Preisexplosion und Benchmark-Flaute: DeepSeek V4 im Praxistest

Vorherige Festpreise vs. neue Peak- und Off-Peak-Preise

Quelle: DeepSeeks veröffentlichte Preise und unabhängige Beobachter .

Die extremste Erhöhung betrifft V4-Pro Cache-Hit-Input: von 0,003625 $ auf 0,06 $ zur Spitzenzeit – ein Anstieg um rund 1.555 % . DeepSeek begründete die Änderung mit einer effizienteren Ressourcenallokation und dem Anreiz, nicht dringende Workloads in Nebenzeiten zu planen .

Der Composio-Agenten-Benchmark: V4 Flash in der Realität

Im August 2026 testete Composio DeepSeek V4 Flash mit acht verschiedenen Agenten-Frameworks (Harnesses) in 30 bewusst schwierigen, mehrstufigen Workflows. Diese Workflows verwendeten Live-Tools wie Gmail, GitHub, Slack und Google Sheets . Jede Aufgabe hatte ein Zeitlimit von 900 Sekunden, und alle Frameworks nutzten die gleichen gehosteten Composio MCP-Tools .

Das Gesamtergebnis: Von 240 Durchläufen waren nur 129 erfolgreich – eine Erfolgsquote von 53,8 %. Nur 6 der 30 Workflows wurden von jedem Framework erfolgreich abgeschlossen .

Erfolgsquoten nach Framework

Quelle: Composios veröffentlichte Ergebnisse .

Pi Agent führte sowohl bei der Erfolgsquote (20/30) als auch bei der Kosteneffizienz (0,028 $/Aufgabe) . Dass bei jedem Erfolgsfaktor – Erfolgsquote, Kosten und Geschwindigkeit – ein anderes Framework die Nase vorn hatte, zeigt: Die Wahl des Frameworks ist genauso wichtig wie die Wahl des Modells . Der Unterschied von 20 Prozentpunkten zwischen dem besten und dem schlechtesten Framework belegt eine extreme Abhängigkeit von der Agenten-Architektur, der Tool-Konfiguration, dem Caching, den Wiederholungsversuchen und dem Anbieter-Stack .

Auswirkungen auf den Unternehmenseinsatz

Die Kombination aus höheren Preisen und ungleichmäßigen Praxis-Ergebnissen hat die Analystenmeinung über den Unternehmenseinsatz von DeepSeek V4 verändert.

Orchestrierung, nicht reine Modellleistung, ist der Engpass

VentureBeat stellte fest, dass dasselbe V4 Flash-Modell je nach Framework, Tooling und Caching-Stack deutlich unterschiedliche Ergebnisse lieferte. Unternehmen müssen daher in die Reife ihrer Orchestrierung investieren, nicht nur in die Modellauswahl . Compsios eigener Kommentar wies darauf hin, dass die Wahl des Frameworks allein den Erfolg um drei Aufgaben, die Kosten um fast das Dreifache und die Geschwindigkeit um das 2,2-fache veränderte .

Der Netto-Preisanstieg belastet die Wirtschaftlichkeit

Selbst in den Nebenzeiten ist jeder Token-Typ teurer als zuvor. Analysten sehen darin eine Veränderung der ROI-Rechnung für Workloads mit hohem Volumen, insbesondere für Kundenservice-Agenten und Code-Generierungs-Pipelines, die bisher auf die aggressiv niedrigen Preise von DeepSeek angewiesen waren .

Die Kluft zwischen Benchmark und Produktion bleibt groß

DeepSeeks offizielle Agenten-Benchmarks (82,7 auf Terminal-Bench 2.1, 70,3 auf Toolathlon-Verified) sehen stark aus, aber die reale Erfolgsquote von 53,8 % ist eine Mahnung: Leaderboard-Ergebnisse garantieren keine Zuverlässigkeit in Produktionsumgebungen mit Live-APIs, Rate Limits und zustandsbehafteten Workflows .

Datenhoheit bleibt eine Hürde – besonders für deutsche Unternehmen

Der API-Datenverkehr läuft über Server in China, was für regulierte Unternehmen Compliance-Herausforderungen schafft. Für Branchen mit strengen Datenschutzauflagen – wie viele in Deutschland und der EU – bleibt das Selbsthosten der Open-Weight-Versionen der einzig gangbare Weg in die Produktion . Analysten raten zu einer sorgfältigen Architekturplanung mit Blick auf Data Governance, Audit-Trails und Tool-Berechtigungen .

Selektive Workload-Adoption als Erfolgsrezept

BayTech Consulting empfiehlt DeepSeek V4 in seinem Enterprise-Framework für die Zusammenfassung nicht sensibler Dokumente, die Codegenerierung aus öffentlichen Repositories und das Verfassen von Inhalten mit hohem Volumen. Vor der Produktion ist aber eine gründliche, workload-spezifische Evaluierung unerlässlich .