Konkrete Antworten.
Keine Floskeln.
Was Unternehmen 2026 zu KI, DSGVO, EU AI Act und Mittelstands-Realität wirklich wissen müssen. Mit Paragraphen, Architekturen und Preisen statt Werbe-Versprechen. Wir aktualisieren die Einträge, wenn sich Recht oder Technik ändern.
Zum Leitfaden: KI-Compliance für den MittelstandNeu: unser Whitepaper „Lokal oder Cloud? Was ein 15-Euro-Server wirklich kann, gemessen“, mit PDF zum Herunterladen.
Recht & Compliance
DSGVO, EU AI Act, Schrems II, AVV — was Mittelstandsunternehmen 2026 wirklich erfüllen müssen.
Darf ich ChatGPT oder Claude DSGVO-konform für Geschäftsdaten nutzen?
Mit Consumer-Versionen (chat.openai.com, claude.ai) nein — keine personenbezogenen oder vertraulichen Daten. Mit Business-/API-Variante und passendem Vertragsstack ja, aber nur mit AVV, EU-Region, DSFA und sauberer Datenklassifizierung.
EU AI Act 2024/1689 — was gilt für den Mittelstand, und ab wann?
Verbotene Systeme sind seit Februar 2025 raus, GPAI-Pflichten greifen seit August 2025, und seit dem 2. August 2026 gelten die Transparenzpflichten aus Artikel 50, vor allem für Anbieter, für Betreiber bei Deepfakes, KI-Texten von öffentlichem Interesse und Emotionserkennung. Die Hauptpflichten für Hochrisiko-KI hat der Digital Omnibus auf den 2. Dezember 2027 verschoben. Wer einen Chatbot unter eigenem Namen anbietet, muss heute für die Kennzeichnung sorgen; wer Bewerber-Screening oder Bonitätsprüfung mit KI macht, hat mehr Zeit für die Dokumentation, aber nicht weniger zu tun.
Schrems II 2026 — wie steht es um Azure OpenAI, AWS Bedrock und Google Vertex?
Ja, mit dem EU-US Data Privacy Framework (DPF) ist die Übermittlung an zertifizierte US-Anbieter möglich. Das EuG hat eine Klage dagegen 2025 abgewiesen, das Rechtsmittel beim EuGH (Latombe, C-703/25 P) läuft noch. Ein Schrems-III-Urteil ist realistisch. Wer langfristig plant, baut von Anfang an einen Migrationspfad zu EU-gehosteten oder on-prem-Alternativen ein.
AVV mit AI-Anbietern — welche Klauseln müssen drin sein?
Die Standard-AVVs der großen AI-Anbieter erfüllen Art. 28 DSGVO formal. Aber drei Klauseln sollten Sie immer kritisch prüfen: Trainings-Opt-Out, Sub-Auftragsverarbeiter-Liste und Löschpflichten nach Vertragsende. Mehr als die Hälfte der AVVs, die wir 2026 in Audits sehen, sind entweder gar nicht abgeschlossen oder enthalten ungeprüfte Sub-Prozessor-Klauseln.
DSFA bei KI-Systemen — wann ist eine Datenschutz-Folgenabschätzung Pflicht?
Eine DSFA nach Art. 35 DSGVO ist Pflicht, sobald ein KI-System systematisch personenbezogene Daten verarbeitet — was bei produktiven LLM-Integrationen praktisch immer der Fall ist. Die deutschen Aufsichtsbehörden (BfDI, BayLDA, LfDI BW) führen LLMs explizit auf ihren Muss-Listen. Ohne DSFA wird das Projekt zum formalen Datenschutzverstoß.
Hochrisiko-KI nach AI Act — fällt mein System darunter?
Hochrisiko-KI sind Systeme nach Anhang III des AI Act — vor allem in HR, Bonität, Bildung, Strafverfolgung und kritischer Infrastruktur — sowie KI als Sicherheitskomponente in regulierten Produkten (Anhang I). Im Mittelstand sind HR-Tools, Bewerber-Screening und Kreditscoring die häufigsten Treffer. Die Pflichten greifen seit dem Digital Omnibus ab dem 2. Dezember 2027, für Anhang I ab dem 2. August 2028.
Urheberrecht bei AI-Outputs — wem gehört der Output?
