Teures Modell denkt, billiges tippt: Wann sich das KI-Duo wirklich rechnet
Google und Anthropic teilen die Arbeit von KI-Agenten auf ein teures und ein billiges Modell auf, aber in entgegengesetzter Richtung. Die Hersteller versprechen Ersparnisse. Unabhängige Tests zeigen: Das klappt nur, wenn das billige Modell fast alles allein schafft. Sonst kann es deutlich teurer werden. Wir erklären, wie beide Muster funktionieren, rechnen nach und zeigen, wie man das Muster selbst einrichtet.

Darum geht es
KI-Agenten zum Programmieren sind teuer, weil sie viele Schritte hintereinander erledigen und dabei jedes Mal den ganzen bisherigen Verlauf mitlesen. Eine naheliegende Sparidee verbreitet sich gerade in der Fachpresse: Das teure Modell soll nur denken, das billige die eigentliche Arbeit machen. Google und Anthropic haben diese Idee schon in Produkte eingebaut, aber spiegelverkehrt.
- Top-down bei Google: Im Programmierwerkzeug Antigravity plant beim Orchestrator ein großes Modell, und das günstige Gemini 4 Hydrogen setzt den Plan um.
- Bottom-up bei Anthropic: Beim Advisor-Tool arbeitet das kleine Modell (Sonnet oder Haiku) selbst und holt sich nur bei Bedarf Rat bei Opus.
Unsere These: Die Aufteilung spart nur dann Geld, wenn das günstige Modell die meisten Schritte allein schafft und die Abstimmung zwischen beiden wenig kostet. Sonst wird das Duo teurer als das große Modell allein. Die bisher verfügbaren unabhängigen Zahlen stützen das.
So funktionieren die beiden Muster
Googles Orchestrator gibt es seit dem 12. November zusammen mit Hydrogen. Laut Antigravity-Dokumentation beginnt jede Nachricht mit einer Lesephase. Der Planer erkundet den Code, ohne etwas zu ändern, klärt Unklarheiten und schreibt einen Plan. In diesen Plan schreibt er auch, unter welchen Bedingungen neu geplant werden muss. Dann übernimmt der Ausführer: Er sucht, bearbeitet Dateien, startet Builds und Tests und gleicht das Ergebnis mit dem Plan ab. Zurück an den Planer geht die Kontrolle in drei Fällen:
- ein Prüfschritt scheitert zweimal,
- eine Schnittstelle verhält sich anders als erwartet,
- eine Designfrage ist im Plan nicht geklärt.
Inzwischen ist Gemini 4 Neon der Standard-Planer. Wählbar sind auch Carbon, Argon und Claude Opus 5.5. Als Ausführer gibt es neben Hydrogen auch Claude Sonnet 5.5. Die Denktiefe lässt sich im Orchestrator nicht einstellen, /effort greift dort nicht. Welcher Kontext bei der Übergabe weitergereicht wird und ob es einen Zwischenspeicher gibt, beschreibt Google nicht. Auch die Angaben zur Verfügbarkeit gehen auseinander. Anfangs hieß es „nur Ultra“, heute nennt die Doku Pro und Ultra.
Anthropics Advisor-Tool (Beta, Typ advisor_20260301) arbeitet innerhalb einer einzigen API-Anfrage. Laut API-Doku entscheidet das kleine Modell selbst, wann es den Berater ruft. Der Berater bekommt dann das komplette Protokoll der Sitzung: Systemanweisung, Werkzeugdefinitionen, alle bisherigen Schritte. Er darf selbst keine Werkzeuge benutzen und gibt nur einen Rat zurück, typischerweise 400 bis 700 Text-Tokens, mit Denkschritten 1.400 bis 1.800. Abgerechnet wird jeweils zum Preis des Beratermodells. max_uses begrenzt die Zahl der Aufrufe pro Durchgang. Ist die Grenze erreicht, arbeitet das kleine Modell ohne Rat weiter. Eine Obergrenze für das ganze Gespräch gibt es nicht. Zwischenspeichern (Caching) ist optional. Lohnen soll es sich laut Anthropic ab etwa drei Beratungen pro Gespräch.
