Datenrückblick Oktober 2026

Token stiegen im Oktober um 37 %

Unsere Analyse der KI-Highlights des letzten Monats. Die Token-Nutzung stieg rasant, der Preis pro Token sank weiter, und agentenbasierter Traffic macht inzwischen den Großteil des Traffics über OpenRouter aus.

Highlights

  • Das Token-Volumen stieg weiter: um 37 % gegenüber September und auf fast das 25-Fache gegenüber Januar.
  • Der effektive Preis pro Token sank: Der gemittelte Preis pro Token sank kontinuierlich weiter und lag im letzten Monat 57 bis 70 % unter den Durchschnittswerten vom Januar.
  • Entscheidungsmodelle erhalten inzwischen 21 % aller Anfragen: Obwohl die Kategorie erst wenige Wochen alt ist, erhalten Entscheidungsmodelle inzwischen mehr Anfragen als jede andere Modalität außer Textmodellen.

790 Billionen Token im Oktober

Der Oktober war der größte Monat in der Geschichte von OpenRouter: 790 Billionen Token, ein Anstieg um 37 % gegenüber September und um das erstaunliche 25-Fache gegenüber Januar.

Der Anstieg war breit gefächert, doch die Aktualisierung von DeepSeek V4.1 Flash zusammen mit der Einführung von Haiku 5.5 und dem Rest der Claude-5.5-Familie trug maßgeblich dazu bei.

Monatliches Volumen, Januar bis Oktober

OpenRouter
Quelle: OpenRouter. Die Token umfassen Prompt und Completion.

Agenten verbrauchen 76 % aller Token

Die Dominanz von Agenten hat im Laufe des Jahres 2026 nur zugenommen. Wir klassifizieren jeden API-Schlüssel mit einem gewichteten Klassifikator anhand von sieben Signalen, darunter die Rate der Tool-Aufrufe, die Anzahl der Gesprächsrunden und die zeitliche Verteilung der Anfragen, als agentisch, menschlich oder gemischt.

Vor einem Jahr entfielen auf agentische Schlüssel 8 % der Token. Im Oktober waren es 76 %, etwa 600 Billionen Token.

Monatliche Token nach Typ

OpenRouter
Quelle: OpenRouter. Monatliche Klassifizierung der Schlüssel: Ein agentischer Score ab 0,50 gilt als agentisch, 0,25 bis 0,49 als gemischt und unter 0,25 als menschlich.

Ein besonderes Merkmal der Nutzung durch Agenten ist, dass derselbe, oft umfangreiche Kontext bei jedem Gesprächsschritt erneut gesendet wird, weshalb die Prompt-Zwischenspeicherung für Agenten wichtiger ist als für die Nutzung durch Menschen. Die meisten Anbieter lieferten im Oktober zwischengespeicherte Präfixe für 85 bis 97 % der Prompt-Token von Agenten. Der Median der Cache-Trefferrate ist stark gestiegen, von 76,1 % im Juni auf über 90 % im Oktober.

Agentische Cache-Trefferquote nach Inferenzanbieter

OpenRouter

Die Blasengröße entspricht den bereitgestellten Token für agentische Aufgaben. Die Farbe zeigt den Bereich der Cache-Trefferrate.

  • Cache-Trefferrate unter 70 %
  • 70–90%
  • Über 90 %
Quelle: OpenRouter. Die Cache-Trefferquote ist das Verhältnis zwischengespeicherter Prompt-Token zu allen Prompt-Token aus agentischen API-Schlüsseln. BYOK ist ausgeschlossen. Anbieter mit mindestens 1 Bio. agentischen Token und einer Cache-Trefferquote von 50 % oder mehr.

Modelle mit offenen Gewichten erholten sich

Der Open-Weight-Anteil an bezahlten Token sank in der Woche des 28. September auf 52 %, als Claude Opus 5.5, Sonnet 5.5 und GPT-6.1 Sol alle veröffentlicht wurden. Zwei Wochen später lag er wieder über 70 %, hauptsächlich aufgrund von DeepSeek V4.1 Flash.

Modelle mit offenen Gewichten machen etwa ein Viertel der Ausgaben für kostenpflichtige Nutzung aus, gegenüber 11 % im Januar, und dieser Anteil hat sich im letzten Vierteljahr kaum verändert.

