01 / Aufgabe

Welche Arbeit soll die KI erledigen?

Wählen Sie einen Vorgang und planen Sie seine Monatsmenge.

1Aufgabe
2Ablauf
3Ergebnis

Aufgabe

Vorgänge pro Monat

Ein Vorgang = ein vollständiges Arbeitsergebnis.

Umfang je Vorgang

So wird hier gezählt

1 Vorgang = eine versandfertige Antwort

eine eingehende Kundenanfrage mit verfügbarem Verlauf und eine dazugehörige Antwort.

Ausgangsmaterialca. 2.400 Wörter · 3.700 Token

Ergebnisca. 250 Wörter · 400 Token

Typische Konversation. Wortzahlen dienen nur der Orientierung; die Tokenzahl hängt vom Modell ab.

Wie kritisch ist ein Fehler?

Was kann bei dieser Aufgabe schiefgehen?

Falsche Auskunft

Die Antwort nennt eine Regel, Frist oder Leistung falsch. Das kann das Unternehmen gegenüber dem Kunden binden.

Anliegen übersehen

Eine Rückfrage oder ein Teil des Problems bleibt unbeantwortet. Das Ticket wirkt erledigt, ist es aber nicht.

Unpassende Eskalation

Die KI antwortet selbst, obwohl der Fall an einen Menschen oder eine Fachabteilung gehört.

Konkrete Beispiele, keine gemessenen Fehlerquoten.

Nachlesen und einordnen

Wissen, das die Rechnung erklärt.

Die vollständige Bibliothek bleibt erhalten. Aussagen aus dem bisherigen Datenstand sind als Referenz gekennzeichnet.

Thema suchen

Archivierter Quellenstand: 10.09.2026. Aktuelle Rechenregeln finden Sie unter Methodik.

Was ist ein Token?Ein Token ist das Stück Text, mit dem ein Modell rechnet, meist ein kurzes Wort oder eine Silbe, und zugleich die Abrechnungseinheit aller Anbieter.

Als Faustregel gilt ein Token je vier Zeichen englischen Textes, also rund 750 Wörter je 1.000 Token. Deutsch ist dichter gepackt: Komposita und Umlaute zerfallen in mehr Stücke, für denselben Inhalt zahlen Sie also etwas mehr.

Alle Preise auf dieser Seite beziehen sich auf 1 Mio. Token. Das klingt viel, ist aber schnell erreicht: ein einzelnes 500-Kilobyte-PDF entspricht bereits rund 125.000 Token, ein Achtel davon.

Stand 2026-09-10

Eingabe und AusgabeEingabe ist alles, was Sie mitschicken; Ausgabe ist, was das Modell zurückschreibt, und sie kostet je Token meist das Fünffache.

Zur Eingabe zählen Systemanweisung, bisheriger Gesprächsverlauf und angehängte Dokumente, und sie wird bei jedem einzelnen Aufruf neu berechnet. Eine durchschnittliche Webseite mit 10 Kilobyte entspricht rund 2.500 Token.

Bei der Ausgabe zählen Denkschritte mit, auch wenn Sie sie nie zu sehen bekommen. Aufgaben mit langer Ausgabe, etwa Entwürfe, verschieben den größten Kostenposten deshalb von der Eingabe zur Ausgabe.

Stand 2026-09-10

Der CacheDer Cache speichert den Teil der Eingabe, der sich über Aufrufe wiederholt, und wird einmal teuer gefüllt und danach billig gelesen.

Die Preise je Modell stehen in der Modelltabelle: Anthropic verlangt fürs Füllen das 1,25-Fache des Eingabepreises und fürs Lesen ein Zehntel, OpenAI seit der gpt-5.6-Serie ebenfalls das 1,25-Fache fürs Füllen, Mistral liest seit August 2026 für ein Zehntel, DeepSeek für rund drei Prozent.

Daraus folgt eine oft übersehene Konsequenz: Bei einem einzigen Aufruf ist Cache TEURER als keiner, denn er wird gefüllt und nie gelesen. Der Nutzen beginnt ab dem zweiten Aufruf derselben Aufgabe.

Jedes Modell und jede Denkstufe hat einen eigenen Cache. Wer mitten in der Arbeit umschaltet, erzwingt einen neuen Schreibvorgang.

Unterhalb einer Mindestlänge speichert kein Anbieter etwas. Anthropic nennt 512 Token für die Fünfer-Reihe, 1.024 für die meisten übrigen, 2.048 für Opus 4.7 und Haiku 3.5 und 4.096 für Opus 4.6, Opus 4.5 und Haiku 4.5; OpenAI 1.024 ab der gpt-5.6-Serie; Google 4.096 für Gemini 3.8, 3.7, 3.6 und 3.5 Flash sowie 3.1 Pro und 2.048 für die 2.5er, während es für die Flash-Lite-Modelle gar keine Zahl nennt. Wer darunter bleibt, bekommt keine Fehlermeldung, sondern die volle Rechnung. Der Rechner setzt die Cache-Quote in diesem Fall auf null und sagt es am Regler.

Anthropic bietet daneben einen Cache mit einer Stunde Lebensdauer zum doppelten Eingabepreis statt zum 1,25-Fachen. Er lohnt sich erst, wenn zwischen zwei Aufrufen längere Pausen liegen; bei durchgehender Arbeit ist der Fünf-Minuten-Cache billiger. Der Rechner rechnet mit dem Fünf-Minuten-Satz.

Wo keine Mindestlänge steht, hat der Anbieter keine veröffentlicht: Mistral, DeepSeek und die Hoster nennen keine, ebenso OpenAI für die Modelle vor der gpt-5.6-Serie. Der Rechner gewährt dort den vollen Cache-Rabatt, weil er nichts Besseres weiß. Das ist keine Aussage darüber, dass es keine Grenze gibt.

Stand 2026-09-10

Aufrufe je AufgabeEine Aufgabe ist selten ein einzelner Aufruf: ein Agent, der sucht, liest und plant, kommt schnell auf zehn und mehr.

Ein einfacher Chat ist ein Aufruf. Sobald Werkzeuge, Suchschritte oder Zwischenprüfungen dazukommen, vervielfacht sich die Zahl, und mit ihr die Eingabe, die bei jedem Aufruf neu berechnet wird.

Dieser Wert bleibt leicht unsichtbar: die Tokenpreise stehen auf der Preisseite, die Aufrufzahl steht nirgends und muss gemessen werden.

Eigene Einschätzung. Stand 2026-09-10

Anläufe bis zum ErgebnisWie oft Sie im Schnitt neu ansetzen, bis das Ergebnis trägt: jeder verworfene Anlauf wird voll bezahlt.

Hier entscheidet sich, ob ein billiges Modell wirklich billiger ist. In einer Untersuchung vom März 2026 verursachte in 32 Prozent der Modellpaare das günstiger gelistete Modell die höheren Gesamtkosten, vor allem durch stark schwankende Denk-Token und mehr Arbeitsschritte je Aufgabe.

Der Umschlagpunkt im Ergebnis rechnet das für Ihr Szenario aus: ab wie vielen Anläufen das günstigste Modell seinen Vorsprung an das teuerste verliert.

Wo ein Anker eine Lösequote liefert, leitet der Rechner die Anläufe daraus ab, mit einer Korrektur. Yang (arXiv 2605.08563, 08.05.2026) zeigt, dass die Annahme unabhängiger Versuche pass@3 um 17,4 Punkte zu hoch ansetzt, 98,6 statt 81,2 Prozent: ein zweiter Anlauf erbt die Fehlerursache des ersten. Der Rechner legt deshalb den Faktor 1,2 auf die Anläufe. Dieser Faktor ist eine ausgewiesene Annahme aus dieser Messung, keine eigene Messung.

Stand 2026-09-10

Die zweite Preisstufe10 Modelle werden teurer, sobald ein einzelner Aufruf eine bestimmte Textmenge überschreitet, bei OpenAI 272.000 und bei Google 200.000 Token.

Der höhere Satz gilt dann für ALLE Token des Aufrufs, auch für die unterhalb der Schwelle. So rechnen die Anbieter ab, und die Schwellen stehen oft nur als Fußnote unter der Preistabelle.

Ein Rechner, der pauschal mit dem Preis der ersten Seite rechnet, unterschätzt lange Dokumente deshalb um bis zur Hälfte. Anthropic staffelt nicht und stellt das volle Fenster zum Grundpreis.

Welche 10 Modelle betroffen sind, zeigt der Filter „Merkmal" in der Modelltabelle; im Ergebnis tragen betroffene Zeilen die Kennzeichnung „Langkontext-Satz".

Stand 2026-09-10

Das KontextfensterDas Kontextfenster ist die größte Textmenge, die ein einzelner Aufruf aufnehmen kann; ein billiges Modell nützt nichts, wenn die Aufgabe nicht hineinpasst.

Die Spannbreite ist groß: Claude Haiku 4.5 nimmt bis zu 200.000 Token an, die aktuellen Opus- und gpt-5.6-Modelle rund 1 Mio. Im Ergebnis tragen Modelle, deren Fenster für Ihre Eingabe zu klein ist, den Hinweis „passt nicht".

Ein Strich in der Modelltabelle bedeutet: der Anbieter weist für dieses Modell keine Größe auf der Preisseite aus. Dort steht bewusst keine geschätzte Zahl.

Stand 2026-09-10

StapelverarbeitungWer auf die Antwort einige Stunden warten kann, bekommt bei den meisten Anbietern 50 Prozent Nachlass auf Eingabe und Ausgabe.

Anthropic, OpenAI, Google und Mistral veröffentlichen den Stapelrabatt als eigene Preisliste; die Anbieter offener Gewichte in unserem Bestand führen keinen. Wo er fehlt, lässt der Rechner den Nachlass weg und sagt es an der Zahl.

Für wiederkehrende Mengenaufgaben, etwa die nächtliche Auswertung von Dokumenten, sind das 50 Prozent Nachlass; die Qualität bleibt gleich, nur die Wartezeit kommt dazu.

OpenAI führt seit 2026 eine dritte Stufe zwischen beiden: Flex rechnet zum Stapelpreis ab, antwortet aber sofort. Dafür kann die Anfrage abgewiesen werden, wenn gerade keine Kapazität frei ist; abgewiesene Anfragen kosten nichts. Der Stapelschalter zeigt damit für die OpenAI-Modelle, die Flex führen, zugleich den Flex-Preis; bei allen anderen Anbietern gilt er weiter für die Warteschlange.

Stand 2026-09-10

Router und DatenresidenzRouter wie OpenRouter bündeln viele Modelle hinter einem Zugang; die Gebühr sitzt beim Aufladen des Guthabens, und die Datenfrage wiegt schwerer als die Gebühr.

Auf die Token selbst erheben Router keinen Aufschlag; beim Aufladen fallen 5,5 Prozent bei Kartenzahlung an. Die Anfrage geht an den jeweils ausgewählten Anbieter weiter, und dieser kann sie für Training oder Verbesserung verwenden. Wer eine feste Liste von Unterauftragnehmern braucht, muss das Routing festnageln.

Erzwungene Verarbeitung in den USA kostet bei Anthropic das 1,1-Fache. Einen EU-Wert kennt der Residenz-Parameter derzeit nicht; Verarbeitung innerhalb der EU führt über die Cloud-Plattformen mit europäischen Regionen.

Stand 2026-09-10

Die fünf ModellklassenVom Edge-Modell fürs Endgerät bis zur Spitzenklasse: Die Klasse sagt, wofür der Anbieter ein Modell gebaut hat, der Preis allein sagt das nicht.

Die Zuordnung folgt dem Namensschema der Anbieter: Anthropic staffelt Opus, Sonnet, Haiku; OpenAI sol, terra, luna plus die pro-Stufen; Google Pro, Flash, Flash-Lite; Mistral Large, Medium, Small, dazu die Ministral-Reihe ausdrücklich für den Geräte-Einsatz und Codestral sowie Devstral für Code.

Die Klasse ordnet ein, die Fähigkeitsspalte misst. Beides kann auseinanderfallen: DeepSeek V4 Pro ist die Spitzenklasse seines Anbieters zum Preis einer Kompaktklasse, und ein Geräteklasse-Modell kann Listenpreis-Ranglisten anführen, obwohl es mit kleinem Kontextfenster und ohne Fähigkeitsmessung für viele Geschäftsvorfälle ausscheidet.

In den Bestand kommt nur, was an einem aktiven Endpunkt mit veröffentlichtem Listenpreis buchbar ist. Kursierende Kampfpreise ohne buchbaren Endpunkt bleiben draußen, so verlockend die Zahl auch aussieht.

