[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"reazon-offering-angebot-leistungen":3,"reazon-offering-angebot-zielgruppen":20,"reazon-angebot-subnav":21,"reazon-mainnav":22,"reazon-page-\u002Fde\u002Fwissen\u002Fopenai-api-kosten-vs-eigener-endpoint":32,"reazon-footernav":64,"reazon-articles-\u002Fde\u002Fwissen":81},[4,8,12,16],{"title":5,"href":6,"description":7},"DGX Spark mieten","\u002Fde\u002Fdgx-spark","Der NVIDIA-AI-Supercomputer für den Schreibtisch — on-demand aus der Schweiz, bare metal oder gemanagt.",{"title":9,"href":10,"description":11},"Bare Metal GPU","\u002Fde\u002Fbare-metal","DGX Spark & H100 als dedizierte Maschine — volle Kontrolle, Root-Zugriff, Schweizer Rechenzentrum.",{"title":13,"href":14,"description":15},"Managed Inference","\u002Fde\u002Fmanaged-inference","LLM-Endpoints via vLLM — von uns betrieben, ohne Ops-Aufwand, mit Schweizer Datenhoheit.",{"title":17,"href":18,"description":19},"Hermes Agents","\u002Fde\u002Fagents","Agentische Workloads gemanagt — Hermes-Agents auf souveräner Hardware, von uns betrieben.",[],[],[23,26,29],{"title":24,"href":25},"Preise","\u002Fde\u002Fpreise",{"title":27,"href":28},"Wissen","\u002Fde\u002Fwissen",{"title":30,"href":31},"Über Twentyone","\u002Fde\u002Fueber-uns",{"data":33},{"id":34,"path":35,"slug":36,"published_at":37,"page_type":38,"no_index":41,"fields":42,"blocks":63},1483,"\u002Fde\u002Fwissen\u002Fopenai-api-kosten-vs-eigener-endpoint","openai-api-kosten-vs-eigener-endpoint","2026-07-13T09:39:22.847Z",{"identifier":39,"name":40},"article","Blog Post",false,{"title":43,"summary":44,"meta_title":45,"meta_description":46,"big5_category":47,"publication_date":48,"primary_service":49,"hubs":55,"body":61,"body_html":62},"Ab welchem Volumen sich ein eigener Endpoint gegen die API rechnet","Die Pay-per-Token-API ist günstig, bis sie es nicht mehr ist. Wo genau der Break-even zu einem reservierten Endpoint mit fester Monatspauschale liegt, an einem konkreten Beispiel durchgerechnet.","API-Kosten gegen eigenen LLM-Endpoint: der Break-even | Twentyone","Ab welchem Token-Volumen ein reservierter Endpoint günstiger wird als die Pay-per-Token-API. Die Break-even-Rechnung mit einem durchgerechneten Beispiel.","cost","2026-07-13T00:00:00Z",{"id":50,"slug":51,"path":14,"page_type":52,"published":53,"type":54},676,"managed-inference","service",true,"Cms::Page",[56],{"hub":57},{"id":50,"slug":51,"path":14,"page_type":52,"published":53,"fields":58,"type":54},{"title":13,"summary":15,"meta_description":59,"meta_title":60},"Gemanagte LLM-Endpoints (vLLM) statt eigener Ops: OpenAI-kompatible API, Schweizer Datenhoheit, DSG-\u002FDSGVO-konform. Kosten, Vergleich zu Self-Host und API.","Managed LLM Inference — vLLM-Endpoints aus der Schweiz | Twentyone","## Der Token-Zähler, der nie stillsteht\n\nEine kommerzielle API rechnet pro Token ab. Solange dein Volumen klein ist, ist das der bequemste Weg: kein Betrieb, keine Hardware, ein kaum sichtbarer Posten auf der Rechnung. Der Haken zeigt sich erst später. Jeder Request zählt weiter, rund um die Uhr, und mit dem Erfolg deines Produkts wächst die Rechnung linear mit. Irgendwann zahlst du für konstante Grundlast einen Preis, der für Spitzen gedacht war.