Direkte Antwort
Ein KI-Server wird nach Modell und paralleler Nutzung kalkuliert, nicht nach Mitarbeiterzahl. Die wirtschaftliche Alternative ist oft eine GPT-API oder ein kleiner Pilot auf vorhandener Hardware. Wenn Daten zwingend lokal bleiben müssen, bestimmt zunächst diese Anforderung den möglichen Betriebsweg.
Ein Angebot sollte Hardware, Einführung, Lizenzen und Betrieb getrennt ausweisen. Ein günstiger GPU-Preis allein sagt nicht, was euer einsatzfähiges System kostet.
Die vier Kostenblöcke
| Kostenblock | Typische Bestandteile | Frage für die Kalkulation |
|---|---|---|
| Einführung | Datenaufbereitung, Integration, Tests, Schulung | Was muss bis zur fachlichen Abnahme funktionieren? |
| Infrastruktur | Rechner oder Server, GPU, SSD, Netzwerk | Welche Konfiguration trägt Modell und parallele Anfragen? |
| Laufende Nutzung | API, Energie, gegebenenfalls Softwarelizenzen | Wie viel wird tatsächlich genutzt? |
| Betrieb | Updates, Monitoring, Backup, Wiederherstellung | Wer übernimmt welche Aufgabe und welche Verfügbarkeit? |
Bei API-Nutzung entfällt eigener Modellspeicher. Eure Weboberfläche, Anmeldung und Dokumentensuche müssen trotzdem betrieben werden. Bei lokaler KI bleiben Modellgewichte, Kontextspeicher und Reserve im eigenen System.
GPT-API-Kosten mit eurem Volumen rechnen
Die offizielle API-Preisliste enthält getrennte Eingabe- und Ausgabetarife. Der Rechner nutzt zwei am 30. September 2026 geprüfte Standardtarife für kurze Kontexte. Er ist ein Kostenvergleich, keine Zusage, dass beide Modelle eure Aufgabe gleich gut lösen. Quelle: OpenAI API-Preise.
Was kostet euer Anfragevolumen?
Rechenbeispiel für die GPT-API. Die Werte lassen sich an euren Alltag anpassen.
20 Arbeitstage pro Monat. Eingabe umfasst auch Systemanweisungen, Gesprächsverlauf und Dokumentauszüge. Ausgabe umfasst gegebenenfalls Reasoning-Tokens. Kein Cache, keine gesonderten Cache-Schreibkosten, keine Tools oder Langkontextzuschläge berücksichtigt.
Tarifstand: 30.09.2026. Standardtarife für kurze Kontexte. Ohne Steuern, Wechselkurs, Anwendung, Betreuung oder ChatGPT-Abonnement. Das günstigere Modell muss für eure Aufgabe ausreichend gut sein. Offizielle API-Preise.
Der Beispielwert zeigt, warum kleine Anfragevolumen keinen Serverkauf allein mit API-Ersparnis rechtfertigen. Lange Dokumente, Reasoning, Werkzeuge, abweichende Tarife und höhere Nutzung können die Rechnung verändern. Ein ChatGPT-Abonnement ist ein anderes Produkt und ersetzt kein API-Budget.
Drei Infrastrukturwege für konkrete Aufgaben
Pilot auf vorhandener Hardware
Für eine begrenzte Dokumentaufgabe kann ein vorhandener Rechner genügen. Zuerst prüfen wir Speicher, das passende Modell und die fachliche Qualität. Besteht der Pilot, wird die gemeinsame Nutzung mit den geplanten Nutzern getestet. Der Hardware-Rechner liefert eine erste Speicherabschätzung.
Workstation für lokale Verarbeitung
Eine GPU-Workstation passt, wenn die benötigten Modelle in den verfügbaren Grafikspeicher passen und der Betrieb im Büro sinnvoll ist. Eine einzelne Karte und ein vollständiges System sind unterschiedliche Angebote. CPU, RAM, Netzteil, Kühlung, SSD, Garantieleistung und Installation gehören in die Vergleichsliste.
Eine 96-GB-Workstation-Karte und eine passiv gekühlte 96-GB-Server-Karte sind ebenfalls nicht austauschbar. Edition, Kühlung und freigegebene Plattform müssen zusammenpassen. Der GPU-Katalog ordnet die Kapazität ein; ein Angebot bestätigt die konkrete Ausführung.
Dedizierter Server für gemeinsame Nutzung
Bei mehreren parallelen Sitzungen kommen Scheduling, Anmeldung und Betriebsverantwortung hinzu. Große Modelle können mehrere GPUs benötigen. Mehr Gesamt-VRAM bedeutet aber nicht automatisch proportional mehr Durchsatz. Für belastbare Beschaffung testen wir die tatsächliche Software, Dokumentlängen und Antwortgrößen.
