Was wirklich in einer Rechnung von OpenAI oder Anthropic steckt, welche Rabatte beide Unternehmen veröffentlichen, die du über ein Chat-Fenster nicht erreichen kannst, und warum die Ebene, die diese erreichen kann, gerade zu etwas wurde, das man besitzen kann.
Fragst du die meisten Leute, was KI sie kostet, nennen sie eine monatliche Abonnementgebühr.
Fragst du, was eine einzelne Konversation kostet, wird es im Raum still. Das ist fair, denn die ehrliche Antwort ist kompliziert. Sowohl OpenAI als auch Anthropic rechnen in einer Einheit ab, die du nicht sehen kannst, bepreisen sie auf vier verschiedenen Achsen und veröffentlichen eine Reihe von Rabatten in ihren eigenen Dokumentationen, die fast vollständig unerreichbar sind, wenn du vor einem Textfeld sitzt.
Nichts davon ist versteckt. Alles steht aktuell auf ihren Preisseiten und in ihren Entwickler-Dokumenten. Es erfordert lediglich, dass man sich eine Ebene tiefer befindet als dort, wo die meisten Menschen stehen.
Diese Lücke zwischen der veröffentlichten Preisliste und dem Preis, den eine normale Person zahlt, ist kein Skandal. Es ist ein Geschäft, und bis vor Kurzem hattest du keine Möglichkeit, auf der anderen Seite davon zu stehen.
Dieser Artikel zeigt, was tatsächlich in der Rechnung steckt, warum die echten Hebel dort liegen, wo sie liegen, und was sich ändert, wenn die Ebene, die diese zieht, zu etwas wird, das du halten kannst, statt nur dafür zu zahlen. Wenn du mehr Inhalte wie diesen über KI und Ownership möchtest, folge @MossAI_Official.
7 Dinge auf deiner Rechnung, direkt aus ihren eigenen Dokumenten
Alles Folgende wird von OpenAI oder Anthropic veröffentlicht. Fast nichts davon ist außerhalb von Engineering-Teams allgemein bekannt. Die Raten ändern sich ständig, daher behandle die Zahlen als Illustrationen der Struktur, nicht als feste Angebote.
- Ausgaben kosten ein Vielfaches dessen, was Eingaben kosten, auf beiden Plattformen
Jedes Modell auf beiden Preislisten berechnet Eingaben und Ausgaben getrennt, und Ausgaben sind immer teurer. Das Verhältnis liegt normalerweise irgendwo zwischen vier und sechs zu eins.
Die praktische Neuausrichtung ist der wichtige Teil. Was du eintippst, ist fast kostenlos. Was das Modell zurückgibt, ist die Rechnung. Die Antwort einzuschränken senkt deine Kosten weit mehr als das Kürzen der Frage – genau das Gegenteil von dem, wie sich fast alle verhalten.
2. Du zahlst für Schlussfolgerungen (Reasoning), die du nicht lesen darfst
Das ist der Punkt, der dich wirklich überraschen sollte.
OpenAIs eigene Hilfe-Dokumentation besagt, dass Reasoning-Tokens nicht als Antworttext sichtbar sind, aber zum Ausgabe-Verbrauch zählen und als Output-Tokens abgerechnet werden. Eine kurze sichtbare Antwort kann daher mehr Tokens verbrauchen, als ihr angezeigter Text vermuten lässt. Ihr Reasoning-Guide bestätigt, dass die Roh-Reasoning-Tokens nicht offengelegt werden, sondern nur eine optionale Zusammenfassung.
Du zahlst Ausgabepreise für Text, den du strukturell nicht sehen darfst.
3. Dein Ausgabe-Limit begrenzt nicht den versteckten Teil
Es wird noch schärfer. Die Dokumentation zur Ausführung dieser Modelle weist darauf hin, dass der Parameter max_output_tokens die sichtbare Ausgabe begrenzt, während versteckte Reasoning-Tokens durch dieses Limit nicht eingeschränkt werden.
Eine dokumentierte Konsequenz folgt daraus. Eine Anfrage kann ihr Budget innerhalb der Reasoning-Phase aufbrauchen und nichts zurückgeben, wobei bereits Tokens verbraucht wurden. OpenAIs Reasoning-Guide erkennt dieses Ergebnis direkt an und merkt an, dass dir Kosten für Eingabe- und Reasoning-Tokens entstehen können, ohne dass du eine sichtbare Antwort erhältst.
Der Zähler läuft, der Bildschirm bleibt leer, und dies ist dokumentiertes Verhalten, kein Fehler.
4. Wiederholter Kontext ist 90 Prozent günstiger, und beide sagen dir das
Prompt-Caching ist der größte einzelne Hebel im Stack, und die meisten Leute haben noch nie davon gehört.
