Credits

Credits sind die Abrechnungseinheit für die Nutzung von KI-Funktionen. Immer wenn Inhalte verarbeitet, generiert, transkribiert, analysiert oder strukturiert werden, werden Credits abgezogen.

Wie viele Credits anfallen, hängt davon ab:

welches Modell im Einsatz ist
wie viel verarbeitet wird
welche Art von Verarbeitung stattfindet – z. B. Textverarbeitung, Reasoning, OCR, Embedding oder Audioverarbeitung

Die aktuellen Credit-Werte und Modellzuordnungen finden Sie in der zentralen Credit-Übersicht im Google Sheet.

Überblick

Modalität	Typische Abrechnung
Text	nach Input, Output und gegebenenfalls Reasoning Effort
Audio	pro Spracheingabe oder pro Minute (Konversa)
Bilder	pauschal pro Aktion (Image-to-Text) oder nach Qualität (Bildgenerierung)
Dokumente	je nach Textverarbeitung und OCR-Einsatz
Embeddings	nach Input-Tokens

Wie das System funktioniert

Credits werden nicht pauschal pro Produkt berechnet, sondern nach der Art der Verarbeitung.

Je nach Anwendungsfall können unterschiedliche Abrechnungslogiken greifen:

Text – bei der Verarbeitung und Generierung von Text
Reasoning Effort – wenn ein Modell zusätzlichen Rechenaufwand für vertieftes Schlussfolgern verwendet
Audio – bei Spracheingaben, Transkriptionen oder Meeting-Verarbeitung
Bilder – bei Bildgenerierung oder beim Auslesen von Bildinhalten
OCR – wenn gescannte Dokumente oder Bilder zuerst maschinell lesbar gemacht werden müssen
Embeddings – wenn Texte in Vektoren umgewandelt werden, z. B. für Suche oder Wissenszugriff

Text

Bei textbasierten KI-Funktionen werden Credits anhand der verarbeiteten Textmenge und der verwendeten Rechenlogik berechnet.

Dabei sind insbesondere drei Bestandteile relevant:

Input – der Text, der an das Modell übergeben wird
Output – der Text, den das Modell zurückgibt
Reasoning Effort – zusätzlicher Rechenaufwand bei Modellen, die vertieftes Schlussfolgern einsetzen

Nicht jedes Modell verwendet Reasoning. Wenn es eingesetzt wird, kann es den Credit-Verbrauch zusätzlich erhöhen.

Beispiele

Anwendungsfall	Abgerechnete Bestandteile
Textanfrage im Chat – Frage stellen, Antwort erhalten	Input + Output
Textanfrage mit Reasoning-Modell	Input + Output + Reasoning Effort
Dokument zusammenfassen	Input (Dokument) + Output (Zusammenfassung)

Audio

Im Bereich Audio wird zwischen Diktat im Chat und Konversa unterschieden.

Diktat im Chat

Wenn Sprache direkt im Chat in Text umgewandelt wird, erfolgt die Abrechnung aktuell pro Spracheingabe.

Konversa

Konversa wird für Audio- und Meeting-Verarbeitung eingesetzt. Die Abrechnung hängt davon ab, wie die Aufnahme entsteht und verarbeitet wird.

Online-Meetings (Microsoft Teams, Google Meet, Zoom)

Bei Online-Meetings mit Meeting-Bot fallen zwei getrennte Credit-Positionen an:

Bot-Minuten – Credits pro Minute, die der Notetaker aktiv am Meeting teilnimmt
Transkriptionsminuten – separate Credits für die Transkription, abhängig vom gewählten Datenverarbeitungssystem

Datei-Upload (Voice-File)

Wenn eine Audiodatei direkt hochgeladen wird, entfallen die Bot-Minuten. Es werden nur Transkriptionsminuten abgerechnet, da kein Online-Meeting stattfindet.

Physische Gespräche (In-Person)

Bei Aufnahmen, die direkt über den Browser erstellt werden, gilt die gleiche Abrechnung wie beim Datei-Upload: nur Transkriptionsminuten.

Zusätzliche Textverarbeitung

Wenn aus einer Transkription weitere Inhalte generiert werden (z. B. Zusammenfassungen), fallen zusätzlich Textkosten an.

Beispiele

Anwendungsfall	Abgerechnete Bestandteile
Online-Meeting mit Bot	Bot-Minuten + Transkriptionsminuten (+ Textverarbeitung)
Audiodatei hochladen	Transkriptionsminuten (+ Textverarbeitung)
Physisches Gespräch über Browser	Transkriptionsminuten (+ Textverarbeitung)

→ Mehr dazu: Diktate, Physische Gespräche, Online-Meetings

Bilder

Bildgenerierung

Bei der Bildgenerierung richtet sich der Credit-Verbrauch nach zwei Faktoren:

Qualität – LOW, MEDIUM oder HIGH
Format – Quadrat, Hochformat oder Querformat

Grundsätzlich gilt: höhere Qualität und grössere Formate verbrauchen mehr Credits.

Qualität	Format	Auflösung	Credits
LOW	Quadrat	1024×1024	1.0115
LOW	Hochformat	1024×1536	1.4713
LOW	Querformat	1536×1024	1.4713
MEDIUM	Quadrat	1024×1024	3.8621
MEDIUM	Hochformat	1024×1536	5.7931
MEDIUM	Querformat	1536×1024	5.7931
HIGH	Quadrat	1024×1024	15.3563
HIGH	Hochformat	1024×1536	22.9885
HIGH	Querformat	1536×1024	22.9885

Die angegebenen Werte sind theoretische Richtwerte.

Image-to-Text

Wenn Informationen aus Bildern ausgelesen werden, wird der Credit-Verbrauch pauschal pro Aktion abgerechnet.

Beispiele

Anwendungsfall	Abgerechnete Bestandteile
Bild generieren (z. B. im Chat)	Text-Input (Prompt) + Bildgenerierung nach Qualität
Bild hochladen und Inhalt auslesen	Pauschal pro Aktion

Dokumente

Bei Dokumenten ist entscheidend, welche Art der Verarbeitung tatsächlich stattfindet.

Wenn ein Dokument bereits einen lesbaren Textlayer enthält, gelten die normalen Textkosten für den verarbeiteten Text.
Wenn Inhalte zuerst aus einem gescannten Dokument oder Bild extrahiert werden müssen, wird zusätzlich OCR eingesetzt.

Je nach Anwendungsfall können deshalb Textkosten und OCR-Kosten kombiniert anfallen.

Beispiele

Anwendungsfall	Abgerechnete Bestandteile
Dokument mit Textlayer verarbeiten	Textkosten (Input + Output)
Gescanntes Dokument verarbeiten	OCR + Textkosten

Embeddings

Embeddings werden verwendet, um Texte in Vektoren umzuwandeln – zum Beispiel für Suche, Wissenszugriff oder semantische Verarbeitung.

Dabei wird der eingegebene Text verarbeitet. Die Abrechnung erfolgt deshalb auf Basis der Input-Tokens.

Beispiel

Anwendungsfall	Abgerechnete Bestandteile
Text für Suche oder Wissenszugriff vektorisieren	Input-Tokens

Weitere Details

Die vollständige und aktuelle Übersicht zu Modalitäten, Modellen und Credit-Werten finden Sie im Google Sheet mit der Credit-Übersicht.

Den Credit-Verbrauch Ihrer Organisation können Sie im Analytics Dashboard einsehen.