Günstigster LLM für KI-Agenten: 30 Modelle nach Kosten pro Lauf sortiert

Lässt man die Tier-D-Modelle unten außer Acht, ist das günstigste Modell, das einen Tool-Aufruf-Agenten ausführen kann, jetzt Claude Haiku 5.5, mit $0,10 Input / $0,50 Output pro 1 M Token, oder $0,0185 für einen Referenz-12-Schritt-Durchlauf; GPT-6 Luna kostet dasselbe. Der größte Aufruf in diesem Durchlauf hat 23.800 Token, weit unter dem 100.000-Token-Punkt, bei dem Haiku 5.5 $0,50 / $2,50 berechnet. DeepSeek V4.1 Flash kostet $0,027 außerhalb der Spitzenzeiten ($0,15 / $0,60); zu DeepSeeks Spitzenzeiten kostet es $0,30 / $1,20, also $0,054, und GPT-5.4 nano ($0,038) ist günstiger. V4.1 Flash ersetzt V4 Flash, das DeepSeek eingestellt hat; sein API-Name ist deepseek-flash. Das günstigste Modell, das wir unbeaufsichtigt in der Produktion betreiben würden, ist Gemini 3.8 Flash ($0,75 / $3,75) oder GPT-5.4 mini ($0,75 / $4,50) für etwa $0,14 pro Durchlauf. Das günstigste Flaggschiff-Modell ist Claude Sonnet 5 ($2 / $10) für $0,37. Die Preise sind in USD pro 1 M Token aus unserem Katalog Stand 2026-09-11; Claude Haiku 5.5 geprüft am 2026-11-03 auf der Preisseite von Anthropic. DeepSeek-Preise geprüft am 2026-10-27 unter api-docs.deepseek.com; außerhalb der Spitzenzeiten ist der halbe Spitzentarif (Spitzenzeiten sind 01:00 bis 04:00 und 06:00 bis 10:00 UTC an Werktagen).

Der Referenzdurchlauf: ein 4.000-Token-System-Prompt plus Tool-Definitionen, die bei jedem Schritt gesendet werden, ein 1.500-Token-Tool-Ergebnis, das nach jedem Schritt angehängt wird, 300 Output-Tokens pro Schritt, 12 Schritte. Da jeder Schritt den gesamten Verlauf erneut sendet, beträgt der Kontext bei Schritt k 4.000 + (k - 1) × 1.800 Token, und der Durchlauf summiert sich auf:

• Input-Tokens = 12 × 4.000 + 1.800 × 12 × 11 ÷ 2 = 48.000 + 118.800 = 166.800
• Output-Tokens = 12 × 300 = 3.600
• Durchlaufkosten = 166.800 × (Input-Rate ÷ 1.000.000) + 3.600 × (Output-Rate ÷ 1.000.000)

Für Claude Sonnet 5: $0,3336 + $0,036 = $0,3696. Der Input macht 90 % oder mehr des Durchlaufs bei jedem Modell aus, daher folgt das Ranking dem Input-Preis. Die allgemeine Formel für N Schritte findet sich unter wie viel kostet ein KI-Agent.

Keine Caching- oder Batch-Rabatte angewendet. Multiplizieren Sie die letzte Spalte mit 1.000 für ein monatliches Budget bei 1.000 Durchläufen. Claude Haiku 5.5 (veröffentlicht am 7. Oktober 2026) ersetzt das alte Claude Haiku 4.5, das immer noch $1 / $5 kostet, also $0,1848 pro Durchlauf, zehnmal so viel.

Die Spanne von Rang 1 bis Rang 29 beträgt 83×. Prompt-Caching verringert sie, ohne die Reihenfolge zu ändern: Bei Cache-Reads von etwa 10 % des Listenpreises bei Anthropic und OpenAI und etwa 25 % bei Gemini sinkt Sonnet 5 auf etwa $0,12 und Gemini 3.8 Flash auf etwa $0,06 pro Durchlauf. Live-Zeilen finden Sie auf der Modelle-Seite.

