Auf OckBench, einem Benchmark für die Effizienz beim Reasoning, erreicht DeepSeek-V4-Pro mit hohem Effort 84,0 % Genauigkeit. GPT-5.5 liegt mit mittlerem Effort höchstens zwei Punkte davon entfernt. DeepSeek verbraucht dafür 43.652 Tokens pro Aufgabe. GPT-5.5 verbraucht 4.692. Zwei Modelle, fast identische Ergebnisse, und in der Einheit, in der beide abgerechnet werden, liegen sie um den Faktor 9,3 auseinander.
Jetzt kommen die Preise dazu. DeepSeek verlangt 0,87 Dollar pro Million Output-Tokens, OpenAI verlangt 30 Dollar. Pro Token wirkt DeepSeek also rund 34-mal billiger. Rechnet man den Verbrauch ein, kostet eine Aufgabe etwa 0,038 Dollar gegenüber 0,14 Dollar, also nicht einmal viermal billiger. Die Preisliste hat den Vorteil fast um den Faktor zehn überzeichnet. Dieser Faktor ist das Token-Verhältnis, und genau diese Variable kann keine Preisliste ausdrücken.
Die Preisliste allein kann diesen Unterschied nicht abbilden. Preise pro Token behandeln jedes Token als austauschbar: eine Million Tokens des einen Modells gegen eine Million des anderen, Dollar pro Einheit, vergleichen und auswählen. So bepreist man Massenware, und das funktioniert, weil ein Barrel Öl vom einen Lieferanten genauso brennt wie eines vom anderen. Bei Tokens ist das anders. Die Intelligenz, die Sie pro Token bekommen, schwankt zwischen Modellen, die zur selben Antwort kommen, um eine Größenordnung. Ein Preis wird also erst zu Kosten, wenn ein Verbrauchswert dazukommt, und genau den können Sie nicht im Voraus kennen.
Das Token ist die Verrechnungseinheit. Die Aufgabe ist die Werteinheit. Alles Weitere handelt von der Lücke zwischen beiden und davon, wie das Preismodell sie verdeckt.
Zuerst dazu, wie der Zähler tatsächlich läuft. Sie zahlen für Input-Tokens, also den Prompt und den Kontext, den Sie schicken, und für Output-Tokens, also den Text, den das Modell erzeugt, wobei Output typischerweise vier- bis sechsmal so viel kostet. Reasoning-Modelle haben eine dritte Kategorie hinzugefügt, die die meisten Preislisten nicht gesondert ausweisen: die interne Gedankenkette, die ein Modell erzeugt, bevor es seine sichtbare Antwort liefert. Bei OpenAI, Google und Anthropic werden diese Reasoning-Tokens als Output-Tokens abgerechnet. In OpenAIs Abrechnung sind sie buchstäblich eine Teilmenge der Completion-Tokens, ausgewiesen in einem Detailfeld der Usage-Daten, aber Teil desselben abgerechneten Topfs. Google verrechnet alle Thought-Tokens, die das Modell erzeugt, auch wenn die API nur eine Zusammenfassung liefert. Anthropic schreibt unumwunden, dass die abgerechnete Output-Menge nicht mit der sichtbaren Token-Zahl in der Antwort übereinstimmt.
Hier die Korrektur, die die meisten brauchen: Ob Sie den Reasoning-Verlauf sehen, ist eine Frage der Anzeige, nicht der Abrechnung. DeepSeek liefert die rohe Kette. OpenAI liefert eine Zusammenfassung. Anthropic liefert bei neueren Modellen eine verdichtete Fassung. In jedem Fall zahlen Sie für die gesamte interne Kette, in den zusammengefassten Fällen also auch für Tokens, die niemand zu irgendeinem Preis zu lesen bekommt.
Der verborgene Anteil ist nicht klein. Eine Antwort mit 500 sichtbaren Output-Tokens kann 2.000 bis 5.000 abgerechnete Tokens verbrauchen, wenn man das Reasoning mitzählt, und eine gängige Faustregel für die Budgetierung bei Reasoning-Modellen lautet, den erwarteten Output mit drei bis fünf zu multiplizieren. Ein Entwickler hält in einem Beitrag in OpenAIs eigenem Forum fest, wie aus geschätzten 5 Dollar für eine Million Tokens eine Rechnung über 20 Dollar wurde, weil das Reasoning als Output gezählt wurde.