Ein Cache ist hier ein Zwischenspeicher für den schon verarbeiteten Gesprächsanfang. Bei Opus 5.5 kostet so ein wiederverwendeter Teil nur 5 Prozent des normalen Eingabepreises. Genau das macht Modellwechsel heikel: Ein Modell, das neu einsteigt, hat den Verlauf noch nicht im Cache und muss ihn zum vollen Preis einlesen.
Herstellerzahlen gegen unabhängige Messungen
| Aussage | Quelle | Was dahintersteckt |
|---|---|---|
| Orchestrator: −24 % Kontingent, −19 % Zeit, Erfolg „nahe Carbon“ | Kontingent im Abo, nicht Dollar. Keine absolute Erfolgsquote veröffentlicht. Benchmark mal Terminal-Bench 4.1, mal 4.0 genannt | |
| Sonnet 4.6 + Opus-Berater: +2,7 Punkte SWE-bench Multilingual (72,1 → 74,8), −11,9 % Kosten | Anthropic, April 2026 | ältere Modellgeneration |
| Haiku 4.5 + Opus-Berater: BrowseComp 19,7 → 41,2 %, 85 % billiger als Sonnet allein, aber 29 % schlechter | Anthropic | Rechercheaufgaben, kein Code |
| Opus 5.5 + Fable-5.1-Berater: +1,7 Punkte bei etwa 2,1-fachen Kosten | Anthropic-Daten, ausgewertet von Developers Digest | laut Artikel am Rand des Messrauschens |
| Sonnet 5.5 + Opus-Berater 20 % billiger als Opus allein; Opus + Opus-Berater +80 bis +94 % | Unabhängiger Test, 43 Aufgaben, 171 Läufe | Ergebnis nur bei 2 von 6 Aufgaben besser |
| Opus-Planer + Kimi K2.6: 97/100 wie Opus allein, aber etwa 3-fache Kosten | Praxistest, ausgewertet von Datallmlab | rund 11 $ Planer-Kosten tauchten nicht im Protokoll auf |
| „4x günstiger“ | Morph | gerechnet, nicht gemessen |
Zwei Befunde fallen auf. Erstens fragt das kleine Modell oft gar nicht nach. Im unabhängigen Claude-Code-Test rief Sonnet den Berater in 53 Läufen nur neunmal, 46 Läufe kamen ganz ohne Rat aus. Nach wiederholten Fehlschlägen fragte das Modell kein einziges Mal. In Anthropics eigenen GPQA-Läufen gab es bei 396 möglichen Beratungen keine einzige. Die Kosten stiegen trotzdem um 12 Prozent (Haiku) bzw. 25 Prozent (Sonnet), weil allein die Werkzeugdefinition bei jeder Anfrage rund 1.000 Tokens mitschleppt. Zweitens rechnen sich die versteckten Kosten oft nicht im Werbetext mit: Planer-Tokens tauchen nicht im Protokoll auf, und ein schwächeres Modell braucht mehr Anläufe.
Auch Morphs „4x günstiger“ hält einer Prüfung nicht stand. Die Zahl beruht auf angenommenen Token-Mengen mal Listenpreis. Aus Morphs eigenen Zahlen ergibt sich für einen ganzen Build eher der Faktor 2,3 (92,50 $ gegen 39,50 $). Außerdem geht die Rechnung davon aus, dass das schwächere Modell genauso viele Tokens braucht wie das starke. Morph verkauft zudem einen eigenen Modell-Router.
Nachgerechnet: Wo die Grenze liegt
Ein einfaches Modell, unsere eigene Rechnung: Der Planer übernimmt einen Anteil p der Arbeit. Die Abstimmung kostet zusätzlich o, umgerechnet in Arbeit des großen Modells. Das kleine Modell braucht für seinen Teil e-mal so viele Tokens wie das große und kostet pro Token den Bruchteil r. Das Duo ist billiger, solange gilt: p + o + r·(1−p)·e < 1.