Stand 2026-09-10

Fähigkeit, Schwierigkeit, LösequoteOb ein Modell für eine Aufgabe reicht, ist messbar: Fähigkeit und Schwierigkeit liegen auf einer Skala, und ihr Abstand bestimmt die Lösequote.

Der Epoch Capabilities Index (ECI) fasst über 50 Benchmarks per Item-Response-Theorie zu einem Fähigkeitswert je Modell zusammen, mit denselben Werkzeugen, mit denen Prüfungen wie der GMAT kalibriert werden. Die Skala ist relativ: GPT-5 liegt per Definition bei 150, Claude 3.5 Sonnet bei 130.

Die ökonomische Folge heißt Cost-of-Pass: Kosten je gelöster Aufgabe sind Kosten je Versuch geteilt durch die Lösequote. Ein Modell knapp unter der Aufgabenschwierigkeit wird über die Anläufe teuer; weit über ihr zahlen Sie Fähigkeit, die die Aufgabe nicht braucht.

Der Rechner nutzt das bei Geschäftsvorfällen mit Anker-Benchmark, und zwar nur mit gemessenen Lösequoten: wo keine Messung vorliegt, steht ein Strich statt einer geschätzten Zahl, und ab Zone 3 gewinnt die Zeile nicht. Wo kein Anker trägt, sagt der Report das offen.

Stand 2026-09-09

Preise und VergleichbarkeitAlle Preise hier sind Listenpreise der Anbieter je 1 Mio. Token, und Token sind zwischen Anbietern nur näherungsweise vergleichbar.

Geprüft am 10. September 2026 direkt an den Preisseiten der Anbieter, ohne Rabatte. Preise ändern sich still: zwischen zwei Prüfungen dieses Rechners stand ein Modell zeitweise fünffach zu hoch in der Liste, ohne dass eine Meldung darauf hinwies.

Anthropic weist für Modelle ab Claude 4.7 einen Tokenizer aus, der für denselben Text rund 30 Prozent mehr Token erzeugt. Ein Preisvergleich über Anbietergrenzen hinweg trägt deshalb nur als Größenordnung.

Zwei Bewegungen laufen gegeneinander: Der Preis für ein bestimmtes Leistungsniveau fällt um das Fünf- bis Zehnfache im Jahr, während die Betriebskosten der jeweils stärksten Modelle um das Drei- bis Achtzehnfache im Jahr steigen (Gundlach et al., 2026). Jede Kostenzahl braucht deshalb ein Datum, auch diese hier.

Stand 2026-09-10

Was ein Fehler kostetSobald ein Fehler mehr als etwa einen US-Cent kostet, wiegt die Fehlerseite der Rechnung schwerer als der Tokenpreis.

Zellinger und Thomson beziffern die Schwelle: „reasoning models offer better accuracy-cost tradeoffs as soon as the economic cost of a mistake exceeds $0.01". Modellkaskaden verlieren ihren Vorteil ab etwa 0,1 USD. Eine Voraussetzung gehört dazu: die Schwelle gilt, solange das stärkere Modell auch das genauere ist. Bei Code-Review und Recherche fällt das messbar oft anders aus; die Schwellenlogik trägt dort weiter, die Rangordnung dahinter muss gemessen werden.

Im Kundendienst liegen die beiden Größen zwei Zehnerpotenzen auseinander. Ein Ticket mit 3.700 Token kostet in jeder Modellklasse Bruchteile eines Cents, der Marktpreis eines gelösten Tickets liegt bei 0,49 bis 2,00 USD (Drag und MavenAGI 2026, Sekundärquellen). Wer am Tokenpreis spart und die Eskalation weglässt, optimiert die kleinere der beiden Zahlen.

Zwei belegte Fälle zeigen die Spanne nach oben. Im Verfahren Moffatt v. Air Canada (2024 BCCRT 149, 14.02.2024) sprach das Tribunal 812,02 CAD zu und hielt fest: „It should be obvious to Air Canada that it is responsible for all the information on its website." Klarna kündigte im Februar 2024 die Arbeit von rechnerisch 700 Vollzeitkräften und 40 Mio. USD Ergebnisverbesserung an und korrigierte im Mai 2025: „As cost unfortunately seems to have been a too predominant evaluation factor when organizing this, what you end up having is lower quality."

Im Abschnitt Anforderungen stellen Sie diese Größe als Zone ein. Die Vorbelegungen reichen von 0 Euro über die Kosten eines weiteren Aufrufs bis 100 Euro je Aufgabe. Die oberste Zone vergibt keine Zahl, weil der Fehler dort nicht bezifferbar ist, und schaltet das Ergebnis auf Modellgruppe und Prozess um.

Stand 2026-09-10

Prüfen kostet Zeit und fängt einen TeilDie Prüfschicht ist ein eigener Kostenposten: sie kostet Lesezeit, und sie findet weniger Fehler, als die Rechnung meist unterstellt.

Eine Simulationsstudie von MedStar und Georgetown (npj Digital Medicine, 24.04.2025) legte 20 Hausärzten 18 Patientennachrichten mit KI-Entwürfen vor, vier davon mit eingebauten Fehlern. 35 bis 45 Prozent der fehlerhaften Entwürfe gingen unverändert hinaus, jeder fehlerhafte Entwurf wurde von mindestens 13 der 20 Teilnehmer übersehen, im Mittel blieben 2,67 von 4 Fehlern unentdeckt, und genau ein Teilnehmer adressierte alle vier. Die Autoren nennen die Ursache Automation Bias, „the tendency to over-rely on automation".

Prüfen kostet messbar Zeit. An der UC San Diego stieg die Lesezeit je Nachricht um 21,8 Prozent (JAMA Network Open, 15.04.2024, p gleich 0,008), während die Antwortzeit um 5,9 Prozent sank, ohne statistische Signifikanz. Der Rechner setzt deshalb Prüfminuten mal Stundensatz an, mit 60 Euro je Stunde als ausgewiesener Annahme.

Aufmerksamkeit ist eine endliche Ressource. Turan (arXiv 2606.08919, 08.06.2026) modelliert Prüfer, die mit der Eskalationslast ermüden: „when the reviewer is modeled as endogenous (fatiguing as escalation load grows), realized safety becomes an inverted-U in the escalation rate: more human oversight can make a system less safe". Prüfer sind sich zudem nur mäßig einig, was riskant ist, Fleiss Kappa 0,52. Die Arbeit ist ein Einzelautor-Vorabdruck ohne Humanstudie; sie steht hier als Hinweis, in die Rechnung geht sie nicht ein.

OpenAI schreibt zu GDPval (25.09.2025), dass Spitzenmodelle die dortigen Aufgaben rund 100-mal schneller und rund 100-mal günstiger erledigen als Branchenfachleute, und stellt im selben Absatz klar, dass diese Zahlen nur Inferenzzeit und API-Kosten umfassen und die menschliche Aufsicht, Überarbeitung und Integration nicht enthalten. Genau diese Posten trägt der Regler Prüfbarkeit in die Rechnung.

Stand 2026-09-10

Die PreisumkehrIn 32 Prozent der Modellpaare verursacht das billiger gelistete Modell die höheren Ist-Kosten, weil es mehr Token und mehr Runden braucht.

Chen et al. (arXiv 2603.23971, 25.03.2026, 8 Modelle, 12 Aufgaben) messen: „in 32% of model-pair comparisons, the model with a lower listed price actually incurs a higher total cost, with reversal magnitude reaching up to 28x". Auf derselben Anfrage verbraucht ein Modell bis zu 900 Prozent mehr Denk-Token als ein anderes oder zehnmal so viele Runden. Wiederholt man dieselbe Anfrage beim selben Modell, schwanken die Denk-Token um bis zum 9,7-Fachen; die Arbeit nennt das einen nicht reduzierbaren Rauschboden für jede Vorhersage.

OckBench (arXiv 2511.05722) misst denselben Effekt bei gleicher Genauigkeit: über 25-facher Tokenunterschied, rund 1.600 gegen rund 42.000 Token. Der Satz der Arbeit dazu lautet: „cheaper token cost does not always imply cheaper task cost; verbose smaller models can pay an Overthinking Tax".

Die Denkstufe wirkt in derselben Größenordnung. Artificial Analysis maß für GPT-5 auf der Stufe high das 23-Fache der Token der Stufe minimal, 82 Mio. gegen 3,5 Mio. für den ganzen Index, bei 68 gegen 44 Indexpunkten; der Schritt von medium auf high brachte einen Punkt. Auch die Generation zählt: Claude Sonnet 5 erzeugt je Index-Aufgabe rund 40 Prozent mehr Ausgabe-Token als Sonnet 4.6, braucht rund dreimal so viele Agenten-Runden und kostet je Aufgabe rund das Doppelte, bei gleichem Listenpreis.

Deshalb rechnet diese Fassung mit einem Mengenfaktor je Modell und Denkstufe und zeigt das Ergebnis als Bandbreite. Wo für das obere Band keine gemessene Streuung vorliegt, steht das an der Zahl.

Stand 2026-09-10

Der Tokenizer als MengenfaktorDerselbe deutsche Text ergibt je nach Anbieter unterschiedlich viele Token, und das verschiebt die Rechnung, bevor ein Preis verglichen ist.

Anthropic weist für Modelle ab Claude 4.7 einen neuen Tokenizer aus: „This tokenizer produces approximately 30% more tokens for the same text." Bei gleichem Preis je Token ist das ein Aufschlag von rund 30 Prozent auf der Mengenseite, ohne dass sich eine Preisangabe ändert.

Zwischen den Anbietern ist die Spanne größer. TextKit maß am 10.06.2026 für deutschen Text 1,71 Token je Wort bei GPT-5, 2,18 bei GPT-4, 2,64 bei Claude Sonnet 4.6 und 3,48 bei Claude Opus 4.8; englischer Text liegt bei 1,17 bis 1,88. Zwischen den Enden liegt Faktor 2,0, und er wirkt auf Eingabe und Ausgabe zugleich.

Über 24 EU-Sprachen gemessen (arXiv 2605.24718) spreizt sich die Tokenzahl je Wort um das 2,5-Fache, von 1,2 im Englischen bis 3,1 im Griechischen. Deutsch liegt im Mittel bei 1,76 und je nach Anbieter zwischen 1,55 und 1,98, also 1,28-fach allein durch die Anbieterwahl.

Der Rechner legt den Faktor je Modellfamilie auf Eingabe und Ausgabe und zeigt ihn in der Modelltabelle als eigene Spalte. Ein Vergleich, der Token als anbieterneutrale Einheit behandelt, bevorzugt die Anbieter mit dem gröberen Tokenizer.

Stand 2026-09-10

Fenstergröße und KontexttreueDas beworbene Kontextfenster sagt, wie viel Text hineinpasst, und die Treue sagt, wie viel davon ein Modell noch findet.

Zwei Hersteller berichten denselben Langkontext-Wert in ihren Modellkarten, MRCR v2 mit acht Nadeln, und dort bricht das Etikett auseinander. Gemini 3.1 Pro fällt von 84,9 Prozent bei 128.000 Token auf 26,3 Prozent bei 1 Mio. (Modellkarte, 19.02.2026). Anthropic schreibt zur 1M-Variante: „on the 8-needle 1M variant of MRCR v2 … Opus 4.6 scores 76%, whereas Sonnet 4.5 scores just 18.5%". Gleiches Etikett, vierfacher Unterschied.

NoLiMa (ICML 2025) misst den Abfall dort, wo die Frage nicht wörtlich mit der Fundstelle übereinstimmt: bei 32.000 Token fallen elf von dreizehn Modellen unter die Hälfte ihrer Kurzkontext-Leistung. RULER bestätigt das über 17 Modelle und rechnet in effektiver statt in beworbener Länge: Llama-3.1-70B wird mit 128k angegeben und trägt 64k.

Chroma zeigt, dass der Abfall auch einfache Aufgaben trifft: „model performance varies significantly as input length changes, even on simple tasks". Die Nadelsuche prüft weniger als echte Auswertungsarbeit, die darüber liegt.

Bei welcher Länge gemessen wurde, entscheidet mit. Google berichtet für Gemini 3.7 Flash 97,0 und für 3.6 Flash 91,8 Prozent, beides bei 128.000 Token und als kumulativer Durchschnitt; einen Wert für die volle Million veröffentlicht Google nicht. Bis zum 10. September 2026 stand die 97 hier als 1M-Wert, übernommen aus einer Sekundärquelle. Das war falsch, und der Unterschied ist keine Kleinigkeit: der einzige gemessene 1M-Wert eines Gemini-Modells liegt bei 26,3 Prozent.

