Was in Tokens abgerechnet wird

Ein Token ist die kleinste Verarbeitungseinheit eines Sprachmodells, meist ein Wortteil, ein kurzes Wort oder ein Satzzeichen. Kosten und Antwortzeit hängen an der Tokenzahl, nicht an der Zeichenzahl. In die Rechnung fließt alles ein, was übertragen wird: die Systemvorgaben des Anbieters, Werkzeugdefinitionen, der bisherige Gesprächsverlauf, angehängte Dokumente und die erzeugte Antwort.

Vier Positionen bestimmen den Preis. Eingabe-Tokens sind der übermittelte Kontext. Ausgabe-Tokens sind die Antwort; sie kosten je nach Anbieter das Vier- bis Achtfache der Eingabe. Reasoning-Tokens entstehen, wenn ein Modell vor der Antwort interne Zwischenschritte erzeugt; sie werden zum Ausgabetarif abgerechnet, bei OpenAI ohne dass der Nutzer sie zu sehen bekommt, bei Anthropic in zusammengefasster Form. Zwischengespeicherter Kontext (Cached Input) kostet beim Lesen nur einen Bruchteil, bei Anthropic ein Zehntel des Basispreises. Das Anlegen des Zwischenspeichers kostet dagegen das 1,25- bis Zweifache des Eingabepreises, die Ersparnis beginnt also ab der zweiten Nutzung.

Für deutschsprachige Kanzleien kommt ein Aufschlag hinzu, der in keiner Preisliste steht: Ein Token entspricht im Deutschen grob 0,5 bis 0,6 Wörtern, weil lange Komposita, Umlaute und Flexionsendungen in mehr Teile zerlegt werden. Als Faustzahl tragen 1.000 Tokens im Englischen rund 750 Wörter, im Deutschen 500 bis 600. Derselbe Sachverhalt kostet damit auf Deutsch 30 bis 50 Prozent mehr als auf Englisch. Der genaue Wert hängt vom Tokenizer des jeweiligen Modells ab und lässt sich für den eigenen Textbestand nachzählen.

Warum die Kosten steigen, während die Preise fallen

Der Preisverfall betrifft ein festes Leistungsniveau. Was Ende 2022 GPT-4-Qualität kostete, rund 20 US-Dollar je Million Tokens, kostet heute etwa 0,40 US-Dollar, ein Rückgang um 98 Prozent. Die jeweils aktuellen Spitzenmodelle liegen unverändert bei 5 bis 25 US-Dollar. Wer immer das beste verfügbare Modell einsetzt, nimmt an diesem Verfall erst teil, wenn er eine Aufgabe auf ein kleineres Modell verlegt.

Parallel dazu steigt die Menge. Der Mehrverbrauch agentischer Systeme liegt je nach Aufgabe bei dem 5- bis 30-fachen gegenüber einem einzelnen Chat-Aufruf; bei Coding-Agenten misst das Stanford Digital Economy Lab Extremwerte bis zum Tausendfachen. Auf Nutzerebene zeigt sich dasselbe Muster: Die Analyseplattform Jellyfish beobachtete bei Entwicklern binnen neun Monaten einen Anstieg des Tokenverbrauchs um das 18,6-fache. Ein einzelner Agentenlauf löst typischerweise 5 bis 20 Modellaufrufe aus. Bei jedem Schritt wird der gewachsene Kontext erneut als Eingabe gesendet, weshalb die abgerechnete Tokenmenge über einen Lauf überproportional steigt. Goldman Sachs erwartet bis 2030 eine Vervierundzwanzigfachung der weltweiten Token-Nachfrage.

Die Folgen sind definitiv messbar und einige große Unternehmen haben dies bereits gemerkt. Uber verbrauchte sein KI-Jahresbudget 2026 in vier Monaten und führte daraufhin Obergrenzen je Mitarbeiter ein. Laut KPMG haben nur 26 Prozent der Unternehmen vollständige Echtzeit-Sicht auf ihre KI-Betriebskosten; fast die Hälfte hat den Einsatz eines Agenten überdacht, als dessen Kosten den Nutzen überstiegen. In Deutschland berichten 33 Prozent der KI-nutzenden Unternehmen, KI sei teurer als kalkuliert.

Die Pauschale verliert an Boden

Solange ein Abo den Verbrauch verdeckt, entsteht kein Kostengefühl. Das ändert sich gerade. GitHub rechnet Copilot inzwischen in AI Credits ab: Ein Credit entspricht 0,01 US-Dollar, abgezogen wird nach Eingabe-, Ausgabe- und zwischengespeicherten Tokens des jeweils genutzten Modells. Die Umstellung lief zum 1. Juni 2026 an; enthalten sind je Nutzer und Monat 1.900 Credits bei Copilot Business und 3.900 bei Copilot Enterprise. Ist das Guthaben aufgebraucht, läuft die Nutzung standardmäßig kostenpflichtig weiter, bis ein Administrator ein Budget setzt oder die Zusatznutzung abschaltet. Viele Entwickler stellten fest, dass ihr Kontingent im normalen Arbeitsablauf schneller aufgebraucht war als erwartet.

