Die neuen DeepSeek-V4-Preise

Die Angaben beziehen sich auf US-Dollar je 1 Million Tokens:

Wie stark die Preise steigen, hängt vom Modell, der Tokenart, dem Cache-Status und der Tageszeit ab. Reuters bezifferte die Erhöhungen insgesamt auf 50 bis 1.100 Prozent gegenüber den bisherigen Preisen.

Besonders spürbar ist der Schritt bei Anwendungen, die in Spitzenzeiten große Mengen an Output erzeugen. Beim V4-Pro stieg der Output-Preis von zuvor 0,87 $ je 1 Million Tokens auf 1,98 $ in der Nebenzeit und 3,96 $ in der Spitzenzeit. Ein Coding-Agent, der monatlich 10 Millionen Output-Tokens erzeugt, würde damit – ohne Kosten für Input-Tokens – ungefähr 8,70 $ nach dem alten Tarif, 19,80 $ bei ausschließlicher Nutzung der Nebenzeit oder 39,60 $ bei ausschließlicher Nutzung der Spitzenzeiten kosten.

Was das für Entwickler bedeutet

Für Entwickler wird die Uhrzeit damit zu einem Teil des Kostenmanagements. Stapelverarbeitung, Softwaretests, Modellbewertungen oder nicht dringende Agenten-Aufgaben lassen sich möglicherweise in die 17 Nebenstunden pro Tag verschieben. Interaktive Anwendungen haben dagegen weniger Spielraum: Ihre Anfragen entstehen genau dann, wenn Nutzer eine Antwort erwarten.

Auch Caching und intelligente Weiterleitung gewinnen an Bedeutung. Wer die Zahl der Cache-Treffer erhöht, Routineaufgaben an V4-Flash weitergibt oder bestimmte Anfragen über einen anderen Anbieter abwickelt, kann die Auswirkungen der neuen Preise begrenzen. Für Unternehmen wird die Wahl des Modells damit zunehmend zu einer laufenden Betriebsentscheidung und nicht nur zu einem einmaligen Benchmark-Vergleich.

DeepSeek verliert durch die Erhöhung nicht automatisch seinen Kostenvorteil. Die V4-Preise liegen weiterhin unter den typischen API-Preisen vieler großer Anbieter wie Anthropic und OpenAI, insbesondere bei sehr umfangreichen Agenten-Workloads. Der Abstand wird jedoch kleiner. Die zeitabhängige Abrechnung passt zu einem Anbieter, der Nachfrage steuern und den Wert knapper Rechenkapazität stärker abschöpfen will. Öffentlich zugängliche Informationen belegen allerdings weder eine erreichte Profitabilität noch einen eindeutig bestätigten Weg dorthin.

OpenAI setzt auf Reichweite und Nutzergewohnheit

OpenAI wählte einen anderen Ansatz. Das Unternehmen kündigte am 6. August an, GPT-5.6 Luna zum Standardmodell für ChatGPT-Free- und Go-Nutzer zu machen. Luna ersetzt dort GPT-5.5. Zusätzlich erhalten diese Nutzer unbegrenzte alltägliche Text-Chats und eine neue Think-Option für schwierigere Fragen – vorbehaltlich Schutzmechanismen gegen Missbrauch.

Das Wort „unbegrenzt“ ist allerdings enger gefasst, als es zunächst klingt. Für Datei-Uploads, Bildgenerierung und andere Werkzeuge gelten weiterhin eigene Limits. Free- und Go-Nutzer erhalten außerdem keinen Zugang zu GPT-5.6 Sol, dem höher positionierten Modell. Luna ist das Standardmodell dieser Tarife und unterstützt dort auch die Think-Funktion.

Luna ist innerhalb der GPT-5.6-Familie als wirtschaftlichere Variante und nicht als Spitzenmodell Sol positioniert. Drittberichte nennen für die API 0,20 $ je 1 Million Input-Tokens und 1,20 $ je 1 Million Output-Tokens. Diese Angaben lassen sich anhand der maßgeblichsten Quellen im vorliegenden Material jedoch nicht vollständig bestätigen.

Der strategische Unterschied ist klarer: In ChatGPT Free und Go ist Luna für Text-Chats faktisch kostenlos nutzbar, während der API-Zugang ein getrenntes, kostenpflichtiges Produkt bleibt.

