Die meisten Listen nach dem Muster „Senken Sie Ihre LLM-Rechnung um 70 %“ mischen gute Ratschläge mit Zahlen, die niemand gemessen hat. Diese Checkliste ist danach sortiert, was Sie zuerst tun sollten, und jede Zahl stammt aus einer Preisdatei oder aus der Dokumentation des jeweiligen Anbieters. Wo es zu einem Schritt einen ausführlicheren Beitrag auf dieser Website gibt, ist er verlinkt. Die Preise von BroadNet unten stammen aus seiner Preisdatei, synchronisiert am 2026-11-14.
Was bestimmt die Rechnung einer LLM-API?
Vier Zahlen entscheiden fast jede Rechnung:
- Neue Input-Tokens. Der Prompt, abzüglich des Teils, der aus dem Cache gelesen wird.
- Gecachte Input-Tokens. Das wiederholte Präfix, zu einem niedrigeren Tarif abgerechnet.
- Output-Tokens. Die Antwort, bei Thinking-Modellen zuzüglich Reasoning-Tokens.
- Anzahl der Anfragen. Jeder Aufruf, auch jeder Retry, wird einzeln abgerechnet.
Output ist die teure Einheit. Bei den Chat-Modellen von BroadNet, pro 1 Mio. Tokens:
| Modell | Input | Gecachter Input | Output |
|---|---|---|---|
| DeepSeek V4.1 Flash | $0.175 | $0.0055 | $0.52 |
| Qwen3.8 27B | $0.175 | $0.0435 | $2.17 |
| GLM 5.3 | $0.78 | $0.173 | $3.46 |
| Gemma 4 VL 26B | $0.10 | nicht veröffentlicht | $0.22 |
Die Hebel sind also: weniger neue Tokens senden, mehr aus dem Cache lesen, weniger generieren und weniger Aufrufe machen. Wie die Preise von LLM-APIs funktionieren erklärt jede Einheit im Detail.
Die Checkliste im Überblick
| Schritt | Was Sie ändern | Senkt | Aufwand |
|---|---|---|---|
| 1. Messen | Nur Logging | Noch nichts; zeigt, wo Sie kürzen können | Gering |
| 2. Präfix cachen | Reihenfolge im Prompt | Input-Preis | Gering |
| 3. Prompt kürzen | Inhalt des Prompts | Input-Tokens | Mittel |
| 4. Output und Reasoning deckeln | Anfrage-Einstellungen | Output-Tokens | Gering |
| 5. Passendes Modell wählen | Modellwahl | Alle Preise | Mittel |
| 6. Bündeln oder verlagern | Zeitplanung | Preis pro Token, wo angeboten | Mittel |
| 7. Antworten cachen | App-Code | Ganze Anfragen | Mittel |
| 8. Retries und Schleifen begrenzen | App-Code | Verschwendete Anfragen | Gering |
| 9. Ausgabenlimits setzen | Konto und Schlüssel | Ausufernde Rechnungen | Gering |
| 10. Break-even der Flatrate prüfen | Abrechnungsmodell | Gesamtrechnung bei hohem Volumen | Gering |
1. Warum messen, bevor Sie irgendetwas kürzen?
Weil die Rechnung die Ursache verbirgt. Zwei Anfragen, die gleich aussehen, können sich in den Tokens um das Zehnfache unterscheiden. Jede Chat Completion liefert einen usage-Block mit prompt_tokens, completion_tokens und, sofern der Anbieter sie meldet, den gecachten Tokens. Loggen Sie diese Werte pro Feature und pro Nutzer, ohne den Prompt-Text. Nach einer Woche wissen Sie, welches Feature am meisten kostet und ob es am Input, an Cache-Misses oder am Output liegt.
Nutzungs-Logging mit geschwärzten personenbezogenen Daten zeigt ein Log-Schema. Um ein Feature vor dem Release zu kalkulieren, nutzen Sie den LLM-API-Kostenrechner oder die Methode aus Kosten vor dem Launch schätzen.
2. Wie senkt Prompt Caching die Kosten?
Anbieter cachen den Anfang eines Prompts, der sich exakt wiederholt. Der nächste Aufruf liest dieses Präfix zum Cache-Preis. OpenAI aktiviert Caching für unterstützte Modelle standardmäßig, ab 1.024 Tokens, und schreibt, gecachter Input sei „discounted up to 95%“ (Übersetzung: „um bis zu 95 % rabattiert“; geprüft am 2026-11-15). Bei BroadNet berechnet DeepSeek V4.1 Flash gecachten Input mit $0.0055 pro 1 Mio., neuen Input mit $0.175.
Die Regel: Statisches zuerst, Veränderliches zuletzt. Erst der System-Prompt, dann die Tool-Schemas, dann gemeinsame Dokumente, dann der Verlauf, dann die neue Frage. Ein Zeitstempel oder eine neu gemischte Tool-Liste am Anfang macht den Cache für alles Folgende ungültig.
- Gecachte Input-Tokens erklärt, mit Hinweisen, wie Sie sie in der Antwort ablesen.
- Prompts so strukturieren, dass das Präfix gecacht wird.
