Wird die KI-Spieleentwicklung teurer, je mehr neue KI-Modelle erscheinen?

Die kurze Antwort lautet: Der Preis pro Token fällt, die Rechnung am Monatsende steigt trotzdem. Beides gleichzeitig, und der Widerspruch ist nur ein scheinbarer.

Wer Entwicklungskosten kalkuliert, sollte deshalb aufhören, auf den Listenpreis zu schauen, und stattdessen den Verbrauch pro Aufgabe messen. Genau dort hat sich in den vergangenen achtzehn Monaten das Entscheidende verändert.

Die Listenpreise sind deutlich gefallen

Der Befund ist eindeutig. OpenAI führte GPT-4.1 am 14. April 2025 mit zwei US-Dollar je Million Eingabe-Token und acht Dollar je Million Ausgabe-Token ein, zwischengespeicherte Eingaben kosten 50 Cent. Die aktuelle Preisübersicht bestätigt diese Werte weiterhin für dieselbe Modellversion.

Noch deutlicher fiel die Bewegung beim Reasoning-Modell o3 aus. Nach übereinstimmenden Berichten senkte OpenAI im Juni 2025 den Preis um etwa 80 Prozent, von rund zehn Dollar Eingabe und vierzig Dollar Ausgabe auf zwei und acht Dollar. Die Vorher-Werte stammen aus Sekundärquellen und sollten entsprechend vorsichtig behandelt werden; die Größenordnung der Senkung wird jedoch übereinstimmend berichtet.

Auch im Vergleich der Modellgenerationen zeigt sich derselbe Trend. Ältere GPT-4-Preise von fünf Dollar Eingabe und dreißig Dollar Ausgabe wurden durch Nachfolger mit vier und zwanzig Dollar ersetzt.

Wer allein diese Zahlen betrachtet, kommt zu dem Schluss, dass KI-gestützte Entwicklung günstiger geworden ist. Und für eine unveränderte Aufgabe stimmt das auch.

Der Verbrauch ist das eigentliche Thema

Die Aufgaben sind aber nicht unverändert geblieben.

Reasoning-Modelle arbeiten, indem sie vor der Antwort intern Zwischenschritte erzeugen. Diese Zwischenschritte sind Ausgabe-Token und werden abgerechnet, auch wenn sie nie sichtbar werden. Eine Aufgabe, die früher zweitausend Token Ausgabe verbraucht hat, kann im Reasoning-Betrieb ein Vielfaches davon verbrauchen.

Damit lässt sich der Effekt sauber beschreiben. Der Preis pro Einheit sinkt, die Zahl der Einheiten pro Aufgabe steigt, und welcher der beiden Faktoren überwiegt, hängt vollständig davon ab, welche Aufgabe gestellt wird.

Für einfache, klar umrissene Arbeiten wie das Erzeugen von Platzhaltertexten, das Umformatieren von Konfigurationen oder das Erstellen einfacher Spielregeln überwiegt die Preissenkung. Solche Arbeiten sind heute billiger als vor zwei Jahren.

Für komplexe Arbeiten, bei denen das Modell tatsächlich planen und Alternativen abwägen soll, überwiegt der Mehrverbrauch. Dieselbe Aufgabe kostet mehr als früher, obwohl der Preis je Token gefallen ist.

Was das für die Spieleentwicklung bedeutet

Hier lohnt eine Unterscheidung, die in der Kostendebatte fast immer fehlt: zwischen der Regelebene und dem Spielgefühl.

Regeln sind billig geworden. Ein Zustandsautomat, eine Gewinnbedingung, eine Punktezählung, eine Kollisionsabfrage: Solche Bausteine schreibt ein Modell in Minuten, und sie fallen in die Kategorie, in der die Preissenkung durchschlägt. Das erklärt, warum Prototypen heute in Stunden statt in Wochen entstehen.

Dahinter steht die Frage, die in der Branche gerade am lautesten gestellt wird: Wie viel von dieser Arbeit erledigt künftig noch ein Mensch? Die kleinen Browserspiele, die früher bei Miniclip liefen, einzelne Bausteine großer Titel in der Größenordnung eines GTA Vice City und die Automatenspiele, die quer durch das Netz unter Slots Deutsch geführt werden, entstehen heute zu erheblichen Teilen mit Modellunterstützung. Die interessante Frage ist damit nicht mehr, ob das technisch geht. Sie lautet: Wird das Ergebnis besser? Und wird es billiger? Nach den Zahlen weiter oben lautet die Antwort beide Male gleich, nämlich dass es daran hängt, wie viel am Ende geprüft werden muss.

Das Spielgefühl ist nicht billiger geworden. Schwierigkeitskurve, Rhythmus, der Moment, in dem eine Runde endet, all das entzieht sich einer Regelbeschreibung und lässt sich deshalb schlecht generieren. Wer es dennoch mit einem Modell versucht, landet genau bei den langen, teuren Reasoning-Durchläufen mit unsicherem Ergebnis.

Besonders sichtbar wird das in Bereichen mit fester Mathematik. Bei regulierten Automatenspielen liegt die Auszahlungsquote fest, die Zertifizierung ist verbindlich, und der gestalterische Spielraum liegt ausschließlich in Präsentation und Ablauf. Was ein Modell in solchen Katalogen erzeugen kann, ist die Hülle. Was es nicht erzeugen kann, ist die Freigabe durch eine Prüfstelle oder die Verantwortung für eine Rückkopplungsschleife, die als manipulativ gelesen werden könnte.

Dazu kommt ein Kostenblock, der in keiner Preistabelle steht: die Prüfung. Generierter Code muss gelesen, getestet und verantwortet werden, und diese Arbeit erledigt weiterhin ein Mensch. Bei einfachen Bausteinen ist der Aufwand gering. Bei allem, was Geld, Daten oder eine Zulassung berührt, wächst er schneller als die Ersparnis bei der Erzeugung. Genau an dieser Stelle kippt die Rechnung, und zwar unabhängig davon, was das Modell kostet.

Eine ehrliche Kosten-Nutzen-Rechnung

Drei Regeln haben sich in der Praxis bewährt.

Erstens: Kosten pro erledigter Aufgabe messen, nicht pro Token. Der Tokenpreis ist eine Eingangsgröße, keine Kennzahl.

Zweitens: Nicht jede Aufgabe braucht das stärkste Modell. Der teuerste Fehler in der Kalkulation ist es, ein Reasoning-Modell auf Arbeit anzusetzen, die ein einfacheres Modell zuverlässig erledigt.

Drittens: Zwischenspeicherung nutzen. Bei einem Viertel des Eingabepreises für gecachte Token ist das bei wiederkehrenden Prompts der größte einzelne Hebel, und er wird regelmäßig übersehen.

Wer die breitere Entwicklung verfolgt, findet bei IT BOLTWISE laufend Einordnungen zum Thema KI und Gesellschaft, die über die reine Kostenfrage hinausgehen.

Glücksspiel kann süchtig machen. 18+. Der Hausvorteil ist eingebaut und wird durch keine Technik aufgehoben. Hilfe bieten check-dein-spiel.de der Bundeszentrale für gesundheitliche Aufklärung und die Selbstsperre OASIS.