\n\n## Zwei Kostenmodelle, die gegeneinander laufen\n\nDie beiden Modelle verhalten sich grundverschieden. Bei der **Pay-per-Token-API** startest du bei null und zahlst für jeden Token, den du verbrauchst. Die Kurve steigt mit dem Volumen und hört nie auf zu steigen. Bei einem **reservierten Endpoint** zahlst du eine feste Monatspauschale, unabhängig davon, ob die Maschine zu 30 oder zu 90 Prozent ausgelastet ist, bis die Kapazität erreicht ist.\n\nDie eine Linie steigt schräg nach oben, die andere liegt flach. Sie schneiden sich in genau einem Punkt. Links davon gewinnt die API, rechts davon der eigene Endpoint. Die ganze Entscheidung besteht darin, zu wissen, auf welcher Seite dieses Punkts du stehst.\n\n## Ein Beispiel, durchgerechnet\n\nRechnen wir es an einem mittelgrossen Dienst durch. Die Zahlen sind ein Beispiel, setz deine eigenen ein.\n\nAngenommen, ein Assistent beantwortet 20'000 Anfragen am Tag. Mit Kontext aus einer Wissensbasis sind pro Anfrage rund 1'500 Eingabe- und 500 Ausgabe-Tokens realistisch, zusammen 2'000 Tokens. Das sind 40 Millionen Tokens am Tag, rund 1,2 Milliarden im Monat.\n\nNimm für die API einen Mischpreis von 3 Franken pro Million Tokens an. Die Monatsrechnung liegt dann bei etwa 3'600 Franken, und sie steigt weiter, sobald der Dienst mehr genutzt wird. Ein reservierter Endpoint kostet dieselbe Summe jeden Monat, ob 1 oder 2 Milliarden Tokens durchlaufen. Ab dem Volumen, an dem die Pauschale unter der Token-Rechnung liegt, zahlst du bei der API drauf.\n\nDie Formel dahinter ist simpel: Break-even in Tokens gleich Monatspauschale geteilt durch den Preis pro Token. Alles darüber spricht für den Endpoint.\n\n## Was in keiner der beiden Zahlen steht\n\nZwei Dinge stehen in keiner Tabelle. Erstens der Betrieb: Betreibst du den Endpoint komplett selbst, kommt der teuerste Posten oben drauf, die Arbeitszeit für Treiber, Tuning und Bereitschaft. Was das kostet, steht im Beitrag zu den [vollen Kosten eigener Inferenz](\u002Fde\u002Fwissen\u002Fllm-selbst-betreiben-kosten). Zweitens die Datenhoheit: Bei der API verlassen deine Prompts die Schweiz, und das lässt sich nicht in Franken aufwiegen.\n\nGenau in dieser Lücke sitzt [Managed Inference](\u002Fde\u002Fmanaged-inference): die feste Monatspauschale und die Datenhoheit des eigenen Endpoints, ohne den Betriebsblock selbst zu schultern.\n\n## Wo du die Grenze für deinen Fall ziehst\n\nMiss dein echtes Token-Volumen eine Woche lang, rechne es auf den Monat hoch und stell es der Pauschale gegenüber. Die Ansätze dafür stehen offen auf der [Preisseite](\u002Fde\u002Fpreise). Wenn deine Last konstant ist und über dem Break-even liegt, hört die API auf, die günstige Option zu sein.","\u003Ch2>Der Token-Zähler, der nie stillsteht\u003C\u002Fh2>\n\n\u003Cp>Eine kommerzielle API rechnet pro Token ab. Solange dein Volumen klein ist, ist das der bequemste Weg: kein Betrieb, keine Hardware, ein kaum sichtbarer Posten auf der Rechnung. Der Haken zeigt sich erst später. Jeder Request zählt weiter, rund um die Uhr, und mit dem Erfolg deines Produkts wächst die Rechnung linear mit. Irgendwann zahlst du für konstante Grundlast einen Preis, der für Spitzen gedacht war.