Anthropics Caching-Dokumentation setzt Cache-Lesungen auf das 0,1-fache des Basis-Eingabepreises, mit einem fünfminütigen Cache-Schreibvorgang beim 1,25-fachen und einem einstündigen Schreibvorgang beim 2-fachen. OpenAI wendet dieselbe Struktur bei den aktuellen GPT-5-Familien an und bepreist gecachte Eingaben mit etwa zehn Prozent des Standard-Eingabetarifs, wobei Cache-Schreibvorgänge einen eigenen Aufpreis tragen.
Die Arithmetik ist der Punkt, an dem es nützlich wird. Mit einer Lesung bei einem Zehntel und einer Schreibung beim 1,25-fachen kostet ein Cache-Miss etwa zwölfmal so viel wie ein Hit für denselben Präfix, und der Break-even-Punkt liegt bei etwa zwei Lesungen. Für alles, was bei jedem Aufruf denselben System-Prompt, Tool-Schema oder Referenzdokument erneut sendet, ist das der gesamte Unterschied zwischen einer kleinen und einer großen Rechnung.
Es ist auch fragil auf eine Weise, die man kennen sollte. Beide Anbieter cachen basierend auf exakter Präfix-Übereinstimmung, sodass ein geändertes Byte hoch oben im Prompt alles darunter ungültig macht und der Preis stillschweigend auf den vollen Tarif zurückfällt.
5. Beide halbieren die Rechnung für Arbeit, die warten kann
OpenAI und Anthropic betreiben jeweils eine asynchrone Batch-Stufe mit 50 Prozent Rabatt auf Eingabe und Ausgabe. Anthropics Preisdokumentation stellt explizit fest, dass die Caching-Multiplikatoren mit dem Batch-Rabatt gestapelt werden.
Stapelst du sie, landet ein gecachtes Eingabe-Token innerhalb eines Batches bei einem Bruchteil des Standardpreises. Es funktioniert nicht für interaktive Aufgaben, was genau der Grund ist, warum kein Consumer-Produkt es dir zugänglich macht.
6. Der Rabatt hängt davon ab, an welche Model-ID du gebunden bist, nicht daran, welches Modell du glaubst zu nutzen
Hier ist einer, den fast niemand prüft.
Der Caching-Rabatt ist nicht einheitlich über das Katalogangebot eines Anbieters hinweg. Bei OpenAI erhalten die aktuellen GPT-5-Familien etwa 90 Prozent Rabatt auf gecachte Eingaben, während ältere Generationenmodelle deutlich weniger Rabatt gewähren. Bei Anthropic beträgt der Standard-Cache-Lese-Multiplikator das 0,1-fache der Basis-Eingabe, wobei bestimmte neuere Modelle noch weiter gehen.
Gleicher Anbieter, gleicher Funktionsname, materiell unterschiedliche Ökonomie je nach einem String in deiner Konfiguration. Legacy-Model-IDs sind schlimmer als das klingt. Ehemalige Anthropic-Modelle, die über Cloud-Partner noch erreichbar sind, tragen ihre ursprünglichen Tarife, die ein Vielfaches des aktuellen Preises für ein weniger leistungsfähiges Modell sein können.
Jemand hat diesen String einmal gesetzt und niemand hat ihn wieder überprüft. Dort lebt ein überraschend großer Teil der Überschüsse tatsächlich.
7. Das Überschreiten eines Kontext-Schwellenwerts kann die gesamte Anfrage neu bepreisen
Der subtilste Punkt und der mit der unangenehmsten Form.
OpenAI veröffentlicht separate Langzeitkontext-Tarife für einige Modelle, und die Mechanik ist nicht das, was Leute annehmen. Oberhalb des Schwellenwerts wird die gesamte Anfrage neu bepreist, nicht nur die Tokens oberhalb der Linie. Ein Token darüber und der gesamte Aufruf kostet ungefähr doppelt so viel.
Anthropic hat hier eine andere Position eingenommen. Bei neueren Claude-Modellen wird der volle Kontextfenster-Bereich zu Standard-Tarif pro Token abgerechnet, wobei Caching- und Batch-Rabatte über das gesamte Fenster hinweg gelten.
Das ist ein echter struktureller Unterschied zwischen den beiden Plattformen und er ist von jeder Consumer-Oberfläche aus unsichtbar. Wenn dein Arbeitslast lange Kontexte nutzt, kann dies jede andere Preisüberlegung dominieren.
Die Hebel sind öffentlich. Du kannst sie trotzdem nicht erreichen.
Hier ist der strukturelle Punkt.
