Der Preiskampf bei Künstlicher Intelligenz (KI) verschiebt den Blick von Modellnamen zu Kosten pro nutzbarer Leistung. OpenAI wirbt laut Berichten mit hohen Rabatten um Kunden von Anthropic, während Unternehmen zugleich feststellen, dass günstige Tokens nicht automatisch eine günstige KI-Anwendung ergeben. Das betrifft alle, die KI-Werkzeuge einkaufen, in Arbeitsabläufe einbauen oder deren Nutzen gegenüber laufenden Ausgaben rechtfertigen müssen.
Warum Listenpreise nur der Anfang sind
OpenAI soll einzelnen Grosskunden Preisnachlässe von mehr als 30 Prozent und in einem Fall Kostensenkungen von 80 bis 90 Prozent angeboten haben. Der Bericht über den Preiskampf zwischen OpenAI und Anthropic nennt Replit, DataCamp und Rippling als Beispiele. Rippling erhöhte demnach bei Programmierarbeiten den Anteil von OpenAI-Modellen von 16 auf 52 Prozent, während der Anteil von Anthropic von 57 auf 18 Prozent sank.
Replit wechselte nach einem Rabatt von über 30 Prozent bei einem Vertrag mit einem jährlichen Volumen von mehr als 100 Millionen US-Dollar. Eine US-Bank mit einem Vermögen von mehr als 7 Milliarden Dollar erhielt wiederum 500 statt 250 ChatGPT-Zugänge ohne Aufpreis. Dadurch lag ihr Preis laut Bericht unter 7 Dollar pro Person statt bei den üblichen mehr als 20 Dollar.
Solche Angebote zeigen, dass der öffentlich sichtbare Listenpreis bei grossen Verträgen wenig über den tatsächlich bezahlten Preis aussagen kann. Sie eignen sich aber nicht als allgemeiner Marktpreis: Die genannten Konditionen stammen aus einzelnen Verhandlungen und sind nicht unabhängig als dauerhaft verfügbare Tarife bestätigt. Für kleinere Unternehmen und Schweizer Organisationen bleibt deshalb offen, ob vergleichbare Rabatte erhältlich sind und in welcher Währung oder Vertragsform sie angeboten würden.
OpenAI soll mit der Strategie Marktanteile gewinnen und dafür teilweise geringere Margen akzeptieren. Gleichzeitig führt der Bericht Preissenkungen bei den Modellserien Sol und Luna auf effizientere Modelle und Infrastruktur zurück, allerdings nach Angaben des Anbieters. Zusätzlicher Preisdruck komme von chinesischen Modellen von Deepseek und Kimi, die bei vergleichbarer Leistung nur einen Bruchteil kosten sollen; auch diese Vergleichbarkeit ist in der vorliegenden Meldung nicht unabhängig belegt.
Was Tokenpreise tatsächlich messen
Ein Token ist eine Abrechnungseinheit für die Informationsmenge, die ein KI-Modell verarbeitet. Wer ein Modell über eine Programmierschnittstelle, also eine Verbindung zwischen verschiedenen Anwendungen, nutzt, bezahlt häufig nach der Zahl der verarbeiteten Tokens. Dabei können Eingaben, ausgegebene Antworten und zusätzlicher Kontext den Verbrauch erhöhen.
Die Einordnung zu den Token-Kosten von KI-Anwendungen warnt davor, sinkende Stückpreise mit sinkenden Gesamtausgaben gleichzusetzen. Wenn mehr Beschäftigte ein Werkzeug verwenden, Anfragen länger werden oder ein System komplexere Aufgaben übernimmt, kann der Gesamtverbrauch trotz günstigerer Tokens steigen. Die trockene Variante der Kostenkontrolle lautet daher: Ein günstiger Zähler hilft wenig, wenn er deutlich schneller läuft.
Als KI-Tokenomics werden die wirtschaftlichen Zusammenhänge von Nutzung, Bereitstellung und Abrechnung bezeichnet. Entscheidend ist nicht nur, wie wenige Tokens eine Anwendung benötigt, sondern welcher geschäftliche Nutzen damit entsteht. Die im August 2026 von der Linux Foundation gegründete Tokenomics Foundation will laut Netzwoche Standards und Methoden entwickeln, um tatsächliche Kosten und wirtschaftlichen Nutzen vergleichbarer zu machen.