\u003C\u002Fp>\n\n\u003Ch2>Zwei Kostenmodelle, die gegeneinander laufen\u003C\u002Fh2>\n\n\u003Cp>Die beiden Modelle verhalten sich grundverschieden. Bei der \u003Cstrong>Pay-per-Token-API\u003C\u002Fstrong> startest du bei null und zahlst für jeden Token, den du verbrauchst. Die Kurve steigt mit dem Volumen und hört nie auf zu steigen. Bei einem \u003Cstrong>reservierten Endpoint\u003C\u002Fstrong> zahlst du eine feste Monatspauschale, unabhängig davon, ob die Maschine zu 30 oder zu 90 Prozent ausgelastet ist, bis die Kapazität erreicht ist.\u003C\u002Fp>\n\n\u003Cp>Die eine Linie steigt schräg nach oben, die andere liegt flach. Sie schneiden sich in genau einem Punkt. Links davon gewinnt die API, rechts davon der eigene Endpoint. Die ganze Entscheidung besteht darin, zu wissen, auf welcher Seite dieses Punkts du stehst.\u003C\u002Fp>\n\n\u003Ch2>Ein Beispiel, durchgerechnet\u003C\u002Fh2>\n\n\u003Cp>Rechnen wir es an einem mittelgrossen Dienst durch. Die Zahlen sind ein Beispiel, setz deine eigenen ein.\u003C\u002Fp>\n\n\u003Cp>Angenommen, ein Assistent beantwortet 20'000 Anfragen am Tag. Mit Kontext aus einer Wissensbasis sind pro Anfrage rund 1'500 Eingabe- und 500 Ausgabe-Tokens realistisch, zusammen 2'000 Tokens. Das sind 40 Millionen Tokens am Tag, rund 1,2 Milliarden im Monat.\u003C\u002Fp>\n\n\u003Cp>Nimm für die API einen Mischpreis von 3 Franken pro Million Tokens an. Die Monatsrechnung liegt dann bei etwa 3'600 Franken, und sie steigt weiter, sobald der Dienst mehr genutzt wird. Ein reservierter Endpoint kostet dieselbe Summe jeden Monat, ob 1 oder 2 Milliarden Tokens durchlaufen. Ab dem Volumen, an dem die Pauschale unter der Token-Rechnung liegt, zahlst du bei der API drauf.\u003C\u002Fp>\n\n\u003Cp>Die Formel dahinter ist simpel: Break-even in Tokens gleich Monatspauschale geteilt durch den Preis pro Token. Alles darüber spricht für den Endpoint.\u003C\u002Fp>\n\n\u003Ch2>Was in keiner der beiden Zahlen steht\u003C\u002Fh2>\n\n\u003Cp>Zwei Dinge stehen in keiner Tabelle. Erstens der Betrieb: Betreibst du den Endpoint komplett selbst, kommt der teuerste Posten oben drauf, die Arbeitszeit für Treiber, Tuning und Bereitschaft. Was das kostet, steht im Beitrag zu den \u003Ca href=\"\u002Fde\u002Fwissen\u002Fllm-selbst-betreiben-kosten\">vollen Kosten eigener Inferenz\u003C\u002Fa>. Zweitens die Datenhoheit: Bei der API verlassen deine Prompts die Schweiz, und das lässt sich nicht in Franken aufwiegen.\u003C\u002Fp>\n\n\u003Cp>Genau in dieser Lücke sitzt \u003Ca href=\"\u002Fde\u002Fmanaged-inference\">Managed Inference\u003C\u002Fa>: die feste Monatspauschale und die Datenhoheit des eigenen Endpoints, ohne den Betriebsblock selbst zu schultern.\u003C\u002Fp>\n\n\u003Ch2>Wo du die Grenze für deinen Fall ziehst\u003C\u002Fh2>\n\n\u003Cp>Miss dein echtes Token-Volumen eine Woche lang, rechne es auf den Monat hoch und stell es der Pauschale gegenüber. Die Ansätze dafür stehen offen auf der \u003Ca href=\"\u002Fde\u002Fpreise\">Preisseite\u003C\u002Fa>. Wenn deine Last konstant ist und über dem Break-even liegt, hört die API auf, die günstige Option zu sein.