- Modellieren Sie Ihre eigene Trefferquote im Prompt-Caching-Rechner.
3. Welche Kürzungen am Prompt sind unbedenklich?
Streichen Sie, was das Modell nicht nutzt. Typische Kandidaten: lange System-Prompts in Fließtext, mehr Few-Shot-Beispiele als die Aufgabe braucht, Tool-Schemas für Tools, die der Schritt nie aufruft, ausführliches JSON, wo eine kompakte Tabelle reichen würde, und der vollständige Chatverlauf, wo eine Zusammenfassung genügen würde. Auch Retrieval ufert gern aus: Zehn Chunks zu senden, wenn zwei die Frage beantworten, ist ein Kosten- und ein Qualitätsproblem.
Testen Sie jede Kürzung mit einem festen Satz von Eingaben, damit ein günstigerer Prompt nicht unbemerkt Antworten verschlechtert. Prompt-Tokens reduzieren enthält gemessene Einsparungen für jeden dieser Punkte. Auch die Sprache spielt eine Rolle: Arabischer Text braucht bei den meisten Tokenizern mehr Tokens pro Wort als Englisch; siehe Tokens pro Wort: Arabisch vs. Englisch.
4. Wie deckeln Sie Output und Reasoning?
Fordern Sie weniger an, und setzen Sie eine Grenze. Verlangen Sie JSON-Felder statt Fließtext, eine Wortgrenze statt „erkläre“ und keine Wiederholung der Frage. Setzen Sie dann max_tokens, damit eine ausufernde Antwort stoppt.
Thinking-Modelle brauchen Sorgfalt. Laut der Dokumentation von BroadNet zählt Reasoning zu max_tokens, ein niedriger Wert kann also eine leere Antwort liefern. Bleiben Sie bei 1.000 Tokens oder mehr und setzen Sie reasoning_effort bei einfachen Schritten auf low. Bei Schlüsseln mit Abrechnung pro Token wird Reasoning als Output berechnet. Reasoning-Tokens: warum Sie für mehr zahlen, als Sie sehen und die Lösung für leere Antworten behandeln beide Seiten.
5. Wie wählen Sie ein günstigeres Modell, ohne Qualität zu verlieren?
Vergleichen Sie die Kosten pro erfolgreicher Aufgabe, nicht den Preis pro Token. Stellen Sie 50 bis 100 echte Eingaben mit erwarteten Ausgaben zusammen, lassen Sie jeden Kandidaten laufen und teilen Sie die Ausgaben durch die bestandenen Fälle. Ein Modell, das pro Token günstiger ist, aber in einem Drittel der Fälle scheitert, kann mehr kosten, sobald Sie Retries und manuelle Prüfung mitrechnen.
Prüfen Sie zuerst die Features. Bei BroadNet sind Tools und strukturierte Ausgabe nur für GLM 5.3 und Qwen3.8 27B dokumentiert. Gemma 4 VL 26B ist das kleinere Text-und-Bild-Modell von BroadNet; prüfen Sie seinen Preis in der Tabelle oben für einfache Aufgaben. Viele Apps nutzen für leichte Schritte ein kleines Modell und für schwierige ein größeres; welches Modell, entscheiden Sie in Ihrem eigenen Code. Wie Sie ein LLM vor dem Wechsel evaluieren liefert einen Testplan.
Warten Sie nicht darauf, dass Ihr aktuelles Modell günstiger wird. Anbieter senken den Preis eines bestehenden Modells selten; Einsparungen kommen meist mit einer neuen Version. Siehe Preisverlauf der APIs von OpenAI, Anthropic und Google und die größten Preissenkungen bei LLM-APIs.
6. Können Sie aufschiebbare Arbeit bündeln oder verlagern?
Wo der Anbieter es anbietet, ja, und die Rabatte sind groß. Alles geprüft am 2026-11-15:
| Anbieter | Rabatt | Haken |
|---|---|---|
| OpenAI Batch API | 50 % gegenüber synchronen Aufrufen | Fertig innerhalb von 24 Stunden; eigene Rate Limits |
| Anthropic Message Batches API | 50 % | Asynchron; die meisten Batches sind in unter einer Stunde fertig |
| DeepSeek API, Off-Peak | Off-Peak-Tarife kosten die Hälfte der Spitzenzeit-Tarife | Spitzenzeiten sind 01:00 bis 04:00 und 06:00 bis 10:00 UTC, Montag bis Freitag |
BroadNet Inference hat weder eine Batch API noch Off-Peak-Preise. Nächtliche Jobs auf BroadNet lassen Sie über einen fortsetzbaren Runner auf dem normalen Endpoint laufen, innerhalb der Limits Ihres Schlüssels. LLM-Batch-Verarbeitung ohne Batch API enthält den Code. Läuft der Job stundenlang, kann eine Flatrate-Session weniger kosten als die Tokens (Schritt 10).
