Modell & Aufgabenprofil
—Eingabetoken / Aufgabe
—Screenshot-Anteil der Rechnung
—Kosten / Aufgabe
Screenshot-Aufbewahrung – der größte Kostenhebel
Gleiche Aufgabe, gleiche Schritte – nur wie viele vorherige Screenshots im Kontext bleiben, ändert sich. Alte Screenshots von veralteten Bildschirmzuständen verbessern selten die nächste Aktion, werden aber immer als neue Eingabetokens dargestellt.
| Strategie | Geben Sie Token / Aufgabe ein | Kosten / Aufgabe | Monatlich | vs. Alles behalten |
|---|
In der Screenshot-Schleife gehen die Budgets für die Browser-Automatisierung verloren
Ein Computer-Use-Agent liest das DOM nicht, sondern schaut auf den Bildschirm. Jeder Schritt jeder Aufgabe ist ein vollständiger Rundlauf: Machen Sie einen Screenshot, senden Sie ihn als Vision-Eingabetoken an das Modell, erhalten Sie eine Klick-, Tipp- oder Scroll-Aktion zurück, führen Sie sie aus und machen Sie den nächsten Screenshot. Mit etwa 1.000–1.600 Token pro Screenshot (abhängig von der Auflösung) und 10–30 Schritten für eine Routineaufgabe stellt die visuelle Eingabe allein alles andere in der Anfrage in den Schatten. Die tatsächliche Textausgabe des Modells – eine Koordinate und eine kurze Begründung – ist im Vergleich trivial klein. Diese Umkehrung überrascht Teams: Bei Chat-Workloads sind Ausgabetokens der teure Teil; Bei der Computernutzung beträgt der Aufwand in der Regel 80–95 % der Rechnung.
Die Kontextakkumulation ist der Multiplikator an der Spitze. Wenn der Agent jeden vorherigen Screenshot in der Konversation behält, sendet Schritt 15 vierzehn veraltete Screenshots plus den aktuellen erneut und die Gesamtzahl der Screenshot-Tokens wächst quadratisch mit der Aufgabenlänge – eine 15-Schritte-Aufgabe mit 1.200 Tokens pro Screenshot verbrennt etwa 144.000 Screenshot-Tokens mit vollständigem Verlauf im Vergleich zu etwa 50.000, bei denen nur die letzten drei beibehalten werden. Diese einzelne Aufbewahrungseinstellung ändert die dominierende Kostenkomponente um fast das Dreifache, weshalb die Referenzimplementierung von Anthropic alte Screenshots standardmäßig kürzt. Die gleiche akkumulierende Kontextberechnung für Nur-Text-Agenten wird in unserem behandelt Schrittkostenrechner für KI-Agenten; Screenshots erhöhen den Einsatz einfach um eine Größenordnung.
Zwei praktische Hinweise. Erstens das Budget für Wiederholungsversuche: Computernutzende Agenten schlagen fehl und führen Aufgaben mit sinnvollen Raten erneut aus (Änderungen der Benutzeroberfläche, Zeitüberschreitungen, Fehlklicks), und ein Wiederholungsversuchszuschuss von 10–20 % gehört in jede ehrliche Schätzung. Zweitens ist die Auflösung ein echter Hebel: Durch das Herunterskalieren von Aufnahmen auf die effektive Auflösung des Modells vor dem Senden wird vermieden, dass für Pixel bezahlt werden muss, die das Modell ohnehin neu berechnet. Wenn Ihre Arbeitsbelastung eher kratz- als interaktionsförmig ist, vergleichen Sie sie mit einer herkömmlichen Web-Scraping-API: Wenn kein Klicken oder Tippen erforderlich ist, sind Screenshots eine teure Möglichkeit, eine Seite zu lesen.
So funktioniert dieser Rechner
Der Kostenrechner für Computernutzungsagenten schätzt, wie viel es kostet, einen Computer- oder Browser-Automatisierungsagenten auszuführen, bei dem jeder Schritt etwas Neues liefert Screenshot als Vision-Token in das Modell einfügen. Sie geben Ihr Modell, die Anzahl der Aufgaben pro Monat, die Eingabe- und Ausgabepreise pro Million Token, die Anzahl der Screenshots, die Sie im Kontext behalten, und den Prozentsatz fehlgeschlagener oder wiederholter Aufgaben ein. Daraus berechnet das Tool Ihre monatliche Rechnung. Der wichtigste Treiber, den es erfasst, ist Kontextakkumulation: Da ein Agent viele Schritte durchläuft und jeder Screenshot teuer ist, stapeln sich die gespeicherten Bilder über eine Aufgabe hinweg, sodass die Kosten mit den Schritten, der Bildaufbewahrung und den Wiederholungsversuchen steigen und nicht nur mit der Aufgabenanzahl.