Der Preis ist die einfache Hälfte. Ein Agent-Modell muss einen Tool-Aufruf ausgeben, der zum Schema passt, das richtige Tool auswählen, anhalten, wenn fertig, und nicht in Schleifen geraten. Die folgenden Stufen sind unsere redaktionelle Einschätzung, wie viel Gerüst jedes Modell in einer Produktionsschleife benötigt, kein Benchmark; führen Sie Ihre eigene Evaluierung mit Ihren eigenen Schemata durch, bevor Sie sich festlegen.

• Tier A, unbeaufsichtigt mit normaler Validierung: Claude Opus 5, GPT-5.5, GPT-5.4, Gemini 3.1 Pro, Claude Sonnet 5. Konsistente Schema-Einhaltung, gutes Stoppverhalten, wenigste verschwendete Schritte.
• Tier B, unbeaufsichtigt mit strengen Schemata: Claude Haiku 4.5 (jetzt Legacy), GPT-5.4 mini, Gemini 3.8 Flash, GPT-5.3-Codex und Devstral 2 (Codierungsschleifen), DeepSeek V4 Pro, Kimi K2.6, Qwen 3.8 Max, Grok 4.6, Mistral Large 3.
• Tier C, mit Validierung, Wiederholungen und einem Eskalationspfad: GPT-5.4 nano, Gemini 3.5 Flash Lite, DeepSeek V4.1 Flash, GLM 4.7, MiniMax M2.7, Qwen3 Coder 480B, Llama 4 Maverick, Codestral 2508, Mistral Medium 3.1. Erwarten Sie fehlerhafte Argumente, falsche Tool-Wahlen bei großen Tool-Sets und Schrittanzahl-Explosionen bei offenen Aufgaben.
• Tier D, nicht als Planer: Llama 4 Scout, GLM 4.7 Flash, GPT-4.1 mini (vorherige Generation). Gut für einmalige Klassifikation innerhalb einer Schleife, die jemand anderes steuert.

Das günstigste Modell, das dies dennoch zuverlässig tut, ist Gemini 3.8 Flash oder GPT-5.4 mini für etwa $0,14 pro Durchlauf. Bei Anthropic kostet Claude Haiku 5.5 mit $0,0185 jetzt ein Zehntel des Legacy Haiku 4.5 mit $0,185; bis es eine Stufe erreicht hat, führen Sie es als ersten Versuch hinter einem Validator aus. Unter $0,10 pro Durchlauf kaufen Sie ein Modell, das einen Supervisor benötigt, und die Kosten des Supervisors gehören zu Ihrer Zahl pro Aufgabe.

Der Kosten-pro-Aufgabe-Gewinner ist fast nie ein einzelnes Modell. Es ist ein Modell der Stufe C oder B als erster Versuch, ein Validator, der den Tool-Aufruf und das Endergebnis prüft, und ein Modell der Stufe A, das nur übernimmt, wenn der billige Versuch fehlschlägt. Ein OpenAI-kompatibler Client über OpenRouter macht die Leiter zu einer Liste von Modellnamen (siehe unseren OpenRouter vs. direkter API-Vergleich für die Routing-Marge).

from openai import OpenAI
client = OpenAI(base_url="https://openrouter.ai/api/v1", api_key=KEY)

LADDER = [  # (model, $ in per 1M, $ out per 1M)
    ("deepseek/deepseek-v4.1-flash", 0.30, 1.20),   # peak rate
    ("google/gemini-3.8-flash", 0.75, 3.75),
    ("anthropic/claude-sonnet-5", 2.0, 10.0),
]

def run_task(task, max_steps=12, budget_usd=0.60):
    spent = 0.0
    for model, p_in, p_out in LADDER:
        history = [{"role": "user", "content": task}]
        for _ in range(max_steps):
            r = client.chat.completions.create(model=model, messages=history,
                                               tools=TOOLS, max_tokens=2000)
            u = r.usage
            spent += (u.prompt_tokens * p_in + u.completion_tokens * p_out) / 1e6
            if spent > budget_usd:
                return None, spent                # hard cap: give up
            ok, done = apply_tool_calls(r, history)   # validate + execute
            if not ok:
                break                             # schema/tool failure: escalate
            if done and validate_result(history):
                return history[-1], spent         # success on this rung
    return None, spent

validate_result muss eine billige deterministische Prüfung sein, dass die Aufgabe tatsächlich abgeschlossen ist (Tests bestehen, der Datensatz existiert, das JSON stimmt), und spent wird über jede Sprosse geteilt. Ohne einen Validator wäscht die Leiter Fehlschläge einfach nach oben.