Wöchentlicher Anteil von Open-Weight-Modellen am Tokenverbrauch und an den Ausgaben

OpenRouter
Quelle: OpenRouter. Nur kostenpflichtiger Datenverkehr; kostenlose Varianten ausgeschlossen.

Der effektive Preis pro Token ist seit Januar um 57 bis 70 % gesunken

Der gemischte Preis pro Million Token sank bei Modellen mit geschlossenen Gewichten von 1,21 $ auf 0,52 $ und bei Modellen mit offenen Gewichten von 0,28 $ auf 0,084 $. Der Abstand zwischen ihnen vergrößerte sich vom 4,3-Fachen auf das 6,2-Fache.

Dieser effektive Preis kann sich aus vielen Gründen ändern: durch die Listenpreise der Modelle, den Modellmix selbst oder die Cache-Trefferquote pro Sitzung. Der Preisrückgang bei Closed-Weight-Modellen im August war größtenteils auf eine Verschiebung im Modellmix zurückzuführen: GPT-5.6 Luna wurde mit etwa 0,07 $ pro Million Token in den Tagen nach seiner Einführung zum meistgenutzten kostenpflichtigen geschlossenen Modell.

Effektiver Preis pro 1 Mio. Token

OpenRouter
Quelle: OpenRouter. Abgerechnete Nutzung auf Basis von Prompt- und Completion-Token. Kostenlose Varianten, BYOK, Stealth-Modelle und Nicht-Chat-APIs ausgeschlossen.

Modellanteil einzelner Labore

Typischerweise konzentriert sich der Datenverkehr jedes KI-Labors auf wenige Modelle, und die neueste Veröffentlichung übernimmt meist innerhalb eines Monats die Führung. Wählen Sie ein KI-Labor aus, um zu sehen, wie sich seine Token- und Ausgabenverteilung im Jahresverlauf verändert hat.

Modellmix innerhalb jedes Labors

OpenRouter

Die sechs führenden Modelle nach Token-Volumen im Oktober sowie alle übrigen.

  • Claude Opus 5.5
  • Claude Sonnet 5.5
  • Claude Haiku 5.5
  • Claude Opus 5
  • Claude Sonnet 5
  • Claude Fable 5.1
  • Other

Token-Anteil

Anteil an den Ausgaben

Quelle: OpenRouter. Monatlicher Anteil der Token und der abgerechneten Nutzung nach Modell innerhalb jedes Labors, alle Varianten.

Open-Weight-Labore führen beim Wachstum

Seit Mai stieg die monatliche Token-Anzahl von Z.ai um etwa das Zwanzigfache und die von DeepSeek um etwa das Zwölffache. Bei den Ausgaben verzeichnete Z.ai einen Anstieg um etwa das Sechsfache, Anthropic einen Anstieg um 76 %, und MiniMax einen Rückgang um 20 %, obwohl seine Token-Anzahl deutlich stieg.

Das Wachstum einzelner Labore verläuft selten linear. Bei einem zunehmend umkämpften Veröffentlichungskalender kann der Zeitpunkt eines neuen Modells das Wachstum eines Labors innerhalb eines einzigen Monats stark verändern.

Wachstum seit Mai nach Forschungslabor

OpenRouter

Monatliche Token oder Ausgaben pro Labor, indexiert auf Mai = 100.

Quelle: OpenRouter. Monatliche Prompt- und Completion-Token sowie abgerechnete Nutzung nach Modellentwickler, über alle Varianten hinweg, geteilt durch den jeweiligen Mai-Gesamtwert des Labors.

Die Aufgabenrangliste hebt zwei Modelle besonders hervor

Wir ordnen eine Stichprobe von Anfragen den Aufgabenkategorien auf unserer Ranglistenseite zu. Nach Token liegt DeepSeek V4.1 Flash bei den meisten Programmier- und Agentenaufgaben vorn. Wechseln Sie zur Ausgabenansicht, und Claude Opus 5.5 führt den Großteil der Rangliste an.

Weitere vertretene Modelle sind Jev 1.13, das Entscheidungsmodell von TypeSafe, und GLM 5.3 Flash, mit starken Ergebnissen sowohl bei der Datenextraktion als auch bei der Datentransformation.

