Konditionen-Benchmark KI-Anbieter.

„Was zahlen andere für die gleichen KI-Leistungen?“ ist eine der häufigsten Fragen in Beratungsgesprächen. Sie ist berechtigt. Ohne einen Anhaltspunkt, was am Markt üblich ist, verhandelt jeder Mittelständler im Blindflug — und überlässt dem Anbieter die Definition dessen, was als „faires Angebot“ gilt. Die Antwort auf die Frage ist allerdings unangenehm: Es gibt keine veröffentlichten Benchmarks für KI-Konditionen, die der Realität standhalten. Anbieter veröffentlichen Listenpreise, aber die echten Vertragspreise sind individuell verhandelt und vertraulich. Beratungshäuser kennen viele Verträge, dürfen sie aber nicht öffentlich machen. Branchenverbände publizieren gelegentlich Umfragen, die statistisch fragwürdig sind, weil die Rücklaufquote zu klein ist und Zahlen nicht vergleichbar erhoben werden. Und doch lässt sich mit etwas Disziplin ein belastbares Bild des eigenen Anbietermarkts zeichnen — wenn man die richtigen Vergleichsdimensionen sucht, statt sich an einzelnen Preispunkten festzuklammern. Dieser Überblick zeigt, wie ein solcher Benchmark seriös aufgebaut wird, welche Daten verfügbar sind und welche Vergleiche regelmäßig in Apfel-und-Birne-Logik landen.

Warum klassische Preisvergleiche bei KI scheitern.

Klassische Einkaufsbenchmarks vergleichen identische Leistungen über mehrere Anbieter. Stahlpreise je Tonne, IT-Lizenzpreise pro Nutzer, Beratungsstundensätze. Diese Logik bricht bei KI zusammen, sobald man genauer hinschaut. Die Listenpreise sind formal vergleichbar — vier Cent pro 1.000 Token hier, sechs Cent dort — aber sie messen unterschiedliche Dinge.

Ein Token bei Anbieter A entspricht nicht einem Token bei Anbieter B. Die Tokenisierung ist anbieterspezifisch. Ein deutscher Satz wird bei OpenAI anders zerlegt als bei Anthropic oder Google. Schon bei diesem ersten Schritt entsteht eine Verzerrung von 15 bis 30 Prozent. Wer Preise pro Token vergleicht, vergleicht unterschiedliche Mengen.

Hinzu kommt die Modellqualität. Ein günstigeres Modell, das für eine konkrete Aufgabe schlechtere Ergebnisse liefert, ist nicht günstiger, sondern teurer pro nutzbarem Output. Wenn Anbieter A doppelt so viele Nachfragen erzeugt wie Anbieter B, ist der Token-Preis nur die halbe Geschichte. Der relevante Vergleich ist „Kosten pro erfolgreich erledigter Aufgabe“, nicht „Kosten pro Token“. Das verlangt eine andere Methodik als der klassische Einkaufsbenchmark.

Die drei Vergleichsdimensionen, die wirklich tragen.

Ein belastbarer Benchmark vergleicht Anbieter entlang von drei Dimensionen. Wer eine davon weglässt, kommt zu falschen Schlüssen.

Die effektiven Stückkosten misst man, indem man typische Anwendungsfälle des eigenen Unternehmens nimmt — etwa „eine Kundenmail klassifizieren und einen Antwortentwurf schreiben“ — und sie bei mehreren Anbietern durchspielt. Die Token-Verbräuche und resultierenden Kosten werden pro Anwendungsfall verglichen. Das ergibt eine realitätsnähere Zahl als der Listenpreis.

Die Qualitäts-Performance wird über eigene Test-Cases gemessen. Zehn bis dreißig repräsentative Aufgaben mit bekannten Soll-Ergebnissen reichen, um eine erste Tendenz zu bekommen. Wer das systematisch aufsetzt, kann jedes neue Modell innerhalb eines Tages bewerten.

Die vertragliche Substanz lässt sich nicht in eine Zahl gießen, ist aber oft der entscheidende Faktor. Datenresidenz, No-Training-Garantien, Modellzugang, SLA-Niveaus — diese Konditionen unterscheiden sich teils gravierend zwischen den Anbietern.

Wie sich verfügbare Datenquellen sinnvoll kombinieren lassen.

Es gibt mehrere Datenquellen, die sich zu einem belastbaren Marktbild zusammensetzen lassen. Keine davon reicht allein, aber die Kombination ergibt eine brauchbare Basis.

Erstens: Die Listenpreise der Anbieter selbst. Sie sind die untere Vergleichsbasis. Wer mehr zahlt als der Listenpreis, hat schlecht verhandelt. Wer weniger zahlt, hat gut verhandelt. Diese Spannweite ist der Verhandlungsraum.

Zweitens: Branchenstudien und Analystenreports. Unternehmen wie Gartner, Forrester oder IDC veröffentlichen regelmäßig Schätzungen zu durchschnittlichen Vertragspreisen. Diese Zahlen sind methodisch nicht hieb- und stichfest, geben aber Orientierung über Größenordnungen — etwa für „durchschnittliche Enterprise-Lizenz pro Nutzer und Monat“.

