> For the complete documentation index, see [llms.txt](https://docs.blockbrain.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.blockbrain.ai/de/for-users/all-about-llms/blockbrain-llm-selection-guide.md). # Blockbrain-Leitfaden zur LLM-Auswahl Ein Schnellreferenz-Leitfaden zur Auswahl des richtigen Blockbrain-LLM auf Basis von Kosten, Geschwindigkeit und Anwendungsfall. ### Wie Blockbrain die Nutzung misst Jede Aktion auf Blockbrain – Nachrichten, Datei-Uploads oder Agentenläufe – verbraucht Compute-Blöcke (CBs), eine transparente, nutzungsbasierte Kennzahl, die die tatsächlichen Rechenkosten jeder Operation widerspiegelt. CBs werden vor allem durch die Token-Nutzung von LLMs bestimmt, und ihr Verbrauch spiegelt direkt die Input/Output-Token-Preise jedes Modells wider. > **Ein teureres Modell = proportional höherer CB-Verbrauch.** ### Standardempfehlung | Modell | Qualität | Geschwindigkeit | Kosteneffizienz | Preise (Input/Output pro 1 Mio. Tokens) | | ----------------------------- | -------- | --------------- | --------------- | --------------------------------------- | | Claude Sonnet 5 (AWS Bedrock) | 4.7 | 4.4 | 3.6 | $1.87 / $9.35 | | Gemini 3.5 Flash (Google) | 4.2 | 4.8 | 3.7 | $1.50 / $9.00 | | GPT 5.6 Terra (Azure AI) | 4.4 | 3.4 | 3.4 | $2.50 / $15.00 | > **Gemini 3.5 Flash (Lite)** ist die beste Allround-Wahl — hervorragende Qualität, schnell, kosteneffizient, mit einem 1-Mio.-Token-Kontextfenster. Kommt nächste Woche. ### Schnelle Entscheidungsmatrix | Priorität | Hauptwahl | Budget-Option | Premium-Option | | ------------------------- | ------------------------- | --------------------------------- | ---------------------------------- | | Tägliche Nutzung | Gemini 3.5 Flash (Vertex) | GPT 5.6 Luna (Azure) | Claude Sonnet 5 (Bedrock) | | Maximale Kosteneinsparung | GPT 5.6 Luna (Azure) | Gemini 3.1 Flash Lite (Vertex) | GPT 5.6 Terra (Azure) | | Höchste Qualität | Claude Opus 5 (Bedrock) | GPT 5.6 Sol (Azure) | Claude Opus 4.6 (Max) (Bedrock) | | Schnellste Antwort | Gemini 3.5 Flash (Vertex) | Claude Haiku 4.5 (Fast) (Bedrock) | Claude Sonnet 4.6 (Fast) (Bedrock) | | Kreatives Schreiben | Claude Sonnet 5 (Bedrock) | Claude Sonnet 4.6 (Bedrock) | Claude Opus 5 (Bedrock) | | Code-Entwicklung | Claude Sonnet 5 (Bedrock) | GPT 5.3 Codex (OpenAI) | Claude Opus 4.8 (Bedrock) | | Komplexes Schlussfolgern | GPT 5.6 Sol (Azure) | Gemini 3.5 Flash (High) (Vertex) | Claude Opus 5 (Bedrock) | ### Wichtige Überlegungen * **Output-Tokens kosten mehr als Input-Tokens** - priorisiere Modelle mit niedrigen Output-Kosten für Berichte, Dokumente und Code-Generierung. * **Kontextfenster mit 1 Mio.+ Tokens** (Gemini 3.5 Flash, Claude Sonnet 5, GPT 5.6 Sol/Terra/Luna) fassen ungefähr 2.500 Seiten Text – entscheidend für Dokumentenanalyse und lange Gespräche. ### Praxisnahe Kostenbeispiele für LLM-Abfragen und Empfehlungen #### Kategorie: Direkte LLM-Aufrufe #### 1 - Claude Opus 4.8 * **Abfragebeispiel**: „Verwandle diese groben Workshop-Notizen in ein ausgefeiltes strategisches Empfehlungsschreiben für das Steuerungskomitee, in der Situation-Komplikation-Lösung-Struktur“ + angehängte rohe Workshop-Notizen (\~1,5 Std. Strategiesitzung, chaotische