In der Modelltabelle steht die Treue als eigene Spalte für 128k und 1M. Fünf Modelle des Bestands tragen einen Wert, alle aus Modellkarten der Hersteller; alle übrigen tragen einen Strich, weil keine Angabe vorliegt. Geprüft wird an der Textmenge, die wirklich anfällt: bis 128.000 Token gegen den 128k-Wert, darüber gegen den für die volle Länge. Ein gemessener Wert unter 50 Prozent schließt aus. Fehlt der Wert, entscheidet das Feld: Solange ein anderes Modell die Schwelle belegt besteht, kann ein Modell ohne Wert den Fall nicht gewinnen. Besteht sie keines, trifft die Lücke alle gleich, und der Rechner sagt es an der Zahl, statt jede Zeile zu sperren.

Stand 2026-09-10

Zweimal dieselbe FrageEin Sprachmodell antwortet auch bei Temperatur 0 nicht zweimal gleich, weil die Rechenreihenfolge auf der Grafikkarte von der Auslastung abhängt.

Das Thinking Machines Lab hat die Ursache am 10.09.2025 auf die schwankende Stapelgröße im Server zurückgeführt: mit der Last ändert sich die Reihenfolge, in der der Rechenkern zusammenfasst. Gemessen ergaben 1.000 identische Anfragen bei Temperatur 0 achtzig verschiedene Antworten. Mit stapelinvarianten Rechenkernen waren alle 1.000 Antworten identisch, und die Laufzeit stieg von 26 auf 55 Sekunden, mit verbessertem Aufmerksamkeitskern auf 42.

Die Streuung bleibt nicht im Wortlaut. Atil et al. (arXiv 2408.04667, fünf Modelle, acht Aufgaben, zehn Läufe) berichten: „We see accuracy variations up to 15% across naturally occurring runs with a gap of best possible performance to worst possible performance up to 70%." Yuan et al. (arXiv 2506.09501) messen bei einem Denkmodell „up to 9% variation in accuracy and 9,000 tokens difference in response length" und führen es auf Gleitkomma-Arithmetik begrenzter Genauigkeit zurück.

Verlässlichkeit entsteht deshalb in der Architektur um das Modell herum. Das belegte Grundmuster: das Modell schlägt vor, eine feste Regel oder ein Prüfprogramm entscheidet, und nur die Entscheidung zählt. Strukturierte Ausgaben sichern dabei die Form der Antwort; über den Inhalt sagen sie nichts, und der Anbieter schreibt dazu, dass solche Ausgaben weiterhin Fehler enthalten können. Mehrfachziehungen und Abstimmungsverfahren senken die Streuung, Determinismus stellen sie nicht her, denn sie ziehen bewusst mehrere Stichproben.

Das BSI führt Nichtreproduzierbarkeit als eigene Risikokategorie R7 (Generative AI Models, Version 2.0, 17.01.2025): „The outputs of many generative AI models are not necessarily reproducible due to the use of random components." Die Maßnahme M20 verlangt bei kritischer Wirkung eine Prüfung der Ausgabe, den Abgleich mit weiteren Quellen und bei Bedarf manuelle Nachbearbeitung. Im Ergebnis zeigt die oberste Fehlerkosten-Zone die belegten Muster mit ihren Grenzen.

Stand 2026-09-10

Gefühlte und gemessene WirkungZwischen gefühlter und gemessener Produktivität liegen in der Messung von METR rund 39 Prozentpunkte.

METR (Becker, Rush, Barnes, Rein, arXiv 2507.09089, 12.07.2025) ließ erfahrene Entwickler auf reifem Code randomisiert mit und ohne KI arbeiten. Gemessen waren sie mit KI 19 Prozent langsamer, eingeschätzt hatten sie sich schneller. Zwischen Selbsteinschätzung und Messung liegen rund 39 Prozentpunkte.

Die Gegenzahlen gehören dazu. Ein Rollout über zehntausende Entwickler bei Microsoft zeigt rund 24 Prozent mehr zusammengeführte Pull Requests (arXiv 2607.01418, 01.07.2026). Und der Stanford AI Index 2026 hält fest, dass METR den eigenen Befund später nicht replizieren konnte, „primarily due to a growing reluctance among developers to work without AI, and that developers in late 2025 were likely sped up by AI relative to the original study period" (Seite 219).

Für diesen Rechner folgt daraus eine Regel: kalibriert wird er nie mit Selbsteinschätzungen. Jede Fallstudie, die auf einer Zufriedenheitsbefragung beruht, kann um diese Größenordnung zu optimistisch liegen, und Anbieterzahlen zur Zeitersparnis tragen dasselbe Risiko. Die Zahlen hier stammen aus Preislisten, Modellkarten und Messreihen mit veröffentlichtem Aufbau.

Stand 2026-09-10

Welcher Benchmark je GeschäftsvorfallEin Anker trägt nur, wenn er die Aufgabe misst, und zwei verbreitete Benchmarks messen bei Recherche und Code-Review etwas anderes.

GPQA Diamond ist als „Google-proof" gebaut, also so, dass Suchen nicht hilft. Ein Maß, das Suchfähigkeit neutralisiert, kann sie nicht bewerten. Dazu ist es gesättigt: vals.ai zählt am 15.08.2026 „24 of the 133 models tested now score 90% or higher", und der Autor des Benchmarks, David Rein, sagt im Interview, es „stopped discriminating between good and great". Für Recherche tragen BrowseComp und die Deep Research Bench, die als einzige Kosten je Aufgabe mitliefert.

SWE-bench Verified misst die Erzeugung eines Patches bei bekanntem Fehlerort. Ein Review sucht den Fehler erst. CR-Bench (arXiv 2603.11078, 10.03.2026) begründet den Unterschied und führt eigene Maße ein, Usefulness Rate und Signal-to-Noise: „these agents often face a fundamental trade-off, they either prioritize precision and risk missing critical vulnerabilities, or prioritize recall at the cost of producing noisy and low-actionable feedback."

Für Support-Tickets trägt τ²-bench, weil es die drei Eigenschaften des Vorfalls prüft: eine Richtlinie, der das System folgen muss, Werkzeugnutzung und einen simulierten Kunden, der bei unvollständigen Antworten nachfasst. Die Spreizung auf dem öffentlichen Leaderboard ist deutlich: Claude Opus 4.5 79 Prozent, GPT-5.2 73, Sonnet 4.5 63, GPT-4o 36. Als Sperrkriterium für quellengebundene Ausgaben dient das HHEM-Halluzinations-Leaderboard, gelesen als Mindestschwelle, denn eine niedrige Rate kann auch geringe Fähigkeit abbilden.

Für Textarbeit gibt es einen abrufbaren Anker mit Preisspalte, arena.ai Creative Writing (Stand 12.08.2026, 1,18 Mio. Stimmen). Die Konfidenzintervalle der Spitzengruppe von ±7 bis ±18 Punkten (über das ganze Feld ±5 bis ±28) machen die vorderen Ränge statistisch ununterscheidbar. Der Anker taugt damit als Schwelle: er beantwortet die Frage, ob ein Modell zur Spitzengruppe gehört, und innerhalb der Gruppe entscheidet der Preis.

Stand 2026-09-10

Support-Ticket beantwortenWas ein falscher Bescheid beim Kunden kostet, wie viele Tickets im Monat anfallen und ob jemand gegenliest.

Ein Kundenanliegen verstehen und eine Antwort vorschlagen, die ein Mitarbeiter freigibt oder die direkt hinausgeht.

Einordnung

Ein Standard-Ticket liegt bei 3.700 Token Eingabe und wenigen hundert Token Ausgabe; in dieser Größenordnung ist der Preisabstand zwischen kompakter Klasse und Spitzenklasse am größten. Ob die kompakte Klasse trägt, zeigt sich an Ihren Anläufen: bleibt es bei einem, gewinnt der Preisabstand, steigen sie, kippt die Rechnung am Umschlagpunkt.

Klassenuntergrenze und Lösequote entscheiden, dann der Preis.

Warum diese Annahmen?

Eine falsche Auskunft kostet zuerst eine Eskalation und eine Korrektur, also Menschenzeit; das ist Zone 3. Sobald die Auskunft rechtlich bindet, gehört der Fall auf Zone 4: Moffatt gegen Air Canada, 2024 BCCRT 149, endete bei 812 CAD für einen falschen Satz des Chatbots. Geprüft wird stichprobenweise, der Denkaufwand bleibt niedrig, und die Antwort muss über wenige Absätze hinweg stimmen.

Typische Fehler

Falsche Auskunft, die das Unternehmen bindet. Dazu der Volumen-Bumerang: die Commonwealth Bank nahm 45 Kündigungen zurück, weil der Sprachbot die Anrufzahlen erhöhte. Klarna baute 2025 zurück und nannte Qualität als Grund, Stand Q3 2025 wieder 853 Vollzeitäquivalente.

Ausgangsdaten und Belege

3.700 Token je Konversation aus der Anthropic-Dokumentation; 88 Prozent der KI-nutzenden Unternehmen setzen KI im Kundenkontakt ein (Bitkom, 02/2026).

Anthropic, Preisdokumentation (3.700 Token je Support-Konversation) · 2026-08-18
Bitkom, Studienbericht Künstliche Intelligenz, 02/2026 · 2026-08-19
Moffatt v. Air Canada, 2024 BCCRT 149, 14.02.2024 · 2024-02-14
ABC News Australien zur Commonwealth Bank, 21.08.2025 · 2025-08-21
Customer Experience Dive zu Klarna, 20.11.2025 · 2025-11-20

Was die Literatur empfiehlt

Arbeitsklasse als Vorgabe, Kompaktklasse als Untergrenze

Die Untergrenze ist die schnelle Klasse starker Anbieter. Sobald die Auskunft den Kunden erreicht, gilt die Arbeitsklasse als Vorgabe. τ²-bench spreizt die Modelle von 36 bis 79 Prozent Lösequote, und eine falsche Auskunft bindet das Unternehmen: Moffatt gegen Air Canada endete bei 812 CAD für einen Satz. Für die Klassen unterhalb von Haiku und Flash liegt kein Kundendienst-Messwert vor, in keine Richtung. Das Zwischenspeichern der Richtlinien senkt die Rechnung weiter als ein Klassensprung nach unten: Lesen aus dem Cache kostet bei Anthropic ein Zehntel des Eingabepreises (Preisdokumentation, Stand 10.09.2026).

Genannte Modelle: Claude Sonnet 5, Gemini 3.7 Flash, gpt-5.5, Claude Haiku 4.5

Anthropic, Choosing the right model · 2026-08-19
OpenAI, Model selection guide · 2026-08-19
tau2-bench Leaderboard, Pass Rate · 2026-08-19
Moffatt v. Air Canada, 2024 BCCRT 149 · 2024-02-14

Literaturstand 2026-08-19

E-Mail auswerten und Antwort entwerfenDie Menge je Tag, der Anteil, den jemand vor dem Senden prüft, und ob eine erfundene Angabe auffällt.

Eingehende E-Mails lesen, das Wesentliche herausziehen und einen Antwortentwurf anlegen.

Einordnung

Ein Entwurf erzeugt rund 300 Ausgabe-Token in einem einzigen Aufruf; das ist der kleinste Posten unter den zwölf Vorfällen mit Fließtext. Bei langen Verläufen mit vielen Beteiligten verdreifacht sich die Eingabe, an der Rangfolge der Modelle ändert das wenig.

Der Preis entscheidet hier.

Bei dieser Schwierigkeit trennen die Fähigkeitsdaten nicht: Entwürfe dieser Länge lösen die aktuellen Modelle in den Messreihen nahezu vollständig.

Warum diese Annahmen?

Der Entwurf geht über den Schreibtisch des Absenders, bevor er hinausgeht; ein Fehler kostet einen weiteren Aufruf, also Zone 2. Geprüft wird gegen die eingegangene Mail, die daneben liegt, der Denkaufwand bleibt niedrig, und die Antwort muss über wenige Absätze hinweg stimmen.

Typische Fehler

Die stille Auslassung einer Rückfrage und der Registerbruch im Ton. Beim Zusammenfassen messen die 15 besten Modelle im HHEM-Leaderboard 1,8 bis 5,4 Prozent Halluzinationsrate, die meisten liegen bei 4 bis 5 Prozent (Stanford AI Index 2026).

Ausgangsdaten und Belege

E-Mail-Entwürfe sind 7 Prozent der Arbeits-Konversationen (Anthropic Economic Index, 06/2026); der zugehörige API-Task heißt „Analyze emails and draft replies" und liegt bei 0,28 Prozent aller Aufrufe.

