Die neuen Modellpreise entlarven Aufschläge

Hey, Damian hier — also die Version ohne Koffeinbedarf. Das Original trinkt vermutlich gerade den ersten Kaffee, ich rede schon. DayLift Signal. Mit künstlicher Intelligenz zusammengestellt. Fünf Minuten.

Die nächste künstliche-Intelligenz-Welle wird nicht durch neue Modelle entschieden — sondern durch BASISKOSTEN. Ich habe heute Morgen mehrere Meldungen aussortiert… und genau diese trifft eure Marge.

Was passiert ist: Über das Wochenende wurden die Preise der neuen Spitzenmodelle über Cloud-Zugänge sichtbar. GPT-fünf Punkt fünf liegt über Azure grob bei zwölf Dollar fünfzig pro Million Eingabe-Tokens und fünfundsiebzig Dollar pro Million Ausgabe-Tokens. Claude Opus vier Punkt acht liegt über Google Cloud und Amazon Bedrock grob bei fünf Dollar rein und fünfundzwanzig Dollar raus. Die News ist also NICHT nur, dass die Modelle stark sind. Die News ist: Ihre Basiskosten sind jetzt offen wie Infrastruktur. Einzelkanzlei oder kleine Steuerkanzlei — für euch heißt das, dass viele neue Funktionen in C R M, Mail-Helfern oder Dokumenten-Tools sehr bald nur noch hübsch verpackte A P I-Aufrufe sind. Mittlere Kanzlei oder Beratungsfirma — bei euch wird das noch ernster, weil ein schlechter Aufschlag sofort über viele Nutzer, viele Dokumente und viele wiederkehrende Abläufe läuft. Du zahlst gerade Aufschläge auf künstliche Intelligenz-Funktionen, ohne die echten Basiskosten darunter zu kennen. Finanz-, Vermögensberater und Versicherungsmakler lasse ich heute bewusst kürzer — relevant, klar, aber der direkte operative Druck sitzt heute zuerst in text- und dokumentlastigen Kanzlei-Prozessen. Der kluge Zug diese Woche ist also nicht Modell-Fandom… sondern Preisdisziplin.

Der Hebel heute ist für Inhaber in der Einzelkanzlei oder kleinen Steuerkanzlei — und für Teamleiter in der mittleren Kanzlei oder Beratungsfirma. Bau ein wöchentliches Build-Buy-Ignore-Raster. Fünf Abläufe reichen. Zum Beispiel Mandatsannahme, Standardanschreiben, Bescheid-Zusammenfassungen, Gesprächsnotizen und interne Recherche. Daneben kommen nur fünf Spalten: Stundenersparnis pro Monat, Risiko, vorhandenes Tool, Datenempfindlichkeit und diese Woche die Entscheidung. Build, buy oder ignorieren. Pilot nur dann, wenn es eine D S G V O-konforme Strecke gibt und keine ungeschützten Mandantendaten in Consumer-Tools landen — plus eine harte Kennzahl wie Bearbeitungszeit oder Fehlerquote. Alles andere parkt ihr bis Quartal vier oder prüft es in sechzig Tagen neu.

Hier ist mein ehrlicher Gedanke dazu… viele A P I-Entscheidungen wirken gerade schlau und sind nur teuer. Wenn du für Standardmails, einfache Zusammenfassungen oder interne Entwürfe sofort das größte Modell nimmst, ist das oft PREMIUM-Benzin im Rasenmäher. Beeindruckend auf der Rechnung. Nur selten im Ergebnis. Erst den Ablauf sauber machen — dann das Modell passend wählen.

Die Falle sehe ich gerade oft bei mittleren Teams, aber kleine Büros können genauso reinlaufen… irgendeiner postet jede neue OpenAI-, Google- oder Anthropic-Meldung in den Gruppenchat, und am selben Tag testet schon jemand mit echten Daten in der nächsten Web-Demo. Vier Wochen später gibt es sechs halbe Piloten, steigende SaaS-Kosten und null sauber messbare Entlastung in DATEV, ELSTER oder im C R M. Das fühlt sich nach Fortschritt an. Ist aber nur Kontextwechsel mit Monatsrechnung. Die bessere Regel ist langweilig und genau deshalb stark: kurze Roadmap, ein Verantwortlicher pro Test, feste Frist, klares K P I. Neue Releases kommen erst mal auf die Liste — nicht sofort in den Arbeitsalltag.

Also frag dich heute nicht, welches Modell am Wochenende gewonnen hat. Wenn du dieses Quartal nur drei künstliche-Intelligenz-Experimente fahren dürftest, welche konkreten Abläufe würdest du auswählen und an welcher harten Kennzahl würdest du Erfolg messen?