Bestes Modell je Aufgabe, Oktober

OpenRouter

Die fünf führenden Aufgaben jeder Kategorie nach Token. Die Aufgabentaxonomie der Ranglisten enthält zwei Datenaufgaben.

Allgemein

  1. Klassifizierung

    Favicon für typesafe
    TypeSafe Jev 1.13

    14 % der Aufgaben-Token

  2. Fragen und Antworten & Wissen

    Favicon für stepfun
    Step 5 Preview

    33 % der Aufgaben-Token

  3. Rollenspiel & Fiktion

    Favicon für deepseek
    DeepSeek V4 Flash

    11 % der Aufgaben-Token

  4. Texterstellung

    Favicon für z-ai
    GLM 5.3 Flash

    21 % der Aufgaben-Token

  5. Zusammenfassung

    Favicon für stepfun
    Step 5 Preview

    67 % der Aufgaben-Token

Programmierung

  1. Codegenerierung

    Favicon für deepseek
    DeepSeek V4.1 Flash

    23 % der Aufgaben-Token

  2. Fehlersuche

    Favicon für deepseek
    DeepSeek V4.1 Flash

    19 % der Aufgaben-Token

  3. Datei-E/A

    Favicon für deepseek
    DeepSeek V4.1 Flash

    17 % der Aufgaben-Token

  4. Codeprüfung

    Favicon für deepseek
    DeepSeek V4.1 Flash

    17 % der Aufgaben-Token

  5. Shell-Ausführung

    Favicon für deepseek
    DeepSeek V4.1 Flash

    24 % der Aufgaben-Token

Agent

  1. Workflow-Ausführung

    Favicon für deepseek
    DeepSeek V4.1 Flash

    16 % der Aufgaben-Token

  2. Mehrstufige Planung

    Favicon für deepseek
    DeepSeek V4.1 Flash

    18 % der Aufgaben-Token

  3. Tool-Zuweisung

    Favicon für deepseek
    DeepSeek V4.1 Flash

    17 % der Aufgaben-Token

  4. Gedächtnisextraktion

    Favicon für xiaomi
    MiMo V2.6 Flash

    17 % der Aufgaben-Token

  5. Websuche

    Favicon für deepseek
    DeepSeek V4.1 Flash

    15 % der Aufgaben-Token

Daten

  1. Datenextraktion

    Favicon für z-ai
    GLM 5.3 Flash

    12 % der Aufgaben-Token

  2. Datentransformation

    Favicon für z-ai
    GLM 5.3 Flash

    29 % der Aufgaben-Token

Quelle: OpenRouter. Anteil der nach Stichprobe gewichteten Aufgaben-Token oder Ausgaben.

Die Labore mit geschlossenen Modellgewichten (und DeepSeek) führen bei der Nutzerbindung

Es gibt viele Möglichkeiten, die Nutzerbindung für ein Modell oder ein KI-Labor zu messen. Hier haben wir die Konten betrachtet, die in einem Monat mindestens 100 kostenpflichtige Anfragen an Modelle eines bestimmten KI-Labors gesendet haben, und geprüft, wie viele im Folgemonat erneut dasselbe KI-Labor nutzten. Der Schwellenwert filtert einmalige Tests heraus, und die Reihenfolge der KI-Labore war bei niedrigeren und höheren Grenzwerten sehr ähnlich.

Von September bis Oktober behielt Google 78 % dieser Konten, Anthropic 74 % und OpenAI 74 %. Die führenden Open-Weight-Labore haben tendenziell eine niedrigere monatliche Bindungsrate, und im Oktober war es nicht anders.

Bindung im Monatsvergleich nach Modellentwickler

OpenRouter

Google

Anthropic

OpenAI

DeepSeek

Z.ai

Qwen

MiniMax

Quelle: OpenRouter. Konten mit mindestens 100 kostenpflichtigen Anfragen an ein Lab in einem Monat; als gehalten gezählt, wenn sie im Folgemonat mindestens eine kostenpflichtige Anfrage an dieses Lab gesendet haben. Gesperrte Konten sind ausgeschlossen.