Anthropic Economic Index, Juni 2026 · 2026-06-26
Anthropic Economic Index, Januar 2026 (Top-Tasks der API) · 2026-01-15
Stanford AI Index 2026 · 2026-08-19

Was die Literatur empfiehlt

Kompaktklasse

Der Text liegt vor, die Aufgabe ist einschrittig und prüfbar, und genau dafür positionieren die Hersteller ihre günstigsten Modelle. Google beschreibt Flash-Lite als Modell für hohen Durchsatz, Anthropic Haiku 4.5 für Mengenarbeit mit prüfbarer Ausgabe. Das Halluzinationsmaß HHEM misst bei dieser Aufgabe 3 bis 6 Prozent für Flash-Lite, nano und mini; Claude Haiku 4.5 liegt bei 9,8 Prozent, gpt-5.4 bei 7,0 (Stand 11.05.2026). Hier darf der Preis entscheiden, solange stichprobenweise gegengelesen wird.

Genannte Modelle: Claude Haiku 4.5, Gemini 3.5 Flash-Lite, gpt-5.4-mini

Google, Gemini API Models · 2026-08-19
Anthropic, Optimizing for cost and intelligence · 2026-08-19
Vectara, Hallucination Leaderboard · 2026-05-11

Literaturstand 2026-08-19

Text erstellen oder überarbeitenWie lang die Vorlagen sind, wie oft Sie nachbessern lassen und ob der Text ungeprüft nach außen geht.

Berichte, Dokumentation oder Marketingtexte entwerfen und überarbeiten.

Einordnung

Bei 4.000 Token Eingabe und 1.200 Token Ausgabe trägt die Ausgabe den größeren Posten, und Ausgabe kostet bei jedem Anbieter ein Mehrfaches der Eingabe. Ein Fünftel der Eingabe kommt aus dem Cache, weil Vorlage und Stilvorgabe über die Fassungen hinweg stehen bleiben.

Der Preis der Ausgabe entscheidet hier.

Für Schreibgüte führt keine unserer Quellen belastbare Lösequoten. Gerechnet wird mit den Beispiel-Anläufen; die Fähigkeitsspalte im Bereich Daten hilft bei der Klasseneinordnung.

Warum diese Annahmen?

Der Mensch liest den Text ohnehin, bevor er ihn verwendet, und der Prüfaufwand entspricht dem eines eigenen Entwurfs; ein Fehler kostet einen weiteren Aufruf, also Zone 2. Der Denkaufwand steht auf mittel, weil Aufbau und Argument über mehrere Absätze tragen müssen.

Typische Fehler

Stille Auslassung und Registerbruch wiegen hier schwerer als Erfindung. Der Mengenzuwachs ist gemessen, die Güteprüfung bleibt beim Menschen: Marketing-Teams erzeugten mit multimodaler KI 50 Prozent mehr Anzeigen je Kopf (Ju und Aral 2025, Stanford AI Index 2026).

Ausgangsdaten und Belege

Dokumente und Berichte sind 20 Prozent der Arbeits-Konversationen (Anthropic Economic Index, 06/2026); 78 Prozent der KI-nutzenden Unternehmen erzeugen damit Texte, Bilder oder Code (DIHK, 01/2026).

Anthropic Economic Index, Juni 2026 · 2026-06-26
DIHK, Digitalisierung 2026: Unternehmen halten Kurs, 28.01.2026 · 2026-01-28
Stanford AI Index 2026 · 2026-08-19

Was die Literatur empfiehlt

Arbeitsklasse

Die Telemetrie zeigt, wozu Menschen beim Schreiben greifen: auf Claude.ai laufen 10 Prozent der Konversationen auf der Spitzenklasse, in der Codeumgebung 54 Prozent. Wer Text erzeugt, arbeitet in der Mittelklasse. Anthropic ordnet Schreiben ausdrücklich der Sonnet-Klasse zu. Der teure Fehler ist hier die stille Auslassung und der Registerbruch, und beides findet der Mensch, der den Text ohnehin liest, bevor er ihn verwendet.

Genannte Modelle: Claude Sonnet 5, Gemini 3.7 Flash, gpt-5.6-terra

Anthropic Economic Index, Juni 2026 · 2026-06-26
Anthropic, Choosing the right Claude model · 2026-08-19

Literaturstand 2026-08-19

Vertriebs-E-Mail und AngebotsentwurfWie viel Kontext je Empfänger hineingeht, wie viele Entwürfe Sie je Tag brauchen und was eine peinliche Zeile beim Kunden kostet.

Eine persönliche Ansprache oder ein Angebot aus CRM-Daten und Vorlage entwerfen.

Einordnung

Beim Entwerfen schreibt das Modell viel; die Ausgabe trägt hier den größten Posten und kostet bei allen Anbietern ein Vielfaches der Eingabe. Knapp ein Drittel der Eingabe kommt aus dem Cache, weil Preisliste und Textbausteine über die Angebote hinweg gleich bleiben.

Preis und Schreibgüte entscheiden hier; messbar ist davon nur der Preis.

Für Schreibgüte führt keine unserer Quellen belastbare Lösequoten. Gerechnet wird mit den Beispiel-Anläufen; die Fähigkeitsspalte im Bereich Daten hilft bei der Klasseneinordnung.

Warum diese Annahmen?

Ein Entwurf kostet im Fehlerfall einen weiteren Aufruf, also Zone 2. Die Prüfung steht auf Zone c, weil Konditionen und Referenzen Satz für Satz gegengelesen werden. Sobald das Angebot bindet, gehört die Fehlerresilienz auf Zone 4: was das System zusagt, bindet das Unternehmen (Moffatt gegen Air Canada, 2024 BCCRT 149).

Typische Fehler

Falsche Konditionen, erfundene Referenzen und Tonfehler. Für diesen Vorfall liegt keine belastbare Fehlerraten-Studie vor; das Recherchepaket führt ihn ausdrücklich als am schwächsten belegten der sechs alten Vorfälle.

Ausgangsdaten und Belege

„Generate personalized B2B cold sales emails" ist mit 0,47 Prozent aller Aufrufe der häufigste nicht-technische Task in der Anthropic-API-Telemetrie (01/2026).

Anthropic Economic Index, Januar 2026 (Top-Tasks der API) · 2026-01-15
DIHK, Digitalisierung 2026: Unternehmen halten Kurs, 28.01.2026 · 2026-01-28
Moffatt v. Air Canada, 2024 BCCRT 149, 14.02.2024 · 2024-02-14

Was die Literatur empfiehlt

Arbeitsklasse, mit Nachweis der Zugehörigkeit zur Schreib-Spitzengruppe

Beim Angebot ist Schreibgüte das Kaufargument, und dafür gibt es einen abrufbaren Anker. Auf dem Creative-Writing-Board von arena.ai liegt Gemini 3.7 Flash mit 1496 Punkten auf Rang 3, acht Punkte hinter dem Spitzenreiter Claude Fable 5 und zu einem Dreizehntel des Eingangspreises; Gemini 3.8 Flash folgt einen Punkt dahinter zum selben Preis. Die Konfidenzintervalle der Spitzengruppe von ±7 bis ±25 Punkten machen die vorderen Ränge ununterscheidbar, deshalb taugt der Wert als Schwelle und der Preis entscheidet innerhalb der Gruppe. Unterhalb der Schwelle wird es dünn: Claude Sonnet 5 steht bei 1437, Claude Haiku 4.5 lag beim Abruf im August bei 1389 und gehört damit für Außentexte nicht ins Feld.

Genannte Modelle: Gemini 3.7 Flash, Gemini 3.8 Flash, Claude Fable 5.1

arena.ai, Creative Writing Leaderboard · 2026-09-02
The Leaderboard Illusion, arXiv 2504.20879 · 2025-04-29

Literaturstand 2026-09-10

Klassifikation und RoutingDas Volumen, die Trefferquote und was eine falsche Zuordnung an Umwegen auslöst.

Anfragen, Tickets oder Dokumente in Kategorien einordnen und weiterleiten.

Einordnung

Die Ausgabe ist ein Etikett von rund 30 Token, die Eingabe bleibt unter 2.000. Damit fällt der Ausgabepreis kaum ins Gewicht, und die Hälfte der Eingabe kommt aus dem Cache, weil das Etikettenschema bei jedem Aufruf gleich bleibt.

Der Preis entscheidet hier.

Für die Klassifikationsgüte in Ihrem eigenen Etikettenschema führt keine unserer Quellen eine übertragbare Lösequote. Gerechnet wird mit den Beispiel-Anläufen.

Warum diese Annahmen?

Fehlrouting ist umkehrbar und fällt beim Empfänger auf; es kostet Durchlaufzeit und einen weiteren Aufruf, also Zone 2. Die Prüfung läuft maschinell gegen eine Konfidenzschwelle, und nur die Fälle darunter gehen an einen Menschen zurück; niemand liest jeden Vorgang, deshalb Zone a ohne Prüfminuten. Denkaufwand niedrig, Kontexttreue auf Absatzebene.

Typische Fehler

Der teure Fehler ist die still falsche Zuordnung, die niemandem auffällt; sie ist gefährlicher als eine sichtbar fehlende (arXiv 2606.24420). Der Ausweg führt über Konfidenz je Feld und Rückgabe an den Menschen.

Ausgangsdaten und Belege

„Classify and categorize emails into predefined labels" ist mit 0,23 Prozent ein Top-10-Task der Anthropic-API-Telemetrie (01/2026); LinkedIn misst im Produktions-A/B-Test 30,6 Prozentpunkte mehr Routing-Genauigkeit.

Anthropic Economic Index, Januar 2026 (Top-Tasks der API) · 2026-01-15
LinkedIn, Produktions-A/B-Test, arXiv 2608.10224 · 2026-08-10
Google Cloud, 101 real-world generative AI use cases (Gelato), 22.04.2026 · 2026-04-22
Still falsche Extraktion, arXiv 2606.24420 · 2026-06-23

Was die Literatur empfiehlt

Kleinste tragfähige Klasse

Klassifizieren und Zuweisen ist der billigste Fall im ganzen Katalog und der Fall mit den klarsten Produktionsbelegen für kleine Modelle. LinkedIn misst im Produktions-A/B-Test 30,6 Prozentpunkte mehr Routing-Genauigkeit, Gelato hebt die Ticket-Zuweisung von 60 auf 90 Prozent. Der Fehlermodus ist Kalibrierung, und die Antwort darauf ist ein Konfidenzwert je Feld mit Rückgabe an den Menschen. Ein größeres Modell löst dieses Problem nicht.

Genannte Modelle: gpt-5.4-nano, Gemini 3.1 Flash-Lite, Claude Haiku 4.5

Wang et al., Self-evolving Agentic Customer Support System at LinkedIn, arXiv 2608.10224 · 2026-08-10
Small Language Models are the Future of Agentic AI, arXiv 2506.02153 · 2025-06-02

Literaturstand 2026-08-19

Datenextraktion aus DokumentenWie lang die Dokumente sind, ob jemand die Werte gegen das Original prüft und was ein falscher Wert im System kostet.

Felder aus Verträgen, Rechnungen oder Formularen in Tabellen übertragen.

Einordnung

Die Eingabe trägt hier fast die ganze Rechnung: 15.000 Token Dokument gegen 600 Token strukturierte Ausgabe. Cache greift nicht, weil jedes Dokument neu ist, und die Zahl der Anläufe entscheidet, sobald die Vollständigkeitsprüfung Nacharbeit auslöst.

Die Eingabemenge entscheidet hier, danach die Zahl der Anläufe.

Für Extraktion aus Ihren eigenen Dokumentarten führt keine unserer Quellen eine übertragbare Lösequote. Die veröffentlichten Messreihen laufen auf fremden Dokumentbeständen.

Warum diese Annahmen?

Ein übersehenes Feld kostet Menschenzeit in der Nachkontrolle, also Zone 3. Die Prüfung steht auf Zone c, weil Vollständigkeit erst durch Gegenlesen des Dokuments feststeht; wird aus der Extraktion eine Buchung, eine Frist oder eine Auszahlung, gehört die Fehlerresilienz auf Zone 4. Die Fundstelle liegt im Dokument, deshalb Kontexttreue auf Dokumentebene.

Typische Fehler

Die stille Auslassung, die keine Stichprobe findet. Dazu die Kontexttreue: Modelle antworten aus dem Allgemeinwissen, obwohl die Antwort im vorgelegten Dokument steht, auch wenn die Anweisung das ausdrücklich verbietet (Vals CaseLaw v2, Stanford AI Index 2026). Der Denkmodus erhöht die Vollständigkeit und senkt die Korrektheit (ContractEval, arXiv 2508.03080).

Ausgangsdaten und Belege

Deutsche Bank misst mit dbTextract 97 Prozent Genauigkeit bei 40 Prozent weniger Bearbeitungszeit; auf realen Kreditverträgen in Vals CorpFin v2: AI Index 2026 (Datenschnitt) kein Modell über 70 Prozent, Bestwert 68,26; Leaderboard 12.08.2026: Claude Opus 5 73,19 Prozent.