Nach deutschem Urheberrecht (§ 2 Abs. 2 UrhG) entstehen Urheberrechte nur an Werken mit menschlicher Schöpfung. Reine AI-Outputs sind nicht urheberrechtlich geschützt — Sie können sie nutzen, andere aber auch. Mit ausreichender menschlicher Bearbeitung können Sie eigenes Urheberrecht begründen. Bei Bildern und Code lauern zusätzlich Trainings-Daten-Risiken aus Drittquellen.
GLM von Z.ai — was die günstigen chinesischen Modelle taugen und wo die Grenze liegt
GLM-5.3 kostet Stand 03.10.2026 pro Million Token 1,40 USD Eingabe und 4,40 USD Ausgabe, GLM-4.7 nur 0,60 und 2,20 USD, GLM-5.3-Flash 0,15 und 0,50 USD. Das ist ein Bruchteil westlicher Preise bei brauchbarer Qualität. Der Haken ist nicht die Qualität, sondern der Rechtsrahmen: Bei der Cloud-API von Z.ai liegt die Verarbeitung in China, es gibt keinen Angemessenheitsbeschluss der EU-Kommission, und ein Drittlandtransfer nach Art. 44 ff. DSGVO ist damit nur unter Zusatzbedingungen zulässig, die in der Praxis kaum zu erfüllen sind. Für personenbezogene Daten ist die Cloud-API daher keine Option. Die offenen Gewichte selbst gehostet sind eine — dann fällt der Transfer weg.
Technik & Architektur
On-Premise vs. Cloud, RAG vs. Fine-Tuning, Open Source vs. Closed — pragmatische Entscheidungshilfen.
On-Premise vs. Cloud-LLM — wann lohnt welcher Setup?
Cloud-LLMs (Azure OpenAI, Anthropic API) sind 2026 für die meisten Anwendungsfälle im Mittelstand die richtige Wahl: schneller Start, niedrige Einstiegskosten, kein Hardware-Risiko. On-Premise wird notwendig, wenn Art.-9-Daten verarbeitet werden, der Drittland-Transfer ausgeschlossen sein muss, Latenz unter 50 ms gefordert ist oder die Cloud-Kosten stabil über rund 2.500 bis 4.000 €/Monat liegen. Unabhängig von den Kosten auch dann, wenn Auflagen den Betrieb im eigenen Haus verlangen, etwa aus der Risikobewertung eines Hochrisiko-Systems oder von Kunde, Versicherer oder KRITIS.
RAG vs. Fine-Tuning vs. Long-Context — was wann?
RAG ist 2026 für fast jeden Anwendungsfall im Mittelstand die richtige Wahl: schneller, billiger, transparenter, aktualisierbar. Fine-Tuning nur, wenn Ton/Format dauerhaft trainiert werden muss. Long-Context (Claude und Gemini je rund 1 Mio. Token) ersetzt RAG für kleine, statische Wissensbasen — wird aber bei Skalierung teurer als RAG.
Welche LLMs sind 2026 DSGVO-konform betreibbar?
DSGVO-konform betreibbar sind 2026: Azure OpenAI in der Data Zone EU, die OpenAI-API mit Region Europa, Anthropic Claude über AWS Bedrock oder Google Cloud in der EU (die Claude-API direkt verarbeitet nur global oder in den USA), Mistral über den EU-Endpunkt, sowie on-prem-Setups mit offenen Modellen wie Mistral, Qwen, DeepSeek oder Muse Glimmer. Llama 4 ist für Firmen mit Sitz in der EU lizenzrechtlich ausgeschlossen. Nicht ohne Weiteres konform: Consumer-ChatGPT, Claude.ai-Web ohne Workspace-Tier, OpenAI-API in US-Region ohne dezidiertes DPF-Setup, Gemini-Consumer und chinesische Modelle in der Cloud.
Open Source vs. Closed Source LLMs — was für Unternehmen?
Open-Source-Modelle haben 2026 in vielen Aufgaben aufgeschlossen und bieten volle Daten-Hoheit. Closed-Source liefert noch das beste Reasoning, das einfachste Setup und die schnellste Modellinnovation. Empfehlung: Hybrid-Stack mit Closed-Source als Default und Open-Source-Backup für sensible Daten und Lock-In-Vermeidung.
AI Audit Trail — was muss geloggt werden?