Was danach mit dem Reasoning passiert, hängt vom Anbieter ab, und freundlich ist keiner der beiden Wege. Im Standardverhalten von OpenAI wird Reasoning aus früheren Turns nicht in den nächsten mitgenommen; die sichtbare Antwort bleibt als Kontext erhalten, die Überlegung wird verworfen. Gemini kann den Denkzustand mitführen, aber Thought Signatures, die mit einem Request zurückgehen, werden als Input-Tokens verrechnet: Wer das Reasoning behält, zahlt ein zweites Mal dafür, zum Input-Tarif. Als Output gekauft, dann verworfen oder noch einmal verrechnet. So oder so wird aus der Überlegung nie ein Vermögenswert.
Ein wachsender Teil der abgerechneten Einheit lässt sich also nicht lesen, nur zählen, und das erst, nachdem das Modell ihn erzeugt hat. Der lesbare Teil ist zwischen Modellen ohnehin nicht vergleichbar. An dieser Stelle zeigen die Benchmark-Daten, dass das Problem strukturell ist.
OckBench schlägt Intelligenz pro Token als Bewertungsachse vor: Ein überlegenes Modell muss die richtige Antwort nicht nur finden, sondern auch mit minimalem Token-Verbrauch finden. Die Befunde sind unverblümt. Modelle mit ähnlicher Genauigkeit können sich in der durchschnittlichen Output-Länge um mehr als das 26-Fache unterscheiden. Kleinere Modelle zahlen oft das, was die Autoren Overthinking Tax nennen: ausschweifende Reasoning-Ketten, die ein billiges Modell im Betrieb teuer machen. Gleich große 7B-Modelle mit ähnlicher Genauigkeit unterscheiden sich um den Faktor 3,3 bei den Tokens und um den Faktor 5 bei der Latenz. Und das Muster läuft genau in die Richtung, die Sie nicht wollen, wenn Sie die Massenware-Sicht verteidigen: Die Autoren beobachten, dass klügere, größere Modelle im Allgemeinen kürzere Antworten liefern und mit dichterem Reasoning zur richtigen Antwort kommen.
Dichte ist das Wort, das Sie sich merken sollten. Eine separate Studie über 25 Modelle zeigt, dass die Rankings nach Genauigkeit und nach Token-Effizienz bei einem kontrollierten Reasoning-Benchmark auseinanderlaufen (Spearman-Korrelation 0,63). Der Verbalization Overhead, also der Anteil der Tokens, den ein Modell über das hinaus ausgibt, was die Antwort braucht, schwankt zwischen Modellen grob um den Faktor 9 und hängt nur schwach mit der Modellgröße zusammen. Effizienz ist kein Nebenprodukt von Fähigkeit. Sie ist eine Fähigkeit. Die Preisliste bewertet sie mit null.
Die Massenware-Sicht scheitert auf einer noch tieferen Ebene: Die Anbieter sind sich nicht einig, was ein Token ist. Jeder Anbieter verwendet seinen eigenen Tokenizer, sodass derselbe Text in unterschiedlich viele Tokens zerfällt. Eine anbieterübergreifende Analyse beziffert den Abstand bei englischer Prosa auf niedrige einstellige Prozentwerte und bei Code auf 10 bis 20 %. Ein anbieterübergreifender Preisvergleich teilt unterschiedliche Zähler durch unterschiedliche Nenner und präsentiert das Ergebnis als direkt vergleichbare Zahl. Das ist es nicht.
Das alles macht die Abrechnung pro Token nicht irrational. Tokens bilden die Inferenzarbeit ab, sie lassen sich im großen Maßstab mechanisch zählen, und ein Anbieter braucht einen Zähler, den er in Mikrosekunden ablesen kann, nicht erst nach einer Prüfung der Aufgabe. Der Fehler liegt nicht im Zähler. Der Fehler ist, den Zählerstand für die Ökonomie zu halten: Ein Preis pro Token beschreibt, wie ein Dienst abrechnet, nicht was ein Workload kosten wird und auch nicht, ob sich das Ergebnis gelohnt hat.