Deutsche Bank, dbTextract (Technologie-Seite, ohne Datum) · 2026-08-19
Stanford AI Index 2026 · 2026-08-19
Vals AI, CorpFin v2 · 2026-08-12
ContractEval, arXiv 2508.03080 · 2025-08-05

Was die Literatur empfiehlt

Kompaktklasse mit gezieltem Abruf, Fachmodell als Alternative außerhalb der Preisliste

Die Messwerte stehen quer zum Marketing: Vals CorpFin v2 kam über 200 Seiten Kreditvertrag zum Datenschnitt des AI Index 2026 auf einen Bestwert von 68,26 Prozent und kein Modell über 70; das Leaderboard von vals.ai nennt am 12.08.2026 Claude Opus 5 mit 73,19 Prozent an der Spitze, MortgageTax bleibt bei 69,4 Prozent. Ein selbst gehostetes Fachmodell schlug fünf Spitzenmodelle bei der Vertragsextraktion mit 78 bis 97 Prozent geringeren Inferenzkosten und höherer Präzision, und dieser Weg steht in keiner Preisliste. Für den Weg über die API gilt: gezielt abrufen, das Fenster so klein halten wie die Aufgabe es erlaubt, und die Vollständigkeit prüfen, weil der typische Fehler die stille Auslassung ist.

Genannte Modelle: Claude Haiku 4.5, Gemini 3.7 Flash

Vals AI, CorpFin v2 · 2026-08-12
Lincoln et al., A Few Good Clauses, arXiv 2605.05532 · 2026-05-07

Literaturstand 2026-08-19

Wissensdatenbank-FrageWie viel Wissen je Frage mitgegeben wird, wie oft gefragt wird und ob eine erfundene Regel jemand bemerkt.

Fragen von Mitarbeitern aus internen Richtlinien, Handbüchern und Wikis beantworten.

Einordnung

Bei 70 Prozent Cache-Anteil entscheidet der Preis für gelesene Cache-Token, der bei den Anbietern um ein Vielfaches unter dem Eingabepreis liegt. Richtlinien und Produktwissen bleiben über die Anfragen hinweg gleich, die Ausgabe von 400 Token fällt kaum ins Gewicht.

Der Cache-Preis entscheidet hier, danach die Güte des Abrufs.

Für gegroundete Antworten führt keine unserer Quellen eine laufend gepflegte Messreihe. Die Fehlerart, die hier zählt, findet kein bestehender Halluzinations- oder Zitations-Test.

Warum diese Annahmen?

Eine falsche interne Auskunft kostet eine Rückfrage und eine Korrektur, also Zone 3; geht dieselbe Antwort nach außen, gehört sie auf Zone 4. Geprüft wird stichprobenweise gegen die Fundstelle, der Denkaufwand bleibt niedrig, und jede Antwort muss auf einem Dokument stehen.

Typische Fehler

Zwei Fehler, die getrennt gehören. Offene Wissensfragen halluzinieren stark, AA-Omniscience misst über 26 Modelle 22 bis 94 Prozent. Gegroundete Antworten scheitern unsichtbar: „Deceptive Grounding" misst in einem produktiven System 7,8 Prozent Fälle, in denen echte Belege der falschen Entität zugeordnet werden, bei jüngeren Wirkstoffen 13,6 Prozent (arXiv 2607.09349).

Ausgangsdaten und Belege

Erklärungen sind 17 Prozent aller Konversationen (Anthropic Economic Index, 06/2026); UBS zählt für den internen Assistenten mehr als 25 Millionen Anfragen seit dem Start.

Anthropic Economic Index, Juni 2026 · 2026-06-26
UBS, Innovation and AI (interner Assistent Red) · 2026-08-19
Stanford AI Index 2026 · 2026-08-19
Deceptive Grounding, arXiv 2607.09349 · 2026-07-10

Was die Literatur empfiehlt

Mittlere Klasse mit striktem Abruf und Belegpflicht

Entscheidend ist die Belegpflicht, und die kostet kein Modell-Upgrade. Offene Wissensfragen halluzinieren über 26 Modelle hinweg mit 22 bis 94 Prozent, gegroundete Antworten scheitern dagegen unsichtbar: in einem produktiven System wurden in 7,8 Prozent der Fälle echte Belege der falschen Entität zugeordnet, bei jüngeren Wirkstoffen in 13,6 Prozent. Diese Fehlerart findet kein bestehender Halluzinations- oder Zitations-Test, deshalb gehört die Stichprobe gegen die Fundstelle in den Prozess.

Genannte Modelle: Claude Sonnet 5, Gemini 3.7 Flash, gpt-5.6-terra

Deceptive Grounding, arXiv 2607.09349 · 2026-07-10
Stanford AI Index 2026, Abschnitt 3.2 (AA-Omniscience) · 2026-08-19

Literaturstand 2026-08-19

Recherche-Agent über DokumenteViele Aufrufe und lange Kontexte je Auftrag, dazu das Risiko erfundener Belege, wenn niemand gegenliest.

Einen Markt, einen Anbieter oder eine Frage in mehreren Suchschritten mit Quellen aufbereiten.

Einordnung

Ein Recherche-Agent läuft acht Aufrufe je Aufgabe bei 70 Prozent Cache-Anteil; damit treiben Aufrufzahl und Cache-Quote die Kosten stärker als der Listenpreis. Jeder gesparte Anlauf spart ein Vielfaches eines einzelnen Aufrufs, und der Umschlagpunkt im Report zeigt, wie viel Vorsprung das günstigste Modell hat.

Die Zahl der Aufrufe entscheidet hier, danach der Cache-Anteil.

Warum diese Annahmen?

Das Ergebnis geht nach außen und trägt Belege, deshalb Zone 4. Deloitte Australien erstattete einen Teil eines Auftrags über 440.000 AUD zurück, weil Quellen erfunden waren, darunter ein Zitat aus einem Bundesgerichtsurteil. Hoher Denkaufwand und Prüfung Satz für Satz, weil jede Fundstelle einzeln nachgehalten wird.

Typische Fehler

Erfundene Belege, zu flache Bearbeitung und Rückschritte beim Nacharbeiten. Die stärksten Modelle erfüllen unter 50 Prozent der Prüfkriterien (arXiv 2601.08536), und beim Einarbeiten von Rückmeldungen zerstören Agenten in 16 bis 27 Prozent der Fälle vorher korrekte Inhalte (arXiv 2601.13217). Ein Abruf-Test auf tote Verweise senkt erfundene Quellen unter 1 Prozent und kostet weniger als jedes Modell-Upgrade.

Ausgangsdaten und Belege

Nur 16 Prozent der Unternehmens-Installationen sind echte Agenten (Menlo, 12/2025); 3 bis 13 Prozent der Zitations-Verweise sind erfunden, 5 bis 18 Prozent lösen nicht auf (arXiv 2604.03173).

Menlo Ventures, The State of Generative AI in the Enterprise, 09.12.2025 · 2025-12-09
Erfundene und tote Belege in Deep-Research-Agenten, arXiv 2604.03173 · 2026-04-03
Tiefe von Recherche-Agenten, arXiv 2601.08536 · 2026-01-13
Rückschritte beim Einarbeiten von Feedback, arXiv 2601.13217 · 2026-01-19
The Guardian zu Deloitte Australien, 06.10.2025 · 2025-10-06

Was die Literatur empfiehlt

Spitzenklasse als Orchestrator, Arbeitsklasse als Arbeiter, dazu eine deterministische Nachprüfung

Der einzige Beleg, der speziell Recherche misst, stellt Claude Opus 5 vor Claude Fable 5, und Anthropic empfiehlt Opus 5 als Startpunkt für Agenten. Bei Websuche liegt gpt-5.6-sol mit 92,2 Prozent BrowseComp vorn, dicht gefolgt von gpt-6-astra mit 91,5 zum zweieinhalbfachen Preis; Claude Sonnet 5 erreicht 84,7 Prozent zu einem Fünftel des Astra-Preises. Wichtiger als jede Modellwahl ist der Prüf-Layer: ein Abruftest auf tote Verweise senkt erfundene Quellen unter 1 Prozent und kostet weniger als jedes Upgrade. Und zuerst die Effortstufe senken, denn Anthropic misst, dass low einen Orchestrator-Aufbau bei 20 Prozent geringeren Kosten erreichte.

Genannte Modelle: Claude Opus 5, Claude Sonnet 5, gpt-5.6-sol

Anthropic, Optimizing for cost and intelligence · 2026-08-19
BrowseComp, Stände über BenchLM · 2026-09-08
Rao, Wong und Callison-Burch, Detecting and Correcting Reference Hallucinations, arXiv 2604.03173 · 2026-04-03

Literaturstand 2026-09-10

Code schreiben oder ändernDer Kontext je Aufgabe, die Zahl der Anläufe bis die Tests grün sind und ob eine Prüfung im Team folgt.

Code schreiben, ändern oder prüfen, mit Repository-Kontext und Testlauf.

Einordnung

Drei Aufrufe je Aufgabe bei halbem Cache-Anteil, dazu 15.000 Token Eingabe und 1.500 Token Ausgabe. Damit zählen Aufrufzahl und Anläufe stärker als der Listenpreis, und der Umschlagpunkt im Report übersetzt das in eine Zahl: so viele Anläufe darf sich das günstige Modell leisten, bevor sein Preisvorteil aufgebraucht ist.

Fähigkeit und Preis entscheiden hier.

Für Code-Aufgaben führt der Rechner keinen Anker mehr: SWE-bench Verified misst Patch-Erzeugung, nicht Fehlersuche; die Reihung folgt Preis und Klassenuntergrenze.

Warum diese Annahmen?

Tests fangen viel ab, ein durchgerutschter Fehler kostet Nacharbeit, also Zone 3. Geprüft wird durch die Testabnahme, deshalb Zone a. Mittlerer Denkaufwand und Kontexttreue auf Dokumentebene, weil die Änderung in ihre Datei passen muss. Als letzte Instanz im Review gehört der Fall auf Zone 4.

Typische Fehler

Dauerhafte Qualitätskosten: 18 Prozent mehr Warnungen der statischen Analyse und 39 Prozent mehr kognitive Komplexität, auch dann, wenn der Tempovorteil verpufft (arXiv 2601.13597). Im Review-Betrieb wurden 56,3 Prozent der Agenten-Kommentare abgelehnt (arXiv 2607.03316, 10.191 Pull Requests).

Ausgangsdaten und Belege

Coding ist mit 4,0 Milliarden USD 55 Prozent der Abteilungsausgaben für KI (Menlo, 12/2025); die Copilot-Feldstudie misst 26 Prozent mehr abgeschlossene Pull Requests, ein RCT mit erfahrenen Entwicklern misst 19 Prozent Verlangsamung (arXiv 2507.09089).

Menlo Ventures, The State of Generative AI in the Enterprise, 09.12.2025 · 2025-12-09
Stanford AI Index 2026 · 2026-08-19
METR, RCT mit erfahrenen Entwicklern, arXiv 2507.09089 · 2025-07-12
Qualitätskosten von KI-Code, arXiv 2601.13597 · 2026-01-20
Agentische Code-Reviews in der Praxis, arXiv 2607.03316 · 2026-07-03

Was die Literatur empfiehlt

Arbeitsklasse, Kompaktklasse im Review

GitHub Copilot verortet Diff-Review bei den Allzweckmodellen, und die einzige kontrollierte Studie dazu misst einen umgekehrten Zusammenhang: Claude Haiku 4.5 schlägt Claude Sonnet 4.6 mit höherem F1 und 18 Prozent mehr Recall bei 3,2-fach niedrigeren Kosten je Review. Der stärkste Hebel liegt außerhalb der Modellwahl: die Diff-Größe bestimmt das Ergebnis, F1 fällt von 0,657 bei unter 10 Zeilen auf 0,043 bei über 150 Zeilen. Wer den Diff schneidet und von einem anderen Modell prüfen lässt als dem Autor, gewinnt mehr als durch jeden Klassensprung.

Genannte Modelle: gpt-5.6-terra, Claude Sonnet 5, Claude Haiku 4.5

GitHub Copilot, Choosing the right AI model · 2026-08-19
Bigger Isn't Always Better, arXiv 2606.15689 · 2026-04-09
CR-Bench, arXiv 2603.11078 · 2026-03-10

Literaturstand 2026-08-19

Langes Dokument auswertenOb das Dokument ins Kontextfenster passt, ob das Modell am Ende noch verlässlich ist und die Langkontext-Aufpreise.

Einen Vertrag, Bericht oder Prüfbericht von hunderten Seiten in einem Durchgang auswerten.