Drittens: Beratungshäuser und Einkaufsberater. Wer Mandate über mehrere Mandanten hinweg sieht, hat ein verlässliches Marktbild — auch wenn er keine konkreten Verträge nennen darf. In Beratungsprojekten zeigt sich regelmäßig, dass eine zweistündige Diskussion mit einem erfahrenen Berater mehr Orientierung gibt als wochenlanges Eigenrecherchieren. Die Frage ist nicht „Was zahlt Mandant X?“, sondern „In welchem Korridor sind Verträge dieser Größenordnung üblicherweise abgeschlossen?“

Viertens: Peer-Netzwerke. Ein offenes Gespräch mit zwei oder drei Geschäftsführern aus vergleichbaren Unternehmen — nicht Wettbewerbern, sondern thematischen Nachbarn — liefert oft die ehrlichsten Anhaltspunkte. Die Bereitschaft, über KI-Kosten zu sprechen, ist erstaunlich hoch, sobald man als Erster offen Zahlen nennt.

Anwendungsfall-Benchmark: das eigene Profil messen.

Der wertvollste Benchmark ist nicht der Marktdurchschnitt, sondern der eigene Vergleich. Wer eine Hand voll repräsentativer Anwendungsfälle definiert und an mehreren Anbietern durchspielt, gewinnt eine Vergleichsbasis, die für die eigene Realität gilt — nicht für die eines fiktiven Durchschnittsunternehmens.

Praktisch geht das in drei Schritten. Erstens: Fünf bis zehn typische Aufgaben aus dem Echtbetrieb sammeln. Eine Kundenmail beantworten, ein technisches Dokument zusammenfassen, eine Klausel aus einem Liefervertrag extrahieren, eine Excel-Tabelle in einen Bericht überführen. Diese Aufgaben werden zu einem stabilen Test-Set, das mit jedem neuen Modell und jedem neuen Anbieter durchgespielt wird.

Zweitens: Für jede Aufgabe wird der durchschnittliche Token-Verbrauch und die Antwortqualität gemessen. Die Qualität bewertet ein erfahrener Mitarbeiter auf einer einfachen 1-bis-5-Skala. Der Token-Verbrauch wird automatisch erfasst.

Drittens: Die Ergebnisse werden in eine kleine Matrix übertragen — Anbieter mal Aufgabe, mit Kostenwert und Qualitätsbewertung. Diese Matrix ist die belastbarste Verhandlungs- und Entscheidungsgrundlage, die ein Mittelständler bekommen kann. Sie zeigt nicht „was üblich ist“, sondern „was für uns funktioniert“. Wer die Mühe macht, diese Matrix einmal aufzubauen und alle sechs Monate zu aktualisieren, hat einen strukturellen Vorteil bei jeder Konditionenverhandlung.

Was an scheinbar günstigen Anbietern oft nicht stimmt.

Wer den Markt für günstige KI-Anbieter scannt, stößt regelmäßig auf Provider mit überraschend niedrigen Preisen — 30 bis 60 Prozent unter den großen Häusern. Die Versuchung ist groß. Bevor man umsteigt, lohnt ein kritischer Blick auf vier wiederkehrende Muster, die in der Beratungspraxis regelmäßig sichtbar werden.

• Datentraining im Hintergrund: Manche günstigen Anbieter finanzieren sich teilweise durch das Training auf Kundendaten. Wer das vertraglich nicht ausschließt, gibt seine Daten ab. In regulierten Branchen ist das ein K.O.-Kriterium.
• Eingeschränkte Modellqualität: Günstige Modelle sind oft kleinere oder ältere Modelle. Sie funktionieren bei einfachen Aufgaben gut, fallen aber bei komplexen Ableitungen oder branchenspezifischen Inhalten deutlich ab. Der Stückpreis ist niedriger, aber die Erfolgsrate auch.
• Versteckte Kosten: Niedrige Token-Preise werden manchmal durch hohe API-Gebühren, Mindestabrufe oder Mindest-Tier-Preise relativiert. Wer nur den Token-Preis vergleicht, übersieht das.
• Operatives Risiko: Kleinere Anbieter mit unklarer Finanzierung können verschwinden. Wer dann Produktivsysteme darauf gebaut hat, hat ein größeres Problem als die Ersparnis der letzten 24 Monate.

Das heißt nicht, dass günstige Anbieter grundsätzlich unbrauchbar sind. Es heißt nur, dass der Stückpreis ein schlechter alleiniger Indikator ist. Die Total Cost of Ownership inklusive Risiko ist die ehrlichere Größe.

Häufige Fehler beim eigenen Benchmark.

Bei vielen mittelständischen Unternehmen entstehen Benchmark-Übungen, die methodisch falsch aufgesetzt sind und in der Verhandlung wenig Wert haben. Drei Fehler treten besonders häufig auf.