Für Kanzleien ist das eine Vorschau auf eine Entwicklung, die den eigenen Markt noch nicht erreicht hat. KI-Funktionen der Kanzleisoftware laufen bislang überwiegend im Lizenzpreis mit, der DATEV Copilot etwa ist für Mitglieder kostenlos. Sobald Anbieter Funktionen ausliefern, die Dokumente in Serie verarbeiten, wird der Verbrauch in irgendeiner Form auf der Rechnung erscheinen, als Kontingent, Credit-Modell oder Zusatzposten. Wann das im Markt für Kanzleisoftware ankommt, lässt sich derzeit nicht seriös terminieren.

Der belastbare Maßstab sind die Kosten je Vorgang

Eine grobe Rechnung an einem vertrauten Vorgang macht die Größenordnung greifbar. Ein zwanzigseitiger Bescheid mit rund 8.000 Wörtern ergibt auf Deutsch etwa 13.000 bis 16.000 Eingabe-Tokens. Bei den Listenpreisen eines Spitzenmodells, rund 5 US-Dollar je Million Eingabe- und 15 bis 25 US-Dollar je Million Ausgabe-Tokens, kostet eine einzelne, klar umrissene Prüfung samt Antwort etwa zehn Cent. Läuft für denselben Bescheid ein Agent mit einem Dutzend Aufrufen, wachsendem Kontext und interner Zwischenschritt-Kette, liegt der Vorgang eher bei einem Euro. Bei 500 Bescheiden im Jahr trennt das rund 50 von rund 500 Euro. Beide Werte beruhen auf US-Listenpreisen, europäisches Hosting kommt als Aufschlag hinzu.

Beide Beträge sind neben den Personalkosten für dieselbe Arbeit klein. Darin liegt die Einordnung: Der Maßstab sind die Kosten je erledigtem Vorgang im Vergleich zur bisherigen Bearbeitungszeit. Die Tokenomics Foundation arbeitet an derselben Frage. Auf ihrer Roadmap stehen Rahmenwerke, die den geschäftlichen Nutzen von KI messbar machen, herstellerneutrale Modelle für die Gesamtkosten und eine einheitliche Kostentelemetrie für Tokens innerhalb der FOCUS-Spezifikation. Kritisch wird die Rechnung beim Sprung vom Test in den Regelbetrieb, wo aus 200 geprüften Vorgängen im Pilot 8.000 im Betrieb werden und aus dreistelligen Monatskosten fünfstellige.

In fünf Schritten zur eigenen Zahl

Die Kosten je Vorgang lassen sich ohne Controlling-Projekt ermitteln. Der Aufwand liegt bei wenigen Stunden je Anwendungsfall.

Vorgangstyp abgrenzen. Gemeint ist ein klar umrissener Ablauf mit einem definierten Ergebnis: zum Beispiel einen Einspruch entwerfen oder einen Bescheid gegen die eingereichte Erklärung prüfen.

Stichprobe ziehen. Zwanzig bis dreißig echte Fälle genügen, gemischt aus einfachen, mittleren und schwierigen Sachverhalten.

Verbrauch messen. Plattform oder API weisen den Verbrauch je Anfrage aus, getrennt nach Eingabe, Ausgabe und Zwischenspeicher. Weist ein Anbieter das nicht aus, ist das selbst ein Befund für die Auswahlentscheidung.

Qualität mitmessen. Neben die Kosten gehören die bisherige Bearbeitungszeit und die Trefferquote, also der Anteil der Ergebnisse, der ohne inhaltliche Korrektur durchgeht. Erst beide Zahlen zusammen ergeben ein Bild. Denn Kosten je Vorgang sagen nichts über Qualität. Ein günstiges Modell, das bei mehrdeutigen steuerlichen Sachverhalten danebenliegt, wird teuer, sobald die Korrektur im Haus anfällt oder ein Fehler beim Mandanten ankommt. Neben jede Kostenzahl gehört deshalb eine Trefferquote aus einem echten Testlauf.

Hochrechnen und bewerten. Kosten je Vorgang mal Jahresvolumen, daneben die eingesparte Zeit zum internen Stundensatz. Dauert die Nachbearbeitung länger als die frühere Bearbeitung, ist der Vorgangstyp für den Regelbetrieb noch nicht reif.

Fünf Hebel, die den Verbrauch senken

Die wirksamen Maßnahmen sind technischer Natur und lassen sich beim Anbieter erfragen oder beim Einrichten selbst setzen.

Kontext klein halten. Für die Prüfung einer Rechnung braucht ein Modell die Rechnung und die einschlägigen Stammdaten, nicht die vollständige Mandantenakte. Gezieltes Nachladen relevanter Passagen senkt die Eingabe-Tokens und erhöht zugleich die Antwortqualität, weil sehr lange Eingaben in der Mitte schlechter genutzt werden.