Für einen belastbaren Vergleich braucht es deshalb mindestens vier Grössen: den Preis je Nutzungseinheit, den realen Verbrauch, die Kosten der umgebenden Infrastruktur und das verwertbare Ergebnis. Bei einem internen Assistenten kann das beispielsweise die Zahl brauchbarer Antworten sein. Bei einer Dokumentenverarbeitung, die über Nacht läuft, zählt eher, wie viele Dokumente zuverlässig bearbeitet werden als wie günstig eine einzelne Anfrage erscheint.
Warum die Umgebung den Preis verändert
Ein KI-Modell arbeitet in produktiven Anwendungen nicht allein. Ein sogenanntes Harness ist die technische Umgebung um das Modell, etwa mit Anweisungen, Werkzeugen und Verwaltung des Gesprächskontexts. Bei Programmieragenten macht diese Umgebung ein allgemeines Chatmodell erst in einer Sammlung von Programmdateien arbeitsfähig.
Eine in The Decoder zusammengefasste Vorabstudie zu Programmieragenten fand beim Wechsel zwischen mehreren Harnesses kaum grössere Ergebnisunterschiede als bei einer blossen Wiederholung desselben Tests. Die Kosten stiegen jedoch um bis zum Dreifachen. Das Ergebnis stammt aus einem noch nicht abschliessend begutachteten Preprint und sollte daher nicht auf jede KI-Anwendung übertragen werden.
Die Studie zeigt dennoch ein praktisches Risiko: Längere Systemanweisungen, spezialisierte Suchwerkzeuge und automatische Zusammenfassungen des bisherigen Verlaufs können zusätzliche Tokens verbrauchen, ohne die Erfolgsquote entsprechend zu erhöhen. Zudem schwankten Wiederholungen derselben Konfiguration im verwendeten Programmiervergleich um bis zu sechs Punkte. Kleine Ranglistenunterschiede können damit weniger aussagekräftig sein, als ihre Dezimalstellen vermuten lassen.
Ein gesponserter Beitrag in MIT Technology Review verwendet den Begriff Harness breiter: Gemeint ist dort die gesamte Bereitstellungsumgebung mit Speicherverwaltung, Zeitplanung und Optimierung. Der Beitrag argumentiert, dass ein schnell antwortender Kundenassistent andere Anforderungen hat als eine Dokumentenverarbeitung, die nachts laufen kann. Auch ein internes Wissenswerkzeug und eine stark frequentierte Kundenservice-Plattform können dasselbe Grundmodell verwenden, aber unterschiedliche Infrastrukturkosten verursachen.
Zwischen beiden Quellen besteht kein direkter Widerspruch, aber eine nützliche Spannung. Die Vorabstudie warnt davor, eine aufwendigere Agentenumgebung automatisch mit besseren Ergebnissen gleichzusetzen. Der gesponserte Beitrag betont dagegen, dass eine passende Bereitstellungsumgebung für Zuverlässigkeit, Geschwindigkeit und Skalierung nötig sein kann. Für den Einkauf bedeutet das: Zusatzaufwand muss an der konkreten Aufgabe gemessen werden, nicht am Umfang der technischen Ausstattung.
Pro und Kontra aggressiver KI-Rabatte
Pro:
- Niedrigere Einstiegskosten – Rabatte können Pilotprojekte oder eine breitere Nutzung innerhalb eines Unternehmens finanzierbar machen.
- Stärkerer Wettbewerb – Preisdruck zwischen OpenAI, Anthropic und weiteren Anbietern kann die Kosten je Nutzungseinheit senken.
- Verhandlungsspielraum – Die gemeldeten Grosskundenverträge zeigen, dass Listenpreise bei ausreichendem Volumen nicht zwingend endgültig sind.
- Passendere Modellauswahl – Unternehmen können verschiedene Modelle je nach Aufgabe einsetzen, statt überall das teuerste Spitzenmodell zu wählen.
Kontra:
- Unklare Dauer – Ein hoher Einstiegsrabatt sagt nichts darüber aus, welche Preise nach dem Vertrag oder bei wachsendem Verbrauch gelten.
- Verlagerte Kosten – Mehr Nutzung, längere Kontexte und aufwendige Harnesses können die Einsparung beim Modellpreis aufzehren.
