KI-Agenten 2026: Die besten multimodalen Modelle für Computer Use

GPT-5.6 Sol ist 2026 insgesamt das beste Modell für KI-Agenten mit Computer Use. Seine normalisierten reinen Modellkosten liegen jedoch bei $0.40 für eine Aufgabe, bei der 50,000 Eingabe- und 5,000 Ausgabetokens abgerechnet werden. Gemini 3.7 Flash kostet bei demselben Tokenprofil $0.05625, DeepSeek V4-Flash-Vision-Exp dagegen $0.0143 bis $0.0286. Entscheidend ist die Route mit den niedrigsten Kosten pro akzeptiertem Abschluss, nicht der billigste Tokenpreis.

KI-Agenten im Vergleich: Die Shortlist auf einen Blick

Die vier folgenden Routen lösen jeweils eine andere Variante von Computer Use. GPT-5.6 Sol, Claude Opus 5 und Gemini 3.7 Flash stellen ein Computer-Use-Tool mit definiertem Aktionskreislauf bereit. DeepSeek V4-Flash-Vision-Exp liefert dagegen das visuelle Modell und allgemeine Tool-Aufrufe; Computeraktionen, Executor, Freigaben und Wiederherstellungslogik muss die eigene Anwendung definieren.

Die Preise wurden am 22. August 2026 geprüft. „Einstiegspreis“ bezeichnet den direkten API-Listenpreis pro Million Tokens, angegeben als Eingabe/Ausgabe. Kosten für Executor-Hosting, Tools, Wiederholungen und menschliche Prüfung sind nicht enthalten, sofern nicht anders vermerkt.

Das Ranking:

1. GPT-5.6 Sol ist insgesamt die beste Wahl, wenn eine fehlgeschlagene Aktion teuer wird und das stärkste ausgewiesene Computer-Use-Ergebnis in diesem Vergleich gefragt ist.
2. Claude Opus 5 ist die bessere Wahl für kontrollierte Unternehmensumgebungen, wenn Browserstruktur, automatische Bestätigung bei Prompt Injection, Datenverarbeitung oder die Eignung für regulierte Workloads wichtiger sind als ein Benchmark-Vorsprung.
3. Gemini 3.7 Flash bietet das beste Preis-Leistungs-Verhältnis für reversible Browser-, Mobil- und Desktopautomatisierung. Das Modell ist GA, Computer Use befindet sich jedoch weiterhin in der Preview.
4. DeepSeek V4-Flash-Vision-Exp setzt die Kostenuntergrenze für ein technisches Team, das bereits über einen Executor und einen Evaluierungs-Stack verfügt. Es ist ein experimenteller visueller Kern, kein fertiges Computer-Use-System.

Ein Computer-Use-Modell sollte niemand allein deshalb kaufen, weil es eine Schaltfläche auf einem Screenshot erkennt. Ein produktiver Agent muss den Zustand erfassen, eine erlaubte Aktion vorschlagen, sie in einer isolierten Umgebung ausführen, das Ergebnis beobachten, Fehler beheben und vor folgenreichen Schritten eine Freigabe einholen. Das „beste Modell“ ist die Route, die diesen vollständigen Kreislauf mit dem geringsten vertretbaren Risiko abschließt.

Das Urteil in einer Minute

Für hochwertige Aufgaben, bei denen ein übersehener Zustand, eine falsche Koordinate oder eine gescheiterte Wiederherstellung mehrere Minuten Arbeitszeit kosten kann, ist GPT-5.6 Sol die erste Wahl. OpenAI weist für Sol auf OSWorld 2.0 ein Ergebnis von 62.6% aus. Das ist ein vom Anbieter gemeldeter Benchmark und kein Versprechen, dass sich ein CRM, Schadenportal oder eine Desktopanwendung genauso verhält. Unter den vier aktuellen Routen ist es dennoch der stärkste veröffentlichte Computer-Use-Wert.

Claude Opus 5 empfiehlt sich, wenn die Kontrollebene Teil der Kaufentscheidung ist. Anthropics aktuelles Toolset bietet 17 clientseitige Aktionen, kann mehrere Aktionen in einem Turn bündeln, ergänzt ein browserspezifisches Tool zum Lesen der Seitenstruktur und prüft Screenshots automatisch auf mutmaßliche Prompt Injection. Computer Use ist in der Claude API inzwischen GA. Damit entfällt ein relevantes Beschaffungshindernis, auch wenn Umgebung und Aktionsausführung weiterhin Sache der eigenen Anwendung sind.

Gemini 3.7 Flash passt zu reversiblen Workflows, bei denen ein natives Aktionsschema wichtig ist und die Kosten nahe an der Untergrenze bleiben müssen. Beim hier verwendeten Workload liegen seine normalisierten Tokenkosten deutlich unter denen von Sol. Google stellt zudem die Aktionsabsicht und Sicherheitsentscheidungen bereit – hilfreiche Signale für Freigaben und Protokollierung. Der Haken ist der Status: Gemini 3.7 Flash ist GA, Computer Use bleibt jedoch Preview, und Google warnt vor sensiblen oder irreversiblen Einsätzen ohne enge Aufsicht.

DeepSeek V4-Flash-Vision-Exp ist nur dann die richtige Wahl, wenn „die fehlende Kontrollebene selbst bauen“ als Vorteil gilt. Selbst sein Tokenpreis zur Spitzenzeit liegt unter Geminis aktuellem Standardtarif; 100 Screenshot-Eingaben in Maximalgröße kosten zur Spitzenzeit höchstens $0.016896, bevor Text und Ausgabe hinzukommen. Der niedrige Preis ist relevant – das fehlende First-Party-Tool für Computeraktionen ebenso. Ohne vorhandene Browser- oder Desktop-Infrastruktur sind Engineering und Sicherheit das eigentliche Produkt, nicht bloß Einrichtungsarbeit.

Der 22-Sekunden-Test: Warum Tokenpreise keine Aufgabenkosten sind

Ein Screenshot-Agent arbeitet in einem Kreislauf, nicht mit einer einzigen Inferenz. Die Anwendung sendet einen Screenshot samt Zustand. Das Modell gibt eine Aktion oder eine kurze Aktionsfolge zurück. Der Executor führt sie aus. Anschließend erfasst die Anwendung den neuen Zustand und fragt erneut an. Mit jedem Turn können Bildtokens, Tooldefinitionen, Aktionsergebnisse, Latenz und eine weitere mögliche Fehlerbehebung hinzukommen.

Der veröffentlichte Eingabepreis eines Modells ist daher nur die Untergrenze. Die relevante Einkaufskennzahl lautet:

Kosten pro akzeptierter Aufgabe = Modelltokens + Toolgebühren + Executor-Laufzeit + menschliche Prüfung + Wiederholungen, geteilt durch akzeptierte Abschlüsse.

„Akzeptiert“ ist entscheidend. Eine Aufgabe ist nicht erledigt, nur weil das Modell sie für abgeschlossen erklärt. Das Ergebnis muss eine deterministische Prüfung oder einen festgelegten menschlichen Standard erfüllen. Bei der Formulareingabe könnte dies bedeuten, dass jedes Feld mit dem Quelldatensatz übereinstimmt und die endgültige Übermittlung einer Freigabe vorbehalten bleibt. Bei visueller Qualitätssicherung könnte es bedeuten, dass der Zielfluss abgeschlossen wurde, das erwartete Element erschien und der Beleg-Screenshot gespeichert ist.

