---
title: "KI-Kosten senken: die Hebel von der Modellwahl bis zum Kontext"
description: "Die Hebel, mit denen eine Modellrechnung sinkt, in sinnvoller Reihenfolge. Erst messen, dann Modellwahl, Antwortlänge, Prompt Caching, Kontext und Budgets."
url: https://www.cureman.de/de/artikel/ki-kosten-senken
language: de
updated: 2026-11-17
alternate_en: https://www.cureman.de/en/articles/reduce-ai-costs.md
---

# KI-Kosten senken: die Hebel von der Modellwahl bis zum Kontext

> Eine Modellrechnung ist Token mal Preis. Sie sinkt, wenn weniger Token gesendet werden, wenn sie an ein günstigeres Modell gehen oder wenn sie zu einem niedrigeren Satz abgerechnet werden. Die Hebel sind die Modellwahl je Anfrage, die Länge der Antworten, Prompt Caching, der Gesprächsverlauf, der mit jeder Runde mitgeschickt wird, wiederholte Anfragen, günstigere Verarbeitungsstufen und Budgets, die einen entgleisten Job stoppen. Bepreisen Sie zuerst die Nutzungsberichte, denn die größte Position entscheidet, welcher Hebel zuerst kommt. Jeder Hebel außer den Budgets kann die Antworten verändern und wird deshalb am eigenen Verkehr gemessen, bevor er eingeschaltet wird.

KI-Kosten senken Sie, indem Sie weniger Token senden, sie an ein günstigeres Modell senden oder sie zu einem niedrigeren Satz abrechnen lassen. Alles Weitere ist eine Spielart dieser drei Wege. Welcher für Sie zählt, hängt davon ab, wohin das Geld heute fließt. Der erste Schritt ist deshalb eine Aufteilung der Rechnung und keine Änderung am Code.

## Woher die Kosten kommen

Die Anbieter rechnen je Modell vier Arten von Token ab: Input ohne Cache, Output, aus dem Prompt-Cache gelesenen und in den Cache geschriebenen Input. Output kostet in der Regel ein Mehrfaches des Inputs, ein Cache-Lesezugriff einen Bruchteil. Die Einzelheiten stehen im Artikel [LLM-Token-Kosten erklärt](https://www.cureman.de/de/artikel/llm-token-kosten-erklaert). Daraus folgt dreierlei:

- Ein langer Prompt, der oft gesendet wird, kostet mehr als eine lange Antwort, die einmal kommt.
- In einem Gespräch schickt jede Runde den gesamten Verlauf erneut als Input.
- Der Preis je Token liegt zwischen dem größten und dem kleinsten Modell desselben Anbieters weit auseinander.

## Die Hebel im Überblick

| Hebel | Was er verändert | Was Sie vorher wissen müssen |
| --- | --- | --- |
| Modellwahl und Routing | Preis je Token | Welche Anfragen einfach genug sind |
| Antwortlänge | Zahl der Output-Token | Ob Antworten länger sind, als jemand liest |
| Prompt Caching | Satz für wiederholten Input | Welche Prompt-Anfänge sich wiederholen und wie oft innerhalb der Cache-Lebensdauer |
| Kontext | Zahl der Input-Token je Runde | Wie lang Gespräche werden und ob sie gecacht sind |
| Wiederholungen | Zahl der Anfragen | Wie viele Anfragen identisch oder fehlgeschlagen sind |
| Verarbeitungsstufe | Satz für Arbeit, die warten kann | Welche Jobs keine sofortige Antwort brauchen |
| Sitz oder Token | Das Abrechnungsmodell je Person | Wie viel jede Person nutzt |
| Budgets und Limits | Den schlimmsten Fall | Wer wie viel ausgeben darf |

## Schritt 1: messen, bevor Sie etwas ändern

Lesen Sie den Nutzungsbericht jedes Anbieters, bepreisen Sie jede Token-Art und teilen Sie die Summe nach Modell, Projekt und Tag auf. Das Vorgehen steht im Artikel [KI-Kosten prüfen](https://www.cureman.de/de/artikel/ki-kosten-pruefen). Der Bericht sagt Ihnen, welcher Hebel die Mühe wert ist. Er sagt nicht, welche Anfragen einfach waren oder welche Prompts sich wiederholen. Dafür braucht es eine Messung je Anfrage, wie sie [ein LLM-Gateway](https://www.cureman.de/de/artikel/was-ist-ein-llm-gateway) leistet.

## Schritt 2: das Modell je Anfrage wählen

Die meisten Anwendungen schicken jede Anfrage an ein Modell, das für den schwersten Fall ausgesucht wurde. Stufen Sie Anfragen danach ein, was sie brauchen, etwa eine Extraktion, eine Einordnung, eine kurze Antwort oder eine lange Abwägung, und bedienen Sie die einfachen aus einem kleineren Modell desselben Anbieters.

