Was kostet KI pro Entwickler? Copilot, Claude Code, Cursor & Co. im Kostenvergleich

Seit dem 10. Juli 2025 rechnet GitHub den Copilot Coding Agent nicht mehr nach Tokenverbrauch, sondern pauschal mit einem Premium Request pro Session ab — ein kleines Detail mit großer Wirkung auf die Budgetplanung von Engineering-Teams. Denn zwischen einer Zeile Code-Vervollständigung und einem Agenten, der ein ganzes Ticket eigenständig abarbeitet, liegt preislich nicht der Faktor 2 oder 3, sondern eher der Faktor 20. Wer IT-Budgets für 2026 plant, muss diese drei Nutzungsformen — Completion, Chat, Agent — getrennt kalkulieren. Ein Überblick mit Zahlen aus den offiziellen Preis- und Nutzungsdokumentationen der Anbieter, Stand August 2026.

Drei Nutzungsformen, drei Kostenordnungen

Reine Code-Completion ist die günstigste Stufe: Inline-Vorschläge sind bereits in GitHub Copilot Free enthalten — 2.000 Vervollständigungen und 50 Premium Requests pro Monat, ohne Kosten. Chat-gestütztes Coding, bei dem Entwickler Fragen stellen und Code-Schnipsel generieren lassen, bewegt sich im Bereich einfacher Abo-Preise ab $10 für Copilot Pro oder $20 für Cursor Pro. Voll-agentisches Coding — Agenten, die Tickets selbstständig implementieren, testen und Pull Requests erstellen — verbraucht dagegen ein Vielfaches an Rechenleistung und schlägt sich in deutlich höheren, nutzungsabhängigen Kosten nieder. Nach Angaben von Anthropic liegen die Kosten für Claude Code bei durchschnittlich 150 bis 250 US-Dollar pro Entwickler und Monat, OpenAI beziffert Codex mit durchschnittlich 100 bis 200 US-Dollar pro Entwickler und Monat. Cursor dokumentiert für täglichen Agent-Einsatz 60 bis 100 US-Dollar monatlich, für Power User 200 US-Dollar und mehr. Einen allgemeinen Überblick über Modellkosten haben wir bereits in „KI-Modellkosten 2026: Welches Modell für welche Aufgabe?“ behandelt — hier geht es spezifisch um die Kostenstruktur pro Software-Engineer.

Abo-Übersicht: was die gängigen Tools kosten

Die folgende Tabelle zeigt die offiziell dokumentierten Einstiegs- und Standardpreise der wichtigsten Coding-Assistenten. Enterprise-Preise sind teils individuell verhandelt und daher nicht überall vollständig ausgewiesen.

Auffällig: Die Einstiegspreise der Abos liegen dicht beieinander — zwischen $10 und $20 pro Nutzer und Monat. Der entscheidende Kostentreiber liegt nicht im Abo selbst, sondern in dem, was innerhalb dieses Abos an Modell-Nutzung verbraucht wird.

Die Mechanik hinter den Premium Requests

Der Unterschied zwischen einem $10-Abo und einer Rechnung von mehreren hundert Dollar entsteht durch Modell-Multiplikatoren. GitHub Copilot rechnet Chat- und Agent-Mode-Nutzung als 1 Request pro Prompt, multipliziert mit einem modellspezifischen Faktor ab. Dieser Multiplikator schwankt erheblich: Claude Haiku 4.5 und Gemini 3 Flash sind mit Faktor 0,33 hinterlegt, während Claude Opus 4.7 mit Faktor 7,5 abgerechnet wird — bei besonders schnellen Opus-4.6-Konfigurationen sogar mit Faktor 30.

Für die Praxis heißt das: Ein Copilot-Pro-Abo mit seinen 300 inkludierten Premium Requests reicht bei einem günstigen Modell mit Multiplikator 0,33 für rund 900 bis 1.200 Prompts im Monat — bei Opus 4.7 mit Faktor 7,5 dagegen nur für etwa 40 Prompts, bevor Zusatzkosten von $0,04 pro weiterem Request anfallen. Zwischen der günstigsten und der teuersten Modellwahl im selben Abo liegt damit ein Faktor von etwa 22 bei der Anzahl möglicher Prompts. Wer sein Team pauschal auf das leistungsstärkste verfügbare Modell einstellt, ohne die Aufgabe zu differenzieren, zahlt für viele Routineaufgaben unnötig drauf.

Auch bei Cursor zeigt sich dieses Muster: Im Pro-Abo sind rund 225 Requests mit Sonnet 4, aber rund 550 mit Gemini und rund 500 mit GPT-5 realistisch — je nach Modellwahl variiert die nutzbare Menge um mehr als den Faktor 2 bei identischem Abopreis. Bei Claude Code selbst dominiert eine andere Stellschraube: Cache-Reads kosten bei Opus 5 nur $0,50 statt $5,00 pro 1 Million Token — Faktor 10 gegenüber unge-cachtem Input. Da laut Anthropic in einer Beispiel-Session 940.000 der insgesamt verbrauchten Token auf Cache-Reads entfallen, gegenüber nur 1.200 originärem Input, entscheidet die Caching-Konfiguration eines Tools mindestens so stark über die Rechnung wie die Modellwahl selbst.

