KI-Rechercheagent-Kostenrechner
Schätzen Sie kostenlos online die Betriebskosten Ihres KI-Rechercheagenten. Modellieren Sie Suchanfragen, Web-Scraping-Kosten, LLM-Reasoning-Iterationen und die Berichterstellung – vergleichen Sie 11 LLMs und prognostizieren Sie Tages-, Monats- und Jahresausgaben.
Estimate the operating cost of an AI research agent. Model search query volume, web scraping, multi-step LLM reasoning loops, final report generation, and optional embedding deduplication - then forecast daily, monthly, and yearly spend.
Multi-angle topic investigation with synthesis
Search & Web Scraping (per task)
Full results API - $5/1K queries
LLM Reasoning Loop (per task)
Final Report / Summary
Model & Overhead
Monthly Research Agent Cost - GPT-4o mini
Cost / Task
$0.1329
LLM Cost
$0.0108
Search Cost
$0.0500
Scrape Cost
$0.0600
Cost Breakdown per Research Task
Forecast Summary
Daily
$3.99
30 tasks
Monthly
$119.59
900 tasks
Yearly
$1,455.04
10,950 tasks
LLM Model Comparison
Sorted by lowest cost| Model | Cost/Task | Monthly Total |
|---|---|---|
GPT-4o miniOpenAIBudget Selected $0.15/M in · $0.60/M out | $0.1329 | $119.59 |
DeepSeek-V3DeepSeekBudget $0.27/M in · $1.10/M out | $0.1426 | $128.32 |
Gemini 2.5 FlashGoogleBudget $0.30/M in · $2.50/M out | $0.1576 | $141.87 |
Claude 3.5 HaikuAnthropicBudget $0.80/M in · $4.00/M out | $0.1923 | $173.05 |
o4-miniOpenAIBudget $1.10/M in · $4.40/M out | $0.2081 | $187.31 |
Mistral LargeMistral $2.00/M in · $6.00/M out | $0.2596 | $233.64 |
Gemini 2.5 ProGoogleCapable $1.25/M in · $10.00/M out | $0.2695 | $242.55 |
o3OpenAICapable $2.00/M in · $8.00/M out | $0.2794 | $251.46 |
GPT-4oOpenAICapable $2.50/M in · $10.00/M out | $0.3190 | $287.10 |
Claude 3.7 SonnetAnthropicCapable $3.00/M in · $15.00/M out | $0.3883 | $349.47 |
Grok 3xAI $3.00/M in · $15.00/M out | $0.3883 | $349.47 |
* Search, scraping, and embedding costs are identical across all models. Only LLM costs vary.
Die vier Kostenebenen eines Rechercheagenten
Die Kosten eines Rechercheagenten sind die Summe aus Suchanfragen, Seitenabrufen, Reasoning-Iterationen und Abschlussbericht. Ändert sich einer dieser Faktoren, kann sich der Aufwand pro Aufgabe vervielfachen – daher sollten sie getrennt modelliert werden.
Geben Sie Anfragen pro Aufgabe, Seiten pro Anfrage, LLM-Iterationen, Tokens pro Iteration und Berichtslänge ein, um Kosten pro Aufgabe und Periodenprognose zu sehen.
- Such-API: Kosten pro Anfrage je nach gewähltem Anbieter.
- Scraping: Kosten pro abgerufener Seite und Volumen pro Anfrage.
- Reasoning-Schleife: Eingabe- und Ausgabe-Tokens pro LLM-Iteration.
- Abschlussbericht: großer Kontext mit langer Ausgabe zum Ausgabe-Tarif.
- Embedding-Deduplizierung zum Überspringen fast identischer Seiten.
So senken Sie die Kosten pro Aufgabe
Die größten Hebel sind meist die Zahl der Iterationen und die Modellwahl, nicht der Suchanbieter. Eine Iteration tiefer zu gehen kostet mehr als Dutzende zusätzliche Suchanfragen.
- Begrenzen Sie die Reasoning-Iterationen auf das für die Qualität nötige Minimum.
- Nutzen Sie günstige kleine Modelle für Klassifikation und Extraktion, ein besseres nur für den Bericht.
- Kürzen Sie den Kontext pro Iteration, indem Sie gescrapte Inhalte zusammenfassen statt vollständig mitzuführen.
- Aktivieren Sie die Embedding-Deduplizierung, wenn Sie viele Seiten pro Anfrage abrufen.
Das Agent-Budget planen
Trennen Sie variable Kosten pro Aufgabe von den Fixkosten der Plattform und multiplizieren Sie mit Ihrem erwarteten Volumen. So sehen Sie, ob das Budget durch das Modell oder das Volumen begrenzt wird.
