Welches KI-Modell ist intelligent genug und trotzdem bezahlbar? Guido Imperiale, Staff Software Engineer bei OpenTeams und Dask-Maintainer, hat sich die vielzitierte Intelligence-vs.-Cost-Grafik von ArtificialAnalysis vorgenommen. In einem Beitrag beschreibt er, warum die offizielle Darstellung irreführt und wie eine ehrlichere Version aussieht.
ArtificialAnalysis testet Sprachmodelle mit denselben Benchmarks. Daraus berechnet die Website den Intelligence Index, einen Mittelwert aus einer kuratierten Auswahl von Benchmarks. Eine brauchbare Daumenpeilung dafür, wie leistungsfähig ein Modell insgesamt ist. Weil die Aufgaben für alle Modelle identisch sind, lässt sich außerdem messen, was eine einzelne Aufgabe auf dem jeweiligen Modell kostet. Diese beiden Größen setzt der bekannte Intelligence-vs.-Cost-Plot zueinander in Beziehung.
Warum die offizielle Intelligence-Kosten-Grafik Probleme macht
Der offizielle Plot zeigt nicht nur einzelne Modelle, sondern auch die Pareto-Frontier. Die Grenze, an der du für ein bestimmtes Intelligenzniveau den jeweils günstigsten Preis bekommst. Die Idee ist sinnvoll. Sie hilft zu vermeiden, dass du für triviale Aufgaben ein teures High-End-Modell nutzt, wenn ein kleines und billiges Modell genauso gut funktioniert.
In der Praxis hat die Grafik allerdings einige Schwächen. Imperiale beschreibt, wie ihn die offizielle Darstellung über längere Zeit immer mehr irritiert hat. Was auf den ersten Blick wie eine elegante Entscheidungshilfe aussieht, verschleiert bei genauerer Betrachtung die wirklich wichtigen Unterschiede.
Es ist wie beim Autokauf: Ein Sportwagen für 250.000 Euro ist schneller als ein Kleinwagen für 20.000 Euro. Für den Weg zur Arbeit brauchst du die zusätzliche Leistung meist nicht. Mit demselben Blick solltest du Sprachmodelle betrachten. Die offizielle Grafik zeigt zwar, wie viel Intelligenz du für dein Geld bekommst, aber sie macht nicht klar, wie viel du für den letzten Leistungsschub tatsächlich bezahlst.
Drei Schwächen der offiziellen Kostenachse
Die erste Schwäche ist die logarithmische Skala auf der Kostenachse. Eine logarithmische Darstellung ist die einzige Möglichkeit, auf einem einzigen Plot Modelle für 0,015 Dollar pro Aufgabe und Modelle für 3,69 Dollar pro Aufgabe zu zeigen. Der Preisunterschied zwischen diesen beiden Punkten liegt bei fast dem 250-Fachen. Auf der logarithmischen Achse wirken die Abstände zwischen den billigen Modellen aber genauso groß wie zwischen billigen und teuren. Jedes Gefühl dafür, wie extrem die Spannweite tatsächlich ist, geht verloren.
Der zweite Kritikpunkt betrifft die Preisquelle. ArtificialAnalysis verwendet die offiziellen Preise, die die Modellentwickler für ihre eigenen API-Angebote nennen. Bei vielen Modellen ist das in Ordnung, bei Open-Weight-Modellen führt es in die Irre. Open-Weight-Modelle sind Sprachmodelle, deren Gewichte offen heruntergeladen und weitergegeben werden dürfen. Für genau dieselben Modelle gibt es auf Plattformen wie OpenRouter oft deutlich günstigere Anbieter. Imperiale weist darauf hin, dass sich über OpenRouter viele Anbieter vergleichen lassen und du ohne großen Aufwand den günstigsten Preis für dieselbe Modellqualität bekommst.
Die dritte Schwäche betrifft lokale Modelle. Modelle, die auf einem eigenen Rechner laufen können, statt in einem Rechenzentrum. In der offiziellen Grafik erscheinen solche Modelle mit den Preisen, die ein Rechenzentrum für ihre Nutzung verlangen würde. Ein lokales Modell auf Consumer-Hardware ist über eine API aber oft so teuer, dass niemand es dort sinnvoll nutzen würde. Für reale Nutzerinnen und Nutzer ist der Rechenzentrumspreis nicht die relevante Zahl. Entscheidend sind die Stromkosten und die Anschaffungskosten der Hardware.