Wann reicht das günstige Modell?

Die zentrale Frage für jedes Engineering-Budget lautet: Wie viel Qualität verliert man tatsächlich, wenn man das günstigere Modell wählt? Nach Herstellerangaben ist der Abstand oft überraschend gering. Claude Haiku 4.5 erreicht laut Anthropic 73,3 Prozent auf SWE-bench Verified und wird vom Hersteller selbst als Modell mit „einem Drittel der Kosten von Sonnet 4 bei ähnlicher Coding-Leistung“ beschrieben. Google gibt für Gemini 3 Flash 78 Prozent auf SWE-bench Verified an — damit übertrifft das günstigere Flash-Modell nach diesen Angaben sogar die eigene Pro-Version — bei „weniger als einem Viertel der Kosten von Gemini 3 Pro“. DeepSeek meldet für V4-Flash im Max-Modus 79,0 Prozent auf SWE-bench Verified, gegenüber 80,6 Prozent des größeren V4-Pro Max — ein Unterschied von unter zwei Prozentpunkten.

Wichtig: Diese Werte sind durchweg Herstellerangaben (self-reported) und nicht unabhängig verifiziert. Trotzdem ist die Größenordnung bemerkenswert: Während die Benchmark-Werte der günstigen Modelle nur wenige Prozentpunkte hinter den Frontier-Modellen liegen, unterscheiden sich die Tokenpreise um den Faktor 3 bis 35 — etwa $0,50 für Gemini 3 Flash gegenüber $2,00 für Gemini 3.1 Pro im Input, $1 für Haiku 4.5 gegenüber $5 für Opus 5, oder $0,14 für DeepSeek V4-Flash gegenüber $5,00 für OpenAIs gpt-5.6-sol. Für Standardaufgaben wie Boilerplate-Code, einfache Refactorings, Testabdeckung oder Dokumentation ist das günstige Modell nach diesen Zahlen in den meisten Fällen ausreichend. Das teure Frontier-Modell rechtfertigt sich dort, wo Fehler teuer sind: komplexe Architekturentscheidungen, sicherheitskritische Logik oder Aufgaben mit hoher Ambiguität.

Was das für die Budgetplanung bedeutet

Aus den Herstellerzahlen lässt sich ein grober Planungsrahmen ableiten (eigene Einordnung, keine Quellenzahl): Reine Completion- und Chat-Nutzung bewegt sich bei $10 bis $20 pro Entwickler und Monat, sobald ernsthaft agentisch gearbeitet wird, sind es nach übereinstimmenden Angaben von Anthropic, OpenAI und Cursor eher $100 bis $250. Anthropic weist zudem aus, dass 90 Prozent der Nutzer unter $30 pro aktivem Tag bleiben — die Verteilung ist also stark rechtsschief, einzelne Power-User treiben den Durchschnitt. Wer Budgets plant, sollte deshalb nicht mit einem Pauschalwert pro Kopf rechnen, sondern mit Nutzungsprofilen: Wie viele Entwickler arbeiten überwiegend mit Completion, wie viele nutzen Agenten täglich für komplette Tickets?

Für Finanzdienstleister und andere regulierte Branchen kommt eine zweite Dimension hinzu: die Bindung an ein einziges Modell oder einen einzigen Anbieter. Steigt der Preis für ein Frontier-Modell, oder ändert ein Anbieter seine Multiplikatoren wie im Copilot-Beispiel, verändert sich das Budget ohne eigenes Zutun. Genau deshalb haben wir den Acceleraid Assistant modell-agnostisch aufgebaut: Das zugrunde liegende Modell lässt sich jederzeit wechseln, ohne dass Wissen, Kontexte oder Konfigurationen verloren gehen. Teams können damit für Routineaufgaben ein günstiges Modell einsetzen und für kritische Fälle gezielt auf ein leistungsstärkeres wechseln, ohne die Plattform oder die aufgebaute Wissensbasis zu wechseln.

Vier Fragen helfen, die eigene Situation einzuordnen:

• Wie viel Prozent unserer Engineering-Aufgaben sind reine Completion oder Chat, wie viel ist echte Agenten-Nutzung mit Ticket-Autonomie?

• Nutzen wir aktuell für alle Aufgaben pauschal das teuerste verfügbare Modell, oder differenzieren wir nach Aufgabentyp?

• Kennen wir unsere Modell-Multiplikatoren und deren Auswirkung auf das monatliche Kontingent, bevor die Rechnung kommt?

• Was passiert mit unserem Budget, wenn ein Anbieter seine Preise oder Multiplikatoren ändert — und wie schnell könnten wir das Modell wechseln?

Illustration: KI-generiert. KI-gestützte Inhalte: Bei der Erstellung unserer Beiträge setzen wir KI-Technologien und automatisierte Agenten ein, unter anderem von Microsoft, Google, OpenAI, Anthropic und weiteren Anbietern. Themen, fachliche Ausrichtung und finale Freigabe liegen bei unserem Team.