Mit p = 20 % und o = 5 % ergibt sich, wie viel ineffizienter der Ausführer höchstens sein darf:
| Planer → Ausführer (Listenpreise) | Preisverhältnis r | Ausführer darf bis zu … mehr Tokens brauchen |
|---|---|---|
| Carbon ab 1. 12. (4/20 $) → Hydrogen (1,50/7,50 $) | 0,375 | 2,5-fach |
| Neon (3/15 $) → Hydrogen | 0,5 | 1,9-fach |
| Carbon zum Einführungspreis (2/10 $) → Hydrogen | 0,75 | 1,25-fach |
| Opus 5.5 (4/20 $) → Sonnet 5.5 (2/10 $) | 0,5 | 1,9-fach |
Solange Carbon zum Einführungspreis läuft, ist der Spielraum also klein. Daraus folgt auch: Googles −24 Prozent lassen sich nicht in Dollar umrechnen. Je nachdem, wie das Kontingent die Modelle gewichtet, steckt dahinter eine Aufteilung, bei der Hydrogen kaum 40 Prozent oder fast die gesamte Arbeit erledigt.
Für den Advisor rechnet Developers Digest vor, was eine einzelne Opus-5.5-Beratung bei 50.000 Tokens Protokoll ohne Cache kostet: rund 0,23 Dollar (50.000 × 4 $/Mio. plus 1.600 × 20 $/Mio., nachgerechnet). Nehmen wir an, Sonnet 5.5 braucht für eine Aufgabe genauso viele Tokens wie Opus. Dann kostet es die Hälfte. Bei einer Aufgabe, die Opus allein 1,38 Dollar kostet (Anthropics eigener Wert), wäre die Ersparnis von 0,69 Dollar nach drei solchen Beratungen aufgebraucht. Bei 100.000 Tokens Protokoll schon nach knapp zwei. Haiku 5.5 kostet bis 100.000 Tokens Eingabe nur 0,10/0,50 Dollar. Dort ist eine einzige Opus-Beratung teurer als die ganze restliche Aufgabe. Microsofts eigene Messung für MAI Code 2 Flash zeigt aber, dass Haiku 5.5 pro Aufgabe trotzdem auf 0,32 Dollar kam. Billige Listenpreise heißen also nicht automatisch billige Aufgaben.
Prüfer schlägt Planer
Ein Paper von Jan Miller (arXiv 2603.03406) hat beide Rollen direkt verglichen. Getestet wurden Qwen3-32B als Denkmodell und Qwen2.5-Coder-14B als Code-Modell auf HumanEval+ und MBPP+, zusammen 542 Aufgaben. Ergebnis: Plante das große Modell vorab, schnitt das Duo 2,4 Punkte schlechter ab als das Code-Modell allein (78,0 Prozent). Ließ man dagegen das kleine Modell frei schreiben und das große prüfen, stieg der Wert auf 87,8 Prozent und mit einem weiteren Versuch auf 90,2 Prozent. Das große Modell allein schaffte 84,1 Prozent. Die Einschränkungen sind deutlich: nur einzelne Funktionen statt echter Projekte, nur ein Modellpaar, und zwei bis sieben Aufrufe statt einem.
Unsere Einschätzung: Das passt zu Anthropics Empfehlung, den Berater früh und vor dem Abschluss zu fragen. Und es passt zum unabhängigen Test, in dem genau diese Schlussprüfung meist ausblieb. Das Bottom-up-Muster hat das Potenzial, scheitert in der Praxis aber oft daran, dass das kleine Modell nicht fragt.
Selbst einrichten und richtig messen
- Claude Code:
/model opusplanlässt Opus 5.5 im Plan-Modus planen und Sonnet 5.5 ausführen. Das greift laut Doku nur im Plan-Modus, und ein offenes GitHub-Issue meldet, dass danach manchmal Opus weiterläuft. Das Bottom-up-Muster gibt es mit/advisor opus. Haiku darf dort fragen, aber nicht selbst beraten. - OpenCode 2: In der Agenten-Doku bekommt jeder Agent unter
agentsein eigenesmodel. Mitmode: "subagent"wird er zum Hilfsagenten, und überpermissionslegt man fest, welche Unteragenten der Hauptagent starten darf. Unteragenten laufen in eigenen Sitzungen mit frischem Kontext. Gut eignet sich etwa ein günstiges Hauptmodell mit einem starken Prüfer. In Issue #8456 warnte ein Nutzer, dass ein Modellwechsel mitten in der Sitzung den ganzen Kontext neu sendet. - DeepSeek-Reasonix: In
reasonix.tomlsetzt mandefault_model(Ausführer) undplanner_model, laut einer Drittanalyse zusätzlichplanner_max_steps. Beide Modelle laufen in getrennten Sitzungen, damit ihre Caches stabil bleiben. Das README nennt das „cache-stable sessions“. - Cursor: Ein festes Paar aus Planer und Ausführer ist nicht eingebaut. Im Forum wird berichtet, dass man Modelle pro Planschritt nicht zuweisen kann. Mit mehreren Modellen parallel im Plan-Modus hat ein Fehler dazu geführt, dass ein Modell den Code trotzdem änderte.
