OpenAI senkt API-Preise um 80 %: Was ändert sich 2026?

OpenAI senkt den Preis um 80 %: Der komplette 2026-Guide zu günstigeren AI-APIs

OpenAI hat am 30. Juli 2026 den Preis für GPT-5.6 Luna um 80 % gesenkt – von 1 $/6 $ auf nur noch 0,20 $ pro Million Input-Token und 1,20 $ pro Million Output-Token. Bei Terra gab es eine Preissenkung um 20 % auf 2 $ pro Million Input-Token und 12 $ pro Million Output-Token, und Luna wurde eben um 80 % billiger, auf 20 Cent pro Million Input-Token und 1,20 $ pro Million Output-Token. Wichtig dabei: Die groß angekündigten 80 % gelten nur für eine bestimmte Stufe, nicht für die gesamte Modellpalette – wie viel du wirklich sparst, hängt also davon ab, welches Modell du tatsächlich nutzt.

Wenn du mit OpenAI entwickelst, dafür bezahlst oder dein Budget danach planst, ist das eine der wichtigsten Preisänderungen des Jahres. Im Folgenden findest du die komplette Aufschlüsselung: welche Modelle günstiger geworden sind, warum das passiert ist, wie OpenAI jetzt im Vergleich zu Google, Anthropic und den Open-Source-Alternativen dasteht – und wie du am Ende jeden Cent aus deiner API-Rechnung rausholst. Und weil AI-Abos immer noch monatlich in USD abgerechnet werden, zeigen wir dir auch, wo die meisten Leute bei jeder Verlängerung heimlich Geld verlieren – und wie du das vermeidest.

Dieser Guide richtet sich an einzelne Entwickler, kostenbewusste Startups und Unternehmen mit produktiven Workloads. Die Zahlen sind entscheidend, deshalb haben wir sie durchgehend mit der aktuellen Berichterstattung von 2026 abgeglichen.

Zahlst du jeden Monat für ChatGPT, Claude oder Gemini? Bleap verlangt 0 % FX-Gebühren auf deine USD-Abos und gibt dir pauschal 20 % Cashback auf Claude-, ChatGPT- und Gemini-Verlängerungen – mit einer selbstverwalteten Mastercard und ganz ohne eigenes Abo. (Der 20 % Cashback gilt nur für Claude, ChatGPT und Gemini.) Jetzt die Bleap-Karte holen →

1. Was ist eigentlich passiert? OpenAIs Preissenkungen 2026 im Überblick

Die offizielle Ankündigung, der Zeitplan und die betroffenen Modelle

Im Mittelpunkt der Geschichte steht ein einziger, ziemlich radikaler Schritt. OpenAI hat am 30. Juli 2026 den Preis für sein GPT-5.6-Luna-Modell um 80 % gesenkt – nur drei Wochen nach dem offiziellen Marktstart der GPT-5.6-Familie. Terra wurde ebenfalls um 20 % günstiger, während die Top-Variante Sol unverändert blieb.

Vor allem das Timing hat in der Branche für Aufsehen gesorgt. OpenAI kündigte an, die Preise für zwei seiner neuesten KI-Modelle, GPT-5.6 Terra und GPT-5.6 Luna, rund drei Wochen nach deren Veröffentlichung deutlich zu senken. Normalerweise passt ein Unternehmen die Preise eines Produkts nicht so schnell an, es sei denn, der Markt zwingt es förmlich dazu. Die GPT-5.6-Familie kam am 9. Juli auf den Markt, mit Sol als Arbeitspferd, Terra als Mittelklasse-Option und Luna als besonders kosteneffizienter Variante. Drei Wochen sind eine extrem kurze Zeitspanne, um die Preisgestaltung schon wieder zu überdenken – ein klares Zeichen dafür, dass die ursprünglichen Preise im Vergleich zu den Alternativen, die Kunden geprüft haben, wohl nicht wie erhofft ankamen.

OpenAI selbst stellte die Änderung als Effizienzfrage dar, nicht als Verzweiflungstat. „Unsere Strategie zielt weiterhin darauf ab, sowohl die Leistungsfähigkeit als auch die Effizienz voranzutreiben, damit jede neue Modellgeneration mehr Arbeit zu geringeren Kosten leisten kann", erklärte OpenAI in einer Mitteilung. Diese Änderungen betreffen die API-Preise, die Entwickler pro Token zahlen. ChatGPT-Verbraucherabos sind ein separates Produkt mit eigener monatlicher Preisstruktur.

Die neuen Preise im Detail: Eine vollständige Aufschlüsselung der Token-Kosten

Genau hier liegt die 80%-Marke, und so schlägt sich der Rest der Modelle im Vergleich. Alle Angaben verstehen sich pro Million Tokens im Standard-Tarif, in USD – so wird Token-Pricing weltweit angegeben.

Die zentralen Zahlen hinter der Preissenkung sprechen für sich: Luna kostet jetzt $0,20 pro Million Input-Tokens und $1,20 pro Million Output-Tokens – runter von $1 und $6. Bei Terra sanken die Preise auf $2 pro Million Input-Tokens und $12 pro Million Output-Tokens, vorher waren es $2,50 und $15.

Zwei Preise zählen immer, nicht nur einer. Input-Tokens sind das, was du an das Modell schickst: dein Prompt, Systemanweisungen, Dokumente und der Gesprächsverlauf. Output-Tokens sind das, was das Modell zurückliefert. Bei den meisten Modellen kostet Output ein Vielfaches mehr als Input – deshalb kann ein geschwätziges, ausschweifendes Modell im Endeffekt teurer sein als ein knappes, selbst bei gleichem Nominalpreis.

Ein Blick auf die Konkurrenz lohnt sich. GPT-4o kostet 2026 2,50 $ pro Million Input-Tokens und 10 $ pro Million Output-Tokens, während GPT-4o mini bei 0,15 $/0,60 $ liegt und das o3-Reasoning-Modell nach Preissenkungen bei rund 2 $/8 $ landet. Bei GPT-4.1 bleibt es bei 2 $/1 Mio. Input und 8 $/1 Mio. Output, bei GPT-4.1 Mini sind es 0,40 $/1,60 $, bei GPT-4.1 Nano 0,10 $/0,40 $, und GPT-5 liegt bei 1,25 $/10 $.

