← Alle Beiträge
07. Juli 2026

Billig pro Token, teuer pro Aufgabe:
Warum der Listenpreis beim LLM-Einkauf in die Irre führt

Waage, auf der ein kleiner leuchtender Muenzstapel einen groesseren Stapel ueberwiegt

Anthropics neues Claude Sonnet 5 kostet pro Token weniger als das Flaggschiff Opus 4.8. Pro erledigter Aufgabe ist es trotzdem teurer. Diese Gegenrechnung stammt nicht von Anthropic, sondern vom unabhängigen Benchmark-Anbieter Artificial Analysis, der das Modell im eigenen Intelligence Index auf 2,29 US-Dollar pro Aufgabe beziffert. Das ist ungefähr das Doppelte des Vorgängers Sonnet 4.6 und rund 15 Prozent mehr als Opus 4.8, obwohl dessen Token-Preise höher liegen (Artificial Analysis 2026a). Wer KI-Budgets am Listenpreis plant, plant damit an der falschen Größe. Der Fall lohnt einen genaueren Blick, denn hinter der Kuriosität steckt ein strukturelles Problem der Modell-Ökonomie, für das sich gerade erst Messgrößen etablieren.

Was passiert ist

Anthropic hat Sonnet 5 am 30. Juni veröffentlicht, positioniert nahe an Opus 4.8 und deutlich agentenstärker als der Vorgänger. Der Einführungspreis liegt bis Ende August bei 2 US-Dollar pro Million Input-Token und 10 US-Dollar pro Million Output-Token, ab September gelten 3 und 15 US-Dollar (Anthropic 2026). Auf dem Papier bleibt das klar unter dem Flaggschiff.

Die Messung von Artificial Analysis dreht das Bild. Im Intelligence Index, einem Bündel realer Prüfaufgaben, verursachte Sonnet 5 Kosten von 2,29 US-Dollar pro Aufgabe, gerechnet zu Standardpreisen ohne Einführungsrabatt. Die Steigerung gegenüber dem Vorgänger geht laut Auswertung vollständig auf höheren Token-Verbrauch zurück, nicht auf höhere Token-Preise. In der Max-Effort-Einstellung erzeugte das Modell etwa 40 Prozent mehr Output-Tokens pro Aufgabe als Sonnet 4.6 und benötigte in Knowledge-Work-Szenarien rund dreimal so viele Agent-Schritte (Artificial Analysis 2026a). Auf der Modellseite charakterisiert der Anbieter Sonnet 5 ausdrücklich als sehr gesprächig, mit rund 300 Millionen erzeugten Output-Tokens über den gesamten Benchmark-Lauf (Artificial Analysis 2026b).

Bemerkenswert ist, dass Anthropic Teile dieses Effekts selbst benennt. Der neue Tokenizer, also die Zerlegung von Text in die Recheneinheiten des Modells, bildet denselben Inhalt je nach Typ in das 1,0- bis 1,35-fache an Tokens ab. Die Einführungspreise sind laut Anthropic zudem so gesetzt, dass die Migration ungefähr kostenneutral bleibt (Anthropic 2026). Im Umkehrschluss heißt das, dass die Migration ohne den Rabatt eben nicht kostenneutral wäre. Die Aussage, Sonnet 5 sei pro Aufgabe teurer als Opus 4.8, trifft Anthropic dagegen nirgends selbst. Sie ist eine externe Gegenrechnung und sollte auch als solche gelesen werden.

Was die Forschung sagt

Dass der Preis pro Token als Steuerungsgröße zu kurz greift, ist in der Forschung inzwischen präzise ausgearbeitet. Erol und Kollegen schlagen mit Cost-of-Pass eine Metrik vor, die die erwarteten Kosten für eine korrekt gelöste Aufgabe misst, also Trefferquote und Inferenzkosten kombiniert. Ihr Befund zielt auf die Wahl zwischen Modellklassen und beleuchtet damit denselben Kosten-Mechanismus, der im Sonnet-5-Fall innerhalb einer Modellfamilie auftritt: Welches Modell am kosteneffizientesten arbeitet, hängt vom Aufgabentyp ab, leichte Modelle gewinnen bei einfachen quantitativen Aufgaben, große bei wissensintensiven, Reasoning-Modelle rechtfertigen ihren Aufpreis erst bei komplexen Problemen (Erol et al. 2025).

Der Mechanismus hinter dem Token-Mehrverbrauch ist ebenfalls dokumentiert. Zhou und Kollegen zeigen eine umgekehrt U-förmige Beziehung zwischen der Länge des Denkprozesses und der Genauigkeit: Ab einem aufgabenabhängigen Punkt verschlechtert zusätzliches Weiterdenken das Ergebnis, weil Modelle bereits korrekte Zwischenergebnisse wieder verwerfen (Zhou et al. 2026). Srivastava und Kollegen beziffern das Ausmaß an einfachen Mathematikaufgaben, wo Reasoning-Varianten bis zum 18-fachen an Tokens erzeugen, teils bei geringerer Genauigkeit (Srivastava et al. 2026). Mehr erzeugter Text ist also weder ein Qualitäts- noch ein Korrektheitsversprechen, er ist zunächst nur ein Kostenfaktor.