Warum die OpenRouter-Daten wichtig sind

Die Entscheidungen fielen zu einem Zeitpunkt, an dem chinesische Modelle deutlich mehr Entwickler-Traffic gewinnen. Bloomberg berichtete, dass chinesische Modelle im Juni auf OpenRouter erstmals US-Plattformen überholten und im darauffolgenden Monat mehr als 60 Prozent des Token-Anteils erreichten.

OpenRouter bündelt den Zugang zu zahlreichen KI-Modellen und ist deshalb ein nützlicher Indikator für das Routing-Verhalten von Entwicklern. Die Daten sind aber kein vollständiges Maß für die weltweite KI-Nutzung.

Der Aufschwung beschränkt sich zudem nicht auf DeepSeek. In den OpenRouter-Ranglisten für Juli belegten chinesisch entwickelte Modelle nach Token-Volumen alle fünf Spitzenplätze: Xiaomi MiMo-V2.5, DeepSeek, MiniMax, die Qwen-Familie von Alibaba und Moonshots Kimi. Eine weitere Auswertung nannte DeepSeek in einer Juni-Rangliste mit 17,6 Prozent als größten einzelnen Anbieter auf der Plattform.

Das erklärt, warum die Preisfrage so wichtig bleibt. Token-intensive Coding- und Agenten-Workloads profitieren von Modellen, die häufig und günstig ausgeführt werden können. Gleichzeitig zeigt OpenAIs Vorgehen, dass Marktanteile nicht nur über API-Preise gewonnen werden. Wer ein leistungsfähiges Modell kostenlos vor viele Nutzer bringt, fördert regelmäßige Nutzung, Rückmeldungen und spätere Wechsel in kostenpflichtige Angebote.

Zwei Anbieter, zwei wirtschaftliche Antworten

DeepSeek und OpenAI reagieren damit auf unterschiedliche Seiten desselben Marktdrucks:

• DeepSeek monetarisiert die Nachfrage. Die Abrechnung nach Spitzen- und Nebenzeiten kann in Phasen hoher Auslastung mehr Umsatz erzeugen und Kunden dazu bewegen, flexible Aufgaben zeitlich zu verschieben.
• OpenAI verteidigt seine Reichweite. Unbegrenzte Text-Chats sollen Free- und Go-Nutzer aktiv halten, während teurere Funktionen und höher eingestufte Modelle weiterhin differenziert werden.
• Entwickler müssen genauer optimieren. Neben Modellqualität und Listenpreis zählen Cache-Verhalten, Latenz, Tageszeit, Weiterleitung und die Kosten eines Anbieterwechsels.
• Mehrmodell-Architekturen werden attraktiver. Unternehmen können günstige Modelle für wiederholte Extraktion, Übersetzung, Programmierung oder Agenten-Schleifen einsetzen und Premium-Modelle für Aufgaben reservieren, bei denen Leistung, Kontrollmöglichkeiten oder die Einbindung in ein bestimmtes Ökosystem entscheidend sind.

Deshalb endet der KI-Preiskampf nicht zwangsläufig, nur weil einzelne Preise steigen. Der Wettbewerb zerfällt vielmehr in mehrere Ebenen: günstige Inferenz und offene Modellgewichte auf der einen Seite, Reichweite im Endkundengeschäft, Produktintegration, Premium-Fähigkeiten und Unternehmenskontrollen auf der anderen.

Das Wichtigste für Unternehmen

DeepSeeks Preiserhöhung erinnert daran, dass niedrige API-Preise zwar sehr schnell hohe Nutzung erzeugen können, aber nicht dauerhaft niedrig bleiben müssen. OpenAIs Luna-Strategie setzt auf das Gegenteil: Eine breite Nutzungserfahrung wird subventioniert, um die Verbreitung zu stärken; Unterschiede entstehen anschließend über Modellstufen und nicht textbasierte Funktionen.

Für Entwickler und Unternehmenskunden lautet die praktische Konsequenz: Keine Preisübersicht und kein Benchmark sollte als dauerhaft gelten. Kosten können sich nach Nachfrage, Modellstufe, Cache-Status und Uhrzeit verändern. Robuster sind Architekturen, die reale Workloads messen, mehrere Routing-Optionen offenhalten und jede Aufgabe dem Modell und Zugangstarif zuweisen, der zu ihren Risiken und Kosten passt.

