Auf die Frage „Was kostet ein KI-Agent?" gibt es keine ehrliche Einzahl-Antwort — aber sehr wohl eine ehrliche Struktur. Ein Agent kostet in drei Blöcken: einmalig im Bau, laufend im Verbrauch und laufend im Betrieb. Wer nur den ersten Block angeboten bekommt, bekommt kein Angebot, sondern ein Drittel davon.
Dieser Artikel ist ein vertiefender Fachbeitrag aus unserem Content-Cluster. Entdecken Sie die vollständige Übersicht auf unserer Hauptseite:KI-Automatisierung für den Mittelstand →
- Drei Kostenblöcke statt einer Zahl: Bau (einmalig), Verbrauch (nach Token) und Betrieb (monatlich). Nur alle drei zusammen ergeben die Gesamtkosten über zwölf Monate.
- Der Bau ist der kleinste Block: Ein abgegrenzter Agent entsteht bei Pragma-Code im KI-Sprint für 2.900 € Festpreis in 14 Tagen. Der Preis steigt nicht mit der Intelligenz, sondern mit der Zahl der Anbindungen.
- Der Betrieb ist der vergessene Block: Ein Workflow bricht ab, wenn etwas kaputtgeht. Ein Agent antwortet weiter — auch falsch. Ohne regelmäßige Qualitätsstichprobe merkt das niemand.
1. Warum „ein Preis" die falsche Antwort ist
Die Frage kommt in fast jedem Erstgespräch, meistens in den ersten fünf Minuten: „Was kostet uns so ein KI-Agent denn ungefähr?" Die ehrliche Antwort ist nicht „zwischen X und Y", sondern eine Gegenfrage: für welchen der drei Kostenblöcke?
Ein KI-Agent ist kein Gegenstand, den man kauft und dann besitzt. Er ist näher an einem Mitarbeiter als an einer Maschine: Es gibt eine einmalige Investition, um ihn arbeitsfähig zu machen, es gibt laufende Kosten dafür, dass er arbeitet, und es gibt laufende Kosten dafür, dass jemand prüft, ob er noch richtig arbeitet. Wer nur den ersten Posten kalkuliert, plant an zwei Dritteln der Wahrheit vorbei.
Diese Aufteilung ist keine Preisrhetorik, sondern folgt der Technik. Der Bau ist Projektarbeit mit definiertem Ende. Der Verbrauch ist eine nutzungsabhängige Rechnung eines Modellanbieters, die nicht Ihnen gehört und die Sie nur begrenzen, nicht abschaffen können. Und der Betrieb existiert, weil ein Agentic Workflow im Gegensatz zu klassischer Software nicht mit einer Fehlermeldung stehenbleibt, wenn er kaputtgeht.
Was in diesem Artikel „ein Agent" heißt
Der Begriff ist unscharf geworden, und die Unschärfe kostet Geld — weil zwei Seiten über verschiedene Dinge sprechen und trotzdem denselben Preis vergleichen. Für die Kalkulation in diesem Artikel gilt eine enge Definition: Ein Agent ist ein sprachmodellgestützter Anwendungsfall auf einem Kanal.
Ein Agent, der Kundenanfragen auf WhatsApp beantwortet, ist ein Agent. Derselbe Anwendungsfall zusätzlich per E-Mail ist ein zweiter. Ein Agent, der Anfragen beantwortet und Angebote schreibt, sind zwei Anwendungsfälle. Diese Zählweise klingt kleinlich, ist aber der einzige Grund, warum Festpreise in diesem Feld überhaupt möglich sind: Sie macht den Umfang vor der Unterschrift überprüfbar.
2. Block 1: Der Bau — und was ihn wirklich teuer macht
Der verbreitetste Irrtum bei der Kostenschätzung: Man glaubt, der Preis richte sich danach, wie „klug" der Agent sein soll. Tut er nicht. Die Modellintelligenz kaufen Sie ohnehin fertig ein — sie ist bei OpenAI, Anthropic oder Google für alle gleich verfügbar. Was den Bau teuer macht, ist die Umgebung, in der der Agent arbeiten soll.
1. Die Zahl der Anbindungen
Jedes System, aus dem der Agent lesen oder in das er schreiben soll, ist eigene Arbeit: Authentifizierung, Datenmodell, Fehlerfälle, Rechteprüfung. Ein Agent, der nur auf eine Wissensbasis zugreift, ist ein Bruchteil des Aufwands eines Agenten, der ins ERP schreibt. Die Anbindung ist fast immer teurer als der Agent selbst.