Der praktische Hebel, den dieser Rechner hervorhebt, ist die Speicherung von Screenshots. Wenn Sie jeden vorherigen Screenshot im Kontext behalten, zahlt sich jeder Schritt für alle früheren Bilder aus, also a Keep-last-N-Strategie – indem nur die neuesten Screenshots gespeichert werden – können die Rechnungen etwa um das Zwei- bis Dreifache gesenkt werden, ohne dass es zu großen Verlusten an Nutzwert kommt. Der Nachteil, den es zu beachten gilt, besteht darin, dass ein zu aggressives Trimmen den Kontext, den der Agent benötigt, entfernen und so den Wert erhöhen kann fehlgeschlagen/erneut versucht Es werden auch Wiederholungsversuche in Rechnung gestellt. Passen Sie die Aufbewahrungs- und Wiederholungseingaben gemeinsam an, um den Punkt zu finden, an dem Sie am wenigsten ausgeben und gleichzeitig die Aufgaben zuverlässig halten.
Häufig gestellte Fragen
Warum sind Computer-Agenten so viel teurer als Chat-Vervollständigungen?
Ein Computer-Use-Agent arbeitet in einer Schleife: Machen Sie einen Screenshot des Bildschirms, senden Sie ihn als Vision-Input-Token an das Modell, empfangen Sie eine Klick- oder Tastenaktion, führen Sie ihn aus und erstellen Sie erneut einen Screenshot. Jeder Screenshot kostet je nach Auflösung etwa 1.000–1.600 Eingabe-Tokens und eine einzelne Aufgabe erfordert normalerweise 10–30 Schritte. Wenn der Agent frühere Screenshots im Kontext behält, wachsen die Eingabe-Tokens mit jedem Schritt – eine 15-Schritte-Aufgabe mit vollständigem Verlauf kann weit über 150.000 Eingabe-Tokens verbrennen, was dem Hundertfachen eines typischen Chat-Abschlusses entspricht. Die Vision-Tokens und nicht die Textausgabe des Modells dominieren die Rechnung.
Was ist die Keep-last-N-Screenshot-Strategie und wie viel spart sie?
Anstatt bei jedem Schritt jeden vorherigen Screenshot erneut zu senden, behält der Agent nur die aktuellsten N Screenshots im Kontext (die Referenzimplementierung von Anthropic schneidet standardmäßig alte ab). Bei einer 15-Schritte-Aufgabe mit 1.200 Tokens pro Screenshot werden durch die Beibehaltung des vollständigen Verlaufs etwa 144.000 Screenshot-Tokens über die gesamte Aufgabe gesendet, während die letzten 3 Sendungen etwa 50.000 betragen – etwa eine 2,9-fache Reduzierung der dominanten Kostenkomponente, normalerweise ohne Einbußen beim Aufgabenerfolg, da alte Screenshots veralteter Bildschirmzustände bei der nächsten Aktion selten hilfreich sind. Es ist der Kostenhebel mit der höchsten Hebelwirkung bei der Computernutzung.
Wie unterscheiden sich die Preise für die Computernutzung von Claude und die Vorschaupreise für die Computernutzung von OpenAI?
Beide berechnen Standard-Token-Tarife auf der Schleife: Computernutzung der Claude Sonnet-Klasse bei 3 $/M Input und 15 $/M Output (mit einem Aktionspreis von 2 $/10 $ gültig bis August 2026), OpenAI-Computernutzungsvorschau bei 3 $/M Input und 12 $/M Output. Da Eingabe-Vision-Tokens die Arbeitslast dominieren, ist die Eingaberate am wichtigsten und die beiden liegen nahe beieinander – der tatsächliche Kostenunterschied ergibt sich aus den Schritten pro Aufgabe und der Strategie zur Aufbewahrung von Screenshots, nicht vom Anbieter. Claudes computergestütztes Tool fügt pro Anfrage außerdem etwa 700–1.200 feste System-/Tool-Tokens hinzu, die dieser Rechner als Overhead pro Schritt modelliert.