Die neuen DeepSeek-V4-Preise

Die Angaben beziehen sich auf US-Dollar je 1 Million Tokens:

Wie stark die Preise steigen, hängt vom Modell, der Tokenart, dem Cache-Status und der Tageszeit ab. Reuters bezifferte die Erhöhungen insgesamt auf 50 bis 1.100 Prozent gegenüber den bisherigen Preisen.

Besonders spürbar ist der Schritt bei Anwendungen, die in Spitzenzeiten große Mengen an Output erzeugen. Beim V4-Pro stieg der Output-Preis von zuvor 0,87 $ je 1 Million Tokens auf 1,98 $ in der Nebenzeit und 3,96 $ in der Spitzenzeit. Ein Coding-Agent, der monatlich 10 Millionen Output-Tokens erzeugt, würde damit – ohne Kosten für Input-Tokens – ungefähr 8,70 $ nach dem alten Tarif, 19,80 $ bei ausschließlicher Nutzung der Nebenzeit oder 39,60 $ bei ausschließlicher Nutzung der Spitzenzeiten kosten.

Was das für Entwickler bedeutet

Für Entwickler wird die Uhrzeit damit zu einem Teil des Kostenmanagements. Stapelverarbeitung, Softwaretests, Modellbewertungen oder nicht dringende Agenten-Aufgaben lassen sich möglicherweise in die 17 Nebenstunden pro Tag verschieben. Interaktive Anwendungen haben dagegen weniger Spielraum: Ihre Anfragen entstehen genau dann, wenn Nutzer eine Antwort erwarten.

Auch Caching und intelligente Weiterleitung gewinnen an Bedeutung. Wer die Zahl der Cache-Treffer erhöht, Routineaufgaben an V4-Flash weitergibt oder bestimmte Anfragen über einen anderen Anbieter abwickelt, kann die Auswirkungen der neuen Preise begrenzen. Für Unternehmen wird die Wahl des Modells damit zunehmend zu einer laufenden Betriebsentscheidung und nicht nur zu einem einmaligen Benchmark-Vergleich.

DeepSeek verliert durch die Erhöhung nicht automatisch seinen Kostenvorteil. Die V4-Preise liegen weiterhin unter den typischen API-Preisen vieler großer Anbieter wie Anthropic und OpenAI, insbesondere bei sehr umfangreichen Agenten-Workloads. Der Abstand wird jedoch kleiner. Die zeitabhängige Abrechnung passt zu einem Anbieter, der Nachfrage steuern und den Wert knapper Rechenkapazität stärker abschöpfen will. Öffentlich zugängliche Informationen belegen allerdings weder eine erreichte Profitabilität noch einen eindeutig bestätigten Weg dorthin.

OpenAI setzt auf Reichweite und Nutzergewohnheit

OpenAI wählte einen anderen Ansatz. Das Unternehmen kündigte am 6. August an, GPT-5.6 Luna zum Standardmodell für ChatGPT-Free- und Go-Nutzer zu machen. Luna ersetzt dort GPT-5.5. Zusätzlich erhalten diese Nutzer unbegrenzte alltägliche Text-Chats und eine neue Think-Option für schwierigere Fragen – vorbehaltlich Schutzmechanismen gegen Missbrauch.

Das Wort „unbegrenzt“ ist allerdings enger gefasst, als es zunächst klingt. Für Datei-Uploads, Bildgenerierung und andere Werkzeuge gelten weiterhin eigene Limits. Free- und Go-Nutzer erhalten außerdem keinen Zugang zu GPT-5.6 Sol, dem höher positionierten Modell. Luna ist das Standardmodell dieser Tarife und unterstützt dort auch die Think-Funktion.

Luna ist innerhalb der GPT-5.6-Familie als wirtschaftlichere Variante und nicht als Spitzenmodell Sol positioniert. Drittberichte nennen für die API 0,20 $ je 1 Million Input-Tokens und 1,20 $ je 1 Million Output-Tokens. Diese Angaben lassen sich anhand der maßgeblichsten Quellen im vorliegenden Material jedoch nicht vollständig bestätigen.

Der strategische Unterschied ist klarer: In ChatGPT Free und Go ist Luna für Text-Chats faktisch kostenlos nutzbar, während der API-Zugang ein getrenntes, kostenpflichtiges Produkt bleibt.