So sehen die korrigierten Diagramme aus
Imperiale hat daher die Daten von ArtificialAnalysis genommen und eigene Diagramme erstellt. In diesen Plots hat er die x-Achse von einer logarithmischen auf eine lineare Skala umgestellt. Dadurch wird sofort sichtbar, dass ein Modell für 3,69 Dollar pro Aufgabe in einer völlig anderen Preisklasse liegt als eines für 0,49 Dollar. Der Log-Maßstab hatte diesen Unterschied vorher weichgezeichnet.
Zusätzlich hat er bei mehreren Modellen die Preise durch günstigere Angebote von OpenRouter ersetzt. Das betrifft unter anderem Modelle wie Kimi K3, DeepSeek V4 Flash oder GLM-5.3. Für GLM-5.3-Flash hat er einen Punkt extrapoliert, weil die vorhandenen Benchmarks mit unterschiedlichen Denkstufen gemessen wurden. Ein weiteres Modell, Ornith-1.5-35B-A3B, hat er aufgenommen, obwohl dessen Intelligenzwert auf selbst berichteten Benchmarks der Entwickler beruht. In seinem Beitrag empfiehlt er, diesen Wert mit Skepsis zu betrachten.
Die Intelligenzachse in seinen Diagrammen liest sich so: Ein Punkt Unterschied ist für die meisten Nutzer kaum spürbar. Erst ein Unterschied von rund fünf Punkten macht eine spürbare Qualitätsdifferenz aus. Die Grafiken zeigen außerdem den Bereich, in dem Modelle extrem billig werden. Dieser Bereich liegt auf seinen Plots deutlich sichtbar unten links. Wer in diese Ecke hineinzoomt, findet Modelle, die so klein sind, dass sie heute sogar auf einem Smartphone laufen könnten.
Bei den besonders kleinen Modellen hat Imperiale die Kosten nicht über einen Rechenzentrumspreis berechnet, sondern über den Stromverbrauch bei lokaler Ausführung. Diese Modelle sind in seinen Diagrammen mit einem Blitzsymbol markiert. Der Vergleich zeigt: Sobald ein Modell auf eigener Hardware laufen kann, lohnt sich die Rechenzentrumsperspektive nicht mehr. Dann zählt vor allem, wie lange das Modell für eine Aufgabe braucht und wie viel Energie es dafür verbraucht.
Was lokal laufende Modelle wirklich kosten
Für seine lokale Kostenrechnung hat der Autor grobe Schätzungen verwendet. Er nimmt die Anzahl der Ausgabe-Token pro Aufgabe von ArtificialAnalysis. Dazu misst er die Decode-Geschwindigkeit auf lokaler Hardware, meist einer RTX 3090 von 2020, die heute gebraucht für etwa 1.400 Dollar zu haben ist. Aus der Differenz zwischen Spitzen- und Leerlauf-Leistungsaufnahme errechnet er den zusätzlichen Energiebedarf. Den Strompreis setzt er mit 0,2049 Dollar pro Kilowattstunde an, dem durchschnittlichen US-Haushaltsstrompreis von Mai 2026. Dazu kommen pauschal 15 Prozent für ungecachte Eingabe-Token und Wartezeiten bei Tool-Aufrufen.
Die Hardware selbst rechnet er bei kleinen Modellen mit null Euro, weil ein Rechner mit 64 Gigabyte Arbeitsspeicher oder eine RTX 3090 ohnehin ein brauchbares Arbeits- oder Gaming-Gerät ist. Für die meisten Menschen ist das keine reine KI-Investition. Bei dieser Berechnung fällt auf, dass der Unterschied zwischen verschiedenen lokalen Geräten nicht sehr groß ist. Ein Gerät mit weniger Leistungsaufnahme ist langsamer, arbeitet also länger an derselben Aufgabe. Am Ende gleichen sich die Stromkosten weitgehend an.