Für jedes produktive KI-System brauchen Sie ein Audit-Log mit Eingabe, Ausgabe, Modellversion, Nutzer, Zeitstempel und Anbieter-Region. Bei Hochrisiko-KI ist die Protokollierung nach Art. 12 AI Act Pflicht, die Aufbewahrung von mindestens 6 Monaten steht in Art. 19 und Art. 26 Abs. 6; nach dem Digital Omnibus gilt das ab dem 2. Dezember 2027. Ein normaler Chatbot ist nicht Hochrisiko, für ihn ergibt sich die Protokollierung aus der Nachweispflicht der DSGVO (Art. 5 Abs. 2), begrenzt durch die Speicherbegrenzung (Art. 5 Abs. 1 e). Wer keine Protokolle hat, kann im Streitfall kaum etwas belegen.
Pseudonymisierung vor LLM-Calls — reicht das wirklich?
Pseudonymisierung reduziert das Risiko, hebt die DSGVO-Pflichten aber nicht auf — pseudonyme Daten bleiben personenbezogen (Art. 4 Nr. 5 DSGVO). Echte Anonymisierung ist bei LLM-Inputs schwer, weil Kontext-Inferenz Re-Identifikation ermöglicht. Pseudonymisierung ist trotzdem ein wichtiger Baustein, aber kein Freischuss für sonst kritische Use-Cases.
Welches Claude-Modell für welchen Zweck — und was kostet es?
Stand 08.10.2026 kostet das neue Claude Haiku 5.5 pro Million Token 0,10 USD Eingabe und 0,50 USD Ausgabe, bei Anfragen über 100.000 Token das Fünffache. Claude Sonnet 5.5 kostet 2 USD Eingabe und 10 USD Ausgabe, so viel wie Sonnet 5. Opus 5.5 kostet 4 und 20 USD, 20 Prozent weniger als Opus 5 (5 und 25 USD). Haiku 4.5 kostet 1 und 5 USD, Fable 5.1 kostet 10 und 50 USD. Sonnet 5.5 ist für die meisten Produktivlasten die richtige Wahl, Haiku für einfache Massenaufgaben, Opus für schwierige Analysen über viele Dateien hinweg. Sonnet 5.5 und Haiku 5.5 gibt es auf AWS Bedrock mit EU-Profil, über die Claude-API direkt gibt es keine Verarbeitung garantiert in der EU. Zwei Hebel senken die Rechnung stärker als jeder Modellwechsel: Prompt-Caching kostet beim Lesen höchstens ein Zehntel des Eingabepreises, bei Opus 5.5 ein Zwanzigstel, und die Batch-API halbiert Eingabe und Ausgabe. Abos: Pro 17 USD im Monat bei Jahreszahlung, Team 20 USD je Platz.
Wie schnell werden KI-Modelle besser? Die Zahlen von Januar bis September 2026
Stark und messbar. Im Denktest ARC-AGI-2 stieg der beste Modellwert vom 1. Januar bis Anfang September 2026 von 54,2 auf 95 Prozent, in der Mathematik (FrontierMath Tier 4) von 46 auf 97,6 Prozent. Gleichzeitig sanken die Kosten: Eine ARC-AGI-2-Aufgabe kostete im Januar 15,72 US-Dollar bei 54,2 Prozent, im September 0,41 US-Dollar bei 93,3 Prozent. Nach dem Epoch Capabilities Index wuchs die Spitze 2026 schneller als 2024 und 2025. Für Unternehmen heißt das: Eine Modellwahl vom Frühjahr ist heute oft zu teuer, und ein Test mit eigenen Aufgaben lohnt sich öfter als früher.
Welches OpenAI-Modell für welchen Zweck — und was kostet es?
Stand 30.09.2026 kostet das neue gpt-6.1-sol pro Million Token 2 USD Eingabe und 10 USD Ausgabe, gelesene Cache-Token nur noch 0,10 USD, gpt-6-luna 0,10 und 0,50 USD, gpt-6-astra 10 und 50 USD. Die 5.6-Reihe: gpt-5.6-sol 4 USD Eingabe und 20 USD Ausgabe, gpt-5.6-terra 2 und 12 USD, gpt-5.6-luna 0,20 und 1,20 USD. Die Pro-Varianten gpt-5.5-pro und gpt-5.4-pro liegen bei 30 und 180 USD. Für Massenaufgaben ist jetzt gpt-6-luna die naheliegende Wahl, zum halben Eingabepreis von gpt-5.6-luna, terra deckt den Produktivalltag ab, sol die schwierigen Fälle. Zwischengespeicherte Eingaben kosten ein Zehntel, bei gpt-6.1-sol ein Zwanzigstel, die Batch-API halbiert den Preis. Am 23.10.2026 schaltet OpenAI gpt-4, gpt-4-turbo und gpt-3.5-turbo ab. Die Modellvielfalt ist der eigentliche Stolperstein: Wer nicht regelmäßig aufräumt, zahlt Altmodelle mit.