Für einen vergleichbaren API-Preis dient eine normalisierte Aufgabe mit insgesamt 50,000 abgerechneten Eingabetokens und 5,000 Ausgabetokens. Das Eingabebudget umfasst Screenshots, Tooldefinitionen, vorherige Zustände und Ergebnisse. Es ist keine Prognose für jeden Workflow, sondern ein gemeinsamer Maßstab.

• GPT-5.6 Sol kostet $0.40 an Modelltokens.
• Claude Opus 5 kostet $0.375.
• Gemini 3.7 Flash Standard Paid kostet bis zum 31. Dezember 2026 $0.05625.
• DeepSeek V4-Flash-Vision-Exp kostet bei Cache-Miss-Eingaben $0.0143 außerhalb der Spitzenzeit oder $0.0286 zur Spitzenzeit.

Bei 1,000 eingereichten Aufgaben ergeben sich daraus Untergrenzen von $400 für Sol, $375 für Opus 5, $56.25 für Gemini und $14.30 bis $28.60 für DeepSeek. Der Executor und anbieterspezifische Toolgebühren sind darin nicht enthalten. Zudem wird dasselbe abgerechnete Tokenprofil unterstellt, nicht dieselbe Erfolgsquote.

Nun kommen die Personalkosten hinzu. Bei Vollkosten von $60 pro Stunde kostet eine Minute $1. Sols Modellaufschlag von $0.3714 gegenüber DeepSeeks Spitzentarif entspricht 22.284 Sekunden Arbeitszeit. Claudes Aufschlag entspricht 20.784 Sekunden, Geminis 1.659 Sekunden.

Das ist der 22-Sekunden-Test: Verhindert Sol pro eingereichter Aufgabe 22 Sekunden Prüfung, Nacharbeit oder Wiederherstellung nach einem Fehlversuch, gleicht es seinen Tokenaufschlag gegenüber DeepSeeks Spitzentarif aus. Bei 1,000 Aufgaben kostet Sol $371.40 mehr an Modelltokens und muss für den Break-even rund 6.19 Arbeitsstunden einsparen. Ein einziger Eingriff dauert oft länger, sobald jemand ein Protokoll öffnen, den Zustand nachvollziehen, ihn korrigieren und den Lauf neu starten muss.

Der Test beweist nicht, dass Sol diese Sekunden einspart. Er zeigt, was die Evaluierung messen muss. Ein Benchmarkwert kann einen Piloten begründen. Das Budget lässt sich nur mit dem eigenen Protokoll der Wiederherstellungszeiten rechtfertigen.

Anbieterspezifische Zusatzkosten verschieben die Untergrenze:

• Erzeugt eine OpenAI-Aufgabe 20 abrechenbare Computer-Tool-Aufrufe, kommen beim aktuellen Preis von $2.50 pro 1,000 Aufrufe $0.05 hinzu, noch bevor das Executor-Hosting berücksichtigt ist.
• Claudes standardmäßiges Computer-Toolset für Opus 5 fügt einer nicht gecachten Anfrage rund 4,520 Eingabetokens hinzu, die zum Basiseingabepreis $0.0226 kosten. Die etwa 6,610 Tokens des Browser-Toolsets entsprechen $0.03305. Prompt Caching kann wiederkehrenden Overhead reduzieren; maßgeblich ist jedoch die abgerechnete Nutzung, nicht die Annahme eines Cache-Treffers in jedem Turn.
• Gemini berechnet Computer Use zu den regulären Tokenpreisen des gewählten Modells, einschließlich Ausgabe- und Thinking-Tokens. Bei langer Abwägung kann die Ausgabeseite deutlich größer ausfallen als im einfachen Maßstab mit 5,000 Tokens.
• DeepSeek begrenzt jedes Bild auf 384 Eingabetokens. Das eigene Aktionsschema, Executor-Antworten, Wiederholungen und Sicherheitsprüfungen verursachen jedoch weiterhin Kosten und Entwicklungsaufwand außerhalb dieser Bildposition.

Für eine breitere Preiszuordnung behandelt der Vergleich der günstigsten KI-APIs auch Modelle, die keinen Bildschirm steuern müssen. Computer Use braucht ein eigenes Budget, weil sich Screenshots, Zustandsübergänge und Wiederherstellungen über mehrere Turns summieren.

1. GPT-5.6 Sol: Insgesamt am besten bei teuren Fehlern

GPT-5.6 Sol ist OpenAIs multimodales Spitzenmodell und der beste Ausgangspunkt, wenn Fehler bei Computer Use spürbare Wiederherstellungskosten verursachen. Der Alias gpt-5.6 führt zu Sol. Das Modell akzeptiert Bildeingaben, unterstützt ein Kontextfenster von 1,050,000 Tokens und kann das aktuelle computer-Tool der Responses API verwenden.

OpenAI weist für Sol 62.6% auf OSWorld 2.0 aus, verglichen mit 50.2% für Terra und 45.6% für Luna. OSWorld misst einen Agenten bei der Bedienung von Desktopsoftware und liegt damit näher an dieser Kaufentscheidung als ein allgemeiner Chat-Benchmark. Das Ergebnis stammt dennoch aus OpenAIs eigener Evaluierungsumgebung. Es ist ein Grund, Sol in den Piloten aufzunehmen, aber kein Ersatz für eigene Akzeptanztests.

Was Sol besonders gut kann

Die Stärke der aktuellen OpenAI-Integration liegt in ihrer Flexibilität. Das Modell kann Screenshots prüfen und über das integrierte Tool Computeraktionen zurückgeben oder mit eigenen Tools und einer Codeausführungsumgebung arbeiten. So kann ein technisches Team mit einem Playwright-Browser beginnen und bei Workflows über native Desktopanwendungen zu einer vollständigen virtuellen Maschine wechseln.

Auch in der aktuellen Anleitung erhält die Sicherheitsebene die richtige Priorität. Empfohlen werden ein isolierter Browser oder eine VM, eine leere geerbte Umgebung, möglichst deaktivierte Erweiterungen und lokaler Dateisystemzugriff sowie eine ausdrückliche Freigabe folgenreicher Aktionen. Der Agent soll stoppen, wenn Bildschirminhalte wie Prompt Injection wirken. Das sind Implementierungshinweise und keine automatischen Schutzmechanismen, sie lenken einen Piloten aber zu sichereren Voreinstellungen.

Am stärksten ist Sol bei einem wertvollen, reversiblen Workflow mit unübersichtlichen Oberflächen. Ein Beispiel wäre ein Finanzteam im Mittelstand, das Daten aus drei Webportalen sammeln, mit einem Quelldatensatz abgleichen und einen Eintrag zur Freigabe vorbereiten muss. Sols Aufpreis lohnt sich, wenn besseres Zustandsverständnis und bessere Wiederherstellung auch nur einen kleinen Teil der Nacharbeit vermeiden. Weniger sinnvoll ist er bei einem übersichtlichen Formular mit unveränderlichen Steuerelementen, dessen Daten sich per API übertragen ließen.