- Berechnen Sie die Kosten pro Aufgabe und multiplizieren Sie mit den geplanten Tagesaufgaben.
- Planen Sie Puffer für Wiederholungen, fehlgeschlagene Seiten und Längenvariationen ein.
- Vergleichen Sie mehrere LLMs im selben Ablauf, bevor Sie das Standardmodell festlegen.
- Prüfen Sie Anbieterpreise quartalsweise: Sie ändern sich häufig.
Häufig gestellte Fragen
Es ist ein Tool, das die gesamten Betriebsausgaben eines autonomen Agents schätzt, der im Web sucht, Seiten liest und Informationen mit einem LLM zusammenführt. Es berücksichtigt Suchanfragekosten, Web-Scraping-Kosten, mehrstufige LLM-Reasoning-Schleifen und die Erstellung des Abschlussberichts – und liefert eine realistische Prognose pro Aufgabe und pro Monat, bevor Sie bauen oder skalieren.
Die Gesamtkosten haben vier Hauptkomponenten: (1) Such-API-Kosten pro Anfrage, (2) Scraping-Kosten pro abgerufener Seite, (3) LLM-Token-Kosten pro Reasoning-Iteration (Eingabekontext und Ausgabe-Tokens) und (4) Tokens für die Erstellung des Abschlussberichts. Eine optionale fünfte Komponente ist die Embedding-Deduplizierung: Sie verursacht kleine Embedding-API-Kosten, spart aber Tokens, wenn fast identische Seiten übersprungen werden.
Der Rechner enthält Voreinstellungen für Brave Search API (5 $/1.000), Bing Search v7 (7 $/1.000), Serper.dev (1 $/1.000), SerpAPI (5 $/1.000), Exa.ai Neural Search (10 $/1.000) und Tavily Research API (4 $/1.000). Sie können auch eigene Kosten pro Anfrage eingeben, wenn Sie einen anderen Anbieter nutzen oder Sonderkonditionen haben.
Während der Reasoning-Schleife sendet der Agent große Eingabekontexte (gescrapte Inhalte + Notizblock) und erzeugt kürzere Zwischenausgaben: Analysenotizen, Quellenrankings und strukturierte Extraktionen. Der Schritt zum Abschlussbericht nutzt einen ähnlich großen Eingabekontext, erzeugt aber eine viel längere Ausgabe (den vollständigen Bericht), die zum meist höheren Ausgabe-Token-Preis abgerechnet wird. Der Rechner trennt diese beiden LLM-Kostenblöcke für genaue Schätzungen.
Die Kosten variieren stark je Konfiguration. Ein schneller Faktencheck mit 3 Anfragen, je 2 Seiten und 2 LLM-Iterationen auf GPT-4o mini kostet meist 0,01–0,05 $ pro Aufgabe. Eine Tiefenrecherche mit 10 Anfragen, je 3 Seiten und 5 Iterationen auf GPT-4o kostet oft 0,20–1,00 $ pro Aufgabe. Die genaue Zahl hängt stark von Seitenzahl, Iterationstiefe, Berichtslänge und Modellwahl ab.
Embedding-Deduplizierung ist finanziell sinnvoll, wenn Ihre Seiten pro Anfrage hoch sind (3+) und sich die gescrapten Seiten thematisch stark überschneiden. Werden viele Seiten mit wiederholtem Inhalt geladen, senkt das Überspringen per Embedding-Ähnlichkeit die LLM-Eingabe-Tokens – die meist deutlich teurer sind als das Embedding selbst. Bei geringem Seitenvolumen oder sehr einzigartigem Inhalt verursacht Deduplizierung Kosten ohne nennenswerte Einsparung.
Ja. Der Rechner läuft vollständig clientseitig in Ihrem Browser. Nutzungsparameter, Kostenangaben und Konfigurationsdetails werden niemals an einen Server gesendet. Alles wird lokal auf Ihrem Gerät berechnet, und es ist kein Konto oder Registrierung nötig. Ihre Schätzungen bleiben zu 100 % privat.
Die Schätzungen basieren auf den öffentlichen Standard-API-Preisen zum Veröffentlichungszeitpunkt. Tatsächliche Kosten können durch Preisänderungen der Anbieter, Mengenrabatte, regionale Abrechnung oder individuelle Enterprise-Tarife abweichen. Der Rechner dient der Planung und Budgetierung – prüfen Sie vor einer Budgetzusage stets die aktuelle Preisseite Ihres Anbieters.