OpenClaw wird teuer — warum der Agent Tokens verbrennt und wie man spart

OpenClaw — ein autonomer Agent mit mehrstufiger Architektur. Anders als einfache Assistenten, bei denen ein einziger Prompt an das Modell geht und eine Antwort zurückkommt, baut OpenClaw eine Kette aus mehreren Rollen und mehreren Iterationen auf. Jedes Glied der Kette verbraucht Tokens, und der Gesamtverbrauch für eine einzige Nutzeraufgabe übersteigt den Verbrauch eines Chat-Assistenten um ein Vielfaches.

Typischer OpenClaw-Workflow bei der Aufgabe „Modul X schreiben“:

1. Planer liest die Task Description und den gesamten Projektkontext (~30K Input + 2K Output)
2. Dekomponierer zerlegt den Plan in Teilaufgaben (~20K Input + 1K Output)
3. Ausführender für jede Teilaufgabe: liest Dateien, generiert Code, wendet Patches an (5—15 Iterationen × ~50K Input + 3K Output)
4. Kritiker prüft die Ergebnisse und schlägt Korrekturen vor (~40K Input + 2K Output)
5. Korrektor wendet die Korrekturen an (5—10 Iterationen × ~30K Input + 2K Output)
6. Abschlussprüfung und Erstellung des Berichts (~30K Input + 1.5K Output)

Rechnen Sie alles zusammen — für eine durchschnittliche Aufgabe verbraucht OpenClaw 800K—1.5M Input-Tokens und 50—120K Output-Tokens. Bei komplexen Aufgaben mit langen autonomen Iterationen steigt der Verbrauch auf 5—15M Input + 200—500K Output.

Konkrete Zahlen für bestimmte Aufgabentypen:

• Einfaches Feature (eine Funktion mit Test): ~600K Total Tokens ≈ $3 bei Anthropic
• Mittleres Feature (neues Modul mit 200 Zeilen): ~3M Total Tokens ≈ $12
• Komplexes Feature (Refactoring + neue Funktionalität): ~10M Total Tokens ≈ $35
• Lange autonome Aufgabe (stundenlanger Lauf mit Kritiker und Iterationen): 30—50M Total Tokens ≈ $100—170
• Ein kompletter Agententag mit mehreren Aufgaben in OpenClaw: 100—200M Total Tokens ≈ $350—700

Der Hauptunterschied zu Cline oder Cursor — OpenClaw macht bei jedem Schritt 3—5 Rollenaufrufe, während Cline einen macht. Das ist kein Bug — das ist ein Feature, das die Qualität der Entscheidungsfindung erhöht und die Fehleranzahl senkt. Doch finanziell macht es OpenClaw zum teuersten agentic-Tool auf dem Markt, wenn man Anthropic oder OpenAI direkt nutzt.

Vergleich der Verbrauchsrate mit anderen Tools bei derselben Aufgabe:

• Cursor Agent: ~5K—50K Tokens pro Aufgabe
• Cline: ~500K—5M Tokens pro Aufgabe
• Claude Code: ~200K—3M Tokens pro Aufgabe
• OpenClaw: ~3M—50M Tokens pro Aufgabe (×5—10 gegenüber Cline)

OpenClaw unterstützt alle OpenAI-kompatiblen Anbieter über Umgebungsvariablen und eine config-Datei. Das bedeutet, dass der Wechsel vom Anthropic API zum JoinGonka Gateway keine einzige Codezeile in OpenClaw erfordert — nur das Ändern des Endpoints und des API-Keys.

Vergleich nach Aufgabentypen:

Die mehrstufige Architektur von OpenClaw, die es bei Anthropic so teuer macht, verwandelt sich bei JoinGonka in einen Vorteil: Mehr Rollenaufrufe = höhere Entscheidungsgenauigkeit, und das kostet jetzt fast nichts. Man kann alle Kritiker und Prüfer einschalten, autonome Aufgaben über Nacht laufen lassen, mit langen Ketten experimentieren — ohne die Angst, am Morgen eine vierstellige Rechnung zu sehen.

JoinGonka Gateway berechnet Input und Output — Bruchteile eines Cents pro Million Token (Output ist teurer als Input). Bei Anthropic kostet Input $3, Output — $15: Selbst der Output von JoinGonka ist hunderte Male günstiger, was besonders vorteilhaft für OpenClaw ist, da es bei den Rollenwechseln viele Output-Token generiert.

Was unter der Haube steckt — offene MoE-Modelle des Netzwerks: MiniMax M2.7 (Standardmodell in der Konfiguration unten), DeepSeek V4 Flash und GLM-5.3 Flash. Für rollenbasierte Aufgaben (Planung, Ausführung, Kritik) sind structured output und tool calling wesentlich — alle drei Modelle unterstützen das native Aufrufen von Tools. Beim Benchmark SWE-bench Verified, der die Qualität autonomer Entwicklung misst, liegt DeepSeek V4 Flash dicht an den geschlossenen Flaggschiffen. Mehr dazu im Artikel über die besten Modelle für Code. Der allgemeine Marktzusammenhang findet sich im Überblick über das günstigste AI API in 2026.