\u003C\u002Fp>\n",[],[65,72],{"title":66,"links":67},"Leistungen",[68,69,70,71],{"title":5,"href":6},{"title":9,"href":10},{"title":13,"href":14},{"title":17,"href":18},{"title":73,"links":74},"Unternehmen",[75,76,77,78],{"title":30,"href":31},{"title":27,"href":28},{"title":24,"href":25},{"title":79,"href":80},"Kontakt","\u002Fde\u002Fkontakt",[82,91,103,113,121,124,131,138,144,150,156,163,169,175,181,187,193,200],{"path":83,"slug":84,"title":85,"summary":86,"image":87,"publication_date":48,"big5_category":88,"primary_hub":87,"cluster":87,"pillar":87,"hubs":89},"\u002Fde\u002Fwissen\u002Fazure-openai-bedrock-alternative-schweiz","azure-openai-bedrock-alternative-schweiz","Souveräne Inferenz gegen Azure OpenAI und AWS Bedrock: was sich im Alltag ändert","Azure OpenAI und AWS Bedrock gegen einen souverän betriebenen Endpoint: warum der Schweizer Serverstandort der Hyperscaler das Kernproblem nicht löst und was der Unterschied im Betrieb bedeutet.",null,"comparisons",[90],{"slug":51,"title":13},{"path":92,"slug":93,"title":94,"summary":95,"image":87,"publication_date":48,"big5_category":96,"primary_hub":87,"cluster":87,"pillar":87,"hubs":97},"\u002Fde\u002Fwissen\u002Fbeste-gpu-llm-inferenz","beste-gpu-llm-inferenz","Die beste GPU für LLM-Inferenz: DGX Spark, H100, L40S und RTX im Vergleich","Welche GPU für eigene Inferenz? DGX Spark, H100, L40S und RTX 4090 nach dem, was zählt: wie viel Modell hineinpasst, wie viel Durchsatz herauskommt und was der Monat kostet.","bestof",[98,101],{"slug":99,"title":100},"bare-metal","Bare Metal GPU mit Root-Zugriff",{"slug":102,"title":5},"dgx-spark",{"path":104,"slug":105,"title":106,"summary":107,"image":87,"publication_date":48,"big5_category":108,"primary_hub":87,"cluster":87,"pillar":87,"hubs":109},"\u002Fde\u002Fwissen\u002Fhermes-agent-erfahrungsbericht","hermes-agent-erfahrungsbericht","Hermes-Agent im Realbetrieb: was ein souveräner Agent wirklich leistet","Ein Erfahrungsbericht statt Hochglanzprospekt: wie sich ein souverän betriebener Hermes-Agent im täglichen Einsatz verhält, wo er glänzt und wo die Begleitung anfängt.","reviews",[110],{"slug":111,"title":112},"agents","Hermes Agents as a Service",{"path":114,"slug":115,"title":116,"summary":117,"image":87,"publication_date":48,"big5_category":118,"primary_hub":87,"cluster":87,"pillar":87,"hubs":119},"\u002Fde\u002Fwissen\u002Fki-regulierte-daten-schweiz","ki-regulierte-daten-schweiz","KI mit regulierten Daten: LLMs nutzen, ohne dass die Daten die Schweiz verlassen","Für Branchen, in denen Daten das Land nicht verlassen dürfen: was revDSG, Berufsgeheimnis und der CLOUD Act für KI-Projekte bedeuten, und wie souveräne Inferenz den Rahmen einhält.","problems",[120],{"slug":51,"title":13},{"path":35,"slug":36,"title":43,"summary":44,"image":87,"publication_date":48,"big5_category":47,"primary_hub":87,"cluster":87,"pillar":87,"hubs":122},[123],{"slug":51,"title":13},{"path":125,"slug":126,"title":127,"summary":128,"image":87,"publication_date":129,"big5_category":88,"primary_hub":87,"cluster":87,"pillar":87,"hubs":130},"\u002Fde\u002Fwissen\u002Ffine-tuning-rag-prompt","fine-tuning-rag-prompt","Fine-Tuning, RAG