Ein Rechenbeispiel mit erfundenen, runden Zahlen. Ein Monat hat 200 Millionen Input-Token und 20 Millionen Output-Token auf einem großen Modell, zu erfundenen Preisen von 10,00 und 40,00 je Million.

| | Rechnung | Kosten |
| --- | --- | --- |
| Alles auf dem großen Modell | 200 × 10,00 + 20 × 40,00 | 2.800,00 |
| Die Hälfte der Token auf einem kleinen Modell zu 1,00 und 4,00 | 100 × 10,00 + 10 × 40,00 + 100 × 1,00 + 10 × 4,00 | 1.540,00 |
| Differenz | | 1.260,00 |

Die Hälfte ist eine Annahme des Beispiels. Welcher Anteil Ihrer Anfragen umziehen kann, ist genau das, was zu messen ist, und die Kosten der Einstufung gehen von der Differenz ab. Mehr dazu unter [LLM-Modell-Routing](https://www.cureman.de/de/artikel/llm-modell-routing).

## Schritt 3: kürzen, was zurückkommt

Output ist die teuerste Token-Art. Setzen Sie je Art von Anfrage eine Obergrenze für Output-Token, verlangen Sie das Format, das Sie brauchen (einen Wert, eine Liste, ein JSON-Objekt), statt einer Erläuterung, und prüfen Sie, ob Denk- oder Reasoning-Modi dort eingeschaltet sind, wo sie niemand braucht.

## Schritt 4: cachen, was sich wiederholt

Systemanweisungen, Werkzeugdefinitionen und Referenzdokumente sind oft von Anfrage zu Anfrage gleich. Mit Prompt Caching rechnet der Anbieter einen solchen Prompt-Anfang zu einem niedrigeren Satz ab, wenn er innerhalb der Cache-Lebensdauer erneut gelesen wird. Das gelingt nur, wenn der Anfang Byte für Byte derselbe ist. Was sich ändert, etwa ein Datum, ein Nutzername oder eine zufällige Reihenfolge der Werkzeuge, gehört hinter den stabilen Teil.

## Schritt 5: weniger Verlauf senden

Ein langes Gespräch bezahlt in jeder Runde seinen ganzen Verlauf. Wer die Kopie kürzt, die an das Modell geht, vermeidet diese Token. Es lohnt sich nur, wenn die Rechnung aufgeht, und mit Caching tut sie das oft nicht, weil nach einer Lücke in der Mitte alles Folgende wieder Input zum vollen Preis ist. Die Rechnung steht im Artikel [Prompt Caching und Kontext](https://www.cureman.de/de/artikel/prompt-caching-und-kontext).

## Schritt 6: Wiederholungen entfernen, die langsamere Stufe nutzen

Suchen Sie nach Anfragen, die doppelt gesendet werden: eine Wiederholungsschleife ohne Grenze, ein Job, der über unveränderte Daten erneut läuft, eine Seite, die bei jedem Laden dieselbe Frage stellt. Arbeit, die keine sofortige Antwort braucht, etwa eine nächtliche Einordnung oder Testläufe, kann über die Batch-Verarbeitung eines Anbieters laufen, wo es sie gibt. Sie wird unter dem Standardsatz abgerechnet.

## Schritt 7: das Abrechnungsmodell je Person prüfen

Vergleichen Sie für Mitarbeitende, die mit einem Modell chatten, die Sitzlizenz mit dem, was ihre Token kosten würden. Wer wenig nutzt, kann nach Token günstiger fahren, wer viel nutzt, mit dem Sitz. Der Vergleich steht im Artikel [Sitzlizenz oder Abrechnung nach Token](https://www.cureman.de/de/artikel/ki-chat-sitzlizenz-oder-token).

## Schritt 8: Budgets setzen

Ein Budget je Schlüssel, je Nutzer und je Monat macht nichts günstiger. Es begrenzt den Schaden einer Schleife oder eines abgeflossenen Schlüssels. Siehe [KI-Budgets und Limits](https://www.cureman.de/de/artikel/ki-budgets-und-limits).

## Was schiefgeht

- **Die kleine Position optimieren.** Die Mühe fließt in die Prompts einer Funktion, die nur einen Splitter der Kosten verursacht.
- **Eine Obergrenze als Einsparung melden.** Alle Token auf dem günstigsten Modell neu zu bepreisen, ergibt eine Obergrenze.
- **Nur die Kosten messen.** Eine günstigere Anfrage mit schlechterer Antwort kostet an anderer Stelle. Testen Sie an Ihren eigenen Aufgaben.

## Wie Cureman das macht

Cureman deckt diese Hebel mit Modulen ab, die einzeln gebucht werden. Das [KI-Kosten-Audit](https://www.cureman.de/de/module/ki-kosten-audit) liest die Nutzungsberichte der Anbieter über Konnektoren, die nur lesen, bepreist jede Token-Art mit einer Modellpreisliste, in der ungeprüfte Preise gekennzeichnet sind, und zeigt als Obergrenze und nicht als Einsparung, was dieselben Token auf günstigeren Modellen kosten würden.