Diese Logik endet allerdings, sobald du deutlich mehr als 64 Gigabyte Arbeitsspeicher brauchst. Dann wird der Rechner zu einem Spezialwerkzeug, das die meisten Menschen ohne KI nicht anschaffen würden. Größere lokale Modelle sind also deutlich teurer als ihre Stromrechnung vermuten lässt. Imperiale hat die Hardwarekosten für diese Modelle deshalb extra aufgelistet:
| Arbeitsspeicher | Hardware | Modelle |
|---|---|---|
| 128 GB | Strix Halo (3.600 Dollar), DGX Spark (4.300 Dollar), Mac Studio M5 Max (5.100 Dollar), MacBook Pro M5 Max (7.150 Dollar) | Qwen3.8-Flash, GLM-5.3-Flash, DeepSeek-V4-Flash |
| 256 GB | 2x DGX Spark (8.700 Dollar), Mac Studio M5 Ultra (11.300 Dollar) | GLM-5.3-Flash, DeepSeek-V4-Flash |
| 512 GB | 2x Mac Studio M5 Ultra (22.600 Dollar) | GLM-5.3 |
| 2 TB | 2x TensTorrent Galaxy Blackhole (320.000 Dollar) | Kimi K3 |
Modelle der 120-Milliarden-Parameter-Klasse laufen auf einem 128-GB-Strix-Halo zwar noch, aber die Hardware ist mit 3.600 Dollar deutlich teurer als ein normales Alltagsgerät. In seinem Diagramm hat Imperiale diese Modelle deshalb sowohl mit Rechenzentrumspreis als auch mit lokalen Stromkosten gezeigt. Beide Werte täuschen aber darüber hinweg, dass die eigentliche Hürde nicht die laufenden Kosten sind, sondern der einmalige Hardwarepreis.
Was die neuen Diagramme für die Praxis bedeuten
Die zentrale Erkenntnis aus Imperiales Diagrammen ist eine enorme Preisspanne zwischen den teuersten und den günstigsten Modellen. Modelle von Anthropic oder OpenAI sind inzwischen so teuer, dass selbst große Unternehmen genau rechnen müssen. Chinesische Modelle mit fast vergleichbarer Intelligenz kosten so wenig wie ein Mobilfunkvertrag. Auf der Intelligenzskala sind die Unterschiede da, aber der Preisunterschied ist in vielen Fällen unverhältnismäßig.
Ein Beispiel macht das deutlich: Fable 5.1 erreicht einen Intelligenzwert von 66 und kostet 3,69 Dollar pro Aufgabe. GLM-5.3 erreicht 60 Punkte und kostet 0,49 Dollar pro Aufgabe, also etwa 7,5-mal weniger. Der Unterschied zwischen diesen beiden Modellen ist vor allem für sehr anspruchsvolle Nutzer spürbar. Wer ein komplexes System entwickelt, wird die Differenz vielleicht bemerken. Für die meisten Menschen ist sie nicht erkennbar und nicht relevant.
Gehst du noch eine Stufe tiefer, findest du GLM-5.3-Flash mit hohen Denk-Einstellungen. Das Modell erreicht 55 Intelligenzpunkte und kostet mit 0,023 Dollar pro Aufgabe rund 160-mal weniger als Fable. Es wird sichtbar schwächer, wenn du ihm sehr komplexe Aufgaben stellst, etwa ein komplettes Softwareprojekt auf einmal umzusetzen. Für 90 Prozent der alltäglichen Aufgaben reicht dieses Modell locker aus.
Noch weiter unten beginnt der Bereich, in dem du nicht einmal mehr eine API brauchst. Ein Modell wie Qwen3.8-27B erreicht 52 Intelligenzpunkte und kostet in der lokalen Ausführung nur etwa 0,015 Dollar Strom pro Aufgabe. Das Modell läuft auf einem Rechner, den ein Enthusiast mit Gaming-Hardware ohnehin besitzt. Die Kosten sinken also nicht gleichmäßig mit der Intelligenz. Sie fallen dramatisch, sobald du bereit bist, mit einem etwas kleineren Modell zu arbeiten.
Die Plots von Guido Imperiale ersetzen keine eigenen Tests, aber sie helfen dir, die richtigen Fragen zu stellen. Bevor du ein teures KI-Modell in einen Workflow einbaust, solltest du wissen, welche Intelligenz deine Aufgabe wirklich braucht und was eine einzelne Aufgabe kostet. Nicht das teuerste Modell ist das beste, sondern das günstigste, das die Aufgabe zuverlässig löst. Pareto-Frontier heißt: Nimm nicht mehr, als du brauchst. Diese Haltung führt am Ende zu deutlich niedrigeren Kosten und einem klaren Blick auf den tatsächlichen Nutzen.
Quelle: openteams.com
