6 praktische Wege, wie Mitarbeitende KI-Token-Kosten senken

Geschrieben vonAnna Katharina Bollé

August 27, 2026

KI & Intelligenz6 minutes

Jeder, der ein KI-Tool öffnet, einen Prompt sendet oder ein Dokument hochlädt, kann zusätzliche Token-Kosten auslösen. Während die Finanzabteilung die Rechnung häufig erst später sieht, beeinflussen alltägliche Entscheidungen der Mitarbeitenden, wie effizient KI genutzt wird.

Behalten Sie Ihre KI-Token-Ausgaben zentral im Blick

Damit Mitarbeitende ihre Nutzung gezielt verbessern können, muss das Unternehmen zunächst erkennen, wo die Kosten entstehen. Token-Ausgaben verteilen sich häufig auf Personen, automatisierte Workflows und verschiedene Anbieter, während die Finanzabteilung oft erst Einblick erhält, nachdem die Kosten bereits entstanden sind.

Deshalb haben wir den Moss AI Token Cost Tracker entwickelt: ein kostenloses Dashboard, das lokal auf Ihrem Computer läuft und die KI-Ausgaben Ihrer verbundenen Anbieter in einer auf das Finanzteam zugeschnittenen Übersicht zusammenführt. So können Sie Kosten bis auf Ebene des Anbieters, Modells, Teams, der Person, des API-Keys oder Workflows zurückverfolgen.

Probieren Sie den Tracker selbst aus. Folgen Sie dazu einfach dem Video-Tutorial und der Schritt-für-Schritt-Anleitung für Ihr System:

Clone and set up the moss-ai-token-cost-tracker tool for me. Act as my setup assistant using your file system and terminal access:
1. First check whether the current folder (or a `moss-ai-token-cost-tracker` subfolder) already contains this tool (look for server.mjs and index.html). If it's already there, run `git pull` inside that folder to get the latest changes, then skip straight to step 3.
2. Otherwise, clone the repo:
   git clone https://github.com/getmoss/moss-ai-token-cost-tracker
   then work from inside that folder, and check whether Git, nvm, and the Node.js version this repo's README requires are installed, installing or switching to whatever is missing.
3. Ask me whether I want to run it in production mode (connecting my real accounts with API keys) or demo mode (mocked data, so I can just see how it looks without any API keys). Wait for my answer before continuing.
4. Double check that everything needed is set up correctly, and then run `npm start` for production mode, or `npm run demo` for demo mode, based on my answer.
5. Watch the terminal output for errors. If something fails, diagnose the root cause, explain it to me in plain language, and either fix it or tell me exactly what to run.
6. Tell me the URL to open in my browser once the server is running.
7. Later, if I ask you to stop or restart the tool, do that for me.

Important: never read, print, or send the contents of my .env file, and never share any API keys or company data outside this terminal session.

Was ist ein KI-Token?

Ein Token ist eine kleine Texteinheit, die ein Sprachmodell verarbeitet. Dabei kann es sich um ein Wort, einen Wortteil, eine Zahl oder ein Satzzeichen handeln. Als grobe Orientierung entsprechen 1.000 englischsprachige Token etwa 750 Wörtern. Die genaue Zahl hängt von Sprache und Inhalt ab.

Für die Abrechnung sind vor allem drei Arten relevant:

• Eingabe-Token umfassen Prompts, Systemanweisungen, hochgeladene Inhalte und den relevanten Gesprächsverlauf.
• Ausgabe-Token umfassen die vom Modell erzeugte Antwort und werden häufig zu einem höheren Tarif abgerechnet.
• Zwischengespeicherte Token sind wiederkehrende Teile der Eingabe, die erneut aus einem Cache verwendet und je nach Anbieter günstiger abgerechnet werden können.

Ein einzelner Prompt verursacht möglicherweise nur geringe Kosten. Wenn jedoch viele Mitarbeitende und automatisierte Workflows unabhängig voneinander KI nutzen, summiert sich der Verbrauch. Die folgenden sechs Gewohnheiten helfen dabei, unnötige Token zu vermeiden, ohne produktive Nutzung einzuschränken.

1. Für eine neue Aufgabe eine neue Konversation beginnen

In längeren Konversationen kann der bisherige Verlauf bei jeder neuen Anfrage erneut als Kontext verarbeitet werden. Wechseln Sie zu einer unabhängigen Aufgabe, sollten Sie deshalb einen neuen Chat beginnen.

Wenn Sie beispielsweise die Prüfung einer Kostenstelle abgeschlossen haben und anschließend ein Anbieter-Update formulieren möchten, benötigt das Modell die vorherigen Zahlen, Korrekturen und Diskussionen nicht mehr. Ein neuer Chat reduziert unnötigen Kontext und macht die neue Aufgabe leichter verständlich.

Bleiben Sie im bestehenden Chat, wenn der bisherige Verlauf weiterhin benötigt wird. Es geht nicht darum, Konversationen möglichst kurz zu halten, sondern unabhängige Inhalte nicht unnötig mitzuschleppen.