2. Der Zustand Ihrer Daten
Der größte Einzelposten, den niemand im Angebot sieht. Liegen die Informationen strukturiert und aktuell vor, ist die Wissensbasis in Tagen aufgebaut. Liegen sie in 400 PDFs mit drei Versionsständen und widersprüchlichen Preislisten, wird die Datenaufbereitung zum eigentlichen Projekt — und der Agent zum kleinen Rest daran.
3. Die Entscheidungstiefe
Ein Agent, der Informationen herausgibt, ist harmlos. Ein Agent, der etwas auslöst — eine Bestellung, eine Gutschrift, eine Terminzusage —, braucht Guardrails, Eskalationsregeln, ein Protokoll und einen definierten Abbruchpfad. Das ist der Sprung, an dem Projekte typischerweise eine Preisstufe nach oben rutschen.
4. Die Zahl der Entscheider auf Ihrer Seite
Kein technischer Faktor, aber der zuverlässigste Zeitfresser. Wenn niemand verbindlich sagen kann, was eine richtige Antwort ist, entsteht kein Testfall — und ohne Testfälle wird jede Abnahme zur Geschmacksdiskussion. Projekte scheitern selten am Modell und oft an dieser Stelle.
Die Preisstufen bei Pragma-Code
Damit die Größenordnung nicht abstrakt bleibt, hier die tatsächlichen Festpreise, zu denen ich baue. Alle drei sind Festpreise mit vorab schriftlich definiertem Umfang — nachlesbar auf der Preisseite, keine Tagessätze.
Prozess-Check
Analyse, bevor gebaut wird: Welcher Ablauf lohnt sich überhaupt, wo reicht die Datenqualität, wo nicht.
690 €Rund eine Woche. Ergebnis ist eine Entscheidungsgrundlage — auch die, es zu lassen.
KI-Sprint
Ein abgegrenzter Anwendungsfall wird gebaut und produktiv gestellt. Der Normalfall für einen ersten Agenten.
2.900 €14 Tage, Festpreis. Umfang und Annahmen stehen vorab schriftlich fest.
Automation Scale
Mehrere verbundene Abläufe, tiefere Systemintegration, mehrere Kanäle.
ab 5.900 €6–8 Wochen. Preis nach Zahl der Anbindungen, nicht nach Aufwand in Stunden.
Experten-Tipp: Den Prozess-Check nicht überspringen
690 € klingen nach einem Posten, den man sich sparen kann, wenn die Richtung ohnehin klar ist. In der Praxis ist er die günstigste Stelle im ganzen Projekt, um „nein" zu sagen. Ein Agent, der nach dem Check gar nicht gebaut wird, weil der Ablauf zu selten vorkommt oder die Daten nicht taugen, hat 690 € gekostet statt 2.900 € plus zwölf Monate Betrieb.
3. Block 2: Der Verbrauch — die Rechnung, die nicht Ihnen gehört
Jede Antwort eines LLM wird nach Token abgerechnet: nach der Menge Text, die hineingeht, und der Menge, die herauskommt. Das ist der Posten, der im Angebot eines Dienstleisters typischerweise gar nicht auftaucht, weil er ihn nicht kontrolliert — er entsteht direkt zwischen Ihnen und dem Modellanbieter.
Drei Eigenschaften machen diesen Block schwer planbar, und man sollte sie kennen, bevor man ein Budget zusagt:
Der Kontext wächst mit
Nicht nur die Frage kostet, sondern alles, was der Agent zur Beantwortung mitliest — Gesprächsverlauf, Dokumente, Systemanweisung. Ein Agent mit langem Gedächtnis kann pro Anfrage ein Vielfaches dessen kosten, was die Frage selbst vermuten lässt.
Agenten arbeiten in Schleifen
Ein Agent, der Werkzeuge aufruft, führt für eine Nutzerfrage oft mehrere Modellaufrufe aus: überlegen, nachschlagen, erneut überlegen, antworten. Die Rechnung skaliert mit den Zwischenschritten, nicht mit den Fragen.
Die Preise ändern sich — in beide Richtungen
Modellpreise fallen historisch, aber neue Modellgenerationen sind zum Start teurer, und ein Wechsel auf ein stärkeres Modell kann die Rechnung über Nacht vervielfachen. Ein Kalkulationsmodell, das auf dem heutigen Preisblatt eines Anbieters beruht, hat eine begrenzte Haltbarkeit.