Ein DGX Spark ist ein eigener Sonderfall: NVIDIA nennt 128 GB gemeinsamen Speicher und 273 GB/s Bandbreite. Das ist für Entwicklung und größere Gewichte interessant; es ist keine pauschale Zusage für viele gleichzeitig aktive Nutzer. Grundlage sind die Herstellerdaten.
Eine Beispielinvestition über drei Jahre
Angenommen, ein lokales System kostet 6.000 Euro netto. Das ist eine frei gewählte Rechenannahme, kein aktueller Gerätepreis und kein Angebot. Auf 36 Monate verteilt sind das 166,67 Euro monatlich, noch ohne Finanzierung und Restwert.
Bei angenommenen durchschnittlichen 200 Watt während acht Stunden an 22 Tagen kommen 35,2 kWh im Monat hinzu. Mit einer angenommenen Stromkostengröße von 0,30 Euro/kWh ergeben sich 10,56 Euro. Rechnerischer Zwischenstand: 177,23 Euro pro Monat vor Betreuung und weiteren Kosten. Dauerbetrieb, Kühlinfrastruktur und Leerlauf verändern den Wert.
Wer stattdessen eine API kalkuliert, vergleicht dieselbe Aufgabe und dieselbe geprüfte Qualität. Eine günstige lokale Antwort, die zehn Minuten Korrektur benötigt, kann die teurere API-Antwort wirtschaftlich unterbieten oder übertreffen – das muss der Pilot zeigen.
Tagespreise und Lieferbarkeit im Angebot bestätigen
Für stark wiederkehrende Nutzung lohnt sich außerdem die Prüfung von Tokenbudget, Caching, Batch und lokalen Alternativen. Dort lassen sich eigene Kosten bei hypothetisch anderen API-Preisen vergleichen. Das ist ein Belastungstest, keine Prognose für die Tarife eines Anbieters.
Hardwarepreise hängen von Edition, Speicherausbau, Bezugsweg und Garantie ab. Wir verwenden deshalb keine fremde Lageranzeige als eigene Lieferzusage. Ein individuelles Angebot benennt Konfiguration, Preisbasis, Steuer, Gültigkeit, Liefertermin und enthaltene Leistungen.
Die veröffentlichten API- und VPS-Tarife tragen einen Prüfstand. Der wöchentliche interne Abgleich meldet Änderungen zur Prüfung; eine geänderte Quellseite ist noch kein freigegebener neuer Angebotspreis.
Was wir für eine belastbare Anfrage brauchen
Aufgabe und Datenstandort, geplante Nutzer und parallele Sitzungen, gewünschtes Modell, typische Dokumentlänge, vorhandene Hardware sowie Investitionsrahmen. Wenn das Modell noch offen ist, beginnen wir mit dem Qualitätsvergleich. Bei Kanzleien steht Mandatstrennung im Vordergrund, bei mittelständischen Teams häufig die Integration in den vorhandenen Ablauf.
Häufige Fragen
Was kostet ein KI-Server für ein Unternehmen?
Das hängt von Modell, parallelen Anfragen, Kontextlänge und Betriebsanforderungen ab. Eine GPU-Karte ist noch kein vollständiges System. Zum Hardwarepreis kommen Einführung, Storage, Netzwerk, Energie und Betreuung. Wir kalkulieren nach dem konkreten Arbeitsablauf.
Ist ein eigener KI-Server günstiger als die GPT-API?
Nicht automatisch. Entscheidend sind nutzbares Anfragevolumen, Modellqualität, Auslastung und Betriebskosten. Bei geringem Volumen kann die API günstiger sein; bei besonderen Datenanforderungen kann eigener Betrieb unabhängig vom Preis erforderlich sein.
Laufen GPT-Modelle auf einem gekauften GPU-Server?
Nur Modelle mit tatsächlich herunterladbaren Gewichten können selbst betrieben werden. Die gehosteten GPT-API-Modelle werden nicht durch einen Hardwarekauf lokal. Für eigenen Betrieb kommen beispielsweise gpt-oss und andere offene Modellfamilien infrage.
Reicht ein DGX Spark für 50 Mitarbeiter?
Die Beschäftigtenzahl allein beantwortet das nicht. Das Gerät hat viel gemeinsamen Speicher, aber nur begrenzten Durchsatz. Modell, Kontext und gleichzeitig aktive Nutzer müssen auf der geplanten Software getestet werden.
Sind die angezeigten API-Kosten der vollständige Projektpreis?
Nein. Der Rechner zeigt eine Modellkosten-Schätzung mit geprüftem Tarifstand. Steuern, Wechselkurs, besondere Tarife, Tools, Anwendung, Dokumentaufbereitung, Einführung und Betreuung sind nicht enthalten. Verbindliche Preise werden im Angebot vereinbart.