Kosten pro erfolgreicher Aufgabe = Kosten pro Ausführung ÷ Erfolgsrate, plus die Eskalations- oder Wiederholungskosten, wenn die Ausführung fehlschlägt. Ein durchgerechnetes Beispiel mit beispielhaften Erfolgsraten (ersetzen Sie diese durch Ihre eigenen Evaluierungszahlen):

Routing schlägt Sonnet 5 allein in Bezug auf API-Ausgaben. Bei Spitzenlasttarifen von DeepSeek ist die Gemini 3.8 Flash-Leiter die günstigere der beiden. Drei Dinge bringen das Flaggschiff wieder in Führung. Fehlerkosten: Wenn ein fehlgeschlagener Durchlauf eine Person erfordert, die ihn bemerkt und erneut ausführt, kostet eine Fehlerrate von 55% beim ersten Versuch mehr Minuten, als das Routing an Dollar eingespart hat. Schrittzahl: Ein günstiges Modell, das 30 Schritte benötigt ($0.293 auf Gemini 3.5 Flash Lite) für das, was Sonnet 5 in 12 Schritten schafft ($0.37), hat seinen Vorteil verspielt. Nebeneffekte: Wenn ein falscher Tool-Aufruf eine E-Mail sendet oder in die Produktion schreibt, kann der Validator dies nicht rückgängig machen.

Wann für das Flaggschiff bezahlen: als Planer in einem Multi-Agenten-System, bei jedem Schritt mit irreversiblen Nebeneffekten und immer dann, wenn ein fehlgeschlagener Durchlauf mehr als etwa $0.50 an Zeit einer Person kostet. Wann nicht: bei der routinemäßigen Mehrheit der Schritte, wo Tier B mit $0.14 und strengen Schemas die richtige Voreinstellung ist.

Jeder Agenten-Loop benötigt unabhängig vom Modell vier Limits:

• max_tokens pro Aufruf von 1.000 bis 4.000 für Tool-Aufruf-Runden.
• Eine feste Schrittobergrenze, 12 bis 15 für die meisten Aufgabentypen, in Ihrem Loop oder über die SDK-Rundenbegrenzung.
• Stoppbedingungen: ein erforderliches Finish-Tool, ein Abbruch bei wiederholten identischen Tool-Aufrufen und ein Abbruch bei zwei aufeinanderfolgenden Tool-Fehlern.
• Ein USD-Budget pro Durchlauf, das nach jedem Aufruf aus dem Usage-Objekt berechnet und wie im obigen Snippet über die Eskalationsstufen hinweg geteilt wird.

Sinnvolle Obergrenzen pro Durchlauf: etwa 0,10 $ für einen Tier-C-Loop, 0,30 $ für Tier B, 1,00 $ für Tier A und 2,00 $ für einen Durchlauf, der bis zur höchsten Stufe eskalieren darf. Der KI-Kostenrechner wandelt eine monatliche Durchlaufanzahl in eine Budgetposition um, und die Leitfäden zu den Kosten der Claude Agent API, der OpenAI Agents SDK und der Gemini Agent API decken anbieterspezifische Grenzen und Caching-Syntax ab.

Zeilen, die im September eingeführt oder neu bepreist wurden, berechnet auf demselben Referenzlauf (166,800 Input, 3,600 Output-Token), OpenRouter-Preise überprüft am 1. Oktober 2026, kein Caching oder Batch.