7. Wann sollten Sie ganze Antworten cachen?
Wenn dieselbe Frage mit denselben Eingaben erneut ankommt. FAQ-Bots, die Klassifizierung wiederkehrender Einträge und das erneute Ausführen einer Pipeline nach einem Absturz wiederholen alle Arbeit. Ein Exact-Match-Cache mit Modell, Prompt und Einstellungen als Schlüssel liefert die gespeicherte Antwort und spart den Aufruf. Setzen Sie ein Ablaufdatum, damit Antworten nicht veralten. LLM-Antworten in Python cachen zeigt eine kleine Implementierung.
8. Wie verschwenden Retries und Schleifen Geld?
Eine wiederholte Anfrage ist eine neue Inferenz und wird bei Schlüsseln mit Abrechnung pro Token erneut berechnet. Wiederholen Sie nur bei 429- und 5xx-Fehlern, mit exponentiellem Backoff und Jitter, und begrenzen Sie die Versuche. Wiederholen Sie nie einen 400: Dieselbe fehlerhafte Anfrage scheitert auf dieselbe Weise.
Agenten bringen ein zweites Risiko mit: eine Schleife, die das Modell immer wieder aufruft. Begrenzen Sie die Schritte pro Aufgabe und brechen Sie ab, wenn sich derselbe Tool-Aufruf wiederholt. 429-Fehler behandeln und 10 Wege, die Kosten von Coding-Agenten zu senken behandeln beides.
9. Wie verhindern Sie, dass eine Rechnung aus dem Ruder läuft?
Alarme informieren Sie im Nachhinein. Limits stoppen es. Nutzen Sie ein Prepaid-Guthaben, einen Schlüssel pro App, damit Sie einen widerrufen können, ohne den Rest zu stoppen, und eine IP-Allowlist für Server-Schlüssel. Setzen Sie im Code ein Budget pro Job und brechen Sie ab, wenn es aufgebraucht ist. Ausgabenkontrolle bei LLM-APIs beschreibt die Ebenen, vom Konto bis zur einzelnen Anfrage.
10. Wann schlägt eine Flatrate die Abrechnung pro Token?
Wenn ein Agent den größten Teil des Tages läuft. BroadNet verkauft DeepSeek V4.1 Flash pro Token oder pro Session: Full Moon für $60 im Monat, Orbit für $15 pro Woche oder Meteor für $1 pro Stunde, ohne Token-Zähler. Eine Session verarbeitet eine Anfrage gleichzeitig.
Die Rechenbeispiele von BroadNet zur Abrechnung pro Token:
| Workload | Pro Token im Monat | Günstigere Option |
|---|---|---|
| Nebenprojekt | $14.23 | die Abrechnung pro Token |
| Täglicher Assistent | $42.67 | die Abrechnung pro Token |
| Coding-Agent in Vollzeit | $65.40 | Full Moon |
| Dauerhaft laufender Agent | $196.20 | Full Moon |
Bei 80 % Cache-Treffern und 20 Input-Tokens pro Output-Token liegt der Break-even bei etwa 917 Millionen Input- und 46 Millionen Output-Tokens im Monat. Bei geringer Nutzung bleibt die Abrechnung pro Token günstiger. Die vollständige Break-even-Rechnung, oder probieren Sie Ihre Mengen im Rechner Flatrate vs. Abrechnung pro Token aus.
Welche Schritte sollten Sie auslassen?
Manche beliebten Ratschläge kosten mehr, als sie sparen:
- Prompts komprimieren, bis sie brechen. Die Einsparung beim Input ist dahin, wenn die Antwortqualität sinkt und Nutzer es erneut versuchen.
- Den Verlauf in jeder Runde zusammenfassen. Jede Zusammenfassung ist ein zusätzlicher Aufruf, und sie verändert das Präfix, sodass der Cache verfehlt wird. Fassen Sie selten zusammen und hängen Sie den Rest an.
- Nur dem niedrigsten Preis pro Token hinterherjagen. Rate Limits, fehlende Features und Fehlerquoten verursachen alle zusätzliche Kosten.
- Self-Hosting für einen kleinen Workload. GPUs werden stundenweise abgerechnet, ob sie ausgelastet sind oder nicht. Self-Hosting vs. API-Kosten zeigt, wo der Break-even liegt.
Wo BroadNet Inference hineinpasst
BroadRouter ist die eigene Website von BroadNet; berücksichtigen Sie das beim Lesen dieses Abschnitts. BroadNet Inference ist eine OpenAI-kompatible API mit vier Chat-Modellen, die pro Token abgerechnet werden, gecachtem Input bei dreien davon und einem DeepSeek-V4.1-Flash-Plan zum Festpreis für gleichmäßige Agentennutzung. Es bietet weder eine Batch API noch Off-Peak-Tarife; für große, aufschiebbare Jobs können daher die Batch-Rabatte von OpenAI oder Anthropic oder die Off-Peak-Zeiten von DeepSeek günstiger sein. Neue Konten erhalten $5 Startguthaben, das Gemma 4 VL 26B, beide Transcribe-Modelle und Gemma-Stundenschlüssel abdeckt; DeepSeek, GLM und Qwen erfordern eine Aufladung. Self-Service hat kein SLA. Preise ansehen oder die Pläne vergleichen.