Live-Notizen) * **Input-Tokens**: \~1,640 * **Output-Tokens**: \~1,000 * **Kosten pro Input-Token** (pro 1 Mio.): $5.00 * **Kosten pro Output-Token** (pro 1 Mio.): $25.00 * **Compute-Blöcke**: \~3,320 * **Kosten** (bei 30 € / 1 Mio. Compute-Blöcken): \~€0.10 * **Empfehlung**: **Gemini 3.1 Flash-Lite** – es kam auf \~101 CBs (\~€0.003), also ungefähr 33-mal günstiger als Opus. Aber das ist kein klarer Sieg: Das Memo von Gemini ließ die Struktur weg, die die Opus-Version enthielt. Claude Sonnet 4.6 (Beispiel 1.1) ist als mittlerer Tausch ein sichererer Ersatz mit \~1,67x weniger CBs bei vergleichbarer Tiefe; Gemini lohnt sich nur, wenn das kürzere, weniger detaillierte Format für diesen Anwendungsfall tatsächlich ausreicht. #### 1.1 - Claude Sonnet 4.6, dieselbe Abfrage wie 1 * **Abfragebeispiel**: Wie Beispiel 1 * **Input-Tokens**: \~1,640 * **Output-Tokens**: \~1,000 * **Kosten pro Input-Token** (pro 1 Mio.): $3.00 * **Kosten pro Output-Token** (pro 1 Mio.): $15.00 * **Compute-Blöcke**: \~1,992 * **Kosten** (bei 30 € / 1 Mio. Compute-Blöcken): \~€0.06 * **Empfehlung**: **GPT 5 Mini** war etwa 9-mal günstiger als Opus und etwa 5,7-mal günstiger als Sonnet, während es ein *noch* gründlicheres Memo als eines der beiden Claude-Modelle erzeugte – das Gegenteil des Kompromisses bei Gemini 3.1 Flash Lite, das zwar noch günstiger, aber weniger detailliert war. Von den drei Alternativen, die gegen Opus bei genau dieser Abfrage getestet wurden, sieht GPT-5 Mini derzeit nach dem besten Preis-Leistungs-Verhältnis aus: die meisten Kosteneinsparungen, ohne an Detailtiefe einzubüßen. #### 2 - Claude Opus 4.8, mehrstufige / mehrdokumentige Analyse * **Abfragebeispiel**: Zweiturniges Gespräch. Turn 1: Analysiere die Haftungsklausel eines Frachtvertrags anhand eines Gerichtsurteils und eines firmeneigenen Präzedenz-Memos und entwirf ein strukturiertes juristisches Memo (Thema / anwendbares Recht / Analyse / Risiko / Empfehlung). Turn 2, derselbe Thread: „Vertrete die Gegenposition – warum könnte dies trotz des Risikos durchsetzbar sein?“ * **Input-Tokens**: \~5.199 zusammen (Turn 1: 3 Quelldokumente + Anweisung, \~1.785; Turn 2: der gesamte Input+Output von Turn 1 als Kontext erneut gesendet, \~3.374, + neue Anweisung, \~40) * **Output-Tokens**: \~2.807 zusammen (Memo in Turn 1 \~1.589 + Gegenposition in Turn 2 \~1.218) * **Kosten pro Input-Token** (pro 1 Mio.): $5.00 * **Kosten pro Output-Token** (pro 1 Mio.): $25.00 * **Compute-Blöcke**: \~9,617 * **Kosten** (bei 30 € / 1 Mio. Compute-Blöcken): \~€0.29 * **Empfehlung**Für dieses Niveau an juristischer Schlussfolgerungsqualität, **GPT-5** ist eine plausible Alternative, angesichts seiner aktuellen Stärke bei strukturierten Schlussfolgerungsaufgaben – aber ein leichteres Modell wie Gemini Flash ist hier wahrscheinlich **nicht** geeignet, angesichts der Genauigkeitsanforderungen für juristische Analysen. Der größere Hebel ist unabhängig vom Modell die Gesprächslänge: Der kurze Prompt in Turn 2 sendet dennoch alles aus Turn 1 erneut als Kontext, sodass sich die Kosten mit jedem Folge-Turn aufsummieren. #### 2.1 - Claude Sonnet 4.6, dasselbe Zweiturn-Gespräch wie 2 * **Abfragebeispiel**: Wie 2 * **Input-Tokens**: \~5.503 