Kurz erklärt: Was ist ein Token? Ein Token ist ein Textschnipsel – etwa 4 Zeichen oder ungefähr drei Viertel eines englischen Wortes. Der Satz, den du gerade liest, umfasst rund 15 Tokens. Preise werden pro Million Tokens angegeben, weil reale Workloads schnell in die Milliarden gehen. Als grobe Orientierung: 1 Million Tokens entspricht etwa 750.000 Wörtern, also ungefähr zehn vollständigen Romanen.

Welche Preisänderungen wirklich 80 % erreichten – und welche nicht

Die wichtige Nuance dabei: Nicht jedes Modell wurde um 80 % günstiger, und die meisten sanken in dieser Runde überhaupt nicht im Preis. Die 80-%-Marke gilt ausschließlich für Luna, die günstigste und schnellste Stufe. Luna fiel von 1 $/6 $ auf 0,20 $/1,20 $ pro Million Input-/Output-Tokens – eine Senkung um 80 % sowohl beim Input- als auch beim Output-Preis. Damit zählt Luna zu den günstigsten leistungsfähigen Modellen, die ein Tier-1-Anbieter derzeit im Programm hat.

Terra bekam eine spürbare, aber deutlich kleinere Preissenkung von 20 %, und Sol, das Flaggschiff, blieb preislich unverändert. OpenAI senkte die Kosten für sein GPT-5.6-Luna-Modell um 80 Prozent und reduzierte die Preise für Terra um 20 Prozent, änderte aber nichts an den Preisen für Sol, sein fortschrittlichstes Modell.

Was spart der durchschnittliche Nutzer also tatsächlich? Das hängt ganz davon ab, wo dein Verbrauch liegt. Wenn du auf Luna hauptsächlich einfache Aufgaben in großem Volumen laufen lässt, ist deine Rechnung gerade um rund 80% gesunken. Setzt du dagegen stark auf Sol für anspruchsvolles Reasoning an der Leistungsspitze, hast du direkt nichts gespart – auch wenn es meist clever ist, geeignete Aufgaben auf die jetzt günstigeren Stufen zu verlagern. Möglich wird das durch den sogenannten Capability Creep. Laut OpenAI erlauben es die Verbesserungen in GPT-5.6, dass Luna und Terra Aufgaben übernehmen können, für die früher ein Premium-Modell nötig war. Das bedeutet: Kunden können viele KI-Aufgaben mit günstigeren Systemen erledigen, ohne dass die Leistung spürbar leidet.

2. Warum hat OpenAI die Preise so drastisch gesenkt?

Effizienzgewinne bei der Hardware, die Compute-Story

Der auffälligste Teil dieser Preissenkung ist, wie OpenAI sie überhaupt finanziert hat. Das Unternehmen sagt, sein eigenes Modell habe die Ingenieursarbeit übernommen. In einem von Menschen begleiteten Prozess hat Sol eigenständig produktive GPU-Kernel umgeschrieben und optimiert und Hunderte Experimente durchgeführt, um die Token-Generierung zu verbessern. Die Kernel-Arbeit senkte die End-to-End-Kosten für den Modellbetrieb um rund 20 %, und die Experimente steigerten die Effizienz der Token-Generierung um mehr als 15 %.

OpenAI stellt das öffentlich so dar: Die Top-Effizienz subventioniert die günstigeren Stufen. Die interne, aber öffentlich geteilte Erzählung von OpenAI lautet, dass Sols optimierter Inferenz-Stack genau das ist, was die Preissenkungen bei Luna und Terra finanziert – bessere Effizienz an der Spitze schafft Spielraum, um in den Stufen, in denen das eigentliche Volumen liegt, aggressiver mitzumischen. Das Grundprinzip dahinter ist simpel: Je effizienter die Inferenz pro Anfrage wird, desto niedriger fallen die Grenzkosten pro Token aus – und bei OpenAIs Größenordnung übersetzt sich selbst eine Verbesserung der Betriebskosten um 20 % in enorme absolute Einsparungen, die weitergegeben werden können.

Das Unternehmen versteht das auch als Beginn eines sich wiederholenden Musters, nicht als einmalige Aktion. OpenAI beschreibt das als selbstverstärkende Schleife: Je besser die Modelle bei autonomer Arbeit werden, desto schneller könnten künftige Runden von Kosteneinsparungen kommen.

Starker Wettbewerbsdruck durch Konkurrenten

Effizienz ist der offizielle Grund, aber der Wettbewerb ist der Druck dahinter. Die zwei Wochen vor OpenAIs Schritt waren ereignisreich. Anthropic brachte am 24. Juli Claude Opus 5 zum Preis von 5 $/25 $ pro Million Input-/Output-Token heraus und lieferte damit nahezu die Leistung von Fable 5 zu ungefähr den gleichen Kosten wie beim Vorgänger. Google brachte im selben Monat Gemini 3.6 Flash zu 1,50 $/7,50 $ pro Million Token mit einer Effizienzsteigerung von 17 % auf den Markt.

Der Druck kommt nicht nur von den üblichen amerikanischen Laboren. Günstige chinesische Modelle haben sich echte Marktanteile gesichert. Eine CNBC-Recherche vom 7. Juli 2026 zeigte, dass chinesische Modelle bereits 46 % der US-Enterprise-Token-Nutzung auf OpenRouter für sich verbuchen konnten – zeitweise sogar über den Werten von US-Modellen. DeepSeek V4 Pro etwa kostet 0,435 $/0,87 $ pro Million Token und profitiert dabei von einem dauerhaften Promo-Rabatt von 75 %.

Zusammengenommen kommt der Wettbewerbsdruck von allen Seiten: Premium-Konkurrenten ziehen bei der Leistung gleich und sind dabei günstiger, Modelle im mittleren Preissegment unterbieten die Preise, und offene oder rabattierte Modelle definieren neu, was „günstig" überhaupt bedeutet. Diese Entwicklungen stärken OpenAIs Position gegenüber Konkurrenten wie Anthropic, deren Claude-Modelle zwar weiterhin viel genutzt werden, aber teurer in der Anwendung sind. Chinesische Open-Source-Anbieter wie Z.ai haben den Druck zusätzlich erhöht, indem sie leistungsfähige KI-Systeme zu deutlich niedrigeren Preisen anbieten.

OpenAIs strategische Ziele, Marktanteile und Reichweite im Ökosystem

Hinter den Preissenkungen bei den meistgenutzten Tarifstufen steckt eine klare Landgrab-Logik. Günstigere Einstiegs- und Mittelklasse-Modelle locken mehr Entwickler an, die wiederum mehr Produkte bauen, die wiederum mehr Nutzer anziehen, die wiederum mehr Nutzung erzeugen. OpenAI hat die Preisstruktur seiner KI-Modelle überarbeitet und die Kosten für Einstiegs- und Mittelklasse-Modelle deutlich gesenkt, da sich der Wettbewerb im Markt für generative KI verschärft und Unternehmen zunehmend günstigere Optionen fordern.