oder besserer Prompt? Die klare Entscheidungsregel","Fine-Tuning ist meistens nicht die Antwort auf „das Modell kennt unsere Daten nicht“. Wann Prompting, RAG oder Fine-Tuning wirklich das richtige Werkzeug sind und wie du die Eskalationsleiter korrekt durchläufst.","2026-07-07T00:00:00Z",[],{"path":132,"slug":133,"title":134,"summary":135,"image":87,"publication_date":129,"big5_category":136,"primary_hub":87,"cluster":87,"pillar":87,"hubs":137},"\u002Fde\u002Fwissen\u002Fopenai-api-migration","openai-api-migration","Von der OpenAI-API zu souveräner Inferenz: die Migration in der Praxis","Der Umstieg von OpenAI oder Anthropic auf ein selbst betriebenes offenes Modell in der Schweiz sieht dank OpenAI-kompatibler Endpoints nach einer Ein-Zeilen-Änderung aus, ist aber doch mehr. Wo Prompts, Tool-Calling und Feature-Lücken zur Stolperfalle werden.","how-to",[],{"path":139,"slug":140,"title":141,"summary":142,"image":87,"publication_date":129,"big5_category":118,"primary_hub":87,"cluster":87,"pillar":87,"hubs":143},"\u002Fde\u002Fwissen\u002Fquantisierung-int4-int8-awq-gptq-gguf","quantisierung-int4-int8-awq-gptq-gguf","Quantisierung ohne Qualitätsverlust: int4, int8, AWQ, GPTQ, GGUF entzaubert","int8 ist fast immer verlustfrei, int4 meistens auch, aber nicht bei Reasoning, Code und langen Agenten-Ketten. Wir zeigen dir ungeschönt, was Quantisierung wirklich kostet und wo GPTQ, AWQ, GGUF und bitsandbytes hingehören.",[],{"path":145,"slug":146,"title":147,"summary":148,"image":87,"publication_date":129,"big5_category":118,"primary_hub":87,"cluster":87,"pillar":87,"hubs":149},"\u002Fde\u002Fwissen\u002Frag-schlechte-antworten","rag-schlechte-antworten","RAG richtig gebaut: warum eure Wissensbasis schlechte Antworten gibt","Die meisten RAG-Systeme scheitern nicht am Sprachmodell, sondern am Retrieval davor. Wir zeigen die häufigsten Fehlerquellen bei Chunking, Embeddings und Retrieval-Strategie sowie, wie du Retrieval- und Generationsfehler sauber auseinanderhältst.",[],{"path":151,"slug":152,"title":153,"summary":154,"image":87,"publication_date":129,"big5_category":136,"primary_hub":87,"cluster":87,"pillar":87,"hubs":155},"\u002Fde\u002Fwissen\u002Fvram-modell-gpu-berechnen","vram-modell-gpu-berechnen","Welches Modell passt auf welche GPU? VRAM richtig berechnen","Bevor du GPUs kaufst oder mietest: die Faustformel für Gewichte, KV-Cache und Overhead, damit du weisst, welches Modell wirklich auf deine Hardware passt.",[],{"path":157,"slug":158,"title":159,"summary":160,"image":87,"publication_date":161,"big5_category":118,"primary_hub":87,"cluster":87,"pillar":87,"hubs":162},"\u002Fde\u002Fwissen\u002Fagent-oder-endpoint","agent-oder-endpoint","Braucht ihr wirklich einen Agent oder reicht ein Endpoint?","Agenten sind im Trend, aber oft die teurere und fragilere Lösung für ein Problem, das ein einfacher Endpoint löst. Wann sich der Aufwand lohnt und wann nicht.","2026-06-30T00:00:00Z",[],{"path":164,"slug":165,"title":166,"summary":167,"image":87,"publication_date":161,"big5_category":118,"primary_hub":87,"cluster":87,"pillar":87,"hubs":168},"\u002Fde\u002Fwissen\u002Fdatenhoheit-was-bedeutet-das","datenhoheit-was-bedeutet-das","Was