zusammen (Turn 1: dieselben 1.785 wie in der Opus-Version; Turn 2: Input+Output von Turn 1 erneut gesendet, \~3.678, + neue Anweisung, \~40) * **Output-Tokens**: \~3.402 zusammen (Memo in Turn 1 1.893 + Gegenposition in Turn 2 1.509 – beides real und beide länger als die Opus-Äquivalente von \~1.589 und \~1.218) * **Kosten pro Input-Token** (pro 1 Mio.): $3.00 * **Kosten pro Output-Token** (pro 1 Mio.): $15.00 * **Compute-Blöcke**: \~6,754 * Kosten (bei 30 € / 1 Mio. Compute-Blöcken): \~€0.203 * **Empfehlung**: **Wechsle zu GPT-5.** Obwohl Sonnet 4.6 deutlich günstiger als Claude Opus (2) ist, erzeugt es paradoxerweise *längere* Ausgaben (3.402 vs. \~2.807 Tokens zusammen), was die Kosten ohne klaren Qualitätsvorteil erhöht. Bei \~€0.203 pro Zweiturn-Gespräch bleibt es teurer als GPT-5 bei vergleichbarer oder besserer Ausgabe. Siehe Abschnitt 2 für den vollständigen Kostenvergleich. #### 3 - Claude Opus 4.8, quantitative Datenabstimmung * **Abfragebeispiel**: Anhand von drei KPI/Daten-Dokumenten (einer Quartalskennzahlen-Tabelle, einer Segmentaufgliederung und einem Memo mit Führungskommentar) identifiziere die 2–3 größten strategischen Risiken, untermauere jedes mit konkreten Zahlen und Quartals-zu-Quartals-Trends, gleiche die ARR-Zahlen über alle Dokumente hinweg ab und markiere jede Abweichung, und vergleiche die Darstellung der Führung mit dem, was die Daten tatsächlich zeigen. * **Input-Tokens**: \~1.284 (3 Quelldokumente + Anweisung) * **Output-Tokens**: \~1,233 * **Kosten pro Input-Token** (pro 1 Mio.): $5.00 * **Kosten pro Output-Token** (pro 1 Mio.): $25.00 * **Compute-Blöcke**: \~3,725 * **Kosten** (bei 30 € / 1 Mio. Compute-Blöcken): \~€0.11 * **Empfehlung**: **GPT-5 Nano** hat den Inhalt dieser Analyse im Wesentlichen getroffen – dieselben 3 Risiken identifiziert, dieselbe ARR-Abweichung von $0.6 Mio. berechnet, dieselbe Schwere-Rangfolge – bei \~61-mal weniger CBs als Opus (\~61 CBs vs. \~3.725). #### 3.1 - Claude Sonnet 4.6, dieselbe Abfrage wie 3 * **Abfrage** **Beispiel**: Wie 3 * **Eingabe** **Tokens**: \~1,284 * **Ausgabe** **Tokens**: 1,208 * **Eingabe** **Token** **Kosten** (pro 1 Mio.): $3.00 * **Ausgabe** **Token** **Kosten** (pro 1 Mio.): $15.00 * **Compute** **Blöcke**: \~2,197 * **Kosten** (bei 30 € / 1 Mio. Compute-Blöcken): \~€0.066 * **Empfehlung**: **Gemini Flash-Lite oder GPT-5-Mini-Stufe.** Bei \~€0.066 pro Abfrage ist Sonnet 4.6 bereits kosteneffizient – aber der arithmetische Abgleich ist eine strukturierte, regelgebundene Aufgabe, die kein hochentwickeltes Schlussfolgern erfordert. Leichtere Modelle können die gleiche Genauigkeit zu einem Bruchteil der Kosten erreichen. *** #### Kategorie: Websuche Die Websuche wird von einem Suchanbieter (Tavily / Linkup / Perplexity) sowie einem Synthese-LLM unterstützt. Die untenstehenden Zahlen sind für diese konkreten Beispielausführungen real; eine andere Abfrage könnte mehr oder weniger kosten, je nachdem, wie viele Quellen sie am Ende liest und welcher Anbieter/welches Modell die Synthese übernimmt. #### 1 - Forschungsabfrage zum EU AI Act * **Abfragebeispiel**: „Welche aktuellen Änderungen am EU AI Act könnten Anbieter von Unternehmens-KI wie uns betreffen?