Das Ausmaß, das OpenAI hier verteidigt, ist enorm – und die Preisänderung fiel mit einem echten Meilenstein zusammen. OpenAI gab bekannt, dass seine Modelle inzwischen mehr als eine Milliarde aktive Nutzer und über zwei Millionen Unternehmen erreichen. Diese Ankündigung folgte auf Preissenkungen bei zwei Modellen der GPT-5.6-Familie.

Kostensensibilität ist mittlerweile für Käufer ein entscheidender Faktor – kein nachträglicher Gedanke mehr. Das Unternehmen steht unter Druck, sich auf eine kostenbewusstere Kundschaft einzustellen, denn Unternehmen sind zunehmend zurückhaltender geworden, teure Modelle einzusetzen, ohne genau zu wissen, was ihnen die Investition am Ende bringt. Die Zeit des unbegrenzten, kostenblinden KI-Einsatzes neigt sich dem Ende zu. OpenAI hatte 2022 mit dem Launch von ChatGPT den KI-Boom losgetreten und Unternehmen dazu gebracht, die Technologie im Eiltempo einzuführen – so entstand die Ära des sogenannten Tokenmaxxing, in der Arbeitgeber ihre Mitarbeiter ermutigten, so viel KI wie möglich zu nutzen, ohne sich um die Kosten zu kümmern.

Die Rolle neuerer, effizienterer Modellarchitekturen

Dahinter steckt ein stetiger Fortschritt hin zu effizienterem Modelldesign. Neuere Generationen leisten pro Recheneinheit mehr, und die „Mini“- und „Nano“-Varianten sind gezielt darauf ausgelegt, den Großteil der alltäglichen Aufgaben zu einem Bruchteil der Kosten eines Flaggschiff-Modells zu übernehmen. Deshalb kann ein Modell der Luna-Klasse heute Aufgaben erledigen, für die früher ein Premium-Modell nötig war.

Dieser breitere Trend ist schon seit über einem Jahr im Gange. Die Preise für Frontier-Modelle sind seit Anfang 2025 durchweg gefallen – angetrieben durch effizientere Inferenz, Fortschritte bei Open-Weight-Modellen und gezielte Wettbewerbsstrategien. Die wirtschaftliche Realität ist dabei ernüchternd: Selbst in diesen Größenordnungen geben die Marktführer weiterhin enorme Summen aus. Das Unternehmen schreibt rote Zahlen, da es weiterhin massiv in Modellentwicklung und Infrastruktur investiert – bei einem Umsatz von 13,07 Milliarden US-Dollar im Jahr 2025 steht ein Nettoverlust von 38,5 Milliarden US-Dollar gegenüber. Niedrigere Preise bei gleichzeitig hohen Ausgaben bedeuten: Die Effizienz-Story ist kein optionales Marketing-Argument. Sie ist der einzige Weg, wie die Rechnung überhaupt aufgehen kann.

3. Modell für Modell erklärt: Welches OpenAI-Modell solltest du 2026 nutzen?

Das Angebot ist mittlerweile ziemlich breit. Hier erfährst du, wie du die einzelnen Stufen einordnen solltest, was sie kosten und für wen sie sich eignen.

GPT-5.6 Luna, der neue Preis-Leistungs-Champion

Luna ist das Modell, über das gerade alle reden. Der Input-Preis von GPT-5.6 Luna ist um 80 % gefallen – von 1 US-Dollar auf 0,20 US-Dollar pro Million Tokens –, während der Output-Preis von 6 auf 1,20 US-Dollar gesunken ist.

Mit 0,20 $/1,20 $ ist Luna klar auf Skalierung ausgelegt. Es ist die richtige Wahl für hochvolumige, strukturierte Aufgaben mit geringer Latenztoleranz: Klassifizierung, Tagging, Routing, Sentiment-Analyse, Echtzeit-Chat und einfache Textgenerierung. Das Wichtigste an diesem Update: Luna übernimmt jetzt Aufgaben, für die man bisher ein teureres Modell brauchte – viele Teams können also darauf umsteigen und konsolidieren. Wenn du monatlich Millionen von Anfragen für repetitive Aufgaben abwickelst, ist Luna dein Standard-Startpunkt.

GPT-5.6 Terra, die ausgewogene Mittelklasse

Terra liegt preis-leistungsmäßig genau in der Mitte, bei 2 $/12 $ nach der 20-prozentigen Preissenkung. Es ist die solide Allzweckwaffe für Aufgaben, die für Luna zu anspruchsvoll sind, aber noch keinen Flaggschiff-Preis rechtfertigen: Kundensupport mit echtem Kontext, Dokumentenanalyse, Content-Erstellung und allgemeine Assistenzaufgaben. Für die meisten Produktivpipelines gilt: Auf Terra steigst du nur dann um, wenn die Ausgabequalität von Luna nicht mehr ausreicht.

GPT-5.6 Sol, das Flaggschiff

Sol ist die Spitze der Modellfamilie und bleibt beim bisherigen Preis von 5 $/30 $. Neu ist allerdings eine Speed-Option: OpenAI hat für Sol einen neuen Fast-Modus in der API angekündigt, der das bisherige Angebot „Priority Processing“ ablöst. Der Fast-Modus liefert bis zu 2,5-mal so schnelle Verarbeitung wie der Standardmodus. Sol solltest du dir für wirklich anspruchsvolle Probleme aufheben, bei denen der Zugewinn an Genauigkeit oder Leistungsfähigkeit messbar ist und den Aufpreis rechtfertigt.

GPT-4.1 und GPT-4o, die Dauerbrenner

Viele Produktivsysteme laufen noch auf der GPT-4-Generation, und für Aufgaben mit langem Kontext bietet sie nach wie vor ein starkes Preis-Leistungs-Verhältnis. GPT-4.1 wurde von OpenAI als empfohlener Nachfolger für GPT-4o eingeführt: Es ist mit 2/8 US-Dollar günstiger als die 2,50/10 US-Dollar von GPT-4o, bietet ein Kontextfenster von 1 Million Tokens statt 128K und schneidet bei Benchmarks zu Instruction-Following und Coding besser ab. Am unteren Ende der Preisspanne ist GPT-4.1 Nano eines der günstigsten leistungsfähigen Modelle überhaupt. Mit 0,10 US-Dollar pro Million Input-Tokens gehört GPT-4.1 Nano zu den preiswertesten brauchbaren Modellen am Markt. Bestandskunden von GPT-4o behalten in der Regel ihre alten Konditionen: GPT-4o bleibt für sie zum bisherigen Satz von 2,50 US-Dollar/1 Mio. Input- und 10 US-Dollar/1 Mio. Output-Tokens erhalten.

