KI-Softwarekosten im Griff behalten

Warum die Kosten steigen

Die Preissteigerungen wirken auf drei Ebenen:

1. Direkt: Die Anbieter erhöhen die Preise.
   Tokens und Abos neuer Modelle werden schlicht teurer.
   Beispiel: Neue Flaggschiff-Modelle wie GPT-5.5 kommen mit höheren Token-Preisen auf den Markt als ihre Vorgänger.
    
2. Indirekt: Gleicher Preis, weniger Leistung.
   Tokens werden anders berechnet, und Abos enthalten engere Limiten. Der Grundpreis bleibt gleich, die enthaltene Leistung schrumpft.
   Beispiel GitHub Copilot: GitHub hat die Flatrate eingestellt und rechnet neu nutzungsbasiert über sogenannte AI Credits ab. Die Grundpreise der Abos sehen unverändert aus, doch jedes Abo enthält nur noch ein Inklusiv-Guthaben in Höhe des Grundpreises. Wer mehr verbraucht, zahlt extra oder wird gedrosselt. Immerhin, die klassische Code-Vervollständigung bleibt in der Flatrate enthalten.
    
3. Technisch: Der Verbrauch steigt.
   KI-Agenten arbeiten zunehmend selbständig und laufen länger, manchmal auch im Kreis. Sie machen viele Abfragen und schicken grosse Kontexte mit. Das treibt den Token-Verbrauch in die Höhe.
   Beispiel: Wie stark sich das summiert, sehen wir bei uns selbst: Einzelne Cudos Engineers verursachen Token-Kosten von über CHF 1000.– pro Monat.

Was Engineering-Teams jetzt tun können

Aus unserer eigenen Praxis haben sich vier Massnahmen bewährt:

1. Modell-Bewusstsein schärfen
   Einfache Aufgaben gehören zu günstigen Modellen, teure Flaggschiff-Modelle bleiben komplexen Architekturfragen vorbehalten. Aber Achtung: Kleinere Modelle sind tendenziell anfälliger für Sicherheitsprobleme wie Prompt Injection, und zusätzliche Korrekturaufwände können die Ersparnis wieder auffressen.
2. Agenten nicht unbeaufsichtigt laufen lassen
   Autonome Coding-Agents brauchen klare Abbruchbedingungen. Auch beim Kontext lohnt sich Disziplin. Wer unnötige Dateien und Historien mitschickt, bezahlt sie mit jedem Prompt.
3. Zentral administrieren
   API-Gateways wie OpenRouter schaffen Übersicht und Kontrolle. Getrennte API-Keys pro Projekt machen Kosten zuordenbar und damit auch gegenüber Kunden verrechenbar.
4. Harte Limits setzen
   Budgets auf Organisations-, Abteilungs- und User-Ebene verhindern Überraschungen. Für den Notfall empfehlen wir Tages-Limiten auf allen API-Keys. Wer GitHub Copilot Business oder Enterprise nutzt, sollte zudem das Credit Pooling aktivieren. Nicht verbrauchte Guthaben einzelner Entwickler stehen so dem ganzen Team zur Verfügung.

Sind lokal gehostete Modelle eine Alternative?

Bei steigenden Preisen liegt der Gedanke nahe, offene Modelle auf eigener Hardware zu betreiben. Die Argumente dafür sind durchaus real:

• Planbare Kosten
  Einmalige Investition in Hardware plus Strom statt variabler Token-Kosten, keine Überraschungen auf der Rechnung.
• Souveränität
  Der Zugang zu Frontier-Modellen kann über Nacht wegfallen. Im Juni 2026 schränkte die US-Regierung den Zugang zu GPT-5.6 sowie zeitweise zu Claude Fable 5 und Mythos 5 per Exportkontrolle ein. Wer lokal hostet, ist von solchen Entscheidungen unabhängig.
• Vertraulichkeit
  Code und Kundendaten verlassen das Haus nicht, relevant bei NDAs und in regulierten Branchen.
• Reifegrad
  Offene Modelle haben stark aufgeholt und reichen für einfache Aufgaben wie Code-Vervollständigung oft aus.

In der Praxis überwiegen aber die Nachteile. Bei komplexen, agentischen Aufgaben hinken lokale Modelle den Frontier-Modellen deutlich hinterher. Damit die Antworten im Entwicklungsalltag schnell genug kommen, braucht es sehr teure Hardware, und bei mehreren parallelen Nutzern oder Agenten steigen die Infrastrukturkosten rasch weiter. Dazu kommen versteckte Kosten für Betrieb, Wartung und Know-how-Aufbau sowie ein Sicherheitsaspekt, denn kleinere Modelle sind tendenziell anfälliger für Prompt Injection.

Unser Fazit

Im Allgemeinen lohnt sich das lokale Hosting nicht. Rechnet man Hardware, Betrieb und die geringere Leistungsfähigkeit ehrlich ein, fahren die meisten Teams mit Frontier-Modellen aus der Cloud wirtschaftlicher. Lokale Modelle bleiben Spezialfällen vorbehalten, etwa wenn strenge Vertraulichkeitsanforderungen den Cloud-Einsatz ausschliessen.

Und was ist mit dem Nutzen?

Die Kosten lassen sich einfach messen, beim Nutzen wird das schwieriger. Ob eine Coding-Session mit einem teuren Modell den Aufwand wert war, lässt sich ohne direkten Vergleich oft nicht sagen. Dennoch ist für uns unbestritten, dass der Einsatz von KI im Software Engineering viele Vorteile bringt und der Nutzen insgesamt die Kosten übersteigt. Ob das weiterhin so ist, wenn die Preise in dem Mass weitersteigen wie in den letzten Monaten, bleibt abzuwarten. Es ist aber auch eine Gegenbewegung sichtbar. Die Entwicklung von effizienteren Inferencing-Algorithmen und optimierter Hardware geht weiter und hat das Potential, den Kostenanstieg zu bremsen.

Sprechen wir über Ihre KI-Kosten

Wir bezahlen diese Rechnungen selbst, jeden Monat. Deshalb wissen wir, welche Massnahmen wirken und welche nur gut klingen. Gerne schauen unsere AI Consultants gemeinsam mit Ihnen auf Ihre Situation, unterstützen Sie bei der Konzeption der KI-Infrastruktur und geben Schulungen für Ihr Entwicklungsteam.

Wie eine solche Lösung in der Praxis aussieht, zeigen wir Ihnen in unserem aktuellen Referenzprojekt „Volle Kostenkontrolle für KI in der Software-Entwicklung“ .