Hauptergebnis: Lesen ist für eine KI günstig, Erstellen ist teuer, und der Unterschied beträgt das Tausendfache. Ein zehnminütiges YouTube-Video anzusehen kostet zwei Cent. Acht Sekunden Video zu generieren kostet drei Dollar zwanzig. Dieselbe Technologie, dieselbe Abrechnung, aber Operationen völlig unterschiedlicher Natur – und du kannst kein Budget planen, ohne diesen Unterschied zu verstehen.

Wie wir es gemessen haben

Nicht von Rechnern auf Marketingseiten und nicht von Versprechen in Anbieter-Blogs. Jede Anfrage ging an Vertex AI über das Service-Konto unseres Projekts, und aus jeder Antwort haben wir den usageMetadata-Block entnommen – wo das Modell selbst meldet, wie viele tokens dein Input und wie viele seine Antwort gekostet hat.

Dann haben wir mit Googles veröffentlichten Preisen vom 30. Juli 2026 für die Gemini 2.5 Flash-Lite Familie multipliziert: $0.10 pro Million input tokens (Text, Bilder, Video), $0.30 pro Million audio input tokens und $0.40 pro Million output tokens. Die Preise für die Videogenerierung stammen aus der Veo 3.1 Liste: $0.40 pro Sekunde im Standardmodus.

Die Methode ist wichtig, weil du sie wiederholen kannst: Dieselben Zahlen findest du in der Antwort auf jede Anfrage, die du stellst, wenn du dir usageMetadata ansiehst.

Die Tabelle: Was kostet was

Operation	Was passiert	Kosten pro Ausführung
Eine Textfrage	~300 tokens rein, ~500 raus	$0.0003
Ein Foto lesen	Bild plus kurze Antwort	$0.001
30s Sprache transkribieren	Audio kostet dreimal so viel wie Text	$0.0008
Einen Absatz vorlesen	Sprachsynthese	$0.0006
Ein 3-minütiges Video ansehen	51k tokens	$0.006
Ein 10-minütiges Video ansehen	171k tokens	$0.02
Ein Bild generieren	1.290 output tokens	$0.04
8s Video, schneller Modus	pro Sekunde abgerechnet	$0.64
8s Video, Standardmodus	pro Sekunde abgerechnet	$3.20

Das Ergebnis: Ansehen ist günstiger als Erstellen

Vergleiche zwei Zeilen. Das Analysieren eines zehnminütigen Videos von jemand anderem: zwei Cent. Acht Sekunden deines eigenen Videos generieren: drei Dollar zwanzig. Das ist 160-mal mehr für fünfundsiebzigmal weniger Sekunden.

Der Grund liegt in der Abrechnung. Alles, was du dem Modell sendest, sind input tokens – das Günstigste auf der Preisliste. Alles, was es produziert, ist output, und output kostet um ein Vielfaches mehr. Bei Flash-Lite kostet input $0.10 pro Million und output $0.40 – das Vierfache. Bild- und Videogenerierung werden wiederum separat zu völlig anderen Tarifen abgerechnet.

Daher die Regel, die am meisten Geld spart: Verkürze die Antwort, nicht die Frage. Eine Anweisung wie „Antworte in einem Absatz“ reduziert deine Rechnung stärker, als wenn du deine Frage halbierst. Der teuerste Satz, den du einem Modell schreiben kannst, ist „Erkläre detailliert, mit allen Beispielen“.

Video, Sekunde für Sekunde

Wir haben dies separat gemessen, indem wir einen Clip auf verschiedene Längen zugeschnitten haben. Das Modell zählt Video als 258 tokens pro Sekunde Filmmaterial und 25 tokens pro Sekunde Audio. Die Beziehung ist streng linear – fünf Sekunden ergaben 1.290 tokens, zehn Sekunden ergaben genau 2.580.

Länge	Tokens	Kosten für Analyse
5 Sekunden	1.415	$0.0002
1 Minute	17.000	$0.002
5 Minuten	85.000	$0.010
10 Minuten	171.000	$0.020

Was das in der Praxis bedeutet: Videoanalyse ist kein Luxus. Den Inhalt einer einstündigen Vorlesung herauszuziehen kostet etwa zwölf Cent. Deine eigene Zeit, die du für die Aufgabenstellung aufwendest, wird mehr kosten.

Warum du trotzdem rechnen musst

Eine einzelne Anfrage kostet einen Bruchteil eines Cents, was den Eindruck erweckt, es gäbe nichts zu zählen. Dieser Eindruck ist aus zwei Gründen falsch.

Erstens: Eine Konversation wird mit jeder Nachricht teurer. Das Modell merkt sich keine vorherigen Züge – damit es dem Kontext folgen kann, wird der gesamte Austausch bei jeder Anfrage erneut gesendet. Deine zehnte Nachricht zieht die neun vorherigen mit sich, und alle zählen wieder als input. Du schreibst weiterhin gleich kurze Antworten, während die Rechnung von selbst steigt.

Zweitens: Einige Sprachen kosten etwa doppelt so viel wie Englisch. Das Modell zählt weder Buchstaben noch Wörter, sondern tokens – Textabschnitte. Englisch teilt sich in größere Abschnitte auf: Ein token entspricht dort etwa vier Zeichen, während es in vielen anderen Sprachen näher an zwei liegt. Derselbe Gedanke kostet anderthalb- bis zweimal mehr.

Was du dagegen tun kannst

• Begrenze die Antwortlänge explizit. „Drei Sätze“, „ein Absatz“, „eine Liste von fünf“ – das sind direkte Einsparungen, keine stilistische Haarspalterei.
• Starte einen neuen Chat für eine neue Aufgabe. Ein langer „Alles-in-einem“-Thread kostet mehr als ein frischer Chat mit derselben Frage – und funktioniert besser, weil der veraltete Kontext nicht mehr stört.
• Generiere nicht, was du finden kannst. Das Lesen eines bestehenden Clips oder Dokuments ist fast immer günstiger, als dein eigenes zu erstellen.
• Für lange technische prompts, versuche es mit Englisch. Es geht nicht nur um den Preis: Modelle wurden hauptsächlich mit englischem Text trainiert und folgen einer englischen Anweisung präziser.

Die Vorbehalte, ohne die die Zahlen lügen

Wir haben ein Modell – Gemini 2.5 Flash-Lite – auf einer Cloud gemessen. Leistungsstärkere Modelle kosten um ein Vielfaches mehr; Wettbewerber haben ihre eigenen Preislisten. Was überall gilt, ist die Größenordnung und, noch wichtiger, das Verhältnis zwischen den Operationen: input ist günstiger als output, Lesen ist günstiger als Erstellen.

Zweitens: Tarife ändern sich. Unsere Zahlen stammen vom 30. Juli 2026. Überprüfe den Preis auf der Preisseite des Anbieters selbst und nicht in Artikeln – auch nicht in diesem.