Jeder oben genannte Hebel liegt auf der API-Ebene. Um sie zu erreichen, brauchst du Kontrolle über die Prompt-Struktur, damit der Cache tatsächlich trifft, Modell-Routing, damit der richtige Job an das richtige Preisniveau geht, Batching für Arbeit, die Latenz tolerieren kann, Steuerung des Reasoning-Aufwands und Bewusstsein dafür, in welchem Kontext-Tarif eine Anfrage landet.
Von einer Consumer-Chat-Oberfläche hast du ein Textfeld und eine monatliche Gebühr. Du kannst nicht routen, nicht batchen, keinen Cache-Präfix strukturieren und nicht sehen, was deine Reasoning-Effort-Einstellung kostet.
Also existiert eine Spanne. Auf der einen Seite ist das, was ein kompetenter Operator durch Kombination dieser Maßnahmen erreicht. Auf der anderen Seite ist das, was ein normaler Nutzer zahlt. Niemand wird betrogen. Die Rabatte sind Ingenieursoberflächen, keine Consumer-Funktionen, und Consumer-Produkte sind nicht dafür gebaut, sie freizulegen.
Unternehmen, die innerhalb dieser Spanne leben, sind Relais, Gateways und Aggregatoren. Sie sitzen zwischen Nutzern und Anbietern, routen zum günstigsten ausreichenden Modell, halten Caches warm, damit wiederholter Kontext nicht zum vollen Preis neu gekauft wird, bündeln, was gebündelt werden kann, und geben dem Nutzer etwas Einfacheres als eine rohe API.
Ihr Umsatz ist die Spanne. Und hier wird es interessant.
Ein Relais ist ein Durchsatzgeschäft, und das ist hier selten
Die meisten Dinge in diesem Markt sind Wetten. Du nimmst eine Position ein, liegst richtig oder falsch, und das Ergebnis schwankt stark.
Ein Relais ist eine Mautstation. Volumen fließt durch, Marge fällt pro Einheit an, und die Ökonomie skaliert mit der Nutzung, nicht damit, ob jemand recht hat.
Daraus ergeben sich drei Eigenschaften, und alle drei sind ungewöhnlich.
Umsatz ist pro Einheit und kontinuierlich. Nicht sprunghaft, nicht ereignisgetrieben, nicht abhängig davon, ob eine Entscheidung in die richtige Richtung geht. Tokens fließen, Marge fällt an, Stunde um Stunde.
Nachfrage ist unkorreliert mit Krypto. Leute, die Code schreiben, Videos generieren und Assistenten betreiben, prüfen nicht erst den Markt. Der Verbrauchstreiber ist die KI-Adoption, eines der wenigen Dinge in dieser Branche, die sich nicht mit allem anderen bewegen.
Aktivität ist eine Zählung, keine Interpretation. Durchsatz ist messbar ohne Attributionsstreit. Keine Frage, ob ein guter Monat Können oder Glück war. Anfragen sind entweder durchgegangen oder nicht.
Letzteres ist wichtiger, als es klingt. Der schwierige Teil, irgendetwas besitzbar zu machen, ist der Nachweis dessen, was es getan hat. Ein Durchsatzgeschäft hat eine ungewöhnlich kurze Distanz zwischen dem, was passiert ist, und dem, was gezeigt werden kann.
Model Max, und die Mautstation besitzen, statt nur daran zu zahlen
Model Max ist ein Token-API-Relais, und es ist jetzt live als Redemption-Agent auf dem Moss Agent Marketplace.
Die Produktseite ist unkompliziert. Zugriff auf Modelle über eine Route, wobei Routing, Caching und Batching auf der Ebene gehandhabt werden, auf der diese Entscheidungen tatsächlich verfügbar sind, statt auf der Ebene, auf der du mit einem Textfeld feststeckst.
Die andere Seite ist der Teil, der Aufmerksamkeit verdient. Als Agent auf dem Marketplace ist das Relais nicht nur etwas, das du nutzt. Es ist etwas, in dem du eine Position halten kannst.
Diese Form unterscheidet sich von den meisten in dieser Kategorie. Die Aktivität eines Relais kommt idealen Inputs für einen verifizierbaren Anspruch nahe, weil Durchsatz eine Tatsache ist, keine Erzählung. Keine Track Record, die interpretiert werden muss, keine Performance-Story, die man blind akzeptieren muss. Nutzung hat stattgefunden oder nicht, und das ist lesbar.
Es ist auch der zweite Redemption-Agent, den wir ausgeliefert haben, bei dem das Ding, das genutzt wird, und das Ding, das man besitzt, dasselbe Objekt sind. Du kannst Kunde des Relais und gleichzeitig Halter davon sein, und die zweite Beziehung ist kein Treue-Level. Es ist eine Position.