Deshalb gilt bei mir für diesen Block eine einfache Regel: Token- und API-Kosten werden durchgereicht, mit einem vorab vereinbarten Deckel. Kein Aufschlag, keine Marge auf fremden Verbrauch — dafür ein Limit, das ich überwache und bei dem ich mich melde, bevor es reißt. Wer Ihnen den Verbrauch als Pauschale verkauft, kalkuliert entweder einen dicken Risikoaufschlag ein oder wird die Pauschale nach einem halben Jahr neu verhandeln wollen.
4. Block 3: Der Betrieb — der Posten, den fast alle Angebote weglassen
Hier liegt der eigentliche Unterschied zwischen einem Automatisierungsprojekt und einem KI-Projekt, und er wird in Angeboten fast systematisch unterschlagen.
Ein Workflow bricht ab, wenn etwas schiefgeht. Ein KI-Agent antwortet einfach weiter — auch wenn ein Fallback gegriffen, ein Modell sich geändert oder ein Prompt seine Wirkung verloren hat.
Ein klassischer n8n-Workflow, dem eine Schnittstelle wegbricht, wirft einen Fehler. Sie sehen ihn im Monitoring, jemand repariert ihn, fertig. Ein Agent in derselben Lage tut etwas anderes: Er formuliert eine plausible Antwort aus dem, was ihm noch zur Verfügung steht. Nach außen sieht das aus wie Normalbetrieb. Die Kennzahlen sind grün, die Antwortzeiten stimmen, die Fehlerquote ist null — und der Inhalt stimmt trotzdem nicht mehr.
Ich kenne das nicht aus einer Kundenpanne, sondern aus dem eigenen System: Im KI-Sichtbarkeits-Monitor von Pragma-Code entfernte ein automatischer Fallback nach einem Rate-Limit still das Google-Search-Grounding. Das System lief weiter, meldete keinen Fehler und lieferte weiter Antworten — nur eben ohne die Quellenbindung, die den ganzen Zweck ausmachte. Aufgefallen ist es bei einer inhaltlichen Stichprobe, nicht im Monitoring.
Was Betrieb konkret bedeutet
-
Verfügbarkeit und Fehler überwachen
Die Basisschicht: Läuft der Agent, antwortet die Schnittstelle, greifen die Limits. Notwendig, aber wie beschrieben nicht hinreichend.
-
Monatliche Qualitätsstichprobe gegen feste Testfälle
Der eigentliche Kern. Beim Aufsetzen wird gemeinsam schriftlich festgehalten, was eine richtige Antwort ist — mit erwartetem Ergebnis je Fall. Dieser Satz ist danach der Maßstab, gegen den jeden Monat gemessen wird. Nur so wird Drift überhaupt sichtbar.
-
Modellwechsel und Abkündigungen verfolgen
Modelle werden abgekündigt, Nachfolger verhalten sich anders. Wer das erst merkt, wenn der Anbieter abschaltet, hat einen Ausfall statt einer geplanten Migration.
-
Kostenwache
Verbrauch gegen den vereinbarten Deckel prüfen und melden, bevor er gerissen wird — nicht danach.
Diese Leistung gibt es bei mir als eigene, monatlich kündbare Produktlinie in drei Stufen: Agent-Betrieb ab 390 € („Wache"), 690 € („Betrieb", inklusive Qualitätsstichprobe) und 1.190 € pro Monat („Betrieb & Nachweis", zusätzlich mit dokumentiertem Modell- und Versionsstand für die AI-Act-Nachweisführung). Ausdrücklich ohne SLA, ohne Uptime-Garantie und ohne 24/7-Rufbereitschaft — Reaktionszeiten sind werktagsbasiert, und ich sage das lieber vorher als im Schadensfall.
5. Die drei teuersten Fehlannahmen
Vergleich: Erwartung vs. tatsächliche Kostenstruktur
- Einmalzahlung: Der Agent wird gekauft und ist dann da, wie eine Website.
- Preis nach Intelligenz: Ein „schlauerer" Agent kostet mehr in der Entwicklung.
- Wartung optional: Solange er läuft, muss niemand hinsehen.
- Pilot skaliert linear: Was im Test für zehn Anfragen ging, geht für tausend genauso.
- Drei Blöcke: Bau einmalig, Verbrauch und Betrieb laufend über die gesamte Lebensdauer.
- Preis nach Anbindungen: Die Intelligenz ist eingekauft, die Integration ist die Arbeit.
- Wartung ist Qualitätssicherung: Ohne Stichprobe merkt niemand, wenn der Inhalt driftet.
- Verbrauch skaliert überproportional: Mehr Anfragen bedeuten mehr Zwischenschritte und mehr Kontext.
