Was kostet KI im Marketing wirklich?

Seit dem 3. August 2026 kursieren in Marketing-Teams wieder dieselben Fragen wie bei jedem neuen Modell-Launch: Welches Abo reicht eigentlich, und was kostet es wirklich, wenn KI nicht nur beim Formulieren hilft, sondern ganze Kampagnenschritte selbst ausführt? Für Marketing-Professionals mit den typischen Aufgaben Kampagnenplanung, Copywriting, Bildgenerierung und Blogartikel lohnt sich ein nüchterner Blick auf die aktuellen Preislisten der Anbieter — denn zwischen einfacher Chat-Nutzung und voll agentischem Einsatz liegt ein Kostenunterschied, der in keiner Preistabelle direkt ausgewiesen wird.

Was die Abos kosten

Der Einstieg in bezahlte KI-Tools beginnt inzwischen deutlich unter der psychologischen Marke von 20 US-Dollar. OpenAI hat mit ChatGPT Go einen Tarif für 8 US-Dollar pro Monat eingeführt, während der etablierte Plus-Tarif bei 20 US-Dollar liegt und laut OpenAI "expanded deep research and agent mode" freischaltet. Wer mehr braucht, zahlt für ChatGPT Pro 100 oder 200 US-Dollar monatlich, je nach Nutzungsstufe (OpenAI Help). Bei Anthropic startet Claude Pro bei 17 US-Dollar (Jahreszahlung) beziehungsweise 20 US-Dollar (monatlich), Max-Tarife beginnen bei 100 US-Dollar (claude.com/pricing). Google positioniert seine Consumer-Pläne mit 4,99 US-Dollar für AI Plus bis 99,99 US-Dollar für AI Ultra (Google AI Plans). Für Bildgenerierung kommen separate Werkzeuge hinzu: Midjourney ab 10 US-Dollar für den Basic-Tarif (Midjourney Docs) und Adobe Firefly ab 9,99 US-Dollar für den Standard-Tarif (Adobe Firefly).

Für Microsoft-365-Kunden ist Copilot Chat ohne Zusatzkosten in geeigneten Abos enthalten, während das volle Microsoft 365 Copilot Business laut aktueller Aktion (1. Juli bis 30. September 2026) statt regulär 21 US-Dollar ab 18 US-Dollar pro Nutzer und Monat kostet (Microsoft 365 Copilot Pricing). Diese Bandbreite zeigt bereits: Die reinen Abo-Kosten sind für ein einzelnes Marketing-Team überschaubar. Interessant wird es erst, wenn man betrachtet, wofür die Kontingente tatsächlich verbraucht werden.

Bildgenerierung: Der Preis pro Bild

Für Kampagnenmaterial und Blogartikel-Illustrationen zählt am Ende weniger das Abo als der Preis pro erzeugtem Bild — vor allem, wenn Bildgenerierung über die API statt über ein Consumer-Interface läuft. Hier zeigen sich deutliche Unterschiede zwischen den Anbietern und sogar zwischen Qualitätsstufen desselben Modells.

DALL·E 3 von OpenAI liegt im Standard-Modus bei 0,04 US-Dollar pro Bild, während GPT Image 1.5 in der Einstellung "high" mit 0,133 US-Dollar mehr als das Dreifache kostet (OpenAI API Pricing). Bei Google liegt Nano Banana 2 (Gemini 3.1 Flash Image) in der 1K-Auflösung bei 0,067 US-Dollar, die leistungsfähigere Nano Banana Pro bei 0,134 US-Dollar, während Imagen 4 im Standard-Modus mit 0,04 US-Dollar deutlich günstiger bleibt (Gemini API Pricing). Am unteren Ende des Preisspektrums liegen FLUX.2 pro über Together AI mit 0,03 US-Dollar (Together AI Pricing) und Grok Imagine von xAI ab 0,02 US-Dollar pro Bild (xAI Docs). Für ein Marketing-Team, das regelmäßig Bildmaterial für Social-Media-Kampagnen oder Blogartikel benötigt, macht dieser Faktor drei bis sieben zwischen günstigstem und teuerstem Modell bei größeren Stückzahlen einen spürbaren Unterschied — auch wenn der Einzelbildpreis auf den ersten Blick klein wirkt.