Zwei Einordnungen verhindern dabei den falschen Umkehrschluss, das billigste Modell sei automatisch das wirtschaftlichste. Zellinger und Thomson rechnen am Beispiel von Mathematikaufgaben vor, dass die wirtschaftlichen Folgekosten von Fehlern die reinen Betriebskosten dominieren können. Daraus folgern sie allgemein, dass sich oft das leistungsfähigste Modell rechnet, sobald ein Fehler mehr als Centbeträge kostet (Zellinger und Thomson 2025). Und die RouteLLM-Arbeit aus dem Umfeld von LMSYS zeigt, dass gelerntes Routing zwischen starken und schwachen Modellen die Kosten in bestimmten Szenarien um mehr als die Hälfte senken kann, ohne die Qualität messbar zu verschlechtern (Ong et al. 2024).

Meine Einordnung: Kosten-pro-Task gehört ins Controlling

Aus Sicht der Wirtschaftsinformatik ist der Sonnet-5-Fall weniger eine Anthropic-Geschichte als ein Weckruf für das KI-Controlling. Drei Konsequenzen halte ich für zentral.

Erstens verliert der Listenpreis seine Rolle als Entscheidungsgröße im Einkauf. Er bleibt eine Marketing-Kennzahl, die tatsächlichen Kosten entstehen aus Preis mal Verbrauch mal Anzahl der Anläufe. Das Diagramm unten zeigt die gemessenen Verhältnisse. Unternehmen, die Modellwahl ernsthaft steuern wollen, brauchen eine Kosten-pro-Task-Metrik nach dem Vorbild von Cost-of-Pass, gemessen an den eigenen Prozessen statt an fremden Benchmarks und mit den Fehlerkosten gleich mit in der Kalkulation. Konkret heißt das, Budgets auf Standardpreise statt auf Einführungsrabatte zu rechnen und bei jedem Modellwechsel den Verbrauch mitzumessen statt nur die Preisliste zu vergleichen.

Balkendiagramm: Kosten pro Aufgabe im Artificial-Analysis-Benchmark, Sonnet 5 bei 2,29 US-Dollar pro Aufgabe und damit über Opus 4.8 trotz niedrigerem Token-Preis, Treiber sind 40 Prozent mehr Output-Tokens und dreimal so viele Agent-Schritte

Zweitens wird Multi-Modell-Routing vom Entwickler-Trick zur Architektur- und Controlling-Frage. Das Muster, ein teures Modell planen und prüfen zu lassen, während günstigere Modelle ausführen, ist in der Praxis verbreitet und durch die Routing-Forschung gestützt. Es hat aber eine Falle, auf die Praktiker zu Recht hinweisen: Sinkt die Rechnung, kann das auch daran liegen, dass Arbeit in Nachbesserungsschleifen gewandert ist statt effizienter zu werden. Wer routet, sollte deshalb nicht die Rechnungssumme feiern, sondern das Verhältnis von ausgeliefertem Ergebnis zu insgesamt verbrauchten Tokens beobachten (Pilarinos 2026).

Drittens entsteht hier gerade ein eigenes FinOps-Feld, das die Anbieter selbst besetzen. Anthropic hat wenige Tage nach dem Sonnet-5-Release neue Enterprise-Funktionen vorgestellt, darunter Kosten-Dashboards je Team und Nutzer, rollenbasierte Vorgaben, mit welchem Modell neue Unterhaltungen starten, Budget-Alarme und eine Analytics-API bis hin zu Kennzahlen wie Kosten pro Commit (Anthropic, Claude-Blog 2026). Der zeitliche Zusammenhang mit der Kostendebatte ist meine Lesart, nicht Anthropics Aussage. Klar ist aber die Richtung: Die Steuerung von Modellkosten wird produktisiert. Wer sie dem Anbieter überlässt, steuert mit dessen Kennzahlen statt mit den eigenen.

Zur Nüchternheit gehören die Grenzen dieser Zahlen. Der Intelligence Index misst Benchmark-Aufgaben, nicht die Prozesse eines konkreten Unternehmens. Die absoluten Dollar-Werte für Sonnet 4.6 und Opus 4.8 sind aus den veröffentlichten Prozentangaben abgeleitet, keine Einzelmessungen. Offenzulegen gehört auch, dass Artificial Analysis im Artikel selbst angibt, Anthropic vor dem Release bei der Evaluation von Sonnet 5 unterstützt zu haben. Die Messung entstand also mit Vorab-Zugang, was in der Benchmark-Branche üblich ist. Für die Unabhängigkeit des Urteils spricht, dass das publizierte Ergebnis für den Anbieter unbequem ausfällt (Artificial Analysis 2026a). Der Token-Mehrverbrauch hängt zudem an der gewählten Effort-Einstellung, er ist konfigurierbar und nicht schicksalhaft. Fünf der zitierten Arbeiten sind Preprints, deren Begutachtung läuft. Die Richtung des Befunds ist über mehrere unabhängige Quellen konsistent, die exakten Zahlen sollte man als Momentaufnahme vom Juni 2026 lesen.

Offene Frage

Beim Stromverbrauch von Haushaltsgeräten hat der Gesetzgeber irgendwann Vergleichbarkeit erzwungen, mit standardisierten Labels statt Herstellerangaben. Die spannende Frage ist, ob es für die Kosten von KI-Modellen eine ähnliche Entwicklung braucht, also standardisierte, unabhängig gemessene Kosten-pro-Task-Angaben statt Preislisten pro Million Token. Solange es sie nicht gibt, bleibt die Gegenrechnung Aufgabe der Anwender. Ich würde erwarten, dass Kosten-Observability für LLM-Workloads innerhalb der nächsten zwei Jahre zum Standard-Baustein jeder Agenten-Architektur wird, so wie es Cloud-Cost-Management für die Cloud geworden ist. Wer heute Agenten einführt, sollte die Messung von Anfang an mitbauen.

Quellen