Einordnung

Hier entscheidet zuerst, ob das Dokument überhaupt ins Kontextfenster passt, und danach, ob der Anbieter oberhalb seiner Schwelle staffelt. Bei 300.000 Token greift die Staffel bei mehreren Anbietern; die betroffenen Zeilen tragen im Report die Kennzeichnung „Langkontext-Satz".

Kontextfenster und Staffel entscheiden hier, danach der Preis.

Warum diese Annahmen?

Ein übersehener Punkt kostet Nacharbeit, also Zone 3. Die Prüfung steht auf Zone c, weil jede Aussage gegen ihre Belegstelle läuft. Mittlerer Denkaufwand, und die Kontexttreue steht auf Korpus, weil die Antwort über hunderte Seiten hinweg stimmen muss.

Typische Fehler

Die nutzbare Kontextlänge liegt unter der beworbenen: sobald die Frage nicht wörtlich mit der Fundstelle überlappt, fallen bei 32.000 Token 11 von 13 Modellen unter die Hälfte ihrer Kurzkontext-Leistung (NoLiMa, ICML 2025, arXiv 2502.05167). In LongBench v2 erreicht das beste direkt antwortende Modell 50,1 Prozent.

Ausgangsdaten und Belege

Typische Größe bewusst über den Staffelgrenzen von OpenAI (272.000) und Google (200.000): hier greifen die teureren Langkontext-Sätze.

OpenAI, Preisseite (Staffel ab 272.000 Token) · 2026-08-18
Google, Gemini-Preisseite (Staffel ab 200.000 Token) · 2026-08-18
NoLiMa, ICML 2025, arXiv 2502.05167 · 2025-02-07
LongBench v2, arXiv 2412.15204 · 2024-12-19

Was die Literatur empfiehlt

Arbeitsklasse, entschieden nach Preisstaffel statt nach Fenstergröße

Zwei Größen entscheiden, und die Fenstergröße ist keine davon. Die erste ist die Preisstaffel: OpenAI bepreist oberhalb 272.000 Token die ganze Anfrage neu, Google verdoppelt ab 200.000 Token in der Pro-Linie, Anthropic hat den Aufschlag zum 13.03.2026 abgeschafft und Gemini Flash staffelt gar nicht. Die zweite ist die Kontexttreue: derselbe Modellname fällt von 84,9 Prozent bei 128k auf 26,3 Prozent bei 1M, und unter demselben Etikett 1M stehen 76 Prozent gegen 18,5 Prozent. Und die Werte hängen an der Messlänge: Für Gemini veröffentlicht Google nur 128k-Werte (3.7 Flash 97,0 Prozent, kumulativ), keinen einzigen für die volle Million. Für 300.000 Token misst ohnehin kein öffentlicher Test, das bleibt eine Lücke.

Genannte Modelle: Claude Sonnet 5, Claude Opus 5, Gemini 3.7 Flash

Google DeepMind, Gemini 3.1 Pro Model Card · 2026-02-19
Anthropic, Claude Opus 4.6 · 2026-02-05
Anthropic, Pricing (Langkontext ohne Aufschlag) · 2026-08-19
Google DeepMind, Modellkarte Gemini 3.7 Flash · 2026-08-13

Literaturstand 2026-09-10

Meeting- oder GesprächsnotizenDie Länge der Transkripte, die Zahl der Termine und ob ein Beschluss ungeprüft verteilt wird.

Aus Transkript oder Notizen ein Protokoll mit Beschlüssen und Aufgaben machen.

Einordnung

Viel Eingabe, wenig Ausgabe: 15.000 Token Transkript gegen 800 Token Notiz. Ein Aufruf je Gespräch, kein Cache, weil jedes Transkript neu ist; damit hängt die Rechnung fast allein am Eingabepreis. Rechnerisch ist das der Gegenpol zum Recherche-Agenten.

Der Eingabepreis entscheidet hier.

Für Gesprächsnotizen führt keine unserer Quellen eine laufend gepflegte Lösequote je Modell. Der Engpass liegt ohnehin in der Qualität des Transkripts.

Warum diese Annahmen?

Die Teilnehmer waren dabei und erkennen einen Fehler sofort, die Notiz wird ohnehin überschrieben; das ist Zone 1. Geprüft wird stichprobenweise beim Gegenlesen, der Denkaufwand bleibt niedrig, und die Notiz muss zum Transkript passen, deshalb Kontexttreue auf Dokumentebene.

Typische Fehler

Halluzination, Auslassung und Irrelevanz in derselben Notiz (arXiv 2509.15901). Der Engpass sitzt in der Qualität des Transkripts; ein größeres Modell hebt sie nicht.

Ausgangsdaten und Belege

Sharp HealthCare meldet 83 Prozent weniger Schreibaufwand, Northwestern 24 Prozent weniger Dokumentationszeit und 11,3 zusätzliche Patienten je Monat (Stanford AI Index 2026).

Stanford AI Index 2026 · 2026-08-19
Fehlermodi der Meeting-Zusammenfassung, arXiv 2509.15901 · 2025-09-19

Was die Literatur empfiehlt

Mittlere Klasse, Engpass ist die Transkriptqualität

Die Zeitersparnis ist hier am besten dokumentiert: 83 Prozent weniger Schreibaufwand bei Sharp HealthCare, 24 Prozent weniger Dokumentationszeit und 11,3 Patienten mehr im Monat bei Northwestern, 20 Minuten je halbem Klinik-Tag in einer JAMIA-Studie mit 48 Ärzten. Die Fehler sind Halluzination, Auslassung und Irrelevanz, und die Teilnehmer erkennen sie sofort, weil sie dabei waren. Ein größeres Modell hebt ein schlechtes Transkript nicht.

Genannte Modelle: Claude Sonnet 5, Gemini 3.7 Flash, Claude Haiku 4.5

Stanford AI Index 2026, Kapitel Medizin · 2026-08-19
Fehlermodi der Meeting-Zusammenfassung, arXiv 2509.15901 · 2025-09-19

Literaturstand 2026-08-19

ÜbersetzungDie Textmenge, der Anteil Nachbearbeitung und die Sprachrichtung, weil deutscher Text mehr Token kostet.

Texte zwischen Sprachen übertragen, meist mit Nachbearbeitung.

Einordnung

Eingabe und Ausgabe sind hier etwa gleich groß, 2.000 gegen 2.000 Token, und Ausgabe kostet bei jedem Anbieter ein Mehrfaches der Eingabe. Damit hängt die Rechnung am Ausgabepreis, und der Tokenizer-Aufschlag für Deutsch wirkt auf beide Seiten.

Der Ausgabepreis entscheidet hier.

Für Übersetzungsgüte führt keine unserer Quellen eine laufend gepflegte Messreihe. Bei diesem Vorfall entscheidet der Preis.

Warum diese Annahmen?

Die Übersetzung wird gelesen, bevor sie verwendet wird, und ein Fehler wird überschrieben; das ist Zone 1. Geprüft wird stichprobenweise beim Gegenlesen, der Denkaufwand bleibt niedrig, und die Treue reicht bis zum Absatz.

Typische Fehler

Registerbruch, Fachbegriffe ohne feste Entsprechung und stille Auslassung ganzer Sätze. Für den Qualitätsabfall im Deutschen liegt nur ein einschlägiger Beleg vor (arXiv 2607.19243, Einzelautor-Preprint).

Ausgangsdaten und Belege

Übersetzung trägt die niedrigste Autonomiestufe aller Artefakte in der Anthropic-Telemetrie (06/2026); 41 Prozent der KI-Nutzenden verwenden sie dafür (Bitkom, 04/2026).

Anthropic Economic Index, Juni 2026 · 2026-06-26
Bitkom, Presseinformation: Ein Drittel nutzt KI mindestens einmal pro Woche, 28.04.2026 · 2026-04-28
Qualitätsabfall im Deutschen, arXiv 2607.19243 (Einzelautor-Preprint) · 2026-07-25

Was die Literatur empfiehlt

Kompaktklasse

Übersetzung trägt in der Telemetrie die niedrigste Autonomiestufe aller Artefakte, der Mensch liest ohnehin gegen. Damit entscheidet der Preis, und zwar der Ausgabepreis, weil Eingabe und Ausgabe hier etwa gleich groß sind. Der Tokenizer-Aufschlag für Deutsch wirkt auf beide Seiten: derselbe Text ergibt bei GPT-5 1,71 Token je Wort und bei Claude Opus 4.8 3,48. Für den Qualitätsabfall im Deutschen liegt nur ein Einzelautor-Preprint vor, das ist eine dünne Belegdecke.

Genannte Modelle: Gemini 3.7 Flash, Claude Haiku 4.5, gpt-5.4-mini

Anthropic Economic Index, Juni 2026 · 2026-06-26
TextKit, Tokens per word, Tokenizer-Vergleich 2026 · 2026-06-10

Literaturstand 2026-08-19

Warum ein Modell keine Fehlerfreiheit garantiertWenn ein Fehler nicht passieren darf: Prozess, Grenzen und Belege.

Die Rechenreihenfolge auf der Grafikkarte hängt an der Stapelgröße, und die schwankt mit der Serverauslastung. Bei 1.000 identischen Anfragen mit Temperatur 0 entstanden 80 verschiedene Antworten.

Horace He, Thinking Machines Lab, Defeating Nondeterminism in LLM Inference, 10.09.2025 · 2026-08-19

Die Streuung erreicht das Ergebnis. Über natürlich auftretende Läufe hinweg wurden bis zu 15 Punkte Unterschied in der Genauigkeit gemessen, bei fünf Modellen und acht Aufgaben.

Atil et al., Non-Determinism of Deterministic LLM Settings (arXiv 2408.04667, v5 02.04.2025) · 2026-08-19

Bei Denkmodellen wird der Effekt größer: bis zu 9 Punkte Genauigkeit und 9.000 Token Längenunterschied, verursacht von der Gleitkommarechnung in begrenzter Genauigkeit.

Yuan et al., Numerical Sources of Nondeterminism in LLM Inference (arXiv 2506.09501, 11.06.2025) · 2026-08-19

Wiederholbarkeit ist kaufbar und kostet Zeit. Mit stapelinvarianten Kernen waren alle 1.000 Antworten gleich, die Laufzeit stieg von 26 auf 42 bis 55 Sekunden, also etwa auf das 1,6- bis 2,1-Fache. Über die Richtigkeit sagt das nichts.

Thinking Machines Lab, 10.09.2025; Gond et al., LLM-42 (arXiv 2601.17768, 25.01.2026) für den Weg über verifizierte Spekulation · 2026-08-19

Determinismus steht in keiner geprüften Anbieterzusage. Schemagebundene Ausgabe sichert die Form und trägt in derselben Doku den Satz, dass die Ausgabe weiterhin Fehler enthalten kann.

OpenAI Structured Outputs: „Structured Outputs can still contain mistakes."; die Seiten zu seed und system_fingerprint waren am 19.08.2026 nicht abrufbar, die Aussagen von Anthropic und Google zur Reproduzierbarkeit sind in diesem Lauf ungeprüft · 2026-08-19

13 ArchitekturmusterWenn ein Fehler nicht passieren darf: Prozess, Grenzen und Belege.

Einmal übersetzen, dann fest ausführen

Was festgelegt wird: Den gesamten Laufzeitweg. Im Betrieb läuft kein Modellaufruf mehr.

Was offen bleibt: Die Güte des einmal erzeugten Artefakts. Die Beweglichkeit im Betrieb geht verloren.

Einsatz: Wiederkehrende, regulierte Massenprozesse

Compiled AI (arXiv 2604.05150, 06.04.2026): „execute deterministically without further model invocation", 57-mal weniger Token bei 1.000 Transaktionen · 2026-08-19

Formale Verifikation mit Beweiser

Was festgelegt wird: Die Korrektheit gegenüber der formalen Spezifikation, hart.

Was offen bleibt: Ob die Spezifikation das Richtige verlangt. Der Übersetzungsschritt läuft selbst im Modell.

Einsatz: Sicherheitskritischer Code, Regelableitungen

Dantas et al., The 4/δ Bound (arXiv 2512.02080, 30.11.2025): über 90.000 Läufe, jeder Lauf erreichte die Verifikation; AWS Bedrock Automated Reasoning: „Because this step uses LLMs, it may contain errors" für die Übersetzung, „mathematically sound" nur für die Prüfung · 2026-08-19

Vorschlag plus deterministischer Prüfer

Was festgelegt wird: Die Entscheidung. Der Prüfer ist ein Programm und liefert bei gleicher Eingabe dasselbe Urteil.

Was offen bleibt: Den Vorschlag selbst und alles, was die Prüfregel nicht abdeckt.