“ – 3 Suchanfragen ausgeführt, 6 Quellen gelesen (über Linkup, in der EU gehostet) * **Input-Tokens**: \~6.000–8.500 (angenommen \~900–1.300 Tokens/Quelle × 6 Quellen) * **Output-Tokens**: \~911 * **Kosten pro Input-Token** (pro 1 Mio.): $3.00 (Modell: Sonnet 4.6) * **Kosten pro Output-Token** (pro 1 Mio.): $15.00 * **Compute-Blöcke**: \~3.200–3.900 * **Kosten** (bei 30 € / 1 Mio. Compute-Blöcken): \~€0.10–€0.12 * **Empfehlung**: **Prompting-Aspekt:** Diese Abfrage verwendete eine breite, offene Formulierung („was sind die neuesten Änderungen“) – eine enger gefasste Version, z. B. „Welche Änderungen am EU AI Act wurden seit Juni 2026 veröffentlicht, die speziell Unternehmensanbieter betreffen?“, würde wahrscheinlich die Anzahl der Suchanfragen reduzieren, die der Agent ausführt, und auch die Anzahl der Quellen verringern, die er zu lesen für nötig hält, was die CB-Kosten direkt senken würde. Offene Recherche-Prompts lösen in der Regel mehr Tool-Aufrufe aus als eine eng begrenzte Frage mit derselben Absicht. #### 2 - EUR/USD-Wechselkurs * **Abfragebeispiel**: „Wie hoch ist heute der EUR/USD-Wechselkurs?“ – 1 Suchanfrage ausgeführt, 1 Quelle gelesen ([Investing.com - Aktienmarktkurse & Finanznachrichten](http://investing.com/) ) * **Input-Tokens**: \~300–650 * **Output-Tokens**: \~64 * **Kosten pro Input-Token** (pro 1 Mio.): $3.00 * **Kosten pro Output-Token** (pro 1 Mio.): $15.00 * **Compute-Blöcke**: \~190–290 * **Kosten** (bei 30 € / 1 Mio. Compute-Blöcken): \~€0.006–€0.009 * **Empfehlung**: **Prompting-Aspekt:** Dieser Prompt ist bereits so eng wie möglich eingegrenzt (eine einzelne Tatsache, keine Unklarheit über Umfang oder Zeitraum) — ein gutes Referenzbeispiel dafür, wie ein effizient abgegrenzter Websuche-Prompt aussieht, mit wenig Spielraum, um Tool-Aufrufe weiter zu reduzieren. #### 3 - Recherche zu Haftung von KI-Anbietern / MCP-Tool-Calling * **Abfragebeispiel**: „Gab es veröffentlichte regulatorische Leitlinien zur Haftung von KI-Anbietern für MCP-ähnliche Tool-Calling-Architekturen?“ – 3 Suchanfragen ausgeführt, 8 Quellen gelesen (die meisten der drei Beispiele) * **Input-Tokens**: \~7.200–10.400 * **Output-Tokens**: \~819 * **Kosten pro Input-Token** (pro 1 Mio.): $3.00 * **Ausgabe** **Token** **Kosten** (pro 1 Mio.): $15.00 * **Compute** **Blöcke**: \~3.390–4.350 * **Kosten** (bei 30 € / 1 Mio. Compute-Blöcken): \~€0.10–€0.13 * **Empfehlung**: Kam trotz mehr gelesener Quellen (8 vs. 6) nahe an die Kosten von Beispiel 1 heran, weil die Ausgabe kürzer war. **Prompting-Aspekt:** Die offene Formulierung („gab es irgendwelche Leitlinien“) hat den Agenten wahrscheinlich dazu gebracht, ein breites Netz über mehr Quellen zu werfen, als eine engere Frage benötigen würde – eine spezifischere Unterfrage, z. B. „Geht der EU AI Act speziell auf MCP-ähnliche Tool-Calling-Architekturen ein?