Die OpenAI-Preise

OpenAI bietet aktuell drei GPT-5.6-Stufen mit Computer Use an:

• GPT-5.6 Sol: $5.00 pro Million Eingabetokens, $0.50 pro Million gecachte Eingabetokens und $30.00 pro Million Ausgabetokens.
• GPT-5.6 Terra: $2.00 pro Million Eingabetokens, $0.20 pro Million gecachte Eingabetokens und $12.00 pro Million Ausgabetokens.
• GPT-5.6 Luna: $0.20 pro Million Eingabetokens, $0.02 pro Million gecachte Eingabetokens und $1.20 pro Million Ausgabetokens.

Für das Computer-Tool können zusätzlich $2.50 pro 1,000 abrechenbare Tool-Aufrufe anfallen; Tokens integrierter Tools werden zum Tarif des gewählten Modells berechnet. Für Sol gibt es kein unterstütztes kostenloses API-Kontingent.

Die Modellfamilie bildet eine sinnvolle Routing-Leiter. Zunächst setzt Sol die Qualitätsobergrenze. Anschließend wird derselbe akzeptierte Aufgabensatz mit Terra wiederholt. Eine Aufgabenklasse sollte erst dann zu Terra wechseln, wenn Abschluss- und Prüfprofil innerhalb des Grenzwerts bleiben. Luna ist erheblich günstiger, erzielt laut Anbieter aber ein niedrigeres OSWorld-Ergebnis. Es gehört nach belegter Akzeptanzregel zu begrenzten, reversiblen Aufgaben – nicht allein wegen seiner deutlich billigeren Eingabetokens in die Standardroute.

Ein sicherer Pilot mit Sol

1. 1

   Einen klar begrenzten Workflow wählen

   Geeignet ist eine Aufgabe mit eindeutigem Ausgangszustand, deterministischer Abschlussprüfung und keiner irreversiblen Aktion vor der Freigabe. Gute Kandidaten sind Browser-QA, Belegsammlung und die Vorbereitung eines Datensatzes zur Prüfung. Kaufen, Löschen, Veröffentlichen oder Absenden gehören nicht in die erste Evaluierung.

2. 2

   Die Umgebung fixieren

   Zum Einsatz kommt ein isoliertes Browserprofil, ein Container oder eine VM. Geerbte Umgebungsvariablen werden entfernt, Erweiterungen und lokaler Dateisystemzugriff nach Möglichkeit deaktiviert, erforderliche Domains auf eine Positivliste gesetzt und nur die für die Aufgabe nötigen Zugangsdaten bereitgestellt.

3. 3

   Freigaben vor der Ausführung festlegen

   Aktionen, für die immer ein Mensch erforderlich ist, müssen vorab definiert werden – etwa das Senden einer Nachricht, das Akzeptieren von Bedingungen, Änderungen an Kontodaten oder finanzielle Verpflichtungen. Die Pause erzwingt der Executor, nicht der Text des Modells.

4. 4

   Zustand und Akzeptanz protokollieren

   Gespeichert werden Ausgangszustand, jeder Screenshot, vorgeschlagene und ausgeführte Aktion, Toolergebnis, Sicherheitsstopp, Endzustand und Akzeptanzergebnis. Eine abschließende Modellnachricht ist keine Akzeptanzprüfung.

5. 5

   Erst nach bestandenem Sol-Test günstiger routen

   Sol definiert zunächst den erreichbaren Ausgangswert für Abschluss und Prüfaufwand. Danach werden Terra und Luna mit denselben Aufgaben, derselben Umgebung und denselben Freigaberegeln verglichen. Für Aufgabenformen, die auf den günstigeren Stufen scheitern, bleibt Sol die Eskalationsroute.

Am besten geeignet für: Hochwertige, mehrstufige Browser- oder Desktoparbeit, bei der fehlgeschlagene Wiederherstellung teuer ist.
Besonderheit: OpenAI weist 62.6% auf OSWorld 2.0 aus – das stärkste veröffentlichte aktuelle Computer-Use-Ergebnis unter diesen vier Routen.
Preis: Sol $5/$30, Terra $2/$12 und Luna $0.20/$1.20 pro Million Eingabe-/Ausgabetokens, zuzüglich anfallender Gebühren für Tool-Aufrufe.
Kostenlos testen: Kein unterstütztes kostenloses API-Kontingent für Sol.

Wer darauf verzichten sollte: Sol sollte nicht als Standard-Worker dienen, wenn eine deterministische API existiert, die Aufgabe einen geringen Wert hat und extrem repetitiv ist oder Terra, Luna beziehungsweise Gemini denselben Akzeptanzgrenzwert erreicht. Für einen stabilen Klick, den klassische Automatisierung sicherer ausführen kann, lohnt sich der Spitzentarif nicht.

2. Claude Opus 5: Am besten für kontrollierte Desktoparbeit im Unternehmen

Claude Opus 5 ist die beste Wahl, wenn die Kontrollebene für Computer Use ebenso wichtig ist wie die reine Modellqualität. Anthropic hat Computer Use am 20. August 2026 zusammen mit einem neuen Browser-Use-Tool in der Claude API allgemein verfügbar gemacht. Das aktuelle computer_toolset_20260801 stellt 17 clientseitige Tools über eine einzige Deklaration bereit und benötigt keinen Beta-Header.

Der Unterschied zwischen Computer Use und Browser Use ist praktisch relevant. Computer Use arbeitet anhand von Screenshots und steuert einen vollständigen Desktop mit Maus- und Tastaturaktionen. Browser Use liest zusätzlich die Seitenstruktur und interagiert mit konkreten Seitenelementen – die passendere Lösung, wenn ein Workflow ausschließlich in Webanwendungen bleibt. Durch die Struktur lassen sich Felder oder Schaltflächen oft präziser ansprechen als allein über Bildschirmkoordinaten.

Beide Varianten bleiben clientseitig ausgeführte Tools. Claude verbindet sich nicht selbst mit dem Desktop. Die eigene Anwendung führt jede Aktion in einem Container, einer VM oder einem kontrollierten Browser aus, gibt das Ergebnis zurück und ruft das Modell erneut auf. Computer Use steht derzeit nicht innerhalb von Claude Managed Agents zur Verfügung. Wer von Anthropic eine vollständig gehostete Desktop-Sitzung erwartet, setzt daher an der falschen Produktgrenze an.

Warum Claude bei Governance vorn liegt

Claude kann mehrere Computeraktionen in einem Modell-Turn zurückgeben. Der Executor führt sie nacheinander aus und bricht beim ersten Fehler ab. Bei einer sicheren Folge wie Klicken, Tippen und Beobachten lassen sich so wiederholte Modellrunden vermeiden. Zustände, die geprüft werden müssen, dürfen dadurch nicht übersprungen werden. Könnte ein Klick das falsche Konto öffnen, sollte der Agent das Ergebnis sehen, bevor er Text eingibt.

