Technik
Token
Kurz beantwortet
Ein Token ist die kleinste Texteinheit, mit der ein Sprachmodell arbeitet — meist ein Wortteil von wenigen Zeichen. Als Faustregel entsprechen 1.000 Token etwa 700-750 deutschen Wörtern. Token sind wichtig, weil sich sowohl die Verarbeitungskapazität (Kontextfenster) als auch die Kosten von KI-Modellen danach bemessen.
Warum Token und nicht Wörter?
Sprachmodelle zerlegen Text in Token, weil das effizienter ist als ganze Wörter: Häufige Wörter sind ein Token, seltene oder zusammengesetzte Wörter werden in mehrere Teile zerlegt. Gerade deutsche Komposita ("Warenwirtschaftssystem") bestehen aus mehreren Token — deutscher Text braucht dadurch tendenziell etwas mehr Token als englischer.
Alles, was ein Modell liest und schreibt, zählt in Token: die Anweisung (Prompt), mitgelieferte Dokumente, der Gesprächsverlauf und die Antwort. Danach richten sich API-Kosten (Preis pro Million Token) und die Grenze dessen, was auf einmal verarbeitet werden kann (Kontextfenster).
Praktische Bedeutung für Projekte
Für Automatisierungsprojekte sind Token die Kostenwährung: Ein Prozess, der pro Vorgang lange Dokumente verarbeitet, kostet mehr als einer mit kurzen Texten. Gute Systeme optimieren das — etwa indem sie nur relevante Ausschnitte statt ganzer Dokumente ans Modell geben (RAG) oder einfache Schritte mit kleineren, günstigeren Modellen erledigen.
Token-Kosten in der Projektkalkulation
Bei der Wirtschaftlichkeitsrechnung eines Automatisierungsprojekts sind Token die variable Größe: Menge der Vorgänge × durchschnittliche Textlänge × Modellpreis. Die gute Nachricht: Die Preise pro Million Token sind seit 2023 stark gefallen, und für die meisten Backoffice-Prozesse liegen die reinen Modellkosten im niedrigen zwei- bis dreistelligen Euro-Bereich pro Monat — meist ein Bruchteil der eingesparten Arbeitszeit.
Optimierungshebel gibt es trotzdem: kleinere Modelle für einfache Schritte, Zwischenspeichern wiederkehrender Anweisungen (Prompt Caching), nur relevante Dokumentausschnitte statt Volltexte übergeben. In gut gebauten Systemen sind diese Optimierungen Standard und drücken die laufenden Kosten oft um mehr als die Hälfte.
Eingabe- und Ausgabe-Token: zwei getrennte Grenzen
In der Praxis lohnt es, zwei Token-Arten auseinanderzuhalten. Eingabe-Token sind alles, was ins Modell hineingeht — Anweisung, Dokumente, Verlauf. Ausgabe-Token sind die erzeugte Antwort. Beide werden getrennt abgerechnet, und Ausgabe-Token sind bei den meisten Modellen deutlich teurer, weil das Modell sie Schritt für Schritt selbst erzeugen muss. Wer lange, ausschweifende Antworten produziert, zahlt also überproportional.
Zusätzlich gibt es für die Ausgabe ein eigenes Limit, das kleiner ist als das gesamte Kontextfenster. Wird eine sehr lange Antwort angefordert — etwa ein kompletter Bericht in einem Rutsch —, kann sie mittendrin abbrechen. Gute Systeme steuern deshalb bewusst: Sie fordern knappe, strukturierte Ausgaben an, zerlegen umfangreiche Aufgaben in Teilschritte und lassen sich Ergebnisse in klar begrenztem Format liefern. Das spart Kosten, vermeidet abgeschnittene Antworten und macht die Ergebnisse zugleich besser weiterverarbeitbar — etwa wenn ein Folgeschritt die Ausgabe automatisch übernehmen soll.
Praxisbeispiel
Ein Agent verarbeitet täglich 200 eingehende E-Mails mit je rund 300 Wörtern. Das sind grob 80.000-90.000 Token Eingabe pro Tag — bei aktuellen Modellpreisen Centbeträge. Die laufenden Modellkosten sind bei typischen Backoffice-Prozessen selten der entscheidende Kostenfaktor.
Häufige Fragen zu Token
Wie viele Token hat eine DIN-A4-Seite Text?
Grob 600-800 Token, je nach Schriftdichte und Sprache. Ein 20-seitiger Vertrag liegt damit um 15.000 Token — für aktuelle Modelle problemlos in einem Stück verarbeitbar.
Warum kosten KI-Antworten unterschiedlich viel?
Die Kosten hängen von Eingabe- und Ausgabelänge in Token sowie vom gewählten Modell ab. Ausgabe-Token sind meist teurer als Eingabe-Token; große Modelle teurer als kleine.
Muss ich mich als Anwender um Token kümmern?
Nein — das ist Aufgabe der Systemarchitektur. Relevant wird es nur bei der Kostenkalkulation eines Projekts mit hohem Dokumentenvolumen.
Warum bricht eine sehr lange KI-Antwort manchmal ab?
Für die Ausgabe gilt ein eigenes Token-Limit, das kleiner ist als das gesamte Kontextfenster. Wird eine sehr umfangreiche Antwort auf einmal verlangt, kann sie dieses Limit erreichen und abbrechen. Gut gebaute Systeme umgehen das, indem sie große Aufgaben in Teilschritte zerlegen.
Wie relevant ist das für Ihren Betrieb?
Im kostenlosen Erstgespräch schauen wir uns Ihren konkreten Prozess an.