GPT-4o mini bleibt das Arbeitspferd für Aufgaben mit hohem Volumen. Mit 0,15 US-Dollar pro Million Input- und 0,60 US-Dollar pro Million Output-Tokens ist GPT-4o mini beim Input etwa 17-mal günstiger als GPT-4o und treibt die meisten umfangreichen Klassifizierungs-, Extraktions- und Routing-Workloads an. Um das greifbar zu machen: Eine Million kurzer Klassifizierungsanfragen mit je etwa 500 Tokens kostet bei GPT-4o mini unter 80 US-Dollar.

o3 und o4-mini, die Reasoning-Modelle

Reasoning-Modelle sind eine ganz andere Kategorie, und ihre Preisgestaltung birgt eine Falle. Die o-Serie von OpenAI (o4-mini, o3, o3-pro) ist für Aufgaben mit mehrstufigem Denken konzipiert, etwa Mathematik, komplexes Code-Debugging und wissenschaftliche Analysen. o4-mini bietet mit 1,10/4,40 US-Dollar pro Million Tokens das beste Preis-Leistungs-Verhältnis für Reasoning-Aufgaben mit begrenztem Budget. Allerdings werden bei diesen Modellen auch die internen Reasoning-Tokens zum Output-Tarif abgerechnet, sodass die tatsächlichen Kosten je nach Aufgabenkomplexität das 3- bis 10-Fache der Grundpreise betragen können.

Diese Unterscheidung solltest du unbedingt verstehen, bevor du dein Budget planst. Eine einzige o3-Antwort kann zwischen 5.000 und 20.000 interne Reasoning-Tokens verbrauchen, die du zum Output-Preis bezahlst – eine Aufgabe, die bei GPT-4o nur 0,01 $ kostet, kann bei o3 also 0,15 $ oder mehr kosten, obwohl die Grundpreise ähnlich aussehen. Die Faustregel dazu: Für die meisten produktiven Anwendungsfälle bietet o4-mini das beste Preis-Leistungs-Verhältnis in der Reasoning-Kategorie. o3 und o3-pro solltest du dir für Aufgaben aufheben, bei denen Auswertungen einen messbaren Genauigkeitsgewinn zeigen.

Schnellvergleich: OpenAI-Modelle auf einen Blick

Der beste Kompromiss für die meisten Teams: Starte mit Luna oder GPT-4.1 Nano für hohe Volumen, wechsle bei höheren Qualitätsansprüchen zu Terra, und setze für logisches Denken auf o4-mini, bevor du zu o3 greifst.

Das richtige Modell finden: Ein Entscheidungsleitfaden

Halte es einfach mit diesem kurzen Entscheidungspfad:

• Ist die Aufgabe einfach und hochvolumig? Nutze Luna, GPT-4.1 Nano oder GPT-4o mini.
• Braucht es echtes logisches Denken oder Mathematik? Setze zuerst auf o4-mini, o3 nur, wenn Auswertungen einen echten Vorteil zeigen.
• Handelt es sich um ausgewogene Produktionsarbeit mit echtem Kontext? Nutze Terra oder GPT-4.1.
• Ist es ein wirklich anspruchsvolles Grenzproblem? Nutze Sol.
• Ist Echtzeit-Geschwindigkeit entscheidend? Nutze Luna oder GPT-4o mini.

Die goldene Regel der Kostenkontrolle: Fang günstig an und upgrade nur, wenn die Qualität nicht ausreicht. Die meisten Teams setzen standardmäßig zu große Modelle ein und zahlen Flaggschiff-Preise für Aufgaben, die eine Mini-Variante genauso gut erledigt.

4. Auswirkungen in der Praxis: Wie viel könnt ihr wirklich sparen?

Prozentzahlen bleiben abstrakt. Deshalb zeigen wir hier, was die Preissenkungen konkret für eure Rechnungen bedeuten. Die folgenden Preise basieren auf den aktuellen Tarifen von 2026.

Anwendungsfall Entwickler: Einen Chatbot bauen

Stellt euch einen Solo-Entwickler vor, der einen Kundensupport-Chatbot betreibt, der monatlich 5 Millionen Tokens verarbeitet, aufgeteilt in etwa 3 Millionen Input- und 2 Millionen Output-Tokens.

Bei den alten Luna-Preisen (1 $ / 6 $) wären das etwa 3 $ für Input plus 12 $ für Output, also rund 15 $ im Monat oder 180 $ im Jahr allein fürs Modell. Bei den neuen Luna-Preisen (0,20 $ / 1,20 $) sind es nur noch etwa 0,60 $ Input plus 2,40 $ Output, also rund 3 $ im Monat oder 36 $ im Jahr. Das entspricht einer Einsparung von 80 % bei den Kernkosten des Bots. Die 144 € jährliche Ersparnis reichen locker für ein besseres Logging-Setup oder einen Monat Hosting.

Anwendungsfall Startup: KI-gestütztes SaaS-Produkt

Nehmen wir ein SaaS-Startup, das eine Funktion zur Dokumentenzusammenfassung für 500 Geschäftskunden anbietet und dabei monatlich rund 200 Millionen Input-Tokens und 40 Millionen Output-Tokens auf einem Modell der mittleren Preisklasse verbraucht.

Wechselt man von einem Tarif mit 2,50 $ / 15 $ zu Terra mit 2 $ / 12 $, sinken die monatlichen Kosten von rund 500 € Input und 600 € Output auf etwa 400 € Input und 480 € Output. Das ergibt eine Ersparnis von rund 220 € im Monat oder 2.640 € im Jahr. Bei niedrigeren Preisen werden KI-Funktionen, die vorher ein Verlustgeschäft waren, plötzlich wirtschaftlich sinnvoll. Und Produkte, die bisher nur in wohlhabenden Märkten funktioniert haben, ergeben plötzlich auch in preissensibleren Märkten Sinn. Das ist der stille, sich aufschaukelnde Effekt eines Preiskriegs: Ganze Produktkategorien rutschen auf einmal in die Profitabilität.