Am einfachsten geht es mit dem Ein-Zeilen-Installer: Er trägt den JoinGonka-Anbieter selbst in ~/.openclaw/openclaw.json ein – mit korrekter baseUrl und den richtigen Modellen – und legt vorher ein Backup der aktuellen Konfiguration an:

npx @joingonka/setup --tool openclaw

Das ist der universelle JoinGonka-Installer – ohne das Flag npx @joingonka/setup lässt er dich ein Tool aus einer Liste auswählen (aktuell 25: Claude Code, Codex CLI, OpenClaw, Cline und weitere – vollständige Liste), fragt nach dem API-Key (jg-…) und ergänzt ausschließlich den JoinGonka-Anbieter, ohne andere Einstellungen anzutasten. Als Hauptmodell wird DeepSeek V4 Flash gesetzt, als Ausweichmodelle GLM-5.3 Flash und MiniMax M2.7: Ist ein Modell ausgelastet, wechselt der Agent zum nächsten, statt anzuhalten. Unten findest du den manuellen Weg, falls du lieber selbst konfigurierst.

{
  "models": {
    "providers": {
      "gonka": {
        "baseUrl": "https://gate.joingonka.ai/v1",
        "api": "openai-completions",
        "apiKey": "jg-your-key",
        "models": [
          { "id": "deepseek-ai/DeepSeek-V4-Flash-0731", "name": "DeepSeek V4 Flash", "contextWindow": 380000, "maxTokens": 32768 },
          { "id": "zai-org/GLM-5.3-Flash", "name": "GLM-5.3 Flash", "contextWindow": 390000, "maxTokens": 8192 },
          { "id": "MiniMaxAI/MiniMax-M2.7", "name": "MiniMax M2.7", "contextWindow": 200000, "maxTokens": 8192 }
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary": "gonka/deepseek-ai/DeepSeek-V4-Flash-0731",
        "fallbacks": ["gonka/zai-org/GLM-5.3-Flash", "gonka/MiniMaxAI/MiniMax-M2.7"]
      }
    }
  }
}

Vergleichen wir drei typische Nutzungsprofile von OpenClaw in der Produktion.

Profil 1: „Experiment mit Agenten“. Ein Entwickler führt OpenClaw 5—10 Mal pro Woche aus, hauptsächlich für mittelgroße Aufgaben zur Qualitätsbewertung. Monatlicher Verbrauch — ~50M total tokens.

• Anthropic: 50M × $0.005 ≈ $250/Monat
• JoinGonka: 50M × $0.0099 = $0.50/Monat. Ersparnis — um das ~500-fache.

Profil 2: „Regelmäßige Nutzung als Teil des Workflows“. OpenClaw wird täglich bei komplexen Aufgaben eingesetzt, manchmal bleibt es für lange autonome Sitzungen aktiv. Monatlicher Verbrauch — ~500M total tokens.

• Anthropic: 500M × $0.005 ≈ $2500/Monat
• JoinGonka: 500M × $0.0099 = $4.95/Monat. Ersparnis — um das ~500-fache.

Profil 3: „Production-Pipeline mit OpenClaw“. Ein Team hat einen Teil seiner Arbeitsabläufe über OpenClaw automatisiert — Berichtserstellung, Refactoring von altem Code, Code Review. Verbrauch — ~3B total tokens pro Monat.

• Anthropic: 3B × $0.005 = $15000/Monat
• JoinGonka: 3B × $0.0099 = $29.7/Monat. Ersparnis — um das ~500-fache.

Auf dem Level von Profil 3 ist der Effekt besonders interessant — OpenClaw wandelt sich von „zu teuer für regelmäßige Automatisierung“ zu „so günstig, dass man alles automatisieren kann, was möglich ist“. Dies verändert die Ökonomie der Entscheidungsfindung: Eine Aufgabe, die vorher als zu teuer für einen Agenten galt, kann jetzt ohne Zögern delegiert werden.

Auf Jahresbasis spart ein aktiver Nutzer etwa $30000, ein Team $180000. Das ist nicht mehr nur eine Budgetoptimierung, es ist eine qualitative Veränderung in der Art und Weise, wie ein Team agentic AI nutzt: kostenlos anstatt „nach Budget“.

Dabei bleibt OpenClaw als Werkzeug unverändert: dieselben Rollen-Pipelines, dieselbe hochwertige Dekomposition, dieselbe Kontrolle durch Kritiker. Nur die Quelle des inference ändert sich — und damit die Ökonomie des gesamten Workflows.

Strategie zur Modellmischung in OpenClaw. OpenClaw unterstützt verschiedene Modelle für unterschiedliche Rollen in der Pipeline. Über den JoinGonka Gateway können Sie MiniMax M2.7 für alle Schritte (universelles Modell) zuweisen oder es mit GLM-5.3 Flash für Kritiker und Endprüfungen kombinieren — das reasoning-Modell denkt vor der Antwort nach, was besonders bei der Bewertung von mehrstufigen Ergebnissen nützlich ist —, während Sie für große Prompts ohne Reasoning DeepSeek V4 Flash (380K Kontext) einsetzen. Da alle drei Modelle mit $0.0069/1M berechnet werden, gibt es keinen finanziellen Vorteil durch die Nutzung eines „leichteren“ Modells in kostengünstigen Rollen — aber Sie können die Antwortqualität für jede Stufe der Pipeline feinabstimmen.

Production-Fall: Automatisierung von Code Reviews. Eines der realen Szenarien, das durch die JoinGonka-Ökonomie möglich wurde — automatische Code Reviews für jeden Pull Request über OpenClaw. Pipeline: „Diff lesen → jede Datei analysieren → Testabdeckung prüfen → Abschlussbericht erstellen“. Bei Anthropic würde diese Pipeline ~$5—15 pro PR kosten; bei JoinGonka — $0.007—0.017. Ein Team von 10 Entwicklern, das 50 PRs pro Tag durchführt, reduziert die Kosten von $750/Tag bei Anthropic auf $0.83/Tag bei JoinGonka — und der Code-Review-Agent wird vom Luxus zum täglichen Workflow.