Anthropic setzt außerdem Screenshot-Klassifikatoren ein, die mutmaßliche Prompt Injection erkennen und das Modell veranlassen können, vor der nächsten Aktion eine Bestätigung anzufordern. Kunden können den Support kontaktieren, um diese Funktion abzuwählen; für Workflows mit nicht vertrauenswürdigen Webseiten ist die Voreinstellung jedoch sinnvoll. Der Klassifikator bildet eine weitere Schutzschicht, ersetzt aber weder Domain-Positivlisten noch Berechtigungsgrenzen oder Freigaben auf Executor-Ebene.

Auch der Umgang mit Daten ist klarer als in der Betaphase. Der Client kontrolliert die Speicherung von Screenshots, Aktionen und Dateien; laut Anthropic ist Computer Use für Zero Data Retention geeignet. Unter Anthropics BAA kann Computer Use zudem für HIPAA-regulierte Workloads eingesetzt werden. Diese Eignung macht eine Anwendung nicht automatisch compliant, kann bei der Beschaffungsprüfung im Gesundheitswesen aber eine Hürde auf Modellebene beseitigen.

Diese Kombination passt zu Schadenbearbeitung, Versicherungen, Finanzen oder operativen Prozessen, bei denen Software ohne brauchbare API erreicht werden muss und jede Aktion belegbar sein soll. Anthropic nennt Asteroid als Kundenbeispiel: Dessen längster Schaden-Workflow sank von 32 Minuten auf 13 Minuten, die Aufgabenkosten gingen um etwa 30% zurück und die Abschlussquote erreichte ohne Prompt-Änderungen 100%. Das ist ein zugeschriebenes Kundenergebnis, keine zu erwartende Quote für eine neue Einführung. Es zeigt aber, welche Wirkung zu messen ist: Weniger Schleifendurchläufe und präziseres Ansteuern können die Betriebskosten verändern, nicht nur den Modellwert.

Die ausführlichere Kostenanalyse zu Claudes Multi-Action-Funktion erklärt, wann ein Aktionsbatch Geld spart und wann die Beobachtung zwischen Aktionen weiterhin unverzichtbar ist.

Die Claude-Preise

Das aktuelle Toolset unterstützt Sonnet 5, Opus 5, Fable 5, Mythos 5 mit eingeschränkter Verfügbarkeit und Opus 4.8. Für die Kaufentscheidung ist folgende aktuelle Modellstaffel relevant:

• Claude Sonnet 5: $2 pro Million Basiseingabetokens und $10 pro Million Ausgabetokens. Ein 5-minütiger Cache-Schreibvorgang kostet $2.50, ein 1-stündiger $4 und ein Cache-Treffer $0.20 pro Million Tokens.
• Claude Opus 5: $5 pro Million Basiseingabetokens und $25 pro Million Ausgabetokens. Ein 5-minütiger Cache-Schreibvorgang kostet $6.25, ein 1-stündiger $10 und ein Cache-Treffer $0.50 pro Million Tokens.
• Claude Fable 5 und Claude Mythos 5: $10 pro Million Basiseingabetokens und $50 pro Million Ausgabetokens. Mythos 5 ist nur eingeschränkt verfügbar.
• Opus 5 Fast mode: $10 pro Million Eingabetokens und $50 pro Million Ausgabetokens.
• Opus 5 Batch: $2.50 pro Million Eingabetokens und $12.50 pro Million Ausgabetokens. Batch eignet sich für asynchrone Modellarbeit; eine interaktive Computer-Use-Schleife muss Beobachtung und Aktion dennoch nacheinander abwickeln.

Neue API-Nutzer erhalten ein kleines Guthaben, dessen Höhe nicht angegeben ist. Für einen erweiterten Test sollen sich Unternehmenskunden an den Vertrieb wenden.

Die versteckte Kostenposition ist der Overhead der Tooldefinitionen. Das standardmäßige Computer-Toolset fügt einer Anfrage etwa 4,520 Eingabetokens bei Opus 5 und 4,590 bei Sonnet 5 hinzu. Wird Zoom deaktiviert, entfallen rund 410 Tokens. Das Browser-Toolset ist umfangreicher: Bei Opus 5 kommen etwa 6,610 Tokens, bei Sonnet 5 etwa 6,670 Tokens hinzu; alle vier optionalen Browser-Komponenten zusammen erhöhen den Umfang um rund 880 Tokens.

Zum Basiseingabepreis von Opus 5 kostet ein nicht gecachtes Standard-Computer-Toolset etwa $0.0226, bevor Screenshot, Aufgabenkontext, Aktionsergebnis oder Ausgabe hinzukommen. Beim Browser-Toolset sind es auf derselben Basis etwa $0.03305. Eine kurze Aufgabe kann für die Deklaration der verfügbaren Steuerfläche mehr ausgeben als für ihre Geschäftsdaten. Stabile Anweisungen und Tooldefinitionen sollten, sofern der Workflow es zulässt, gecacht und ungenutzte Komponenten deaktiviert werden. Verlässlich ist die abgerechnete Nutzung in der Antwort, nicht eine Schätzung.

Am besten geeignet für: Browser- und Desktop-Workflows in Unternehmen, die explizite Kontrollen, Prüfbelege und einen unterstützten Migrationspfad benötigen.
Besonderheit: GA Computer Use mit 17 clientseitigen Aktionen, sequenziellen Aktionsbatches und einem separaten Browser-Tool, das die Seitenstruktur berücksichtigt.
Preis: Sonnet 5 $2/$10, Opus 5 $5/$25 sowie Fable 5 oder das eingeschränkt verfügbare Mythos 5 $10/$50 pro Million Basis-Eingabe-/Ausgabetokens.
Kostenlos testen: Kleines API-Guthaben für Neukunden, Höhe nicht genannt; eine Unternehmensevaluierung erfordert Kontakt zum Vertrieb.

Wer darauf verzichten sollte: Bleibt die Aufgabe vollständig auf einer Webseite und deckt Browser Use sie ab, ist Computer Use für den gesamten Desktop unnötig. Sind stabile APIs vorhanden, sollte auf beide Varianten verzichtet werden. Wer lediglich die günstigste reversible UI-Schleife sucht, beginnt mit Gemini; wer bereits die gesamte Aktionsinfrastruktur besitzt, sollte DeepSeek als Modellkern kalkulieren.

3. Gemini 3.7 Flash: Bestes Preis-Leistungs-Verhältnis bei nativem Computer Use

Gemini 3.7 Flash ist Googles empfohlenes Modell für Computer Use und in diesem Vergleich die preiswerteste Route mit einem vom Anbieter definierten Aktionskreislauf. Das Modell selbst ist GA, bietet ein Kontextfenster von 1 Million Tokens und maximal 64,000 Ausgabetokens. Computer Use bleibt Preview.

Google unterstützt drei Zielumgebungen: Browser, Mobilgerät und Desktop. Die Anwendung sendet Prompt, Umgebung und Screenshot. Gemini antwortet mit einem Funktionsaufruf für eine Oberflächenaktion. Der Client skaliert die Koordinaten, führt die Aktion aus, erfasst den neuen Bildschirm und sendet ihn zurück. Eine abgesicherte VM oder ein Container sowie ein clientseitiger Action-Handler bleiben erforderlich; Googles Beispiele verwenden Playwright.