Agentische Nutzung: Warum der Sprung so groß ausfällt

Der eigentliche Kostentreiber liegt nicht im einzelnen Chat oder im einzelnen Bild, sondern in der Umstellung von Chat-Nutzung auf agentische Nutzung — also auf Workflows, bei denen die KI mehrere Schritte selbstständig ausführt, Tools aufruft und Zwischenergebnisse weiterverarbeitet. Anthropic dokumentiert für Claude Code, dass Agent-Teams rund das Siebenfache an Tokens verbrauchen wie Standard-Sessions, sobald mehrere Teammitglieder im Plan-Modus parallel arbeiten, weil jedes Teammitglied ein eigenes Kontextfenster führt (Claude Code: Manage costs). Hinzu kommt ein strukturelles Detail: Bei jedem Request wird die vollständige bisherige Konversation mitgeschickt, und jeder Tool-Aufruf erzeugt einen weiteren Request samt Tool-Ergebnis — eine einzelne kurze Nachfrage in einer den ganzen Tag offenen Session zieht damit Verbrauch für die gesamte Konversation nach sich (Claude Code: Manage costs).

Wie stark sich das auf die verfügbaren Kontingente auswirkt, zeigt sich bei den Nachrichtenlimits von OpenAI: Im ChatGPT-Plus-Tarif stehen 40 Agent-Modus-Nachrichten pro Monat zur Verfügung, im Pro-Tarif sind es 400 (ChatGPT agent). Der Faktor 10 zwischen den Tarifen bildet ziemlich genau ab, wie viel mehr Ressourcen ein agentischer Workflow gegenüber einer einfachen Chat-Anfrage bindet. Bei Google skaliert das AI-Ultra-Abo die Gemini-Limits um bis zu das Zwanzigfache gegenüber dem kostenlosen Zugang und schaltet zusätzlich Gemini Agent und Deep Think frei, die in den günstigeren Plus- und Pro-Tarifen nicht enthalten sind (Google AI Plans). Eine eigene Ableitung aus der von Anthropic dokumentierten Beispiel-Session (0,55 US-Dollar Gesamtkosten bei 1,2k Input-, 5,3k Output-, 940k Cache-Read- und 50k Cache-Write-Tokens) verdeutlicht die Größenordnung: Hochgerechnet auf vier Agent-Läufe pro Arbeitstag über 21 Arbeitstage ergäben sich rund 46 US-Dollar pro Monat und Person bei Standard-Sessions — mit dem dokumentierten Faktor 7 für Agent-Teams entspräche das etwa 320 US-Dollar pro Monat. Diese Rechnung ist eine eigene Ableitung aus den Anbieterangaben, kein von Anthropic veröffentlichter Zielwert — die tatsächlichen Kosten hängen laut Anbieterdokumentation stark von Kontextlänge, Modellwahl und Cache-Verhalten ab (Claude Code: Manage costs).

Für Marketing-Teams heißt das konkret: Ein Agent, der selbstständig eine Kampagne recherchiert, mehrere Textvarianten erstellt, sie gegeneinander prüft und Bildvorschläge generiert, verbraucht in einem einzigen Durchlauf ein Vielfaches dessen, was eine vergleichbare Chat-Konversation kosten würde. Das ist kein Grund, auf Agenten zu verzichten — aber ein Grund, den Einsatz gezielt auf Aufgaben zu beschränken, bei denen die Automatisierung mehrerer Schritte tatsächlich Zeit spart, statt Agenten pauschal für jede Anfrage laufen zu lassen.