Datenhoheit konkret heisst und wo deine Prompts wirklich landen","Datenhoheit ist mehr als ein Hosting-Standort. Was rechtlich, technisch und vertraglich dahintersteckt, und welche Fragen du jedem AI-Anbieter stellen solltest.",[],{"path":170,"slug":171,"title":172,"summary":173,"image":87,"publication_date":161,"big5_category":108,"primary_hub":87,"cluster":87,"pillar":87,"hubs":174},"\u002Fde\u002Fwissen\u002Fdgx-spark-erfahrungsbericht","dgx-spark-erfahrungsbericht","DGX Spark im Betrieb: was die Maschine nach drei Monaten wirklich kann","Kein Datenblatt, sondern ein Erfahrungsbericht. Wo die DGX Spark im täglichen Betrieb glänzt, wo ihre Grenzen liegen und für wen sich die Maschine lohnt.",[],{"path":176,"slug":177,"title":178,"summary":179,"image":87,"publication_date":161,"big5_category":136,"primary_hub":87,"cluster":87,"pillar":87,"hubs":180},"\u002Fde\u002Fwissen\u002Fllm-endpoint-aufsetzen","llm-endpoint-aufsetzen","Eigenen LLM Endpoint aufsetzen: von der GPU zum ersten Token","Ein realistischer Weg vom blanken Server zum produktiven Inferenz-Endpoint. Die Schritte, die Reihenfolge und die Stolpersteine, die zwischen „läuft lokal“ und „läuft produktiv“ liegen.",[],{"path":182,"slug":183,"title":184,"summary":185,"image":87,"publication_date":161,"big5_category":96,"primary_hub":87,"cluster":87,"pillar":87,"hubs":186},"\u002Fde\u002Fwissen\u002Foffene-modelle-auswahl","offene-modelle-auswahl","Welches offene Modell für welche Aufgabe? Llama, Qwen, Mistral & Co.","Nicht das grösste Modell gewinnt, sondern das passende. Wie du offene Modelle nach Aufgabe, Speicherbedarf und Lizenz auswählst, statt Benchmarks hinterherzulaufen.",[],{"path":188,"slug":189,"title":190,"summary":191,"image":87,"publication_date":161,"big5_category":88,"primary_hub":87,"cluster":87,"pillar":87,"hubs":192},"\u002Fde\u002Fwissen\u002Fvllm-ollama-tgi-vergleich","vllm-ollama-tgi-vergleich","vLLM, Ollama oder TGI: welche Inference Engine für welchen Fall","Die Engine entscheidet über Durchsatz, Latenz und Betriebsaufwand. Ein nüchterner Vergleich der drei verbreitetsten Optionen, inklusive der Fälle, in denen die einfache Lösung gewinnt.",[],{"path":194,"slug":195,"title":196,"summary":197,"image":87,"publication_date":198,"big5_category":88,"primary_hub":87,"cluster":87,"pillar":87,"hubs":199},"\u002Fde\u002Fwissen\u002Fdgx-spark-vs-cloud-gpu","dgx-spark-vs-cloud-gpu","DGX Spark gegen Cloud-GPU: wann sich eigene Hardware lohnt","Unified Memory gegen rohen Durchsatz, Schweizer Hardware gegen Hyperscaler. Ein nüchterner Vergleich, inklusive der Fälle, in denen die Cloud gewinnt.","2026-06-18T00:00:00Z",[],{"path":201,"slug":202,"title":203,"summary":204,"image":87,"publication_date":198,"big5_category":47,"primary_hub":87,"cluster":87,"pillar":87,"hubs":205},"\u002Fde\u002Fwissen\u002Fllm-selbst-betreiben-kosten","llm-selbst-betreiben-kosten","Was kostet es, ein LLM selbst zu betreiben?","Die nüchterne Rechnung hinter eigenen LLM-Endpoints: Hardware, Betrieb und der Punkt, ab dem sich Selbermachen wirklich lohnt.",[]]