6. Rechenbeispiel: zwölf Monate, offen gerechnet
Das Folgende ist ein Rechenbeispiel mit offengelegten Annahmen, keine Kundenauswertung. Ich habe bisher keinen Kunden-Agenten im Wirkbetrieb und behaupte deshalb keine Erfahrungswerte. Was hier steht, sind meine Festpreise plus eine klar benannte Annahme für den Verbrauch.
Angenommener Fall: ein Agent, ein Kanal — Kundenanfragen auf WhatsApp werden beantwortet und bei Bedarf an einen Menschen übergeben. Eine Wissensbasis, keine schreibenden Systemzugriffe.
Vorab prüfen, ob der Ablauf häufig genug vorkommt und die Informationen belastbar sind.
Bau und Produktivstellung des Anwendungsfalls, Festpreis, 14 Tage.
Monitoring plus monatliche Qualitätsstichprobe gegen die festgelegten Testfälle. Monatlich kündbar.
Der einzige Posten, den ich nicht als Festpreis nennen kann. Er hängt an Anfragemenge, Kontextlänge und Modellwahl und wird deshalb vorab gedeckelt statt geschätzt.
Was daraus folgt: Der Bau macht in diesem Beispiel 3.590 € aus, der Betrieb über zwölf Monate 8.280 €. Der Posten, der in Angeboten meistens fehlt, ist also der größere von beiden — und der Verbrauch kommt noch obendrauf. Genau deshalb ist die Frage „Was kostet der Agent?" ohne Zeitraum nicht beantwortbar.
7. Wann sich ein Agent nicht lohnt
Es gehört zur Kostenfrage dazu, die Fälle zu benennen, in denen die Antwort „gar nicht bauen" lautet. Das sind in meiner Erfahrung vor allem vier:
Zu selten
Ein Ablauf, der zehnmal im Monat vorkommt, rechtfertigt keinen laufenden Betrieb. Hier ist eine Checkliste billiger als ein Agent.
Keine belastbare Quelle
Wenn niemand sagen kann, welche der drei Preislisten gilt, wird der Agent diese Unsicherheit nicht auflösen — er wird sie verbreiten.
Deterministisch lösbar
Wenn es feste Regeln gibt, braucht es kein Sprachmodell. Eine regelbasierte Lösung ist billiger, schneller und prüfbar — deshalb gibt es sie bei mir auch als eigenes Angebot.
Fehler sind teuer
Wo eine falsche Auskunft unmittelbar Geld oder Haftung kostet, muss der Mensch in der Schleife bleiben — das reduziert die Ersparnis oft so weit, dass sich der Aufwand nicht mehr trägt.
Quick-Check: Ist Ihr Budget vollständig?
Fazit
„Was kostet ein KI-Agent?" ist eine Frage, auf die eine einzelne Zahl fast immer eine unehrliche Antwort ist. Belastbar wird sie erst, wenn man sie in drei Blöcke zerlegt: Der Bau ist planbar und bei einem abgegrenzten Anwendungsfall mit 2.900 € Festpreis der kleinste Posten. Der Verbrauch ist nutzungsabhängig, gehört dem Modellanbieter und lässt sich nur deckeln, nicht wegverhandeln. Und der Betrieb ist der Block, der in Angeboten fehlt und über zwölf Monate trotzdem den Bau übersteigt.
Wer diese drei Zahlen nebeneinander legt, kann Angebote zum ersten Mal wirklich vergleichen — und trifft im Zweifel die günstigste aller Entscheidungen, nämlich einen Agenten gar nicht erst zu bauen, der sich nicht trägt.
Haben Sie eine Vision?
Lassen Sie uns gemeinsam prüfen, wie wir Ihre Idee zum Fliegen bringen.
Jetzt kostenloses Strategiegespräch buchenErweitertes Fachglossar
KI-Automatisierung
Der Einsatz von KI-Modellen in betrieblichen Abläufen, um Aufgaben zu übernehmen, die zuvor manuell erledigt wurden.
Agentic Workflow
Ein Ablauf, in dem ein KI-Agent nicht nur antwortet, sondern eigenständig Werkzeuge aufruft und Zwischenschritte entscheidet.
Agentic ROI
Die Wirtschaftlichkeitsbetrachtung eines KI-Agenten über Bau, Verbrauch und Betrieb hinweg statt nur über den Projektpreis.
LLM
Large Language Model — das Sprachmodell, das die Antworten eines KI-Agenten erzeugt und dessen Nutzung nach Token abgerechnet wird.