Wann reicht das günstige Modell

Nicht jede Aufgabe braucht das leistungsstärkste verfügbare Modell — und die Anbieter selbst empfehlen inzwischen explizit, mit dem günstigeren Modell zu beginnen. Anthropic rät ausdrücklich dazu, mit Claude Haiku 4.5 zu starten, den jeweiligen Anwendungsfall zu testen und erst bei konkret nachgewiesenen Fähigkeitslücken zu einem stärkeren Modell zu wechseln; Haiku 4.5 wird dabei als "near-frontier performance" zum günstigsten Preispunkt beschrieben und ausdrücklich für hochvolumige, klar umrissene Aufgaben sowie latenz- und kostensensitive Einsätze empfohlen (Choosing the right model). Für Content Creation nennt Anthropic explizit Claude Sonnet 5 als Ausgangsmodell — nicht das teuerste in der Modellfamilie (Choosing the right model). Das vorgeschlagene Vorgehen ist dabei denkbar pragmatisch: Benchmarks mit den eigenen Prompts und eigenen Daten fahren, Genauigkeit und Antwortqualität vergleichen, und erst bei einer nachgewiesenen Lücke auf ein leistungsfähigeres Modell wechseln.

Was bedeutet das konkret für die Textkosten eines Blogartikels? Eine eigene Ableitung aus den veröffentlichten Preisen: Ein 1.000-Wörter-Artikel entspricht grob 1.300 bis 1.500 Output-Tokens. Bei einem günstigen Modell wie gpt-5.4-nano (1,25 US-Dollar pro 1 Million Output-Tokens) kostet der reine Output damit unter 0,002 US-Dollar, bei gpt-5.4 (15 US-Dollar pro 1 Million) rund 0,02 US-Dollar, und selbst beim teuersten verfügbaren Modell, Claude Fable 5 (50 US-Dollar pro 1 Million), liegt er bei etwa 0,07 US-Dollar. Reine Textproduktion ist damit in praktisch jedem Modell-Tier vernachlässigbar günstig — kostentreibend sind nicht die fertigen Artikel, sondern der Rechercheaufwand, Tool-Aufrufe und agentische Wiederholungen, wie im vorherigen Abschnitt beschrieben. Zusätzliche Hebel unabhängig vom Modell: Batch-Verarbeitung spart bei Anthropic und Google jeweils 50 Prozent gegenüber Echtzeit-Anfragen (Anthropic Pricing, Gemini API Pricing), und Prompt-Caching senkt die Input-Kosten bei OpenAI von 2,50 auf 0,25 US-Dollar pro 1 Million Cached-Input-Tokens bei gpt-5.4 (OpenAI API Pricing).

Für die Praxis lässt sich daraus eine einfache Faustregel ableiten: Für Recherche, Strategiearbeit und komplexe agentische Workflows lohnt sich ein leistungsfähigeres Modell, weil Fehler dort teuer werden. Für die reine Texterstellung eines fertig recherchierten und briefierten Artikels ist der Kostenunterschied zwischen den Modell-Tiers dagegen so gering, dass die Entscheidung eher von Qualitätsanforderungen als vom Preis abhängen sollte.

Diese Modellwahl sollte dabei kein einmaliger Entscheid sein, sondern laufend überprüfbar bleiben — genau das haben wir bei der Entwicklung unseres Acceleraid Assistant berücksichtigt: Er ist modell-agnostisch aufgebaut, das zugrunde liegende Modell lässt sich jederzeit wechseln, etwa von einem teureren Frontier-Modell zu einem günstigeren, sobald sich ein Anwendungsfall als weniger anspruchsvoll herausstellt als angenommen. Wissen, Kontexte und Konfigurationen bleiben dabei vollständig erhalten, sodass ein Modellwechsel keine Neueinrichtung erfordert, sondern eine reine wirtschaftliche Optimierung bleibt.

Bevor ein Marketing-Team seine KI-Ausstattung neu aufstellt, lohnen sich vier Prüffragen: Für welche konkreten Aufgaben wird tatsächlich agentische Nutzung mit mehreren Automatisierungsschritten benötigt, statt einfacher Chat-Interaktion? Wie viele Bilder werden pro Monat über welche API erzeugt, und lohnt sich ein Wechsel zu einem günstigeren Modell wie FLUX.2 pro oder Grok Imagine? Wurde für die eigenen Copywriting- und Blogartikel-Workflows jemals getestet, ob ein günstigeres Modell wie Haiku 4.5 oder Sonnet 5 ausreicht, bevor automatisch das teuerste Modell gewählt wurde? Und: Ist die aktuelle Tool-Auswahl so flexibel, dass ein Modellwechsel möglich ist, ohne bestehende Konfigurationen und Kampagnenwissen zu verlieren?

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.