Wiederkehrenden Kontext zwischenspeichern. Kanzleiweite Standardanweisungen, Musterformulierungen und Prüfschemata sind bei jeder Anfrage identisch. Ein Treffer im Zwischenspeicher kostet bei den großen Anbietern zehn Prozent des Eingabepreises, bei einer Trefferquote von 60 bis 80 Prozent sinken die Eingabekosten entsprechend. Voraussetzung ist ein stabiler Textanfang: Steht eine veränderliche Angabe wie ein Datum am Beginn des Prompts, greift der Zwischenspeicher nicht.

Aufgaben dem passenden Modell zuweisen. Klassifikation, Extraktion und Formatierung erledigen günstige Modelle zuverlässig. Innerhalb einer Modellfamilie liegt der Abstand zum Spitzenmodell beim Fünf- bis Zehnfachen, im Vergleich zu den kleinsten Modellen anderer Anbieter erreicht er das Hundertfache. Grundlage der Zuordnung sollten Testergebnisse für die eigenen Vorgangstypen sein.

Nicht eilige Lasten stapeln. Für Verarbeitungen ohne Zeitdruck bieten die Anbieter eine Stapelverarbeitung mit rund 50 Prozent Rabatt an.

Obergrenzen setzen. Eine maximale Zahl an Schritten und Werkzeugaufrufen je Lauf sowie ein Budget je Nutzer oder Mandat verhindern, dass ein einzelner entgleister Durchlauf die Monatskalkulation sprengt. Diese Grenzen gehören eingerichtet, bevor der erste Agent produktiv läuft.

Darüber hinaus sollten Kanzleien die folgenden Fragen klären, bevor ein erster Agent in Betrieb genommen wird:

Wie wird der Verbrauch ausgewiesen: je Nutzer, je Vorgang, in Echtzeit oder erst auf der Monatsrechnung?

Was geschieht, wenn ein Kontingent erschöpft ist? Ein Stopp und eine kostenpflichtige Weiternutzung sind zwei sehr verschiedene Voreinstellungen, und die zweite ist verbreiteter.

Auf welcher Ebene lässt sich ein Deckel setzen, und wer in der Kanzlei darf ihn ändern?

Welches Modell steht hinter welcher Funktion, und was passiert bei einem Modellwechsel mit Preis und Qualität? Ein stiller Wechsel verändert beides.

Wo wird verarbeitet, welcher Aufschlag entsteht für europäisches oder souveränes Hosting?

Gibt es einen Testzugang, in dem sich der Verbrauch je Vorgangstyp vor Vertragsschluss messen lässt?

Grenzen dieser Betrachtung

Die Token-Rechnung ist nur ein Teil der Gesamtkosten. In produktiven Aufbauten machen die reinen Modellkosten selten mehr als 30 bis 50 Prozent aus; Integration, Datenpflege, Schulung, Vertragsmanagement und Betrieb kommen hinzu. Für Kanzleien wirkt zusätzlich der Aufschlag für europäische Verarbeitung, weshalb die Vergleichsrechnung mit kalifornischen Listenpreisen zu niedrig ausfällt.

Die Halbwertszeit solcher Rechnungen ist kurz. Preise und Modellgenerationen ändern sich im Quartalsrhythmus, und die Tokenzahl für identischen Text hängt vom jeweiligen Modell ab. Eine Kalkulation taugt damit für die Entscheidung über ein Werkzeug, weniger für eine Fünfjahresplanung.

Verhältnismäßigkeit gehört ebenfalls dazu. In einer Kanzlei mit zwei oder drei Anwendungsfällen bleibt die Token-Rechnung im zweistelligen Monatsbereich; ein eigener Steuerungsapparat lohnt dort nicht, ein Blick auf die Abrechnung genügt. Die Fünf-Schritte-Rechnung bleibt trotzdem sinnvoll, weil sie die Entscheidung über den nächsten Anwendungsfall beeinflussen kann.

Einordnung

Token Economics beschreibt eine Kostenmechanik, die für Kanzleien bislang hinter Pauschalpreisen lag und mit verbrauchsbasierter Abrechnung sichtbar wird. Für den Anfang genügen zwei Zahlen je Anwendungsfall: was ein Vorgang mit KI kostet und was er ohne KI kostet. Wer sie kennt, kann einen Modellwechsel, ein neues Preismodell oder ein zusätzliches Werkzeug nüchtern beurteilen, und erkennt auch den Fall, in dem sich der Einsatz noch nicht lohnt. Dass daraus eine eigene Disziplin wird, zeigt die FinOps Foundation im State of FinOps 2026: 98 Prozent ihrer Praktiker steuern inzwischen KI-Ausgaben, 2024 waren es 31 Prozent. Die Standards, an denen die Tokenomics Foundation arbeitet, werden diese Rechnung mittelfristig erleichtern. Verlassen sollte sich darauf im Moment niemand.

TellTale Consulting begleitet Steuerkanzleien bei der Einführung von KI, einschließlich der Frage, welche Vorgänge sich rechnen und welche nicht. Für eine Bestandsaufnahme stehen wir Ihnen über die Kontaktseite zur Verfügung.

Quellen

Stand: 10. August 2026

LinuxFoundation