Der erste Fehler ist der Listenpreis-Vergleich. Eine Tabelle mit den öffentlichen Token-Preisen von vier Anbietern erstellen, den niedrigsten als Benchmark setzen und damit in die Verhandlung gehen. Das funktioniert nicht. Die Anbieter wissen, dass jeder ihrer Wettbewerber auch verhandelt, und akzeptieren keinen Listenpreis-Vergleich als Verhandlungsbasis. Wer so argumentiert, wirkt unprofessionell.

Der zweite Fehler ist die fehlende Qualitätsdimension. Ein günstiger Preis pro Token sagt nichts über die Wertschöpfung. Wer das nicht misst, kann sich für den falschen Anbieter entscheiden — und die Einsparung am Token-Preis durch höhere Fehlerquoten und Nacharbeit wieder verlieren.

Der dritte Fehler ist die Vernachlässigung der nicht-preislichen Konditionen. Ein 20 Prozent günstigerer Anbieter ohne EU-Datenresidenz ist im regulierten Mittelstand nicht günstiger, sondern unbrauchbar. Wer das erst im Audit merkt, hat ein größeres Problem als ein verlorenes Prozent. Diese Konditionen gehören in jeden ernsthaften Benchmark.

Wo Benchmarking an Grenzen stößt.

So nützlich ein eigener Konditionenbenchmark ist — er hat Grenzen, die man kennen sollte. Erstens: Der Markt verändert sich schnell. Ein Benchmark, der vor sechs Monaten gültig war, kann heute falsch sein. Neue Modelle, neue Anbieter, neue Preismodelle verschieben das Bild kontinuierlich. Wer einen Benchmark nicht regelmäßig aktualisiert, arbeitet mit veralteten Annahmen.

Zweitens: Vergleichsdaten sind selten exakt. Selbst wenn man durch Beratungshäuser, Peer-Netzwerke und eigene Messungen ein Bild aufbaut, bleibt eine Restunsicherheit von 15 bis 25 Prozent. Das ist nicht schlimm, sollte aber transparent kommuniziert werden. Wer in der Verhandlung mit Pseudo-Genauigkeiten argumentiert, verliert Glaubwürdigkeit.

Drittens: Strategische Konditionen sind nicht benchmark-fähig. Wenn ein Anbieter im Rahmen eines strategischen Co-Investments deutlich günstigere Preise gibt, gilt das nur für die eine Konstellation. Solche Sonderkonditionen darf man nicht als Marktpreis missverstehen.

Viertens: Der Benchmark sagt nichts über die richtige Architekturentscheidung. Wer für jeden Anwendungsfall den günstigsten Anbieter wählt und das System aus zehn verschiedenen Anbietern zusammensetzt, baut sich einen Wartungsalbtraum. Konsolidierung auf zwei oder drei Anbieter ist oft auch dann sinnvoll, wenn der Benchmark eine kleinere Lösung suggeriert.

Was Geschäftsführer aus einem Benchmark mitnehmen sollten.

Ein Konditionenbenchmark ist kein Selbstzweck. Er dient drei Entscheidungen, die sich klar formulieren lassen. Erstens: Soll der aktuelle Hauptanbieter behalten oder gewechselt werden? Wenn der Benchmark zeigt, dass die eigenen Konditionen 20 bis 30 Prozent über dem Marktniveau liegen und der Anbieter in der Nachverhandlung nicht entgegenkommt, ist ein Wechsel zu erwägen.

Zweitens: Wie aggressiv kann in der nächsten Verhandlungsrunde nachgefragt werden? Ein belastbarer Benchmark gibt die Bandbreite vor. Wer weiß, dass der untere Bereich realistisch ist, verhandelt selbstbewusster. Wer es nicht weiß, gibt sich mit dem ersten Angebot zufrieden.

Drittens: Welche nicht-preislichen Konditionen sind im Markt mittlerweile Standard und sollten daher auch im eigenen Vertrag stehen? Die Frage „Was wäre marktüblich?“ ist oft wertvoller als „Was wäre günstig?“. Wer Standardkonditionen wie EU-Hosting, No-Training und definierte SLA nicht im Vertrag hat, hat einen substanziellen Mangel — unabhängig vom Preis.

Ein pragmatischer Einstieg: Ein einseitiges Benchmark-Memo erstellen, das den aktuellen Anbieter, die eigenen Konditionen, drei marktrelevante Alternativen und die wichtigsten Vertragsdetails gegenüberstellt. Diese Übung kostet zwei bis drei Tage Arbeit und ist die Grundlage für jede ernsthafte Diskussion mit dem aktuellen Anbieter — und für jede Entscheidung über einen möglichen Wechsel.

Sie wollen Ihre KI-Konditionen seriös einordnen, bevor Sie neu verhandeln? Unverbindlich anfragen — wir bauen gemeinsam einen Mini-Benchmark für Ihre konkreten Anwendungsfälle und Anbieter.