OpenRouter im Unternehmen — wofür es sich lohnt und wo die Grenze liegt
OpenRouter ist ein Zwischenhändler, der Stand 11.10.2026 rund 458 Modelle von 62 Herstellern über eine einzige OpenAI-kompatible Schnittstelle anbietet, davon 19 kostenlos. Auf den Inferenzpreis erhebt OpenRouter keinen Aufschlag; verdient wird an der Guthabenaufladung mit 5,5 Prozent per Kreditkarte, mindestens 0,80 USD, oder 5 Prozent per Kryptowährung. Der Nutzen liegt im Vergleichen und im Vermeiden von Lock-in, nicht im Sparen. Die Grenze ist der Datenschutz: Anfragen laufen über einen weiteren Verarbeiter und werden an wechselnde Anbieter in wechselnden Ländern weitergereicht — für personenbezogene Daten ist das ohne strikte Anbieterfestlegung und passenden Vertrag nicht tragfähig.
Fine-Tuning oder RAG: wie bringt man Firmenwissen in ein KI-Modell?
Für Firmenwissen fast immer RAG: Die KI sucht passende Dokumente heraus und bekommt sie mit der Frage mitgeliefert. Fine-Tuning ändert, wie ein Modell antwortet (Format, Ton, Ablauf), und ist für neues Wissen schlecht geeignet. Dazu kommt 2026 ein praktischer Grund: OpenAI fährt sein Fine-Tuning herunter, Mistral führt es als veraltet, die Gemini-API bietet keins an und für aktuelle Claude-Modelle gibt es keins. Wer feinabstimmen will, tut das heute meist mit offenen Modellen auf eigener Hardware.
KI-Agent oder Automatisierung: was braucht Ihr Prozess?
Eine feste Automatisierung reicht, wenn der Ablauf immer denselben Regeln folgt. Sie ist dann billiger, schneller und robuster. Ein KI-Baustein kommt dazu, wenn Eingänge unstrukturiert sind, etwa Mails oder PDFs. Einen Agenten braucht es erst, wenn mehrere Systeme beteiligt sind und der richtige Weg von Fall zu Fall verschieden ist. Folgenreiche Schritte gibt auch dann ein Mensch frei.
Entsorgung & Kreislaufwirtschaft
Gasflaschen und Akkus im Restmüll, Störstofferkennung, Annahmekontrolle: was Anlagen dagegen tun können und wo eine Kamera hilft.
Störstofferkennung mit KI: wie sie funktioniert, wo sie hilft, wo nicht
Störstofferkennung mit KI heißt: Eine Kamera nimmt Abfall beim Schütten, am Band oder an der Kippstelle auf, und ein angelerntes Bildmodell meldet Gegenstände, die dort nicht hingehören, mit Bild und Zeitpunkt. Was als Störstoff gilt, hängt vom Ort ab: Kunststoff in der Biotonne, ein Akku in der Sortieranlage, eine Gasflasche vor dem Kessel. Die Kamera sieht nur, was sichtbar obenauf liegt, und erkennt Form und Aussehen, nicht das Material oder den Inhalt. Zuverlässig wird sie erst mit Bildern der eigenen Anlage.
Gasflaschen in der Müllverbrennung: was passiert, was es kostet, was hilft
Nicht vollständig entleerte Gasflaschen und Lachgaskartuschen bersten auf dem Rost, weil der Druck bei bis zu 1.000 °C steigt und der Stahl an Festigkeit verliert. Die Splitter beschädigen Roste, Ausmauerung und Wärmeübertrager, ein Kessel steht dann oft tagelang. Nach Angaben der ITAD kostet ein einzelner Schaden schnell über 100.000 Euro. Seit dem 12. April 2026 sind Lachgasbehälter über 8,4 Gramm für Privatleute verboten, das Problem im Restmüll ist damit aber nicht verschwunden.