GPT-6 Luna mit $0.0185 kostet etwa die Hälfte von GPT-5.4 nano mit $0.038 im selben Lauf. Claude Opus 5.5 kostet mit $0.74 weniger als Claude Opus 5 ($0.92) oder GPT-5.5 ($0.94) und ist auf dem OpenRouter Intelligence Index auf Platz 1, daher ersetzt es beide als die Flaggschiff-Eskalationsstufe beim Preis. DeepSeek V4.1 Flash berechnet nach Tageszeit ($0.30 / $1.20 Spitzenzeit, $0.15 / $0.60 außerhalb der Spitzenzeit auf DeepSeek's eigener Preisseite), planen Sie daher unbeaufsichtigte Läufe außerhalb der Spitzenzeit. Mercury 2.5 (80% Rabatt) und Gemini 3.8 Flash (50% Rabatt) sind zu Aktionspreisen, die enden können.

Wir haben die neuen leichten Zeilen (Mercury 2.5, GPT-6 Luna, DeepSeek V4.1 Flash und October's Claude Haiku 5.5 zum gleichen Preis von $0.0185 wie GPT-6 Luna) noch nicht in den obigen Zuverlässigkeitsstufen platziert. Führen Sie sie als Tier C-Erstversuche hinter einem Validator aus, bis Ihre eigene Auswertung an Ihren eigenen Tool-Schemas etwas anderes ergibt.

Die Batch-API von OpenRouter (POST https://openrouter.ai/api/v1/batches, seit September live) berechnet die meisten Modelle mit etwa 50 % des Preises pro Token und liefert Ergebnisse innerhalb von 24 Stunden. Sie akzeptiert Chat Completions, Responses, Anthropic Messages und Embeddings.

Sie eignet sich nicht für den Agenten-Loop selbst: Jeder Schritt hängt vom vorherigen Tool-Ergebnis ab, und jeder Round Trip könnte bis zu einem Tag warten. Sie eignet sich für die Arbeit rund um den Loop, bei der jedes Element eine einzelne Anfrage ist: nächtliche Auswertungen der Tagesdurchläufe, Bewertung von Transkripten, Zusammenfassung von Tool-Ausgaben, Massenklassifizierung und Backfills.

Batch-Tarife pro 1M: GPT-6 Luna $0,05 / $0,25, Gemini 3.8 Flash $0,375 / $1,875, GPT-6.1 Sol $1 / $5, Claude Opus 5.5 $2 / $10, GPT-6 Astra und Claude Fable 5.1 $5 / $25.

Arbeitsbeispiel: Bewertung von 1.000 abgeschlossenen Durchläufen über Nacht mit jeweils 1.000 Input- und 200 Output-Token ergibt 1M Input plus 200K Output. Das kostet interaktiv 4,00 $ oder im Batch 2,00 $ auf GPT-6.1 Sol, 8,00 $ oder 4,00 $ auf Claude Opus 5.5 und 20 $ oder 10 $ auf GPT-6 Astra.

Einschränkungen: ein Modell und eine Endpoint-Form pro Batch, nur Text, und jeder Batch läuft auf einem einzigen Anbieter (standardmäßig der günstigste Batch-Endpoint, den Ihre Anbieter-Whitelist, Datenrichtlinie und BYOK-Einstellungen erlauben). xAI-Modelle erhalten im Batch 20 % Rabatt statt der Hälfte. Websuche und Prompt-Caching werden zu den üblichen Sätzen abgerechnet, sodass der gecachte Anteil eines Prompts nicht noch einmal halbiert wird.

Das gehostete Shell-Server-Tool von OpenRouter (openrouter:shell oder openrouter:bash für die Anthropic-Tool-Form; in der Beta) ermöglicht jedem Tool-aufrufenden Modell, Befehle in einem gehosteten Linux-Container auszuführen. Die Sandbox-Zeit kostet 0,0001 $ pro aktiver Sekunde und wird innerhalb der Anfrage abgerechnet.