Wir haben mit Trading-Agenten begonnen, weil Trading der härteste Prüfstand überhaupt ist. Eine Zahl ist entweder real oder eine Geschichte, und die Chain lässt dich nicht lügen, welches von beidem es ist. Redemption-Agenten tragen diesen gleichen Standard zu Menschen, die niemals einen Perp öffnen werden. Was nach diesen kommt, treibt es noch weiter, hin zu Systemen, die nicht bloß auf der Chain laufen, sondern sie selbst emittieren und betreiben.
Mehr dazu, wenn es ausgeliefert wird, nicht vorher.
4 Dinge, die du diese Woche tun kannst, egal was du nutzt
Keines davon erfordert Moss.
Hör auf, die Prompt-Länge zu optimieren, und fange an, die Ausgabe einzuschränken. Du zahlst für die Antwort, nicht für die Frage. Nach 50 Wörtern statt 500 zu fragen, bringt deiner Rechnung ungefähr zehnmal mehr als das Kürzen deines Prompts.
Prüfe, was deine Reasoning-Effort-Einstellung dir bringt. Bei Aufgaben, die keine Überlegung benötigen, ist hoher Aufwand Geld, das für versteckte Tokens ausgegeben wird, die nichts verbessern, was du tatsächlich erhältst. Dies ist die häufigste Art, wie Leute zu viel bezahlen, ohne es jemals zu bemerken.
Öffne deine Konfiguration und lies die Model-ID. Nicht den Modellnamen, von dem du glaubst, dass du ihn nutzt, sondern den tatsächlichen String. Dann prüfe ihn gegen die aktuelle Preisliste. Ältere IDs tragen stillschweigend ältere Ökonomien und manchmal erheblich schlechtere Caching-Rabatte für ein weniger leistungsfähiges Modell.
Wenn du irgendetwas baust, misse die Cache-Hit-Rate, bevor du sonst irgendetwas optimierst. Die Nutzungsfelder in der Antwort geben dir die Aufteilung zwischen frischer Eingabe, Cache-Schreibvorgängen und Cache-Lesungen. Null Lesungen bei wiederholten Aufrufen bedeuten, dass sich etwas Hochwertiges in deinem Prompt ändert und alles darunter invalidiert. Das ist ein zwölffacher Kostenunterschied, der sich hinter einem Byte versteckt.
Die Gewohnheit unter all diesen vier Punkten ist die eigentliche Erkenntnis. Behandle KI-Ausgaben als Rechnung mit einer Struktur, nicht als Abonnement mit einer Zahl. Sobald die Struktur sichtbar ist, ist auch die Frage sichtbar, wer wo innerhalb davon positioniert ist.
Was du jetzt tun solltest
Gehe zu moss.site und schaue dir Model Max an. Nutze es als Relais, wenn das ist, was du brauchst. Schau dir an, was es bedeutet, eine Position darin zu halten, wenn dich das interessiert. Beides ist live, und sie sind dasselbe Objekt, was der Teil ist, den wir für neu halten.
Jede Ökonomie klärt irgendwann, wer ihre Infrastruktur besitzt. Die KI-Ökonomie befindet sich derzeit in der Phase, in der alle an der Mautstation zahlen und niemand daran gedacht hat zu fragen, wer sie besitzt.
Diese Frage bleibt noch eine Weile offen.
Quellen
- OpenAI Help Center, Understanding and counting tokens, darüber, dass Reasoning-Tokens als Ausgabe abgerechnet werden, obwohl sie nicht als Antworttext sichtbar sind: https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them
- OpenAI reasoning models guide, darüber, dass Roh-Reasoning-Tokens nicht offengelegt werden und dass Kosten ohne sichtbare Antwort anfallen können: https://developers.openai.com/api/docs/guides/reasoning
- OpenAI API pricing page, für aktuelle Eingabe-, gecachte Eingabe- und Ausgabepreise pro Modell, Batch- und Flex-Stufen sowie Langzeitkontext-Tarife: https://openai.com/api/pricing/
- Microsoft Learn Q&A on Azure OpenAI billing, darüber, dass versteckte Reasoning-Tokens in die Abrechnung einbezogen werden und der Parameter max_output_tokens sie nicht begrenzt: https://learn.microsoft.com/en-us/answers/questions/5542366/why-did-azure-report-more-completion-tokens-than-m
- Anthropic prompt caching documentation, darüber, dass Cache-Lesungen beim 0,1-fachen der Basis-Eingabe liegen, Schreib-Multiplikatoren und deren Stapelung mit dem Batch API-Rabatt: https://platform.claude.com/docs/en/build-with-claude/prompt-caching
- Anthropic pricing page, für aktuelle Preise pro Modell und den Batch API-Rabatt: https://claude.com/pricing