Akkus und Lithium-Batterien im Restmüll und in der Sortieranlage: Brände, Zahlen, Erkennung
Nach Schätzung des BDE gibt es in Deutschland bis zu 30 Brandereignisse am Tag in Entsorgungsfahrzeugen und -anlagen, rund 80 Prozent davon gehen auf Lithium-Ionen-Akkus zurück. Eine amtliche Statistik gibt es nicht, eine Verbändestudie ist für das dritte Quartal 2026 angekündigt. Endnutzer müssen Altbatterien nach EU-Batterieverordnung und Batterierecht-Durchführungsgesetz getrennt vom Restmüll abgeben. Am Band kann eine Kamera Akkus und Kleingeräte erkennen, die offen liegen; was verpackt oder verdeckt ist, sieht nur Röntgentechnik, und Glutnester sind Sache der Wärmebild-Brandfrüherkennung.
KI-Kamera oder Wärmebild im Müllbunker? Wofür was taugt
Wärmebild und KI-Kamera lösen zwei verschiedene Aufgaben. Die Wärmebildkamera überwacht die Bunkeroberfläche auf Glutnester und Temperaturanstiege und ist Teil der Brandfrüherkennung, die Versicherer nach VdS 2515 für Abfallverbrennungsanlagen empfehlen. Eine Farbkamera mit Bilderkennung an der Kippstelle erkennt sichtbare Gasflaschen und andere Druckbehälter, bevor sie im Bunker verschwinden; eine kalte Flasche fällt im Wärmebild nicht auf. Die KI-Kamera ist kein anerkanntes Brandschutzsystem und ersetzt die Brandfrüherkennung nicht, sie ergänzt die Annahmekontrolle.
Annahmekontrolle von Abfall mit Kamera: was Pflicht ist, was eine Kamera leistet
Deponien, Aufbereitungsanlagen für Bauschutt nach Ersatzbaustoffverordnung und Vorbehandlungsanlagen nach Gewerbeabfallverordnung müssen jede Anlieferung sofort kontrollieren, mit Sichtkontrolle, Masse und Abfallschlüssel, und das Ergebnis dokumentieren. Bioabfallanlagen schreibt die BioAbfV eine Sichtkontrolle bei jeder Anlieferung vor, Müllverbrennungsanlagen verlangt die 17. BImSchV allgemeine Vorsichtsmaßnahmen und die Masse je Abfallart. Eine Kamera an Waage oder Abkippplatz liefert ein Bild je Anlieferung, das neben dem Wiegedatensatz liegt, und kann sichtbare Störstoffe melden. Probenahme, Analyse und die Entscheidung über Annahme oder Zurückweisung ersetzt sie nicht.
Kameras in Entsorgungsanlagen: Datenschutz, Betriebsrat, Fahrer im Bild
Eine Kamera, die Gasflaschen oder Akkus erkennen soll, ist keine Mitarbeiterüberwachung, aber sie sieht Menschen und oft Kennzeichen. Für private Betreiber ist die Rechtsgrundlage in der Regel das berechtigte Interesse nach Art. 6 Abs. 1 lit. f DSGVO; § 26 Abs. 1 BDSG wendet das Bundesarbeitsgericht seit 2025 nicht mehr an. Weil die Kamera objektiv geeignet ist, Verhalten zu erfassen, hat der Betriebsrat nach § 87 Abs. 1 Nr. 6 BetrVG mitzubestimmen. Vor dem Start gehören Zweck, Bildausschnitt, Speicherdauer, Hinweisschild, Betriebsvereinbarung, Datenschutz-Folgenabschätzung und der Vertrag zur Auftragsverarbeitung geklärt.
Störstofferkennung einkaufen: Fragen an jeden Anbieter
Stellen Sie allen Anbietern dieselben Fragen und lassen Sie sich die Antworten schriftlich geben. Die wichtigsten: Was erkennt das System, und was ausdrücklich nicht? Auf wessen Bildern wurde die Trefferquote gemessen, und wie viele Fehlalarme bringt eine Schicht? Wie schnell kommt die Meldung in Kanzel und Leitstand, und was passiert bei Kranautomatik oder wenn eine Kamera ausfällt? Wo liegen Bilder und Modell, und was bleibt Ihnen beim Ausstieg? Eine Prozentzahl ohne Bezug auf Anlage, Kameraort und Zeitraum ist keine Antwort. Den Katalog gibt es als PDF ohne Anmeldung.
Praxis & Mittelstand
Kosten, Halluzinationen, Mitarbeiter-Policies, Vendor Lock-In — was im Betrieb wirklich zählt.