Gemini 3.x ergänzt zwei Signale, die für eine Freigabeebene besonders nützlich sind. Jede Aktion kann eine Absicht enthalten, also eine kurze Erklärung für die Wahl des Modells. Eine separate Sicherheitsentscheidung kann die Aktion erlauben, eine Bestätigung verlangen oder sie blockieren. Die Absicht beweist nicht, dass die Aktion korrekt ist, liefert Policy-Engine und Prüfer aber mehr Kontext als eine bloße Klickkoordinate.

Das Sicherheitssystem lässt sich nach Policy-Kategorie konfigurieren; die Erkennung von Prompt Injection in Screenshots muss ausdrücklich aktiviert werden. Damit ist Gemini für Produktteams attraktiv, die eine eigene Freigabeoberfläche entwickeln. Die Anwendung kann vorgeschlagene Aktion, Modellabsicht, Policy-Entscheidung und aktuellen Screenshot gemeinsam anzeigen und nur dort eine menschliche Bestätigung verlangen, wo das Risiko des Workflows es erfordert.

Wo Gemini die richtige Wahl ist

Gemini ist ein sinnvoller erster Pilot für reversible Aufgaben in mehreren Umgebungen. Ein mobiles Produktteam könnte mit derselben Modellroute einen Registrierungsablauf im Webbrowser und in einem mobilen Build durchlaufen, Screenshots sammeln und Abweichungen im Nutzerpfad markieren. Ein Support-Operations-Team könnte Informationen aus freigegebenen öffentlichen Quellen zusammentragen und einen Datensatz vorbereiten, ohne die Schaltfläche zum endgültigen Absenden zu betätigen.

Beim normalisierten Tokenprofil liegt Geminis aktuelle Untergrenze im Tarif Standard Paid bei $0.05625 pro Aufgabe beziehungsweise $56.25 pro 1,000 Aufgaben. Gegenüber DeepSeek zur Spitzenzeit kostet eine Aufgabe $0.02765 mehr. Bei $60 pro Stunde muss Gemini lediglich 1.659 Sekunden Entwicklungs- oder Prüfzeit einsparen, um diesen Modellaufschlag auszugleichen. Ein definiertes Aktionsschema, eine Sicherheitsentscheidung oder ein vermiedener eigener Adapter kann diese Schwelle schnell überschreiten.

Die Warnung betrifft den Status, nicht das Kleingedruckte. Google weist darauf hin, dass Computer Use Fehler und Sicherheitslücken enthalten kann, und rät ohne enge Aufsicht vom Einsatz bei kritischen Entscheidungen, sensiblen Daten oder schwerwiegenden irreversiblen Aktionen ab. Ein GA-Modell macht aus einem Preview-Tool keine GA-Funktion. Beschaffung, Risikoprüfung und Einführungsumfang müssen sich am Status des Tools orientieren.

Die Gemini-Preise

Google führt für Gemini 3.7 Flash vier Verarbeitungsmodi. Bis 31. Dezember 2026 gelten:

• Standard: $0.75 pro Million Eingabetokens, $3.75 pro Million Ausgabetokens und $0.075 pro Million gecachte Tokens.
• Batch: $0.375 pro Million Eingabetokens, $1.875 pro Million Ausgabetokens und $0.0375 pro Million gecachte Tokens.
• Flex: $0.375 pro Million Eingabetokens, $1.875 pro Million Ausgabetokens und $0.0375 pro Million gecachte Tokens.
• Priority: $1.35 pro Million Eingabetokens, $6.75 pro Million Ausgabetokens und $0.135 pro Million gecachte Tokens.

Ab 1. Januar 2027 kostet Standard $1.50/$7.50 bei $0.15 für gecachte Eingaben. Batch und Flex steigen auf $0.75/$3.75 bei $0.075 für gecachte Eingaben. Priority kostet dann $2.70/$13.50 bei $0.27 für gecachte Eingaben.

Im Standard Free tier des Modells sind Ein- und Ausgabetokens kostenlos, Computer Use ist im Free tier jedoch nicht verfügbar. Für Computer Use im Paid-Tarif berechnet Google reguläre Modelltokens. Dieser Unterschied gehört in jeden Testplan: Ein Versuch mit dem Basismodell in AI Studio ist kein kostenloser Produktionstest der Computer-Use-Schleife.

Für einen interaktiven Agenten sind meist Standard oder Priority relevanter als die von Batch nahegelegte asynchrone Kostenstruktur. Flex kann für planbare Arbeit interessant sein, wenn sein Serviceverhalten zur Schleife passt. Der günstigste Modus gehört erst dann in den Business Case, wenn Interaktionsmuster und Latenz für die Aufgabe durchgängig funktionieren.

Am besten geeignet für: Reversible Browser-, Mobil- und Desktopautomatisierung, die ein natives Aktionsschema zu niedrigen Tokenkosten benötigt.
Besonderheit: Ein empfohlenes Modell für drei Umgebungen – mit Aktionsabsicht, konfigurierbaren Sicherheitsrichtlinien, Bestätigungsentscheidungen und optionaler Prompt-Injection-Erkennung.
Preis: Standard $0.75/$3.75 bis 31. Dezember 2026; Batch und Flex $0.375/$1.875; Priority $1.35/$6.75 pro Million Eingabe-/Ausgabetokens.
Kostenlos testen: Das Modell hat einen Free tier, Computer Use gibt es jedoch nur im Paid-Tarif.

Wer darauf verzichten sollte: Für einen regulierten oder irreversiblen Produktionsworkflow, der kein Preview-Risiko akzeptieren kann, ist Gemini Computer Use nicht geeignet. Dasselbe gilt, wenn ein Browser allein nicht ausreicht und sich die Ziel-Desktopumgebung nicht isolieren lässt. Verbrauchen Qualitätsfehler mehr als nur wenig Arbeitszeit, sollten Sol und Claude verglichen werden, bevor der Tokenpreis optimiert wird.

4. DeepSeek V4-Flash-Vision-Exp: Am besten für eigene kostengünstige Agenten-Stacks

DeepSeek V4-Flash-Vision-Exp ist der günstigste Modellkern in diesem Ranking und zugleich das am wenigsten vollständige Computer-Use-Produkt. DeepSeek veröffentlichte das experimentelle multimodale Modell am 21. August 2026 unter der exakten API-Kennung deepseek-v4-flash-vision-exp.

Das Modell akzeptiert Text und Bilder, unterstützt allgemeine Tool-Aufrufe und funktioniert über OpenAI-kompatible Chat-Completions- und Responses-APIs sowie eine Anthropic-kompatible Schnittstelle. Es bietet ein Kontextfenster von 1 Million Tokens, eine maximale Ausgabe von 384,000 Tokens, einen Thinking- und einen Non-Thinking-Modus sowie ein angegebenes Parallelitätslimit von 2,500.

Das sind nützliche Bausteine für einen Computer-Use-Agenten, aber kein First-Party-Tool für Computeraktionen. DeepSeek dokumentiert das Senden von Screenshots und allgemeine Tool-Aufrufe, jedoch weder ein integriertes Aktionsschema für Browser oder Desktop noch einen Executor, Freigabeentscheidungen oder eine Betriebsumgebung. Die Bezeichnung als Modellkern ist eine redaktionelle Schlussfolgerung aus dieser Produktgrenze.

