Begriff
Tier-Pricing
Mehrstufiges Modell-Angebot eines Anbieters — kleine, schnelle Varianten (Mini/Flash/Haiku) zum Bruchteil des Preises der großen Frontier-Modelle. Auch: Volume-Tiers mit Mengenrabatt.
Tier-Pricing — ausführlicher erklärt
Anbieter staffeln ihre Modelle in Tiers, damit Nutzer für jede Aufgabe das passende Preis-Leistungs-Niveau wählen können. Die Faustregel: Frontier-Modelle (Opus, GPT-5.5, Gemini 3 Pro) für komplexes Reasoning und Spezialfälle; Mid-Tier (Sonnet, GPT-5.5-mini, Gemini Flash) für die meisten Produktiv-Anwendungen; Low-Tier (Haiku, GPT-Nano, Flash-Lite) für hochvolumige, einfache Aufgaben wie Klassifikation oder Routing. Der Preisunterschied zwischen Top- und Bottom-Tier liegt typischerweise beim Faktor 30–60.
Beispiel / Praxisbezug
Ein Chatbot, der eingehende Tickets erst klassifiziert (kurze, simple Aufgabe) und dann je nach Klasse eine ausführliche Antwort erstellt, kann den Klassifikations-Schritt mit Haiku (~$0,25 / $1,25 pro MTok) und nur die finale Antwort mit Sonnet (~$3 / $15) erzeugen. Bei 10.000 Tickets pro Tag spart das oft 70–90 % der Gesamtkosten gegenüber einem reinen Sonnet-Setup — bei kaum spürbarem Qualitätsverlust, weil Klassifikation eben keine Frontier-Aufgabe ist.
Abgrenzung zu ähnlichen Begriffen
Volume-Tiers (auch: Usage-Tiers) sind eine andere Achse — sie staffeln den Rabatt nach der monatlichen Verbrauchshöhe oder Vorabzahlung des Kunden, nicht nach Modellgröße. Tier-Pricing meint hier die Modellauswahl. Beide kombiniert ergeben den günstigsten Setup: kleines Modell für einfache Aufgaben + hoher Volume-Tier für Mengenrabatt.
Entdecke mehr
Headless ohne API-Rechnung — wie kommt man 2026 an die besten KI-Modelle für Automatisierung?
Anbieter-Vergleich Mitte 2026: Wer hat Headless-Modus, wessen Abo deckt ihn noch — und warum BYOK das stabilste Fundament ist.
Glossar$/MTok (Kosten pro Million Tokens)
Standard-Preisangabe bei KI-APIs — Kosten in US-Dollar pro eine Million verarbeitete Tokens. Wird getrennt für Input, Output und ggf. Cache angegeben.
LexikonFunction Calling / Tool Use
Wie ein LLM Werkzeuge aufruft: Tool-Definition als Schema, Modell wählt Funktion und Argumente, Ergebnis zurück ins Gespräch — der Grundbaustein jedes Agenten.