Anwendungsfall Enterprise: Interne KI-Tools im großen Maßstab

Nehmen wir ein Unternehmen mit 1.000 Mitarbeitenden, das die API für interne Wissenssuche, E-Mail-Entwürfe und HR-Automatisierung nutzt und dabei monatlich rund 2 Milliarden Input-Tokens und 400 Millionen Output-Tokens verbraucht, größtenteils für Routineaufgaben.

Den Großteil dieses Traffics statt über einen Mid-Tier-Anbieter für 2 $/12 $ über Luna zu 0,20 $/1,20 $ zu leiten, macht den Unterschied zwischen rund 4.800 € und rund 880 € im Monat. Aufs Jahr gerechnet sind das mehrere Zehntausend Euro, und pro Mitarbeiter gerechnet drückt das die Kosten für internes KI-Tooling auf einen einstelligen Euro-Betrag pro Kopf und Monat. Der entscheidende Hebel ist dabei nicht die Preissenkung allein. Es ist die Kombination aus Preissenkung und diszipliniertem Routing.

Anwendungsfall für Einzelpersonen und Freelancer, Power-API-Nutzer

Ein freiberuflicher Entwickler oder Content-Creator, der die API direkt nutzt, gibt schnell 80 bis 150 € im Monat aus. Nach den Preissenkungen und mit etwas Routing-Disziplin lässt sich das auf 30 bis 60 € drücken. Batch-Modus, Caching und kürzere Prompts (alles in Abschnitt 6 behandelt) senken die Kosten noch weiter.

Es gibt noch einen weiteren Hebel, der außerhalb der API liegt. Wenn du auch für ChatGPT-, Claude- oder Gemini-Abos in USD zahlst, schlägt eine typische Karte bei jeder Verlängerung still und heimlich 2 bis 3 % Auslandseinsatzgebühr drauf. Zahlst du diese Abos mit einer Bleap-Karte, zahlst du in USD zum echten Kurs mit 0 % FX-Gebühren, plus 20 % Cashback pauschal auf Verlängerungen von Claude, ChatGPT und Gemini. Bei einem monatlichen KI-Abo-Paket von 40 € ist allein dieses Cashback rund 96 € im Jahr wert – noch bevor man die eingesparte FX-Gebühr mitrechnet.

Du senkst deine API-Rechnung, verlierst aber immer noch Geld bei Abo-Verlängerungen? Bleap bietet 0 % FX-Gebühren auf USD-KI-Abos und pauschal 20 % Cashback auf Claude, ChatGPT und Gemini – ganz ohne eigenes Monatsabo. (Das Cashback gilt nur für diese drei Tools.) Hol dir die Bleap-Karte →

5. OpenAI vs. die Konkurrenz: Ist OpenAI jetzt wirklich am günstigsten?

Durch die Preissenkung um 80% ist OpenAI deutlich wettbewerbsfähiger geworden – aber wer wirklich "am günstigsten" ist, hängt stark von der jeweiligen Preisklasse ab.

OpenAI vs. Google Gemini: Preis und Leistung im Vergleich

Google positioniert sich in jeder Preisklasse aggressiv und hat dabei einen strukturellen Vorteil. Die Gemini-API-Preise reichen von 0,10 $/0,40 $ pro Million Input-/Output-Token bei Gemini 2.5 Flash-Lite über 0,30 $/2,50 $ bei Gemini 3.5 Flash-Lite und 1,50 $/7,50 $ bei Gemini 3.6 Flash bis hin zu 2 $/12 $ bei Gemini 3.1 Pro. Der aktuell niedrigste Standardtarif liegt bei Gemini 2.5 Flash-Lite mit 0,10 $/0,40 $.

Bei den Pro-Tarifen gibt es allerdings einen Haken, den man im Budget berücksichtigen sollte. Sobald ein einzelner Prompt bei den Pro-Modellen die Grenze von 200.000 Token Kontext überschreitet, verdoppelt sich der Input-Preis in etwa – und der Output-Preis zieht entsprechend mit: Bei Gemini 3.1 Pro steigt der Input-Preis von 2,00 $ auf 4,00 $ pro Million, der Output-Preis von 12,00 $ auf 18,00 $. Geminis echter Trumpf ist die Kontextlänge. Googles Gemini-Reihe bietet etwas, das die Konkurrenz nicht ganz erreicht: ein Kontextfenster von 1 Million Token bei jedem Modell – sogar beim günstigsten. OpenAI punktet dafür mit der Tiefe seines Ökosystems, ausgereiften Tools und dem Vertrauen von über einer Milliarde Nutzern. Bei reinen Preisvergleichen für die Arbeit mit langen Dokumenten liegt Gemini oft vorn.

OpenAI vs. Anthropic Claude: die Premium-Alternative

Claude bleibt bei Unternehmen der Favorit, wenn es um Schreibqualität, Zuverlässigkeit bei langen Kontexten und Sicherheitsaspekte geht – und in diesem Sommer kamen frische Modelle dazu. Anthropic brachte am 24. Juli Claude Opus 5 auf den Markt, mit 5 $/25 $ pro Million Input-/Output-Token, und liefert damit eine Leistung nahe an Fable 5 – zu ungefähr demselben Preis wie beim Vorgängermodell. Im mittleren Preissegment ist die Sache zeitlich begrenzt: Anthropics Claude Sonnet 5 hat einen Einführungspreis von 2,00 $ Input und 10,00 $ Output pro Million Token, der bis zum 31. August 2026 gilt. Danach soll er auf 3,00 $ bzw. 15,00 $ steigen.

Dieses Einführungsfenster ist wichtig für deinen Vergleich. In dieser Zeit liegen Sonnet 5 und OpenAIs Terra preislich fast gleichauf, doch danach könnte sich die Schere zugunsten von OpenAI öffnen. Claude ist im Flaggschiff-Bereich generell teurer, und für viele Teams rechtfertigt die Qualität beim Schreiben und Schlussfolgern den Aufpreis bei bestimmten Anwendungsfällen.

OpenAI vs. Open-Source: die Bedrohung durch die "kostenlose" Stufe

Open-Weight-Modelle und stark rabattierte Angebote setzen den Preisboden für den gesamten Markt. DeepSeek V4 Pro etwa kostet 0,435 $/0,87 $ pro Million Token und profitiert von einem dauerhaften Werbe-Rabatt von 75 %. Und das ist keine reine Hype-Geschichte, sondern echte Marktdurchdringung: Chinesische Modelle haben bei OpenRouter 46 % der Token-Nutzung von US-Unternehmen für sich beansprucht und lagen zeitweise sogar über Modellen mit US-Ursprung.