In der Praxis muss das Team Tools wie Klicken, Tippen, Scrollen, Screenshot, Warten und Freigabe anfordern selbst definieren. Ebenso muss es Argumente validieren, Koordinaten abbilden, Aktionen in einem isolierten Browser oder einer VM ausführen, den neuen Zustand zurückgeben, Schleifen erkennen, bei Fehlern stoppen und alles protokollieren. Ein erfahrenes Automatisierungsteam kann diese Kontrolle bevorzugen. Wer seinen ersten Computer-Use-Agenten beschafft, sollte sie als Anwendungsentwicklung einplanen.

Warum der Preis Aufmerksamkeit verdient

DeepSeek berechnet V4-Flash-Vision-Exp nach demselben Spitzen- und Nebenzeittarif wie die Flash-Route:

• Außerhalb der Spitzenzeit: $0.007 pro Million Cache-Treffer-Eingabetokens, $0.22 pro Million Cache-Miss-Eingabetokens und $0.66 pro Million Ausgabetokens.
• Spitzenzeit: $0.014 pro Million Cache-Treffer-Eingabetokens, $0.44 pro Million Cache-Miss-Eingabetokens und $1.32 pro Million Ausgabetokens.

Als Spitzenzeiten gelten 01:00 bis 04:00 UTC und 06:00 bis 10:00 UTC. Alle übrigen Stunden sind Nebenzeiten. Ab dem 23. August 2026 (Pekinger Zeit) gelten an Samstagen und Sonntagen nach Pekinger Zeit durchgehend die Nebenzeittarife.

Die Preisseite nennt weder ein kostenloses Kontingent noch einen Testzugang. Die praktischen Evaluierungskosten bleiben dennoch winzig. Beim normalisierten Profil mit 50,000 Eingabe- und 5,000 Ausgabetokens kostet das Modell $0.0143 außerhalb der Spitzenzeit oder $0.0286 zur Spitzenzeit. Ein Team kann umfangreich experimentieren, bevor Tokens zur wichtigsten Kostenposition werden. Entwicklung, Prüfung oder eine fehlerhafte Aktion werden dadurch nicht billig.

Die Regel für Vision-Tokens ist ungewöhnlich klar. Große Bilder werden auf ein Budget von ungefähr 800 mal 800 Pixel skaliert; jedes Bild ist auf 384 Eingabetokens begrenzt. Bei Cache-Miss-Preisen zur Spitzenzeit kosten 100 Screenshots mit maximaler Tokenzahl höchstens $0.016896 an Bildeingaben. Außerhalb der Spitzenzeit sind es $0.008448. Text, Ausgaben, wiederholter Verlauf, allgemeine Tool-Aufrufe und Wiederholungen sind in dieser Rechnung nicht enthalten.

Diese Begrenzung ist Kostenvorteil und Wahrnehmungslimit zugleich. In einer dichten Tabelle, einem kleinen Dialog oder einem mehrspaltigen Dashboard können beim Komprimieren auf das Bildbudget des Modells wichtige Details verloren gehen. Bei Bedarf sollte ein fokussierter Ausschnitt oder der dokumentierte Detailpfad original gesendet und anschließend geprüft werden, wie der Dienst das Bild skaliert. Günstige Bildtokens garantieren keine zuverlässige Erkennung kleiner Schrift.

DeepSeek akzeptiert JPEG, PNG, GIF und WebP. Bilder können als Base64-Daten, öffentliche URL oder Files-API-Referenz gesendet werden. Der Dienst erlaubt bis zu 600 Bilder pro Anfrage, höchstens 8,192 Pixel pro Seite und 4,096 Pixel pro Seite, wenn eine Anfrage 15 oder mehr Bilder enthält. Base64- und URL-Bilder dürfen bis zu 32 MiB, Files-API-Bilder bis zu 64 MiB und der Inline-Request-Body bis zu 48 MiB groß sein.

Diese Grenzwerte liegen weit über denen einer üblichen Screenshot-Schleife. Der Engpass ist daher nicht die Uploadzahl, sondern die individuelle Kontrollebene. Das Team muss belegen, dass Aktionsschema, Koordinatenabbildung, Freigaben und Wiederherstellungslogik akzeptierte Ergebnisse erzeugen. Ein Modell, das eine Schaltfläche sehen kann, hat noch keine Erlaubnis verdient, sie zu betätigen.

Für einen breiteren Modellvergleich behandelt DeepSeek vs. ChatGPT die Anbieter auch jenseits bildschirmsteuernder Workflows.

Am besten geeignet für: Erfahrene Agententeams, die einen günstigen visuellen Kern in ihrer eigenen Browser- oder Desktop-Infrastruktur einsetzen möchten.
Besonderheit: Bis zu 384 Eingabetokens pro Bild und $0.22/$0.66 für Cache-Miss-Eingabe/Ausgabe außerhalb der Spitzenzeit.
Preis: $0.22/$0.66 außerhalb der Spitzenzeit oder $0.44/$1.32 zur Spitzenzeit pro Million Cache-Miss-Eingabe-/Ausgabetokens; Cache-Treffer kosten $0.007 außerhalb der Spitzenzeit beziehungsweise $0.014 zur Spitzenzeit.
Kostenlos testen: Auf der aktuellen Preisseite wird weder ein kostenloses Kontingent noch ein Testzugang beworben.

Wer darauf verzichten sollte: DeepSeek ist ungeeignet, wenn ein fertiger Aktionskreislauf oder eine vom Anbieter definierte Sicherheitsentscheidung erwartet wird oder ein isolierter Executor samt Evaluierungssystem fehlt. Für Aufgaben mit winziger Schrift oder dichten Bildschirmen sollte es ebenfalls erst nach einem repräsentativen visuellen Test mit fokussierten Screenshots eingesetzt werden.

Welcher KI-Agent passt zu welchem Einsatz?

Ein Start-up-Gründer mit Finanzierung, der reversible Wettbewerbsrecherche automatisiert, sollte mit Gemini 3.7 Flash beginnen. Es liefert den Aktionskreislauf, deckt Browser- und Desktopumgebungen ab und hält die Modelluntergrenze niedrig genug für eine breite Evaluierung. Die Wahl wechselt zu Sol, wenn Prüfung und Wiederherstellung fehlgeschlagener Schleifen mehr Zeit beanspruchen, als der ungefähre 22-Sekunden-Test nahelegt. Claude übernimmt, wenn nicht vertrauenswürdige Webinhalte und das Freigabekonzept zum schwierigeren Problem werden.

Ein CTO im Mittelstand, der Daten durch eine regulierte Anwendung oder ein Altsystem bewegt, sollte mit Claude Opus 5 oder Sonnet 5 starten. Computer Use ist in der Claude API GA, Screenshot-Klassifikatoren können eine Bestätigung anfordern, der Client kontrolliert die Umgebung und die Funktion ist ZDR-geeignet. Die HIPAA-Eignung unter einem BAA ist für die Modellprüfung relevant; der Workflow braucht dennoch Zugangsdaten nach dem Least-Privilege-Prinzip, geschützte Protokolle und eine menschliche Freigabe vor der Übermittlung. Bleiben alle Schritte auf Webseiten, ist Browser Use dem vollständigen Computer Use vorzuziehen.