Einsatz: Zahlungsfreigabe, Code-Freigabe, Regelkonformität

Sun et al., Agentic Model Checking (arXiv 2605.21434, 20.05.2026): „agents propose, solvers verify"; jede Ausgabe, die ein Prüfurteil ändern könnte, durchläuft die Prüfkette · 2026-08-19

Regelwerk als Programm vor der Ausführung

Was festgelegt wird: Ob eine Aktion regelkonform ist, über Läufe hinweg wiederholbar.

Was offen bleibt: Ob die Regel vollständig ist. Modellgeschriebene Regeln erreichten 70,96 Prozent Trefferquote.

Einsatz: Freigabe-Tore vor irreversiblen Schritten

SOCpilot (arXiv 2605.05501, 06.05.2026), Finanzsektor-SOC mit 200 echten Vorfällen: der Verifizierer entfernte 466 nicht-konforme, freigabepflichtige Aktionen, „Aggregate rates remain stable across 3 reruns"; AgentSpec (arXiv 2503.18666, ICSE 2026) · 2026-08-19

Das Werkzeug rechnet, das Modell schreibt nur den Aufruf

Was festgelegt wird: Das Rechenergebnis.

Was offen bleibt: Ob das richtige Programm gewählt wurde.

Einsatz: Beträge, Fristen, Buchungslogik

Gao et al., PAL (arXiv 2211.10435): „offloads the solution step to a runtime such as a Python interpreter", weil Modelle „often make logical and arithmetic mistakes in the solution part" · 2026-08-19

Fähigkeitswächter über dem Datenfluss

Was festgelegt wird: Welche Aktionen überhaupt möglich sind, unabhängig davon, was das Modell will.

Was offen bleibt: Die Aufgabenerfüllung. Die Abdeckung fiel von 84 auf 77 Prozent.

Einsatz: Agenten mit Schreibrechten, Auszahlungswege

Debenedetti et al., CaMeL (arXiv 2503.18813, DeepMind und ETH): „solving 77% of tasks with provable security (compared to 84% with an undefended system)" · 2026-08-19

Fester Ablaufplan, Modell nur für Teilschritte

Was festgelegt wird: Den Ablaufweg. Die Richtung des Vorgangs bestimmt das Modell nicht.

Was offen bleibt: Die Teilschritte selbst. Die bleiben probabilistisch.

Einsatz: Sachbearbeitung mit festem Prozess

Blueprint First, Model Second (arXiv 2508.02721): Verstöße gegen Vorgaben um 96,0 Prozent gesenkt, 11 statt 275 · 2026-08-19

Schema-gebundene Ausgabe

Was festgelegt wird: Die Form: Syntax, Schema, erlaubte Werte einer Auswahl.

Was offen bleibt: Den Inhalt. Die Werte im gültigen Schema können frei erfunden sein.

Einsatz: Maschinenlesbare Übergabe an die nächste Stufe

OpenAI Structured Outputs: „Structured Outputs can still contain mistakes."; Azure AI Foundry mit strict-Schema unterstützt minLength, pattern, minimum und maximum nicht · 2026-08-19

Zitatpflicht auf die Fundstelle

Was festgelegt wird: Dass der Zeiger auf die Quelle gültig ist.

Was offen bleibt: Ob die Aussage von der Fundstelle gedeckt ist.

Einsatz: Auskunft mit Belegpflicht

Anthropic Citations: „citations are guaranteed to contain valid pointers to the provided documents"; Zitate und schemagebundene Ausgabe schließen sich aus · 2026-08-19

Antwort einfrieren und versionieren

Was festgelegt wird: Die Wiederholbarkeit ab dem zweiten Abruf.

Was offen bleibt: Die Richtigkeit der eingefrorenen Antwort.

Einsatz: Prüfpflichtige Dokumente, die stabil bleiben müssen

Kein Primärbeleg gefunden (Recherchelauf 19.08.2026). Als Handwerk verbreitet, hier nicht belegt. · 2026-08-19

Menschliche Freigabe, bei Bedarf durch zwei Personen

Was festgelegt wird: Die Freigabe als Rechtsakt und die Zurechenbarkeit.

Was offen bleibt: Die Aufmerksamkeit des Menschen. Automatisierungsbias wirkt genau hier.

Einsatz: Zahlungsfreigabe, Diagnose, Sanktionsentscheid

AI Act VO (EU) 2024/1689 Art. 14 Abs. 5 verlangt „mindestens zwei natürliche Personen" ausschließlich bei biometrischer Fernidentifizierung; BSI Generative KI-Modelle v2.0 R8 zum Automatisierungsbias · 2026-08-19

Mehrfach ziehen und abstimmen lassen

Was festgelegt wird: Nichts. Die Streuung sinkt, Wiederholbarkeit entsteht dabei nicht.

Was offen bleibt: Alles. Das Verfahren zieht absichtlich mehrere verschiedene Antwortwege.

Einsatz: Genauigkeit heben, niemals als Determinismus ausweisen

Wang et al., Self-Consistency (arXiv 2203.11171): „It first samples a diverse set of reasoning paths instead of only taking the greedy one", plus 17,9 Punkte auf GSM8K · 2026-08-19

Filter und Klassifikatoren als Leitplanke

Was festgelegt wird: Nur, solange die Sperre eine Regel ist. Ist sie selbst ein Modell, streut sie mit.

Was offen bleibt: Die Vollständigkeit. Filter sind umgehbar und taugen nicht als letzte Instanz.

Einsatz: Grobfilter vor der eigentlichen Prüfung

BSI M13: Filter lassen sich über kodierte Ausgaben umgehen; AWS Well-Architected Agentic AI Lens (10.06.2026), AGENTSEC04-BP02: der Risikoklassifizierer vor dem menschlichen Tor darf selbst kein Sprachmodell sein · 2026-08-19

Was die Aufsicht verlangtWenn ein Fehler nicht passieren darf: Prozess, Grenzen und Belege.

Geltung: Art. 12, 14 und 15 binden nur Hochrisiko-Systeme, und zwar nach Anhang III ab dem 02.12.2027 und nach Anhang I ab dem 02.08.2028 (Verschiebung durch die Änderungsverordnung VO (EU) 2026/1744, Digital Omnibus, in Kraft seit 27.07.2026). Die Transparenzpflichten nach Art. 50 gelten seit dem 02.08.2026. In Deutschland führt die Bundesnetzagentur die Marktüberwachung nach dem KI-MIG seit dem 29.07.2026. Wer heute nach diesen Artikeln baut, baut auf die Frist hin, nicht gegen eine geltende Pflicht.

Verordnung (EU) 2024/1689 Art. 113, konsolidierte Fassung 27.07.2026 (artificialintelligenceact.eu); BaFin, Pressemitteilung 29.07.2026: Transparenzpflichten ab 02.08.2026, Hochrisiko-Anforderungen ab 02.12.2027 · 2026-08-19

AI Act Art. 12 Abs. 1: die Technik muss die automatische Aufzeichnung von Ereignissen über den Lebenszyklus des Systems ermöglichen. Ohne Protokoll bleibt eine Entscheidung später unbelegbar.

Verordnung (EU) 2024/1689, konsolidierte Fassung 27.07.2026 · 2026-08-19

AI Act Art. 14 Abs. 4: die aufsichtführende Person muss den Automatisierungsbias kennen, die Ausgabe außer Kraft setzen oder rückgängig machen können und den Betrieb mit einer Stopptaste unterbrechen können.

Verordnung (EU) 2024/1689, konsolidierte Fassung 27.07.2026 · 2026-08-19

AI Act Art. 15 Abs. 3 und 4: die Genauigkeitsgrade stehen in der Betriebsanleitung, und Robustheit darf über technische Redundanz mit Sicherungs- oder Störungssicherheitsplänen erreicht werden. Die Fehlerrate gehört also benannt.

Verordnung (EU) 2024/1689, konsolidierte Fassung 27.07.2026 · 2026-08-19

Reichweite der Vier-Augen-Regel: Art. 14 Abs. 5 verlangt zwei natürliche Personen ausschließlich für biometrische Fernidentifizierung nach Anhang III Nr. 1 Buchst. a. Für Kreditwürdigkeit oder Zahlungsfreigabe steht das dort nicht.

Verordnung (EU) 2024/1689, konsolidierte Fassung 27.07.2026; Volltextsuche findet die Begriffe Determinismus und Reproduzierbarkeit im Verordnungstext nicht · 2026-08-19

BSI R7: „Selbst wenn eine identische Eingabe getätigt wird, kann die jeweils erzeugte Ausgabe unterschiedlich sein." Maßnahme M20 verlangt bei potenziell kritischen Auswirkungen Überprüfung, Abgleich mit weiteren Quellen und manuelle Nachbearbeitung vor der Weiterverwendung.

BSI, Generative KI-Modelle: Chancen und Risiken, Version 2.0, 17.01.2025, Kap. 4.1 und M20 · 2026-08-19

NIST führt das Thema als Konfabulation: erfundene Inhalte, überzeugend vorgetragen, mit dem Beispiel einer falsch zusammengefassten Patientenakte. Im Konzeptpapier zur kritischen Infrastruktur steht die Anforderung umgekehrt: solche Prozesse brauchen deterministisches Verhalten, Erklärbarkeit und einen sicheren Rückfall.

NIST AI 600-1, Generative AI Profile, Juli 2024, Abschnitt 2.2; NIST, Concept Note AI RMF Profile for Critical Infrastructure, 07.04.2026 · 2026-08-19

BaFin, Pressemitteilung vom 29.07.2026: Entscheidungen müssen weiterhin von Menschen korrigiert und rückgängig gemacht werden können, und die Verantwortung liegt bei den Unternehmen und ihren Geschäftsleitungen. Die Orientierungshilfe vom 18.12.2025 nennt dazu die Einschränkung der Modellnutzung für kritische Funktionen und eine menschliche Überprüfungspflicht.

BaFin, Überwachung von KI: BaFin erhält neue Kompetenzen, 29.07.2026; BaFin, Orientierungshilfe zu IKT-Risiken beim Einsatz von KI in Finanzunternehmen, 18.12.2025, S. 31 · 2026-08-19

Deutschland: das Durchführungsgesetz zur KI-Verordnung gilt seit dem 29.07.2026. Die Bundesnetzagentur führt die Marktüberwachung, die BaFin übernimmt sie für den Finanzbereich.

KI-Marktüberwachungs- und Innovationsförderungsgesetz, BGBl. 2026 I Nr. 223, in Kraft 29.07.2026 · 2026-08-19

Umsetzung in der PraxisWenn ein Fehler nicht passieren darf: Prozess, Grenzen und Belege.

Lemonade begründet das Verbot aus der Systemeigenschaft: „AI is non-deterministic and has been shown to have biases across different communities. That’s why we never let AI perform deterministic actions such as rejecting claims or canceling policies." Ablehnung und Kündigung bleiben regelgebundene Akte.

Lemonade, Claim automation, Blog (ohne gedrucktes Datum) · 2026-08-19

Die US-Abrechnungsregel für Medicare nennt KI seit Juli 2025 ausdrücklich: wer eine KI als Schreibkraft einsetzt, unterschreibt den Eintrag selbst. Die Schreibkraft unterschreibt nicht, und ohne Unterschrift können die Leistungen abgelehnt werden.

CMS MLN905364, Complying with Medicare Signature Requirements, Juli 2025 · 2026-08-19

Kalifornien SB 1120, unterzeichnet am 28.09.2024: ein Softwarewerkzeug darf Leistungen nicht wegen medizinischer Notwendigkeit ablehnen, verzögern oder ändern. Diese Feststellung trifft eine zugelassene Fachperson.

California SB 1120, Physicians Make Decisions Act, Health & Safety Code § 1367.01 · 2026-08-19

Allianz, Zurich und Swiss Re binden sich öffentlich gleich: das Modell liefert Empfehlungen und Entwürfe, über Deckung und Auszahlung entscheidet die Sachbearbeitung. Zurich verlangt eine menschliche Prüfung für alle folgenreichen Entscheidungen und benennt selbst, dass dieses Muster bei autonomen Agenten an Grenzen stößt.

Allianz, Smarter claims management, 05.02.2025; Zurich, How do we navigate a safe AI transformation (H2/2025); Swiss Re Corporate Solutions, ClaimsGenAI, 20.06.2025 · 2026-08-19

Im Zahlungsverkehr trennt die Architektur Modell und Ausführung: der Agent bekommt einen Token, die Autorisierung läuft beim Zahlungsdienstleister oder im Kartennetz und wird gegen die ursprüngliche Anweisung des Nutzers geprüft.

Agentic Commerce Protocol (Stripe und OpenAI), 29.09.2025: „The use of the token is programmatically controlled, permissioned, and logged"; Visa Intelligent Commerce · 2026-08-19

Bloomberg veröffentlicht beides: 99 Prozent der KI-Zusammenfassungen erfüllen den redaktionellen Standard, und bis Ende März 2025 mussten mindestens 36 korrigiert werden. Über die Veröffentlichung entscheidet die Redaktion, jeder Punkt der Zusammenfassung springt in die Fundstelle.