Das [KI-Gateway](https://www.cureman.de/de/module/ki-gateway) sitzt zwischen Anwendungen und Anbieter, misst jede Anfrage und stuft sie ein. Eine Richtlinie ordnet einfache Anfragen einem günstigeren Modell desselben Anbieters zu. Im Beobachtungsmodus hält es nur fest, was geschehen wäre. Anfragen verändert es erst, nachdem ein Mensch die Richtlinie auf Durchsetzen gestellt hat. Die Einsparung wird je Anfrage berechnet: Kosten auf dem angefragten Modell minus Kosten auf dem bedienenden Modell, minus die Aufrufe zur Einstufung. Schlüssel tragen Modelllisten und Monatsbudgets je Schlüssel und je Nutzer.

Der [Kontext-Optimierer](https://www.cureman.de/de/module/kontext-optimierer) kürzt nur die Kopie eines Gesprächs, die an den Anbieter geht, nie den Verlauf des Aufrufers, und nur, wenn das rechnerisch etwas bringt, wobei der Preis für Cache-Lesezugriffe berücksichtigt wird. Die [Prompt-Analyse](https://www.cureman.de/de/module/prompt-analyse) zeigt den Aufgabenmix und die Ausgaben je Person, und im [KI-Arbeitsplatz](https://www.cureman.de/de/module/ki-arbeitsplatz) chatten Mitarbeitende nach Token über den eigenen Anbieterschlüssel der Organisation. Die Qualität der Antworten misst keines dieser Module. Diese Prüfung bleibt bei Ihnen.

## Fragen und Antworten

### Wie senkt man eine Modellrechnung am schnellsten?

Indem man zuerst die größte Position findet. Bepreisen Sie den Nutzungsbericht des Anbieters nach Modell, Projekt und Token-Art und sehen Sie sich die obersten drei Zeilen an. Trägt ein großes Modell den Großteil der Kosten, ist die Modellwahl der Hebel. Überwiegt der Input und kommt wenig davon aus dem Cache, sind es Caching und Kontext. Alles andere kommt später.

### Spart ein günstigeres Modell immer Geld?

Je Token ja, je Aufgabe nicht immer. Ein kleineres Modell kann mehr Versuche, längere Prompts oder eine Korrektur durch einen Menschen brauchen, und nichts davon steht auf der Rechnung des Anbieters. Verlagern Sie die einfachen Anfragen, halten Sie fest, was dieselben Token auf dem angefragten Modell gekostet hätten, und prüfen Sie die Antworten an Ihren eigenen Aufgaben, bevor Sie sich auf die Differenz verlassen.

### Wie viel lässt sich bei KI-Kosten einsparen?

Das kann niemand ohne Ihre Nutzungsdaten sagen, und eine Zahl ohne diese Daten ist geraten. Berechnen lässt sich eine Obergrenze, nämlich was dieselben Token auf einem günstigeren Modell kosten würden oder wenn jeder wiederholte Prompt-Anfang aus dem Cache käme. Was tatsächlich gespart wird, weiß man erst, wenn Anfragen einzeln gemessen wurden.

### Lohnt es sich immer, den Kontext zu kürzen?

Nein. Ohne Prompt Caching werden weggelassene Token zum vollen Input-Preis vermieden. Mit Caching wäre der Verlauf zum niedrigeren Preis für Cache-Lesezugriffe abgerechnet worden, und wer in der Mitte etwas entfernt, zahlt für alles nach der Lücke wieder den vollen Preis. Ob es sich lohnt, ist eine Rechnung je Anfrage.

### Senken Budgets die KI-Kosten?

Sie begrenzen sie. Ein Budget je Schlüssel oder je Nutzer stoppt eine Schleife, einen abgeflossenen Schlüssel oder einen vergessenen Job, bevor die Monatsrechnung es zeigt. Eine einzelne Anfrage wird dadurch nicht günstiger. Budgets gehören vom ersten Tag an eingerichtet, die übrigen Hebel nach der Messung.

## Das Modul, das diese Arbeit macht

[KI-Gateway: ein Endpunkt, der misst, einordnet und weiterleitet](https://www.cureman.de/de/module/ki-gateway): Das KI-Gateway steht vor jedem Modellanbieter, erfasst Token und Kosten je Anfrage und bedient einfache Anfragen nach Ihrer Regel aus einem günstigeren Modell.

## Weiterlesen

- [KI-Kosten prüfen: ein Audit in fünf Schritten](https://www.cureman.de/de/artikel/ki-kosten-pruefen): KI-Kosten aus den Nutzungsberichten der Anbieter prüfen. Jedes Token bepreisen, mit der Rechnung abgleichen und nach Anbieter, Modell und Projekt aufteilen.
- [LLM-Modell-Routing: einfache Anfragen günstiger bedienen](https://www.cureman.de/de/artikel/llm-modell-routing): Wie Modell-Routing funktioniert. Anfragen einstufen, Schwellen in einer Richtlinie festlegen, einfache Anfragen günstiger bedienen und die Preisdifferenz messen.
- [Prompt Caching und Kontextkürzung bei langen Gesprächen](https://www.cureman.de/de/artikel/prompt-caching-und-kontext): Wie Prompt Caching und Kontextkürzung die Eingabekosten langer LLM-Gespräche senken, wie man beides berechnet und wann Kürzen teurer ist als Senden.