Ein erfahrener Prozessverantwortlicher, der einen hochwertigen, unübersichtlichen Desktop-Workflow automatisiert, sollte mit GPT-5.6 Sol beginnen. Sols vom Anbieter ausgewiesener OSWorld-Vorsprung und der geringe Break-even bei den Arbeitskosten rechtfertigen es, zuerst für die Qualitätsobergrenze zu bezahlen. Sobald der Akzeptanzmaßstab feststeht, können stabile Aufgabenformen an Terra, Luna oder Gemini gehen. Der Fehler wäre, beim billigsten Tarif anzufangen und nie zu erfahren, wie viel Wiederherstellungsaufwand ein stärkeres Modell vermeiden könnte.

Wer als Entwickler bereits über Aktions-Executor, Policy-Dienst und Evaluierungssystem verfügt, sollte DeepSeek V4-Flash-Vision-Exp einbeziehen. Bei diesem Reifegrad ist ein individuelles Aktionsschema kein neues Projekt, und der Nebenzeittarif kann die Kosten großer Evaluierungs- und Batch-Workloads verändern. Für Bildschirme mit kleiner Schrift, mehrdeutige Zustände und wiederholte Fehler sollte eine stärkere Route bereitstehen.

Vier Fragen entscheiden, wann die Wahl kippt:

1. Gibt es eine stabile API? Dann ist sie zu verwenden. Bildschirmsteuerung ist der Ausweg für Oberflächen ohne zuverlässigen programmatischen Zugang.
2. Lässt sich eine falsche Aktion rückgängig machen? Falls nicht, ist eine Freigabe nötig und eine Route vorzuziehen, deren Status, Kontrollen und Beschaffungsprofil zu den Folgen passen.
3. Ist der Executor bereits vorhanden? Falls nicht, ergibt DeepSeeks Tokenersparnis noch keine vollständige Lösung.
4. Wie viele Prüfsekunden spart der Aufpreis? Sol, Claude, Gemini oder DeepSeek werden anhand der Protokolle akzeptierter Aufgaben ausgewählt, nicht allein anhand der Preisliste.

Nach welchen Kriterien wurden die Modelle ausgewählt?

Dieses Ranking verwendet fünf Kriterien, die unmittelbar zur Kaufentscheidung gehören:

• Vollständigkeit für Computer Use: Definiert der Anbieter einen Aktionskreislauf oder liefert er lediglich Vision und allgemeine Tool-Aufrufe?
• Aktuelle Evidenz: Gibt es ein relevantes veröffentlichtes Computer-Use-Ergebnis, einen Produktstatus oder ein heute prüfbares Implementierungsdetail?
• Wirtschaftlichkeit pro akzeptierter Aufgabe: Was kostet ein gemeinsames Tokenprofil, und wie viel menschliche Arbeitszeit muss eine Premiumroute einsparen?
• Produktionshürde: Welcher Teil bleibt beim Käufer – einschließlich Sandboxing, Executor-Entwicklung, Freigaben, Schutz vor Prompt Injection und Protokollierung?
• Preisbeständigkeit: Ist der Preis regulär, zeitlich befristet, spitzenzeitabhängig oder an eine Preview-Funktion gebunden?

Die Produkte wurden am 22. August 2026 anhand ihrer aktuellen Dokumentation, Preis-, Modell- und Produktseiten sowie benannter Fallbelege der Anbieter verglichen. In diesem Durchlauf wurden sie nicht in einer gemeinsamen Browser-Infrastruktur getestet; deshalb erhebt diese Seite keinen Anspruch auf ein eigenes Testergebnis. Das Kostenmodell ist eine eigenständige Analyse der festgehaltenen Preislisten. Mit dem weiter unten beschriebenen Protokoll aus 240 Durchläufen können Käufer eigene, workflowspezifische Belege erzeugen.

Der Vergleich umfasst vier Routen, weil jede für eine andere Kaufentscheidung steht: maximale Zuverlässigkeit, kontrollierter Unternehmenseinsatz, günstige Skalierbarkeit oder Wirtschaftlichkeit eines eigenen Stacks. Jede aufgenommene Route bietet aktuell ein Unterscheidungsmerkmal, ein Preismodell, einen Implementierungsweg und eine offen benannte Grenze. Ältere Modelle erscheinen weiter unten nur dort, wo sie bei einer Migration noch anzutreffen sind.

Keine Affiliate-Beziehung hat dieses Ranking beeinflusst, und es wurde kein irrelevanter kommerzieller Partner eingefügt. Die kommerzielle Verfügbarkeit hat die Platzierung eines Modells weder verbessert noch verschlechtert.

Von diesen Optionen ist abzuraten

OpenAI computer-use-preview nicht für neue Integrationen verwenden

OpenAIs aktuelles GA-Anfrageformat verwendet ein Modell ab GPT-5.5 mit tools: [{ type: "computer" }]. Das ältere Modell computer-use-preview und das Tool computer_use_preview nutzen ein anderes Aktionsformat und erfordern Legacy-Anfrageeinstellungen. Sie sollten nur während der Migration einer bestehenden Anwendung beibehalten werden. Wer eine Neuentwicklung auf dem alten Pfad beginnt, schafft Arbeit, deren spätere Ablösung bereits feststeht.

Gemini 2.5 Computer Use Preview vermeiden, wenn 3.7 verfügbar ist

Google kennzeichnet Gemini 2.5 Computer Use Preview als Legacy-Modell. Bei höchstens 200,000 Prompt-Tokens kostet es $1.25 pro Million Eingabetokens und $10 pro Million Ausgabetokens, oberhalb von 200,000 steigen die Preise auf $2.50/$15. Gemini 3.7 Flash ist Googles empfohlenes Modell für Computer Use und kostet bis zum 31. Dezember 2026 $0.75/$3.75. Version 2.5 sollte nur für eine nachgewiesene Kompatibilitätsabhängigkeit beibehalten werden, die sich noch nicht entfernen lässt.

Textbasierte DeepSeek-Routen nicht als Vision-Lösung tarnen

In der offiziellen DeepSeek API akzeptiert ausschließlich deepseek-v4-flash-vision-exp Bilder. Andere DeepSeek-Modelle antworten auf Bildeingaben mit einem 400-Fehler. Ein Drittanbieter-Adapter kann ein anderes Modell den Screenshot beschreiben lassen und den Text an DeepSeek übergeben. Bewertet wird dann jedoch ein Zwei-Modell-Stack, nicht visuelles Computer Use von DeepSeek. Preis, Latenz, Informationsverlust und Datenverarbeitung verändern sich. Der Proxy muss als eigene Komponente benannt werden – oder es ist das exakte Vision-Modell zu verwenden.

Keinen Bildschirm-Agenten ohne Akzeptanztest einsetzen

„Das Modell hat das Ende erreicht“ ist kein Geschäftsergebnis. Ein Browser-Agent kann beim falschen Konto landen, in das falsche Feld schreiben oder nach einer Seitenänderung stoppen, ohne den Fehler zu erkennen. Ohne deterministische Prüfung oder festgelegten Prüferstandard ist eine Aufgabe bei keinem dieser Modelle für autonome Ausführung bereit.