Bloomberg, AI-Powered Earnings Call Summaries, 22.01.2024; NYT-Bericht vom 29.03.2025 (über zwei unabhängige Referate belegt) · 2026-08-19

In einem Sicherheitsleitstand einer Bank mit 200 echten Vorfällen bewegte dieselbe Richtlinie als Prompt zwei Anbieter in entgegengesetzte Richtungen. Als Programm davor entfernte sie 466 nicht-konforme, freigabepflichtige Aktionen, ohne die Trefferquote der Grundaufgabe zu senken.

SOCpilot (arXiv 2605.05501, 06.05.2026), anonymisierter Produktions-SOC im Finanzsektor · 2026-08-19

AWS schreibt die Aufteilung als Regel: deterministische Kontrollen für alles, was sich deterministisch ausdrücken lässt, probabilistische Kontrollen für den Rest. Der Risikoklassifizierer, der über das menschliche Tor entscheidet, darf selbst kein Sprachmodell sein.

AWS Well-Architected Agentic AI Lens, 10.06.2026, AGENTSEC04-BP02 und AGENTSEC05-BP01 · 2026-08-19

Wie der Prozess abgesichert wirdProzesshinweise, Modellrolle und weiterführende Einordnung.

In dieser Zone entscheidet eine Regel, die Sie vorher festgelegt haben, und das Sprachmodell liefert dazu nur den Vorschlag.

Lassen Sie jede Freigabe durch eine feste Prüfung im Programm oder durch eine zweite Person bestätigen, bevor sie wirksam wird.

Rechnen, Buchen und Abgleichen gehören in Werkzeuge, die bei gleicher Eingabe immer dasselbe Ergebnis liefern.

Halten Sie Eingabe, Modellstand und Ausgabe zusammen fest, damit die Entscheidung später nachvollziehbar bleibt.

Planen Sie den Aufwand für diese Prüfschicht von Anfang an ein, denn sie trägt die Verlässlichkeit des Ergebnisses.

Als Vorschlagender trägt die Arbeitsklasse, gebunden an die Zitatpflicht auf die Fundstelle. Die Spitzenklasse kommt dazu, sobald der Anker dieses Vorfalls eine gemessene Lösequote ausweist.

Der Anker dieses Vorfalls weist Lösequoten aus, deshalb steht die Spitzenklasse mit in der Gruppe.

Für diesen Vorfall liegt keine gemessene Lösequote vor, deshalb bleibt die Gruppe bei der Arbeitsklasse.

Kandidaten als Vorschlagender

KI-Preismodelle: die Preistreppe

/insights/ki-preismodelle-preistreppe

Die Streuung, die Preistreppe und die Rechnung dahinter stehen ausführlich im eigenen Artikel.

Mit dem 40-Tonner zum Bäcker: wie Sie KI-Kosten senken, ohne Qualität zu verlierenVollständiger Artikel mit Tabellen, Quellen und häufigen Fragen.

Artikel lesen →

KI-Compliance-Architektur: Drei Entscheidungen, die schwerer wiegen als die Framework-WahlVollständiger Artikel mit Tabellen, Quellen und häufigen Fragen.

Artikel lesen →

B2B-SaaS im KI-Zeitalter skalieren: warum die Mauer alle bauen und nur der Graben zähltVollständiger Artikel mit Tabellen, Quellen und häufigen Fragen.

Artikel lesen →

1 · Rechenweg

Kosten je Aufgabe = Maschine × Modifikatoren. Die Maschine besteht aus vier Posten: frische Eingabe (× Aufrufe × Anläufe), einmaliges Füllen des Cache, Lesen aus dem Cache (× alle weiteren Aufrufe) und Ausgabe (× Aufrufe × Anläufe). Das Füllen des Cache zählt dabei einmal je Aufgabe und wird nicht mit den Anläufen vervielfacht, denn abgerechnet wird es auch nur einmal. Die menschliche Nacharbeit rechnet dieser Rechner bewusst nicht mit. Er vergleicht Modelle.

Seit der Fassung v3 steht darüber die erwartete Rechnung je gelöster Aufgabe: K = Versuch × Anläufe + (1 − Lösequote) × Fehlerkosten + Prüfkosten. Der Versuch ist die Maschinenrechnung von oben, ergänzt um Mengen- und Tokenizerfaktor. Die Anläufe kommen aus der Lösequote am Anker des Vorfalls, mal 1,2, weil wiederholte Versuche dieselbe Fehlerursache erben: Yang (arXiv 2605.08563) misst, dass die Annahme unabhängiger Versuche die Trefferquote nach drei Anläufen um 17,4 Punkte zu hoch ansetzt. Die Richtung ist damit belegt, die Höhe nicht: der Faktor 1,2 ist eine ausgewiesene Annahme dieses Rechners. Die Fehlerkosten sind der Betrag der gewählten Zone und fallen mit der Gegenwahrscheinlichkeit zur Lösequote an. Die Prüfkosten sind Prüfminuten mal Stundensatz, angenommen 60 Euro je Stunde. Die Maschinenrechnung aus v2 bleibt dabei unverändert: mit Fehlerkosten 0, Prüfkosten 0, normaler Denkstufe, neutralem Tokenizer und ohne Anker liefert die Formel genau den Wert der Vorfassung.

2 · Cache

Der Cache wird gerechnet, wie er abgerechnet wird: einmal je Aufgabe gefüllt, danach gelesen. Deshalb kostet er bei einem einzigen Aufruf mehr, als er spart. Verwendet werden die veröffentlichten Cache-Preise je Modell. Anthropic verlangt fürs Füllen das 1,25-Fache und fürs Lesen ein Zehntel, OpenAI seit der gpt-5.6-Serie ebenfalls das 1,25-Fache fürs Füllen, DeepSeek liest für rund drei Prozent, Mistral liest seit August 2026 für ein Zehntel des Eingabepreises. Googles Speicherentgelt je Stunde hängt an der Laufzeit und ist NICHT eingerechnet.

3 · Auf- und Abschläge

Modifikatoren: Stapelverarbeitung × 0,5 (nur bei Anbietern, die sie anbieten), US-Residenz × 1,1, Router × 1,055. Anläufe vervielfachen die Aufrufe. Wer eine Aufgabe zweimal laufen lässt, füllt den Cache trotzdem nur einmal.

4 · Zweite Preisstufe

10 Modelle wechseln ab einer Kontextgröße in eine teurere Preisstufe: Gemini 2.5 Pro und Gemini 3.1 Pro ab 200.000 Token, gpt-6-astra, die gpt-5.6-Serie, gpt-5.5, gpt-5.5-pro, gpt-5.4 und gpt-5.4-pro ab 272.000. Der höhere Satz gilt dann für alle Token des Aufrufs, auch für die unterhalb der Schwelle, denn so rechnen die Anbieter ab. Betroffene Zeilen tragen in der Rangliste den Hinweis „Langkontext-Satz". Anthropic staffelt nicht und stellt das volle Fenster zum Grundpreis.

5 · Fähigkeit und Lösequote

Der Abschnitt „Alle Modelle" zeigt je Modell den Epoch Capabilities Index (Epoch AI, Daten CC-BY, Stand 09.09.2026), einen per Item-Response-Theorie über 50 und mehr Benchmarks zusammengeführten Fähigkeitswert. Die Skala ist relativ: GPT-5 liegt per Definition bei 150, Claude 3.5 Sonnet bei 130.

9 der 12 Geschäftsvorfälle tragen einen Anker-Benchmark aus anker.json, jeder mit Quelle, Lizenz und Stand. Nur Anker der Art „Quote" liefern eine Lösequote je Modell; daraus folgen die Anläufe nach dem Cost-of-Pass-Prinzip: Kosten je gelöster Aufgabe gleich Kosten je Versuch geteilt durch Lösequote. Anker der Art „Schwelle" (Elo), „Sperre" (Halluzinationsrate) und „Treue" (MRCR, Kontexttreue über die volle Fensterlänge) filtern nur und werden nie als Anlaufzahl gelesen; bei „Langes Dokument" kommen die Anläufe deshalb aus dem Handwert des Vorfalls.

Geschätzt wird nichts: was in anker.json steht, ist gemessen, und für Modelle ohne Wert steht ein Strich. Ab Zone 3 kann eine Zeile ohne Messung nicht gewinnen. Quoten werden auf 5 bis 99 Prozent begrenzt. Der Benchmark ist eine Näherung für den Geschäftsvorfall, keine Messung der konkreten Aufgabe; der Expertenmodus rechnet unverändert mit Handwerten. Wo ein Vorfall keinen Anker trägt, sagt die Einordnung, wonach stattdessen gereiht wird.

6 · Modellbestand

Der Bestand umfasst 86 Modelle, darunter abgekündigte und eingestellte. Die Rangliste im Ergebnis blendet sie voreingestellt aus, weil niemand sie neu einsetzen sollte; wer einen Bestand betreibt, holt sie über das Kontrollkästchen zurück. Der Abschnitt „Alle Modelle" hält es genauso: die Tabelle zeigt voreingestellt die aktuellen, der Schalter „veraltete und eingestellte zeigen" über ihr holt die übrigen dazu. Wo das Kontextfenster für die eingestellte Eingabe zu klein ist, steht „passt nicht". Ein billiges Modell nützt nichts, wenn die Aufgabe nicht hineinpasst. Jedes Modell trägt eine von fünf Klassen (Spitze, Arbeit, Kompakt, Gerät, Code), abgeleitet aus der Eigenpositionierung des Anbieters; die Klasse ordnet ein, gemessen wird in der Fähigkeitsspalte. In den Bestand kommt nur, was an einem aktiven Endpunkt mit veröffentlichtem Listenpreis buchbar ist; kursierende Kampfpreise ohne buchbaren Endpunkt bleiben draußen.

7 · Belegtiefe

Sämtliche Preise, Cache-Sätze, Stapelrabatte und Kontextstaffeln stammen unmittelbar von den unten verlinkten Preisseiten der Anbieter. Ein Kontextfenster steht bei 83 der 86 Modelle; nur Claude Opus 4, Claude Sonnet 4 und Claude Haiku 3.5 tragen einen Strich, weil der Anbieter dort keine Größe ausweist. Die Einstufung als abgekündigt folgt bei Anthropic der Modellübersicht des Anbieters; bei den übrigen Anbietern, die keine solche Kennzeichnung führen, ist sie meine Einordnung nach Modellgeneration.

8 · Preisstand und Umrechnung

Preise sind Listenpreise der Anbieter, geprüft am 10. September 2026 an den unten verlinkten Preisseiten, ohne Rabatte. Umgerechnet wird mit 1,1652 USD/EUR (EZB-Referenzkurs vom 09.09.2026); der Kurs ist eine Annahme, keine Tageszahl. Der einzige empirisch belegte Wert unter den Geschäftsvorfällen sind 3.700 Token für eine Support-Konversation (Quelle: Anthropic-Dokumentation). Alle übrigen Größen sind plausible Beispielwerte, keine Messwerte. Die Stände sind bewusst getrennt: Preise Stand 10. September 2026, Anker und Zonenbelege Stand 10.09.2026.

9 · Gegenprobe

Die Anthropic-Dokumentation beziffert 10.000 Support-Konversationen à 3.700 Token mit Claude Haiku 4.5 auf rund 37 US-Dollar. Genau diese Zahl gibt der Rechner aus, wenn man im Expertenmodus Ausgabe und Cache auf null stellt.

Quellen

Anthropic: Preisdokumentation (Preise, Cache-Sätze, Kontextfenster, Gegenprobe)
OpenAI: Preisseite (Preise, Staffeln ab 272.000 Token)
Google: Gemini-Preisseite (Preise, Staffeln ab 200.000 Token, Speicherentgelt)
Mistral: API-Preise (Preise, Cache-Nachlass)
DeepSeek: Preisseite
Together AI: Preisseite (offene Gewichte beim Hoster)
OpenRouter: Preisseite (Router-Gebühr)
EZB: Euro-Referenzkurs USD
Epoch AI: Epoch Capabilities Index (Fähigkeitswerte und Lösequoten, Daten CC-BY)
Ho et al. 2025: A Rosetta Stone for AI Benchmarks (Methode hinter dem Fähigkeitsindex, arXiv 2512.00193)
Erol et al. 2026: Cost-of-Pass (Kosten je gelöster Aufgabe, arXiv 2504.13359, v2 vom 26.02.2026, ICLR 2026)
Chen et al. 2026: The Price Reversal Phenomenon (Preis-Umkehr zwischen Listenpreis und Gesamtkosten, arXiv 2603.23971, v2 vom 28.05.2026)