Aber "kostenlos" ist selten wirklich kostenlos. Wer ein Open-Source-Modell selbst hostet, zahlt trotzdem für GPUs, Wartung, Verfügbarkeit, Sicherheit und die Entwicklerzeit, die es braucht, um das Ganze am Laufen zu halten. Open-Source lohnt sich wirklich bei sehr hohem Volumen, einfachen Aufgaben oder strengen Datenschutzanforderungen. Die API von OpenAI punktet dagegen mit schneller Markteinführung, Zuverlässigkeit, Support und null DevOps-Aufwand. Die versteckten Kosten eines "kostenlosen" Modells sind das Team, das man braucht, um es am Laufen zu halten.

Vergleichstabelle: Preise im Wettbewerb

*Einführungspreis für Claude Sonnet 5; Anthropics Einführungspreis für Claude Sonnet 5 fällt am 1. September 2026 auf den Standardpreis von 3,00 $/1 Mio. Input und 15,00 $/1 Mio. Output zurück. Zu beachten ist außerdem, dass Mistral bei Large 3 und Small 4 maximal 256K Kontext bietet – eine 1M-Option gibt es hier nicht.

Das Fazit: Wo OpenAI 2026 steht

Nach den Preissenkungen ist OpenAI hochgradig wettbewerbsfähig, aber nicht immer der günstigste Anbieter. Gemini unterbietet bei Long-Context-Anwendungen und in den untersten Preisstufen, DeepSeek unterbietet beim reinen Preis, und Claude verlangt einen Aufpreis für seine Qualität. Der eigentliche Vorteil von OpenAI liegt im Gesamtpaket: Markenvertrauen bei einer Milliarde Nutzern und zwei Millionen Unternehmen, ausgereiftes Tooling, Fine-Tuning, Zuverlässigkeit und Enterprise-Support. Die pragmatischste Strategie für die meisten Teams: OpenAI als Standard nutzen und einzelne Workloads dort auf Alternativen umleiten, wo das Preis-Leistungs-Verhältnis eindeutig für sie spricht.

6. So holst du das Maximum aus deinen Einsparungen bei den OpenAI-API-Kosten heraus

Die 80%-Preissenkung ist ein Geschenk, aber die größten Einsparungen ergeben sich immer noch daraus, wie du die API nutzt. Die vier bewährten Hebel erledigen zusammen den Löwenanteil der Arbeit. Es handelt sich um Prompt-Caching (bis zu 90% Rabatt auf wiederholte Input-Tokens), die Batch API (50% Rabatt für nicht dringende Jobs), das Routing einfacher Aufgaben an ein Mini-Modell statt an ein Vollmodell sowie das Kürzen von System-Prompts. Kombiniert senken diese Maßnahmen eine Produktions-API-Rechnung routinemäßig um 50-70%, ohne dass die Ausgabequalität leidet.

Das richtige Modell für jede Aufgabe wählen

Das ist der Hebel mit der größten Wirkung überhaupt. Wenn du einfache Aufgaben an Luna oder eine Mini-Variante statt an ein Flaggschiff-Modell weiterleitest, sparst du bei diesen Aufrufen rund 80%. Baue dir einen kleinen Router, der eingehende Anfragen klassifiziert und jede an das günstigste Modell schickt, das damit umgehen kann: Klassifizierung und Extraktion an Luna oder GPT-4o mini, allgemeine Textgenerierung an Terra oder GPT-4.1, und nur echte Reasoning-Aufgaben an o4-mini oder o3. Die meisten Teams, die ihren Traffic genauer unter die Lupe nehmen, stellen fest, dass der Großteil davon nie ein Premium-Modell gebraucht hätte.

Prompt-Kompression und Token-Optimierung nutzen

Prompt-Kompression bedeutet, überflüssige Anweisungen, wiederholten Kontext und Füllwörter aus deinen Prompts zu entfernen. Ausschweifende System-Prompts und doppelter Kontext werden bei jedem einzelnen Aufruf abgerechnet, weshalb sich das Kürzen bei Millionen von Anfragen schnell summiert. Es gibt Tools und Bibliotheken, die das automatisieren, und die typischen Einsparungen liegen im Bereich von 20 bis 40%. Schon ein schneller manueller Check, bei dem du wiederholte Anweisungen streichst und Beispiele straffst, bringt oft überraschend viel.

Gecachte Input-Preise nutzen

Wenn deine Anfragen ein stabiles Präfix, einen festen System-Prompt, eine Wissensdatenbank oder einen langen Anweisungsblock teilen, sorgt Prompt-Caching dafür, dass diese wiederkehrenden Input-Tokens deutlich günstiger werden. Aktiviere Prompt-Caching, indem du deine Prompts so aufbaust, dass der stabile Inhalt zuerst kommt – so sparst du bis zu 90% bei wiederholten Input-Tokens. Das ist der wirkungsvollste Trick für RAG-Pipelines und Chatbots mit statischen System-Prompts. Packe alles Konstante an den Anfang des Prompts und die variable Nutzereingabe ans Ende, dann wird der feste Teil zum Bruchteil des Preises abgerechnet.

Nutze die Batch API für Workloads ohne Echtzeitbedarf

Alles, was keine sofortige Antwort braucht, gehört in die Batch API. Nutze die Batch API für Workloads, die nicht in Echtzeit laufen müssen – da gibt's 50% Rabatt auf alles. Massenhafte Dokumentenverarbeitung, nächtliche Datenanreicherung, groß angelegte Content-Generierung und Offline-Analysen passen hier perfekt rein. Der Haken ist die Latenz, denn Batch-Jobs können Stunden brauchen, bis sie fertig sind – aber für geplante Aufgaben ist das kein Problem, und die 50% Rabatt sind garantiert.

Behalte deinen Token-Verbrauch im Blick und prüfe ihn regelmäßig

Was du nicht siehst, kannst du auch nicht einsparen. Nutze das OpenAI-Nutzungsdashboard zusammen mit einem Observability-Tool von Drittanbietern, um die Ausgaben pro Feature und pro Modell zu verfolgen. Setze feste Nutzungslimits und Alarme, damit dich am Monatsende keine böse Überraschung erwartet, und achte auf die üblichen Verdächtigen: doppelte Anfragen, ausufernde Context-Windows, sich aufstauende Retries und Outputs, die niemand liest. Eine einzige falsch konfigurierte Schleife kann die Rechnung unbemerkt verdoppeln – Alarme sind da eine günstige Versicherung.