Die Produktionscheckliste ist wichtiger als der Modellname

Das Modell ist nur eine Komponente eines kontrollierten Systems. Vor steigenden Volumina muss die Produktionsprüfung diese Fragen beantworten:

• Umgebung: Ist der Browser oder Desktop vom Host, privaten Konten, lokalen Dateien und nicht benötigten Zugangsdaten isoliert?
• Reichweite: Sind Domains, Anwendungen und zulässige Aktionen auf den Workflow beschränkt?
• Secrets: Erhält jede Aufgabe nur die benötigten Berechtigungen, ohne dass Secrets auf Screenshots oder in Protokollen erscheinen?
• Folgen: Welche Aktionen erfordern immer menschliche Bestätigung, und erzwingt der Executor diese Regel?
• Injection: Was geschieht, wenn eine Seite, ein Bild, ein Dokument oder ein Dialog den Agenten auffordert, seine Aufgabe zu ignorieren?
• Zustand: Kann das System vor einer Aktion belegen, in welchem Konto, Datensatz, Fenster und Schritt es arbeitet?
• Wiederherstellung: Stoppt eine fehlgeschlagene Aktion den Batch, bewahrt Belege auf und gibt genug Zustand für einen sicheren Neuversuch oder eine Eskalation zurück?
• Akzeptanz: Welche maschinelle Prüfung oder Prüferentscheidung kennzeichnet die Aufgabe als abgeschlossen?
• Wirtschaftlichkeit: Werden Modelltokens, Tool-Aufrufe, Laufzeit, Wiederholungen und Prüfsekunden pro akzeptiertem Abschluss erfasst?
• Änderungen: Kann das Team denselben Aufgabensatz nach Änderungen an Modell-Snapshot, Preis, Browser oder Zieloberfläche erneut ausführen?

Ein Modellwechsel sollte unspektakulär sein. Aktionsschnittstelle, Sicherheitsrichtlinie, Protokolle und Akzeptanztest bleiben stabil, während sich dahinter das Modell ändert. Erfordert ein Anbieterwechsel eine vollständige Neuentwicklung der Kontrollebene, hat das System das Toolformat eines einzelnen Anbieters mit seiner Produktarchitektur verwechselt.

Die Aufgabe für Montag: ein Vergleich mit 240 Durchläufen

Statt einen breit angelegten „KI-Agenten-Piloten“ zu planen, sollte nächste Woche eine Aufgabenklasse ausgewählt und genau eine Routingentscheidung getroffen werden. Mit 20 repräsentativen Aufgaben, den vier Routen dieses Rankings und drei Versuchen pro Route entstehen 240 Durchläufe. Drei Wiederholungen reichen, um zumindest einen Teil zufälliger Einzelerfolge sichtbar zu machen, ohne die Stichprobe als universellen Benchmark auszugeben.

1. 1

   Montag: Aufgabe und Akzeptanzregel fixieren

   Aus einem Workflow werden 20 Aufgaben ausgewählt, darunter normale Fälle, Zustände mit kleinen Bildschirmelementen, Pop-ups, mehrdeutige Steuerelemente und ein sicherer Prompt-Injection-Testfall. Irreversible Abschlussaktionen werden entfernt. Die genaue Bestehensbedingung und alle Fälle mit Prüfpflicht werden schriftlich festgelegt.

2. 2

   Dienstag: Umgebung konstant halten

   Jede Route läuft mit identischem Viewport, demselben Browser- oder VM-Image, derselben Domain-Positivliste, Ausgangslage, Berechtigungsstufe, demselben Aktionsvokabular, derselben Zeitgrenze und Freigaberichtlinie. Bei DeepSeek werden die eigenen Tools denselben zugrunde liegenden Executor-Aktionen zugeordnet wie bei den nativen Routen.

3. 3

   Mittwoch: vollständige Laufkosten erfassen

   Erfasst werden abgerechnete Eingabe-, Cache- und Ausgabetokens, abrechenbare Tool-Aufrufe, Executor-Laufzeit, verstrichene Zeit, Versuche, Sicherheitsstopps und menschliche Prüfsekunden. Der erste Fehlerzustand und der akzeptierte Abschlussbeleg werden gespeichert.

4. 4

   Donnerstag: akzeptierte Abschlüsse bepreisen

   Modellkosten, Toolgebühren, Executor-Kosten, Prüferarbeit zum vereinbarten Stundensatz und Wiederholungskosten werden addiert und durch die akzeptierten Abschlüsse geteilt. Zusätzlich werden die Anteile ohne Korrektur akzeptierter, nach Reparatur akzeptierter, sicher abgelehnter und unsicher fehlgeschlagener Aufgaben ausgewiesen.

5. 5

   Freitag: eine Klasse routen und Eskalationsroute beibehalten

   Gewählt wird die günstigste Route, die Akzeptanz- und Sicherheitsgrenzwerte erfüllt. Für wiederholte Aktionen, unsichere Zustände, vermutete Injection, fehlgeschlagene Validierung oder folgenreiche Schritte bleibt das stärkere Modell als Eskalation bestehen. Modellkennung und Preisdatum werden dokumentiert, damit die Entscheidung später nachvollzogen und erneut geprüft werden kann.

Die Montagsaufgabe ist bewusst klein. Eine gemessene Aufgabenklasse schafft eine belastbare Budgetposition. Ein breiter Demo-Pilot produziert eine Sammlung von Screenshots, aber keine Routingregel.

Häufig gestellte Fragen

Welche KI eignet sich am besten für Computer Use?

GPT-5.6 Sol ist insgesamt der beste Ausgangspunkt bei teuren Fehlern. Dafür sprechen das veröffentlichte OSWorld-2.0-Ergebnis von 62.6% und der geringe arbeitszeitbezogene Break-even seines Tokenaufschlags. Claude Opus 5 ist die besser kontrollierte Unternehmensroute, Gemini 3.7 Flash die Preis-Leistungs-Route und DeepSeek V4-Flash-Vision-Exp die Option für Teams mit bereits vorhandener Aktionsinfrastruktur.

Welche multimodale KI ist die beste?

Für Computer Use ist das beste multimodale Modell jenes, das die Zieloberfläche ausreichend gut erfasst, mit der erforderlichen Aktions- und Freigabeebene funktioniert und die Kosten pro akzeptiertem Abschluss minimiert. Visuelles Schlussfolgern allein liefert weder einen sicheren Executor noch eine Sicherheitsrichtlinie oder Abschlussprüfung.

Welches ist derzeit das leistungsstärkste KI-Modell?

Kein einzelner Benchmark rechtfertigt diese Aussage über alle Aufgaben hinweg. OpenAI weist GPT-5.6 Sol mit 62.6% auf OSWorld 2.0 aus, während Anthropic Opus 5 bei Computer Use stark positioniert und Google Gemini 3.7 Flash für sein Tool empfiehlt. Diese Angaben liefern eine Shortlist; das Ranking entsteht anschließend aus akzeptierten Abschlüssen, Wiederherstellungszeit und Sicherheit im eigenen Workflow.

Die AI Tools Map für Unternehmer herunterladen und aus dieser Shortlist in einer Woche einen belastbaren Computer-Use-Vergleich machen.