2. Nur relevanten Kontext bereitstellen

Mehr Kontext führt nicht automatisch zu einem besseren Ergebnis. Stellen Sie nur die Informationen bereit, die für die konkrete Aufgabe erforderlich sind, entfernen Sie Wiederholungen und verwenden Sie nur die aktuelle Version eines Dokuments.

Wenn Sie beispielsweise einen Abschnitt einer E-Mail überarbeiten möchten, reichen meist der betreffende Abschnitt und wenige Hintergrundinformationen. Die gesamte E-Mail-Kette und mehrere frühere Entwürfe sind nur notwendig, wenn das Modell sie tatsächlich vergleichen oder berücksichtigen soll.

3. Länge und Format der Antwort vorgeben

Fordern Sie keinen vollständigen Bericht an, wenn eine kurze Antwort ausreicht. Legen Sie den gewünschten Umfang und das Format bereits in der ersten Anfrage fest.

Sie können beispielsweise fünf Stichpunkte, eine Zusammenfassung mit höchstens 150 Wörtern oder eine E-Mail mit zwei kurzen Absätzen anfordern. Bei einer Datenprüfung können Sie das Modell bitten, nur Auffälligkeiten und den jeweiligen Grund für die Markierung auszugeben.

Eine möglichst kurze Antwort ist allerdings nicht immer die günstigste. Fehlen wichtige Details, können zusätzliche Korrekturrunden entstehen. Der gewünschte Umfang sollte deshalb zur Aufgabe passen.

4. Die erste Anfrage klar strukturieren

Unklare Prompts führen häufig zu Rückfragen, Korrekturen und erneuten Versuchen. Beschreiben Sie deshalb von Anfang an die Aufgabe, den inhaltlichen Fokus und das gewünschte Ausgabeformat.

Zum Beispiel:

Aufgabe: Schreibe einen LinkedIn-Beitrag zu unserem neuen Produktmerkmal.
Fokus: Kundenproblem, zentraler Nutzen und Möglichkeit zum Ausprobieren.
Ausgabe: Maximal 150 Wörter mit einer kurzen Überschrift und einer Handlungsaufforderung.

Eine solche Struktur hilft dem Modell, die Anfrage beim ersten Versuch richtig einzuordnen. Das reduziert unnötige Korrekturschleifen und macht das Ergebnis direkt nutzbarer.

5. Vorlagen und Skills wiederverwenden

Wenn Sie eine Aufgabe regelmäßig wiederholen, speichern Sie die Anweisungen als Prompt-Vorlage oder wiederverwendbaren Skill. Das eignet sich beispielsweise für die Zusammenfassung wöchentlicher Vertriebsgespräche, die Erkennung häufiger Kundeneinwände oder die Vorbereitung von Folgemaßnahmen.

Vorlagen senken nicht automatisch den Token-Verbrauch. Sie können jedoch unnötige Erklärungen, Korrekturen und Neuerstellungen vermeiden. Bei API-basierten Workflows können stabile, wiederkehrende Anweisungen zusätzlich von günstiger abgerechneten Cache-Token profitieren.

Überprüfen Sie Vorlagen regelmäßig und entfernen Sie veraltete, doppelte oder unnötig lange Anweisungen.

6. Modell und Verarbeitungsgeschwindigkeit passend zur Aufgabe wählen

Wenn das freigegebene KI-Tool eine Modellwahl ermöglicht, reichen leichtgewichtige Modelle häufig für einfache Aufgaben wie Klassifizierungen, kurze Zusammenfassungen oder Formatierungen aus. Leistungsfähigere Modelle eignen sich für komplexe oder folgenreiche Aufgaben, bei denen ihre zusätzlichen Fähigkeiten tatsächlich benötigt werden.

Dasselbe gilt für priorisierte oder besonders schnelle Verarbeitung. Die Standardverarbeitung reicht aus, wenn die Antwort nicht dringend benötigt wird. Höhere Geschwindigkeit lohnt sich nur, wenn Wartezeit ein konkretes geschäftliches Problem verursacht.

Das günstigste Modell ist jedoch nicht immer die wirtschaftlichste Wahl. Benötigt es mehrere Korrekturen, kann die Aufgabe insgesamt mehr kosten. Entscheidend sind deshalb die Qualität des Ergebnisses und der gesamte Aufwand bis zum erfolgreichen Abschluss.

Mitarbeitenden sinnvolle Standardeinstellungen geben

Diese Gewohnheiten lassen sich leichter umsetzen, wenn das Unternehmen freigegebene Modelle für typische Aufgaben, wiederverwendbare Vorlagen und einfache Empfehlungen zu Antwortlänge und Kontext bereitstellt. So können Kosten gesenkt werden, ohne Prompts oder Antworten der Mitarbeitenden einzusehen.

Mitarbeitende müssen sich keine Anbieterpreise merken. Sie sollten jedoch verstehen, dass zusätzlicher Kontext, lange Antworten, wiederholte Versuche und Premium-Optionen die Rechnung erhöhen können. Klare Entscheidungen zu Beginn einer Aufgabe verhindern häufig, dass daraus eine lange und unnötig teure Konversation entsteht.