Tue, Oct 20 · 5:45 PM CEST
🇩🇪 Der Talk wird auf Deutsch gehalten.
👉 „Ich nutze Claude Code." – „Wir haben Copilot eingeführt." Was solche Sätze kosten, weiß meistens niemand genau. Ralf Brauchler zeigt, dass AI-Kosten auf fünf Ebenen entstehen – Umgebung, Harness, Modell, Laufzeitort und Zugang – und warum die größten Hebel nicht dort liegen, wo man zuerst sucht. Mit konkreten Zahlen aus eigenen Messungen und einem Vorher-Nachher-Vergleich derselben Aufgabe.
🗓 AgendaLightning Talk: Wenn das LLM-Kontextfenster genügt Was kostet dein Agent? AI (Cost) Optimization auf fünf Ebenen
📣 Lightning Talk: Wenn das LLM-Kontextfenster genügt: Wozu dann noch ein Knowledge Graph? (Benny Burkert)
📣 Was kostet dein Agent? AI (Cost) Optimization auf fünf Ebenen (Ralf Brauchler)
Das greift zu kurz. AI-Kosten entstehen auf fünf Ebenen: in der Umgebung, im Agenten-Harness, beim Modell, am Laufzeitort und beim Zugang. Und die größten Hebel liegen nicht dort, wo man zuerst sucht. Das Harness entscheidet, wie viele Token überhaupt losgeschickt werden, inklusive der kompletten Session-History bei jedem einzelnen Schritt. Der Zugang entscheidet, was ein Token kostet und ob man es überhaupt messen kann. Das Modell ist nur einer von fünf Faktoren, wenn auch ein sichtbarer: Zwischen dem teuersten und dem günstigsten Cloud-Modell liegt ungefähr Faktor 100 im Preis, bei wenigen Prozentpunkten Unterschied in gängigen Coding-Benchmarks.
Der Talk geht die fünf Ebenen nach Hebelgröße durch, mit konkreten Zahlen aus eigenen Messungen und einem Vorher-Nachher-Vergleich derselben Aufgabe. Am Ende steht kein Sparappell, sondern eine brauchbare Reihenfolge: erst messen, dann eine Ebene nach der anderen anfassen. Und eine Warnung: Die Entwicklerstunde ist weiterhin der teuerste Posten. Wer 20 Euro Tokenkosten spart und eine Stunde Nacharbeit erzeugt, hat draufgezahlt. Deshalb zählt am Ende nur eine Kennzahl: Die Kosten pro erledigter Aufgabe.
🗣️ SpeakerBenny Burkert ist IT-Consultant bei der codecentric AG und schreibt derzeit seine Masterarbeit über KI-gestützte Softwareentwicklung. Aktuell baut er für ein Medizinsoftware-Projekt eine Wissensbasis, die Normen wie MDR und IEC 62304 als Graph abbildet und mit Anforderungen, Tests und Code aus verschiedenen Systemen verknüpft, damit KI-Antworten bis auf die einzelne Klausel nachprüfbar bleiben. Ihn interessiert, wie Wissen in Teams entsteht, strukturiert wird, wieder auffindbar ist und im Software Engineering angewandt wird.
Ralf Brauchler ist PO, PM und People Lead bei codecentric und arbeitet schwerpunktmäßig mit genAI in der Software-Entwicklung: Agenten-Setups, LLM-Stacks und die Frage, was davon im Projektalltag trägt. Er nutzt agentische Coding-Tools täglich und interessiert sich vor allem für die Entscheidungen im Stack, die man bewusst trifft statt sie zu erben.