Messen solltest du: Kosten pro erfolgreich gelöster Aufgabe (nicht pro Aufgabe), wie oft übergeben oder nachgefragt wird, Tokens getrennt nach Modell (beim Advisor in usage.iterations), die Cache-Trefferquote und die Laufzeit. Vergleiche immer mit drei Grundwerten: dem kleinen Modell allein, dem großen allein und dem großen Modell auf niedriger Denkstufe. Anthropic selbst empfiehlt den letzten Vergleich als Hürde, die das Duo schlagen muss.
Unser Fazit
Das Zwei-Modelle-Team ist kein Sparautomat. Belegt ist bisher: Mit Sonnet als Arbeiter und Opus als gelegentlichem Berater lassen sich rund 10 bis 20 Prozent sparen, ohne dass die Qualität leidet. Für Googles −24 Prozent gibt es noch keine unabhängige Bestätigung, zumal sie nur Kontingent und nicht Geld betreffen. Wer das große Modell mit sich selbst als Berater kombiniert oder von Hand Planer und Ausführer koordiniert, zahlt schnell das Doppelte oder Dreifache. Unsere Einschätzung: Neue günstige Ausführer wie Hydrogen oder MAI Code 2 Flash machen das Muster attraktiver, je weiter ihr Preis unter dem des Planers liegt. Der größte Hebel liegt aber wohl nicht in der Planung, sondern in der Prüfung am Ende. Genau die überspringen die heutigen Werkzeuge noch zu oft.
Quellen
- Google Antigravity Blog: Gemini 4 Hydrogen in Google Antigravity antigravity.google
- Google Antigravity Docs: Models / Orchestrator antigravity.google
- Anthropic: The advisor strategy claude.com
- Claude API Docs: Advisor tool platform.claude.com
- Claude API Docs: Pricing platform.claude.com
- Claude Code Docs: Model configuration (opusplan) code.claude.com
- Datallmlab: Orchestrator-Executor LLM Pattern datallmlab.com
- arXiv: Review Beats Planning (2603.03406) arxiv.org
- arXiv HTML: Review Beats Planning arxiv.org
- Morph: Multi-Agent Model Routing morphllm.com
- allahabadi.dev: Claude Code's Advisor Tool, Tested allahabadi.dev
- Developers Digest: Claude Advisor Tool vs a Bigger Model developersdigest.tech
- Decode the Future: Claude Advisor Tool & Claude Code /advisor decodethefuture.org
- eesel: Google Antigravity Orchestrator eesel.ai
- Interesting Engineering: Gemini 4 Hydrogen interestingengineering.com
- Xataka Brasil: Modelo caro pensa, barato trabalha xataka.com.br
- GitHub: anomalyco/opencode Issue #8456 github.com
- OpenCode v2 Docs: Agents opencode.ai
- DeepSeek-Reasonix README raw.githubusercontent.com
- Instagit: Two-Model Collaboration in DeepSeek-Reasonix instagit.com
- Cursor Forum: Plan mode with multiple models forum.cursor.com
- Microsoft AI: MAI Code 2 und MAI Code 2 Flash microsoft.ai
Frag den KI-Assistenten
Fragen zu diesem Artikel, zur Installation oder zu Hintergründen? Unser Assistent kennt diese Seite und läuft auf unserem eigenen Rechner, nicht in einer fremden Cloud.
Der Assistent ist eine KI (Gemma 4) und kann sich irren – wichtige Angaben bitte in der Quelle prüfen. Fragen werden nur zum Beantworten genutzt und nach einer Stunde gelöscht. Bitte keine persönlichen Daten eingeben.
Kommentare
Was meinst du dazu? Schon ausprobiert? Schreib es hier, ohne Anmeldung.
Kommentare sind öffentlich. Links sind nicht erlaubt, beleidigende Beiträge löschen wir. Deinen eigenen Kommentar kannst du in diesem Browser jederzeit wieder löschen. Mehr dazu in der Datenschutzerklärung.