Bei den Abos rund um deinen API-Stack klüger bezahlen

Es gibt einen Kostenhebel, der komplett außerhalb deiner Codebasis liegt. Die meisten Teams kombinieren ihre API-Nutzung mit kostenpflichtigen Consumer-Abos – ChatGPT Plus oder Pro fürs Team, dazu Claude- und Gemini-Zugänge, alles monatlich in US-Dollar abgerechnet. Eine normale Kreditkarte schlägt bei jeder dieser Verlängerungen 2 bis 3% Auslandseinsatzgebühr drauf – reine Verschwendung.

Wenn du diese Abos mit einer Bleap-Karte bezahlst, zahlst du in USD zum echten Wechselkurs, also 0% Auslandseinsatzgebühren, und du bekommst pauschal 20% Cashback auf Claude-, ChatGPT- und Gemini-Verlängerungen. Es handelt sich um eine selbstverwahrte Mastercard, die du überall dort einsetzen kannst, wo Mastercard akzeptiert wird, ganz ohne eigenes monatliches Abo. Für ein kleines Team, das monatlich 200 € über diese drei Tools ausgibt, macht der 20%-Cashback rund 480 € im Jahr aus, zusätzlich zu den Gebühren, die du gar nicht erst zahlst. Der 20%-Cashback gilt dabei speziell für Claude, ChatGPT und Gemini. Bei anderen in USD abgerechneten KI-Tools profitierst du von den 0% Auslandseinsatzgebühren.

Fine-Tuning vs. Prompt Engineering: Was spart mehr?

Manchmal ist die günstigste Lösung auf lange Sicht, ein kleineres Modell fein abzustimmen, statt bei jedem Aufruf ein großes Modell mit aufwendigen Few-Shot-Prompts zu füttern. Fine-Tuning kostet erst mal etwas, aber wenn du dadurch ein Flaggschiff-Modell durch eine Mini-Variante ersetzen kannst, zahlt sich das durch die laufenden Einsparungen bei der Inferenz oft schnell aus. Wo genau der Break-even liegt, hängt vom Volumen ab. Als grobe Faustregel gilt: Fine-Tuning lohnt sich meist, sobald du bei einer sich wiederholenden Aufgabe ein hohes, gleichbleibendes monatliches Token-Volumen hast, bei dem reines Prompt Engineering dich dazu zwingt, Flaggschiff-Preise für Arbeit zu zahlen, die ein fein abgestimmtes Mini-Modell genauso gut erledigen könnte.

7. Was die Preissenkungen für die KI-Branche bedeuten, und die größeren Zusammenhänge

KI wird zur Infrastruktur, ganz wie einst Cloud-Computing

Es gibt eine klare historische Parallele. In den 2010er-Jahren senkte AWS die Preise für EC2 und S3 dutzende Male, weil die Skalierung die Grenzkosten immer weiter drückte – und aus Cloud-Computing wurde vom teuren Luxus ein Alltagswerkzeug. KI-Inferenz folgt genau demselben Muster. Die 80-prozentige Senkung bei Luna, die durch Effizienzgewinne erst möglich wurde, ist ein Lehrbuchbeispiel für dieses Schwungrad: mehr Skalierung, mehr Effizienz, niedrigere Preise, mehr Nutzung.

Es ist naheliegend zu erwarten, dass die Preise für Frontier-APIs bis Ende der 2020er-Jahre Jahr für Jahr weiter deutlich sinken werden, denn dieselben Kräfte, die zu dieser Senkung geführt haben, gewinnen weiter an Fahrt. Im Engineering-Blogpost wird die Selbstoptimierungsarbeit nicht als einmalige Aktion beschrieben, sondern als Beginn einer Feedback-Schleife. Die OpenAI-Ingenieure schreiben, dass sich die Fähigkeit des Unternehmens, Effizienzgewinne zu beschleunigen, mit besseren und autonomer arbeitenden Modellen selbst weiter beschleunigt – eine Art Zinseszinseffekt. Für KI-native Startups bedeutet das: Jedes Jahr niedrigere Einstiegshürden und schnellere Iterationszyklen.

Demokratisierung von KI – wer profitiert am meisten?

Die größten Gewinner sind diejenigen, für die der Preis bisher die Hürde war. Indie-Entwickler und Startups ohne dicke Kapitaldecke können jetzt KI-Funktionen produktiv einsetzen, die vorher schlicht unwirtschaftlich waren. Teams in aufstrebenden und preissensiblen Märkten, wo das Budget bislang keinen Zugang zu Frontier-KI erlaubte, können nun auf denselben Modellen aufbauen wie alle anderen. Und etablierte Unternehmen können KI auch für weniger wichtige interne Aufgaben nutzen, die sich bei Premium-Preisen nie gerechnet hätten. Wenn die günstigste leistungsfähige Stufe nur noch 0,20 US-Dollar pro Million Input-Token kostet, fällt "zu teuer, um es auszuprobieren" als Ausrede einfach weg.

Die Kehrseite der Medaille ist der Margendruck in der gesamten Branche. Der Schritt könnte die Verbreitung von KI-Modellen und die Cloud-Nutzung beschleunigen, wirft aber auch die Frage auf, ob Effizienzgewinne die geringeren Einnahmen pro Token ausgleichen können. Für Nutzer ist die Richtung dagegen eindeutig positiv: mehr Leistung, zu niedrigeren Preisen, breiter verfügbar.

Du baust auf günstigerer KI auf, zahlst aber bei deinen Abos noch den vollen Preis? Mit Bleap zahlst du 0% FX-Gebühren auf USD-KI-Abrechnungen und bekommst pauschal 20% Cashback auf Claude-, ChatGPT- und Gemini-Verlängerungen, dazu eine selbstverwaltete Mastercard, ganz ohne eigenes Abo. Jetzt die Bleap-Karte holen →

Fazit: Günstigere KI ist da, also zahl auch clever dafür

Die Schlagzeile ist einfach und real: OpenAI hat am 30. Juli 2026 den Preis für GPT-5.6 Luna um 80% gesenkt, finanziert durch Effizienzgewinne und angetrieben vom bisher härtesten KI-Preiskrieg. Die Details sind genauso wichtig. Die 80% gelten nur für eine Preisstufe, der Großteil deiner Ersparnis kommt aus cleverem Modell-Routing, Caching und Batch-Verarbeitung, und OpenAI ist jetzt zwar sehr wettbewerbsfähig, aber nicht immer der günstigste Anbieter.