• 10 aktive Minuten: 600 × 0,0001 $ = 0,06 $
• 1 aktive Stunde: 3.600 × 0,0001 $ = 0,36 $

Bei einem GPT-6 Luna 12-Schritt-Durchlauf (0,0185 $) kosten zehn Minuten Shell-Zeit mehr als das Dreifache der Token. Bei Claude Opus 5.5 (0,74 $) kommen etwa 8 % hinzu. Bei günstigen Modellen kann die Sandbox, nicht das Modell, der größere Posten sein: Zählen Sie aktive Sekunden im Budget pro Durchlauf, begrenzen Sie die Befehlsausführungszeit und lassen Sie keine langlebigen Prozesse innerhalb einer Anfrage laufen. Die Files API speichert bis zu 10 GiB pro Workspace, und Workspace-Administratoren können Server-Tools deaktivieren.

Der teuerste Fehler eines günstigen Modells ist ein falscher Tool-Aufruf mit Seiteneffekten. TypeSafes Jev (typesafe/jev-1.13) ist ein Entscheidungsmodell auf OpenRouter, das getippte Fragen zu einem anstehenden Tool-Aufruf beantwortet, anstatt Text zu schreiben: noul (ja/nein), choice (eine Option auswählen) oder score (eine Zahl in einem Bereich), mit Wahrscheinlichkeiten und einem Konfidenzwert für choice und score. Es kostet 0,042 $ pro 1M Input-Token bei kostenlosem Output, und jeder OpenRouter-Schlüssel funktioniert. OpenRouter veröffentlicht Kochbücher zur Steuerung von Agenten-Tool-Aufrufen mit Jev und zur automatischen Genehmigung von Berechtigungsaufforderungen von Codierungsagenten (Claude Code, Codex, Cursor, OpenCode) mit einer Überprüfung der Umkehrbarkeit.

Das Muster: Vor der Ausführung jedes Tool-Aufrufs den anstehenden Aufruf plus den minimalen Zustand senden, den die Frage benötigt, und beispielsweise eine noul-Frage „Ist dieser Aufruf umkehrbar?“ und eine score-Frage stellen, wie gut er mit der Anfrage des Benutzers übereinstimmt. Bei einem Ja mit hohem Score automatisch ausführen; andernfalls an die Flaggschiff-Stufe oder eine Person eskalieren.

Kosten im Referenzdurchlauf, angenommen 500 Token Zustand pro Prüfung und eine Prüfung pro Schritt: 12 × 500 = 6.000 Input-Token × 0,042 $ pro 1M = 0,00025 $ pro Durchlauf, etwa 1,4 % eines GPT-6 Luna Durchlaufs. Die Latenz ist der größere Kostenfaktor: Bei einem Median von etwa 0,24 Sekunden addieren 12 sequenzielle Prüfungen etwa 3 Sekunden pro Durchlauf.

Jev liest Anweisungen wörtlich, behalten Sie daher Arithmetik, Budgetvergleiche und Datumsprüfungen in Ihrem eigenen Code. Es gibt keine Erklärung zurück, protokollieren Sie daher den anstehenden Aufruf und Jevs getippte Antwort selbst.

Günstigstes Modell außerhalb von Tier D, das überhaupt einen Agenten ausführt: Claude Haiku 5.5 oder GPT-6 Luna für $0.0185 pro 12-Schritt-Lauf, hinter einem Validator; DeepSeek V4.1 Flash kostet $0.027 außerhalb der Spitzenzeit und $0.054 zur Spitzenzeit. Das Günstigste, das wir unbeaufsichtigt mit strengen Schemas ausführen würden: Gemini 3.8 Flash oder GPT-5.4 mini für etwa $0.14. Bei Anthropic versuchen Sie es zuerst mit Haiku 5.5 hinter einem Validator, bevor Sie das Zehnfache für das alte Haiku 4.5 bezahlen. Wer sollte auf jeder Stufe Flaggschiff-Preise zahlen: Teams, deren Tool-Aufrufe Nebenwirkungen haben oder deren Fehler echte Zeit kosten. Wer nicht: jeder mit einem Validator und einer routinemäßigen Aufgabenmischung. Der günstigste Weg zum Ergebnis: zuerst Caching, standardmäßig Tier B, ein Tier C-Erstversuch hinter einem Validator und ein gemeinsames Budget pro Lauf.