Der Markt hat es bemerkt. Artificial Analysis, dessen Modellindex in der Branche einem öffentlichen Preis-Leistungs-Register am nächsten kommt, weist inzwischen Kosten pro Aufgabe aus, berechnet aus den tatsächlichen Input-, Cached-, Reasoning- und Antwort-Tokens, die jedes Modell über den Benchmark-Workload hinweg verbraucht hat. Die angegebene Begründung gibt dem ganzen Argument recht: Modelle, die längere Antworten oder mehr Reasoning-Tokens erzeugen, haben selbst bei identischen Preisen pro Token höhere Kosten pro Aufgabe. Die Anbieter konkurrieren auf derselben Achse. Googles Launch-Pitch für seine neueste Flash-Stufe stellt nicht die Genauigkeit voran, sondern den Verbrauch: 17 % weniger Output-Tokens als beim Vorgänger auf dem Artificial Analysis Index und, nach Googles eigener Messung, bis zu 65 % weniger bei einem Agentic-Coding-Benchmark.
Wenn die Messinstitute Ihre Einheit aufgeben und die Anbieter gegen sie werben, ist die Einheit als Vergleichsgrundlage erledigt. Übrig bleibt der Zähler.
Es gibt einen scheinbaren Ausweg aus all dem: das Flatrate-Abo. Ein fester Monatspreis, kein Zähler, keine Token-Arithmetik. Das sieht nach der Antwort auf eine kaputte Einheit aus. Besser liest man es als Geständnis, dass die Einheit kaputt ist: Anbieter verkaufen Flatrates gerade deshalb, weil niemand in Tokens budgetieren will.
Die Tokens bleiben aber die Kosten. Die Schwankung, die der Käufer nicht mehr sieht, trägt jetzt der Anbieter, und kein Anbieter trägt sie lange: Sie kommt als Rationierung zurück. Nutzungsobergrenzen, Wochenlimits, Prioritätsstufen, stilles Routing auf billigere Modelle. Der Zähler verschwindet von der Rechnung und taucht als Kontingent wieder auf, das Sie erst entdecken, wenn Sie daran stoßen. Auch der Anreiz kippt: Bei einer Flatrate verursacht ein Modell, das zu viel nachdenkt, für den Käufer keine Grenzkosten, also wandert der Kampf um Effizienz vom Preisblatt in die Gestaltung der Kontingente, wo ihn nur eine Seite sehen kann.
Und das Abo richtet in der Buchhaltung Schlimmeres an, als es die Preise pro Token je getan haben. Bei API-Preisen lassen sich die Kosten pro Aufgabe wenigstens im Nachhinein rekonstruieren. Bei einer Flatrate sind die Grenzkosten einer Aufgabe auf der Rechnung null und in Wirklichkeit unbekannt; die Gebühr verteilt sich über einen Verbrauch, den auf Käuferseite niemand misst. Eine Flatrate beseitigt keine Kosten. Sie versteckt sie, und das ist der gefährlichere Zustand. Preise pro Token verschleiern die Lücke zwischen Verrechnung und Wert. Das Abo schafft das Hauptbuch ab.
Darin liegt das eigentliche Problem. Ich habe schon früher argumentiert, dass KI-Kosten ein Kontrollproblem sind und kein Preisproblem: Wer das Geld ausgibt, ist ein autonomer Prozess ohne Urteilsvermögen über sein eigenes Budget, und der einzige architektonische Engpass, an dem sich Regeln durchsetzen lassen, ist das Gateway. Preise pro Token machen dieses Kontrollproblem eindeutig schwerer. Sie können keine Ausgaben steuern, die in einer Einheit lauten, deren Wertdichte zwischen Modellen um den Faktor 9 schwankt, deren Verbrauch sich erst feststellen lässt, wenn er passiert ist, und deren Definition von Anbieter zu Anbieter wechselt. Die Kosten pro Aufgabe sind die Kennzahl, die die Wahrheit sagt, und sie hat eine Eigenschaft, die jeden stören sollte, der Agenten produktiv betreibt: Sie lässt sich erst rekonstruieren, wenn das Geld schon ausgegeben ist.
Die Branche legt die Preise ex ante in einer Einheit fest, deren Wert sich erst ex post erkennen lässt. Jedes Preissystem dieser Art wird irgendwann durch eines ersetzt, das genau das in Rechnung stellt, was der Käufer eigentlich wollte. Die Frage ist nicht, ob aufgabenbasierte Preise kommen. Die Frage ist, wer den Zähler kontrolliert, wenn sie da sind.
Aus dem Englischen übersetzt: zum Originalbeitrag