KI im Mittelstand einführen: der praktische Leitfaden
In fünf Schritten: (1) Reifegrad + Use-Cases klären (KI-Readiness-Audit), (2) einen Use-Case mit klarem ROI als Pilot wählen, (3) DSGVO/EU-AI-Act-Rahmen früh festzurren, (4) produktiv bauen statt Demo (mit Eval, Monitoring, Wartung), (5) messen und ausrollen. Wer mit Strategie statt Tool startet, vermeidet die teuersten Fehler — Insellösungen, Vendor-Lock-in und Compliance-Nacharbeit.
Was kostet ein produktiver AI Agent realistisch?
Realistisch 15.000–80.000 € Einmal-Investition plus 500–4.000 €/Monat laufende Betriebskosten — abhängig von Komplexität, Anbindungen und Datenvolumen. Wer Angebote unter 5.000 € sieht, bekommt meist eine Workflow-Konfiguration ohne Wartung, Monitoring oder Compliance-Layer. Wer Angebote über 200.000 € sieht, zahlt Enterprise-Aufschlag, der im Mittelstand selten lohnt.
Halluzinationen — wie bekomme ich sie im Kundenkontakt klein?
Halluzinationen werden nicht durch ein besseres Modell auf null gedrückt, sondern durch System-Design: RAG mit Quellenzwang, Retrieval-Qualität messen, Output-Plausibilisierung, klare Antwort-Verweigerung bei Unsicherheit, Human-in-the-Loop für sensible Bereiche. Wer alle fünf Hebel zieht, kommt auf eine Fehlerrate von 0,5–2 % — was für viele Use-Cases akzeptabel ist.
AI-Policy nach AI Act Art. 4 — ist sie Pflicht?
Eine schriftliche AI-Policy ist nicht ausdrücklich verlangt, aber faktisch die einzige Art, die Pflicht aus Art. 4 AI Act (KI-Kompetenz des Personals fördern) und die Rechenschaftspflicht aus Art. 5 Abs. 2 DSGVO sinnvoll zu erfüllen. Sie muss klären: welche Tools sind erlaubt, welche Daten dürfen rein, wer entscheidet, wer trägt Verantwortung. Ohne Policy ist im Audit alles individuelle Entscheidung — und damit kaum nachweisbar.
Mitarbeiter-Schulung zu KI — was muss rein, wer haftet?
Pflicht-Inhalte 2026: AI-Act-Grundlagen, DSGVO-Basics für AI, firmen-eigene Tool-Whitelist, Datenklassifizierung, Output-Verantwortung, Eskalationspfad. 30–60 Minuten beim Onboarding plus 15–30 Minuten Refresh jährlich. Haftung: Geschäftsführung für Schulungs-Setup, Mitarbeitende für Befolgung der Policy. Bei nachweislich fehlender Schulung haftet primär das Unternehmen, nicht der einzelne Mitarbeitende.
Vendor Lock-In bei AI — wie unabhängig bleiben?
Lock-In hat vier Schichten — Modell, API-Format, Embeddings, Tools/Frameworks. Schutz: Provider-Abstraktion (LiteLLM, eigener Adapter), Eval-Set für reproduzierbaren Modell-Vergleich, Embeddings-Versionierung, datensparsame Vendor-Tool-Nutzung. Pragmatisches Ziel ist nicht 100 % Anbieter-Unabhängigkeit, sondern dass ein Anbieter-Wechsel in 2–4 Wochen statt 6 Monaten machbar ist.
Warum der Preis pro Token fast nichts über Ihre Kosten sagt
Ein Preis pro Token ist zwischen Anbietern nicht direkt vergleichbar, weil derselbe Text unterschiedlich viele Token ergibt: Claude 4.7 und neuer erzeugen laut Anbieter rund 30 Prozent mehr Token für denselben Text als die Vorgänger. Ein um 20 Prozent niedrigerer Token-Preis kann damit ein höherer Preis pro Seite sein. Vergleichbar wird es erst über vier Größen: Token pro Seite Ihres eigenen Textes, das Verhältnis von Eingabe zu Ausgabe (Ausgabe kostet meist das Fünf- bis Sechsfache), der Anteil zwischengespeicherter Eingaben (Cache-Treffer kosten oft nur ein Zehntel) und der Anteil, der über die Batch-API laufen kann (50 Prozent Rabatt). Der belastbare Weg ist ein Testlauf mit hundert echten Vorgängen je Kandidat.
Frage fehlt?
Wenn eure konkrete Situation hier nicht beantwortet ist, schreibt uns. Wir nehmen häufig gestellte Fragen in die Wissensdatenbank auf — und ihr bekommt direkt eine fundierte Antwort.
Frage stellen