“, würde wahrscheinlich die Quellenanzahl und damit die CB-Kosten senken, allerdings mit dem Risiko, breiteren Kontext zu verpassen, den eine weitere Suche liefern könnte. *** ### Kategorie: Outlook-Agent Die Kosten hängen davon ab, welches Tool bzw. welche Tools der Agent letztlich aufruft und wie viel er nachdenken muss; das ist im Voraus nicht festgelegt. #### 1 - Kalender-Konfliktprüfung * **Abfrage** **Beispiel**: „Prüfe meinen Kalender auf Konflikte nächsten Dienstagnachmittag“ – der Agent schloss auf das Datum, rief das Outlook-Kalender-Tool auf und lieferte eine Konfliktanalyse * **Eingabe** **Tokens**: \~1.700–3.500 * **Ausgabe** **Tokens**: \~400 * **Eingabe** **Token** **Kosten** (pro 1 Mio.): $3.00 * **Ausgabe** **Token** **Kosten** (pro 1 Mio.): $15.00 * **Compute** **Blöcke**: \~1.100–1.650 * **Kosten** (bei 30 € / 1 Mio. Compute-Blöcken): \~€0.03–€0.05 * **Empfehlung**: **Prompting-Aspekt:** Dieser Prompt ist bereits eng begrenzt (ein Datum, ein Zeitfenster) – ein gutes Beispiel für einen effizient abgegrenzten Agenten-Prompt, mit wenig Spielraum, um Tool-Aufrufe hier noch weiter zu reduzieren. #### 2 - Mailbox-Suche * **Abfrage** **Beispiel**: „Zeige mir alle E-Mails, in denen in den letzten zwei Wochen der SharePoint-Connector erwähnt wird“ – der Agent berechnete den Zeitraum, rief das Mailbox-Suchtool auf und gab 3 passende E-Mails mit einer Zusammenfassung zurück * **Eingabe** **Tokens**: \~1.700–3.500 * **Ausgabe** **Tokens**: \~411 * **Eingabe** **Token** **Kosten** (pro 1 Mio.): $3.00 * **Ausgabe** **Token** **Kosten** (pro 1 Mio.): $15.00 * **Compute** **Blöcke**: \~1.150–1.700 * **Kosten** (bei 30 € / 1 Mio. Compute-Blöcken): \~€0.03–€0.05 * **Empfehlung**: Nahezu identische Kosten wie beim ersten Anwendungsfall in dieser Kategorie – bestätigt, dass einfache Outlook-Aktionen mit nur einem Tool-Aufruf unabhängig vom konkret aufgerufenen Tool ähnlich viel kosten. **Prompting-Aspekt:** Das konkrete Schlüsselwort und das explizite Zeitfenster hielten das günstig; eine vage Variante wie „zeig mir alles über SharePoint“ ohne Datumsbereich könnte den Agenten zu einem viel breiteren (und teureren) Mailbox-Scan zwingen. #### 3 - Komplexe mehrstufige Workflow-Anfrage * **Abfrage** **Beispiel**: „Wenn eine E-Mail von der Produktgruppe eintrifft, klassifiziere sie nach Arbeitsstrang, extrahiere Aufgabenpunkte in eine strukturierte Liste, erfasse sie in meinem Tracker, entwerfe eine Antwort, wenn es Routine ist, und benachrichtige mich in Teams.“ * **Eingabe** **Tokens**: \~1.550–3.050 * **Ausgabe** **Tokens**: \~950 * **Eingabe** **Token** **Kosten** (pro 1 Mio.): $3.00 * **Ausgabe** **Token** **Kosten** (pro 1 Mio.): $15.00 * **Compute** **Blöcke**: \~1.890–2.340 * **Kosten** (bei 30 € / 1 Mio. Compute-Blöcken): \~€0.06–€0.07 * **Empfehlung**: **Prompting-Aspekt:** Dieser Prompt bündelte sechs verschiedene Anforderungen in einer einzigen Anfrage. Wenn man das in Anfragen aufteilt, die der Agent tatsächlich erfüllen kann – z. B. „klassifiziere und protokolliere Aufgabenpunkte aus E-Mails, die ich dir weiterleite“, und dabei den Echtzeit-Trigger und die Teams-Bestandteile weglässt – vermeidet man die durch die Fähigkeiten begrenzte Sackgasse vollständig und erhält eine viel kürzere, günstigere und nützlichere Antwort. --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation by asking a question. Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters: ``` GET https://docs.blockbrain.ai/de/for-users/all-about-llms/blockbrain-llm-selection-guide.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.