- Anbieterbindung – Ein Wechsel grosser Arbeitsanteile zu einem Anbieter kann spätere Verhandlungen und technische Umstellungen erschweren.
- Unbewiesener Ertrag – Niedrigere KI-Kosten schaffen noch keine höheren Umsätze, Margen oder messbaren Produktivitätsgewinne.
Was das für deine Praxis heisst
Wenn du einsteigst, wählst du zuerst einen eng begrenzten Arbeitsablauf und vergleichst Angebote anhand derselben Aufgabe. Notiere pro Test den tatsächlichen Verbrauch, die Zahl brauchbarer Ergebnisse und alle wiederkehrenden Kosten. Ein sinnvoller Vergleich wäre etwa, wie viel eine zuverlässig bearbeitete Dokumentenmenge kostet, statt nur die Tokenpreise zweier Modelle nebeneinanderzustellen.
Für Fortgeschrittene lohnt sich die Aufteilung nach Aufgabenklassen. Die Auswertung zum wirtschaftlichen Nutzen von KI beschreibt, wie Unternehmen je nach Aufgabe unterschiedliche Modelle auswählen, statt pauschal ein teures Spitzenmodell zu verwenden. Diese als Model Routing bezeichnete Zuweisung kann Kosten senken, muss aber auch den Aufwand für Betrieb und Qualitätskontrolle rechtfertigen.
Das ist relevant, weil laut einer im Beitrag genannten Bitkom-Umfrage rund ein Drittel der befragten deutschen Unternehmen von hohen KI-Gebühren überrascht wurde. Gleichzeitig sei der Tokenverbrauch deutlich gestiegen. Für Schweizer Unternehmen liefert das keine eigene Quote, aber eine übertragbare Einkaufsfrage: Sind Preisgrenzen, Verbrauchsberichte und Bedingungen nach Ablauf eines Rabatts im Vertrag klar ausgewiesen?
Die Nutzenrechnung bleibt der schwierigere Teil. Apollo-Chefökonom Torsten Slok sieht beim sogenannten S&P 493, also den Unternehmen des S&P 500 ohne sieben grosse Technologiekonzerne, keine erkennbaren Verbesserungen bei Gewinnmargen oder Umsatz pro Beschäftigten. TechCrunch fasst seine Einschätzung als bislang ausbleibenden finanziellen Ertrag ausserhalb der Technologiebranche zusammen.
t3n berichtet dieselbe Analyse mit dem Gegenpunkt, dass die sieben grossen Technologiekonzerne messbar profitiert hätten. Dort seien seit Anfang 2023 der Umsatz pro beschäftigter Person und die Margen deutlich gestiegen; die Margen lägen bei rund 30 Prozent und damit etwa dreimal so hoch wie bis 2020. Diese Beobachtung beweist jedoch nicht, dass KI allein die Ursache ist, und sie lässt sich nicht ohne Weiteres auf andere Branchen übertragen.
Ein günstiges KI-Modell kann wirtschaftlich sinnvoll sein, wenn es für eine klar definierte Aufgabe genügend gute Ergebnisse liefert und die Umgebung schlank bleibt. Hohe Rabatte verbessern diese Rechnung, ersetzen sie aber nicht. Offen bleibt vor allem, ob Sonderkonditionen bestehen bleiben und ob wachsender Token- und Infrastrukturverbrauch schneller steigt als der belegbare Nutzen.
Quellen
- KI-Preiskampf: OpenAI lockt Anthropic-Kunden mit Rabatten von bis zu 90 Prozent ab – The Decoder, 2026-10-25
- Wie Unternehmen die Token-Kosten ihrer KI-Anwendungen unter Kontrolle halten – Netzwoche, 2026-10-25
- AI delivers ‘zero financial payoff’ to most companies, Apollo economist says – TechCrunch, 2026-10-25
- „Magnificent Seven“: Welche Unternehmen laut Apollo-Chefökonom bisher vom KI-Boom profitieren – t3n, 2026-10-25
- Aufwendige Harnesses machen Coding-Agenten teurer, aber nicht besser – The Decoder, 2026-10-24
- Designing an AI serving harness built to last – MIT Technology Review, 2026-10-22
Bild: Kindel Media via Pexels