Entscheidungsmodelle erreichten einen Anteil von 21 % der Anfragen

Entscheidungsmodelle (oder System-One-Modelle in der Nomenklatur von TypeSafe) beurteilen eine eng umrissene Frage, etwa zum Routing, zur Moderation oder zu einer Ja-Nein-Prüfung. Sie entstanden erst Mitte September als Kategorie und erreichten bis zur Woche des 26. Oktober einen Anteil von 21 % aller Anfragen.

Der Begriff „Textmodelle“ bezeichnet hier jede Anfrage an die Chat Completions-API, einschließlich Anfragen mit Bildeingaben. Gemessen an Token oder Ausgaben statt an Anfragen würden Entscheidungsmodelle einen deutlich kleineren Anteil des wöchentlichen Datenverkehrs ausmachen.

Wöchentlicher Anteil der Anfragen nach Anfragetyp

OpenRouter
Quelle: OpenRouter. Anteil an allen Anfragen nach API.

Open-Weight-Inferenzanbieter: Together steigt auf Platz eins

Unter den Anbietern, die Modelle mit offenen Gewichten bereitstellen, Together stieg nach der Gesamtzahl bereitgestellter Token vom 18. Platz im Juni auf den ersten Platz im Oktober. DeepSeek fiel im September auf den neunten Platz zurück und kehrte mit V4.1 Flash auf den zweiten Platz zurück, und InferenceNet stieg auf dem vierten Platz in die Top Ten ein.

Rangliste der Open-Weight-Anbieter nach Token

OpenRouter

Die Top Ten jedes Monats, Juni bis Oktober. Bewegen Sie den Mauszeiger über eine Linie, um einen Anbieter zu verfolgen.

Quelle: OpenRouter. Nur Modelle mit offenen Gewichten. Ohne BYOK und Stealth-Endpunkte.

Wir analysieren jede Woche wichtige Trends aus diesem Datenpool mit einer Billiarde Token. Abonnieren Sie Inferred, unseren Daten-Newsletter, um alle unsere wichtigen Forschungsberichte direkt in Ihrem Posteingang zu erhalten.

Hinweise zur Methodik

  • Die Daten umfassen Anfragen über die OpenRouter-API vom 1. Januar bis zum 31. Oktober 2026; das Diagramm zur Agentennutzung beginnt im September 2025. Die Wochen in den Wochendiagrammen beginnen am Montag.
  • Token sind die Summe aus Prompt- und Completion-Token. Ausgaben sind die abgerechnete Nutzung. Labs sind Modellhersteller, und ein Modell gilt als Open-Weight, wenn seine Gewichte öffentlich veröffentlicht werden.
  • Jeder API-Schlüssel wird jeden Monat anhand von sieben gewichteten Signalen klassifiziert: Tool-Aufrufrate, Verhältnis von Eingabe zu Ausgabe, Gesprächsschritte pro Anfrage, Cache-Trefferrate, angebotene Tools pro Anfrage, Zeit zwischen Anfragen und Abbruchrate. Ein Wert von 0,50 oder mehr steht für die Nutzung durch Agenten, 0,25 bis 0,49 für gemischte Nutzung und unter 0,25 für die Nutzung durch Menschen.
  • Kostenpflichtiger Datenverkehr schließt kostenlose Modellvarianten aus.
  • Der effektive Preis, die Cache-Trefferquote und der Anbieterrang schließen Traffic mit eigenen Schlüsseln (BYOK) und Stealth-Modelle aus. Die Cache-Trefferquote ist das Verhältnis zwischengespeicherter Prompt-Token zu Prompt-Token beim Traffic von agentischen Schlüsseln, für Anbieter mit mindestens 1 Billion agentischen Token in diesem Monat.
  • Die führenden Modelle je Aufgabe werden anhand einer Stichprobe von Anfragen ermittelt, die in die Aufgabentaxonomie der Ranglisten eingeordnet und nach der Stichprobenrate gewichtet werden.
  • Die Bindungsrate zählt Konten mit mindestens 100 kostenpflichtigen Anfragen an die Modelle eines Labors in einem Monat und betrachtet ein Konto als gebunden, wenn es im Folgemonat eine beliebige kostenpflichtige Anfrage an dieses Labor gesendet hat. Gesperrte Konten sind ausgeschlossen.
  • Entscheidungsmodelle sind Anfragen an die Decisions-API. Textmodelle sind Anfragen an die Chat Completions-API, einschließlich Anfragen mit Bildeingaben.