Für alle, die 2026 mit KI arbeiten, ist die Strategie klar. Starte mit dem günstigsten Modell, das die Aufgabe noch bewältigt, route bewusst, cache aggressiv, fasse zusammen, was sich fassen lässt, und prüfe deine Ausgaben regelmäßig. Wenn du das machst, kannst du deine Produktionskosten um zusätzliche 50 bis 70% senken – zusätzlich zur großen Preissenkung.

Dann schließt du die letzte Lücke. Die KI-Abos rund um deinen API-Stack, ChatGPT, Claude und Gemini, werden monatlich in USD abgerechnet, und eine normale Karte knabbert bei jeder Verlängerung 2 bis 3% weg. Zahl sie stattdessen mit Bleap: 0% FX-Gebühren auf USD-Abrechnungen, pauschal 20% Cashback auf diese drei Tools und eine selbstverwaltete Mastercard ganz ohne eigenes Monatsabo. Günstigere Modelle plus smartere Zahlungsmethode – so lässt du den Preiskrieg von 2026 wirklich für dein Portemonnaie arbeiten.

Häufig gestellte Fragen

Hat OpenAI die Preise wirklich um 80 % gesenkt?

Ja, allerdings nur bei einem bestimmten Modell. OpenAI hat angekündigt, den Preis von Terra um 20 % und den von Luna um 80 % zu senken. Die 80 % beziehen sich auf GPT-5.6 Luna, die günstigste und schnellste Stufe, deren Preis von 1 $/6 $ auf 0,20 $/1,20 $ pro Million Input-/Output-Token gefallen ist. Die Flaggschiff-Stufe Sol bleibt unverändert.

Wann kam es zu der Preissenkung bei OpenAI?

Die Senkung wurde am 30. Juli 2026 angekündigt. OpenAI hat den Preis seines Modells GPT-5.6 Luna am 30. Juli 2026 um 80 % gesenkt – nur drei Wochen nach dem offiziellen Marktstart der GPT-5.6-Modellfamilie.

Was ist 2026 das günstigste OpenAI-Modell?

Innerhalb des aktuellen Angebots sind GPT-5.6 Luna mit 0,20 $/1,20 $ und GPT-4.1 Nano mit 0,10 $/0,40 $ die günstigsten leistungsfähigen Optionen. GPT-4.1 Nano zählt mit 0,10 $ pro Million Input-Token zu den preiswertesten leistungsfähigen Modellen überhaupt. Welches Modell für dich passt, hängt vom Kontextbedarf und der Art der Aufgabe ab.

Warum hat OpenAI die Preise so aggressiv gesenkt?

Offiziell wird das mit Effizienzsteigerungen begründet, der eigentliche Grund liegt aber im Wettbewerb. OpenAI führt die Preissenkungen auf Effizienzverbesserungen zurück, die während der internen Entwicklung von GPT-5.6 erzielt wurden – etwa durch die Rolle des Modells bei der Optimierung von Produktionssoftware und der Verbesserung des sogenannten Speculative Decoding. Gleichzeitig haben Konkurrenten wie Anthropic und Google schon Wochen zuvor konkurrenzfähige Modelle veröffentlicht, und günstige chinesische Modelle haben sich bereits einen beachtlichen Anteil am Unternehmensmarkt gesichert.

Ist OpenAI jetzt günstiger als Google Gemini oder Anthropic Claude?

Das kommt auf die jeweilige Stufe an. Gemini ist bei Long-Context- und Einstiegspreisen oft günstiger, mit Tarifen ab etwa 0,10 $/0,40 $ in der günstigsten Stufe. Claude ist in der Regel teurer, mit Opus 5 bei 5 $/25 $. OpenAIs Luna mit 0,20 $/1,20 $ ist für Aufgaben mit hohem Volumen sehr wettbewerbsfähig, aber kein einzelner Anbieter ist in allen Kategorien der günstigste.

Wie viel kann ich tatsächlich bei meiner OpenAI-API-Rechnung sparen?

Über den offensichtlichen Preisnachlass hinaus leistet diszipliniertes Optimieren die eigentliche Arbeit. Prompt Caching, die Batch API, Model Routing und schlankere System Prompts senken zusammen die Kosten einer Produktions-API-Rechnung ganz regelmäßig um 50-70%, ohne dass die Ausgabequalität leidet. Der größte einzelne Hebel ist dabei, einfache Aufgaben an eine günstigere Stufe weiterzuleiten.

Was sind "Thinking Tokens" und warum kosten sie mehr?

Reasoning-Modelle erzeugen intern eine versteckte Denkleistung, die du zu Output-Preisen bezahlst. Diese internen Reasoning-Tokens werden zu Output-Tarifen abgerechnet, wodurch die tatsächlichen Kosten je nach Aufgabenkomplexität das 3- bis 10-Fache des Grundpreises betragen können. Genau deshalb kann eine Antwort von o3 deutlich teurer ausfallen, als der genannte Preis vermuten lässt – und warum o4-mini meist die bessere Wahl für Reasoning-Aufgaben ist.

Wie hilft Bleap bei den KI-Kosten?

Bleap verkauft keine KI-Modelle. Es handelt sich um ein Fintech-Kartenunternehmen, das die Art und Weise verändert, wie du für KI-Abos bezahlst. KI-Pläne werden monatlich in USD abgerechnet, und die meisten Karten schlagen bei jeder Verlängerung 2 bis 3% FX-Gebühren obendrauf. Mit Bleap zahlst du in USD zum echten Kurs, ganz ohne FX-Gebühren, und bekommst obendrein pauschal 20% Cashback auf Verlängerungen von Claude, ChatGPT und Gemini. Es handelt sich um eine selbstverwaltete Mastercard ohne eigenes monatliches Abo. Die 20% Cashback gelten nur für diese drei Tools; bei anderen in USD abgerechneten KI-Tools profitierst du von den 0% FX-Gebühren.

Werden die KI-Preise 2026 und darüber hinaus weiter sinken?

Der Trend deutet stark darauf hin. Die Preise für Frontier-Modelle sind seit Anfang 2025 branchenweit im freien Fall, angetrieben durch effizientere Inferenz, Fortschritte bei Open-Weight-Modellen und gezielte Wettbewerbsstrategien. Da sich Effizienzgewinne aufsummieren und der Wettbewerb zunimmt, werden branchenweit weitere Preissenkungen erwartet.