Warum die OpenRouter-Daten wichtig sind

Die Entscheidungen fielen zu einem Zeitpunkt, an dem chinesische Modelle deutlich mehr Entwickler-Traffic gewinnen. Bloomberg berichtete, dass chinesische Modelle im Juni auf OpenRouter erstmals US-Plattformen überholten und im darauffolgenden Monat mehr als 60 Prozent des Token-Anteils erreichten.

OpenRouter bündelt den Zugang zu zahlreichen KI-Modellen und ist deshalb ein nützlicher Indikator für das Routing-Verhalten von Entwicklern. Die Daten sind aber kein vollständiges Maß für die weltweite KI-Nutzung.

Der Aufschwung beschränkt sich zudem nicht auf DeepSeek. In den OpenRouter-Ranglisten für Juli belegten chinesisch entwickelte Modelle nach Token-Volumen alle fünf Spitzenplätze: Xiaomi MiMo-V2.5, DeepSeek, MiniMax, die Qwen-Familie von Alibaba und Moonshots Kimi. Eine weitere Auswertung nannte DeepSeek in einer Juni-Rangliste mit 17,6 Prozent als größten einzelnen Anbieter auf der Plattform.

Das erklärt, warum die Preisfrage so wichtig bleibt. Token-intensive Coding- und Agenten-Workloads profitieren von Modellen, die häufig und günstig ausgeführt werden können. Gleichzeitig zeigt OpenAIs Vorgehen, dass Marktanteile nicht nur über API-Preise gewonnen werden. Wer ein leistungsfähiges Modell kostenlos vor viele Nutzer bringt, fördert regelmäßige Nutzung, Rückmeldungen und spätere Wechsel in kostenpflichtige Angebote.

Zwei Anbieter, zwei wirtschaftliche Antworten

DeepSeek und OpenAI reagieren damit auf unterschiedliche Seiten desselben Marktdrucks:

• DeepSeek monetarisiert die Nachfrage. Die Abrechnung nach Spitzen- und Nebenzeiten kann in Phasen hoher Auslastung mehr Umsatz erzeugen und Kunden dazu bewegen, flexible Aufgaben zeitlich zu verschieben.
• OpenAI verteidigt seine Reichweite. Unbegrenzte Text-Chats sollen Free- und Go-Nutzer aktiv halten, während teurere Funktionen und höher eingestufte Modelle weiterhin differenziert werden.
• Entwickler müssen genauer optimieren. Neben Modellqualität und Listenpreis zählen Cache-Verhalten, Latenz, Tageszeit, Weiterleitung und die Kosten eines Anbieterwechsels.
• Mehrmodell-Architekturen werden attraktiver. Unternehmen können günstige Modelle für wiederholte Extraktion, Übersetzung, Programmierung oder Agenten-Schleifen einsetzen und Premium-Modelle für Aufgaben reservieren, bei denen Leistung, Kontrollmöglichkeiten oder die Einbindung in ein bestimmtes Ökosystem entscheidend sind.

Deshalb endet der KI-Preiskampf nicht zwangsläufig, nur weil einzelne Preise steigen. Der Wettbewerb zerfällt vielmehr in mehrere Ebenen: günstige Inferenz und offene Modellgewichte auf der einen Seite, Reichweite im Endkundengeschäft, Produktintegration, Premium-Fähigkeiten und Unternehmenskontrollen auf der anderen.

Das Wichtigste für Unternehmen

DeepSeeks Preiserhöhung erinnert daran, dass niedrige API-Preise zwar sehr schnell hohe Nutzung erzeugen können, aber nicht dauerhaft niedrig bleiben müssen. OpenAIs Luna-Strategie setzt auf das Gegenteil: Eine breite Nutzungserfahrung wird subventioniert, um die Verbreitung zu stärken; Unterschiede entstehen anschließend über Modellstufen und nicht textbasierte Funktionen.

Für Entwickler und Unternehmenskunden lautet die praktische Konsequenz: Keine Preisübersicht und kein Benchmark sollte als dauerhaft gelten. Kosten können sich nach Nachfrage, Modellstufe, Cache-Status und Uhrzeit verändern. Robuster sind Architekturen, die reale Workloads messen, mehrere Routing-Optionen offenhalten und jede Aufgabe dem Modell und Zugangstarif zuweisen, der zu ihren Risiken und Kosten passt.