PromptQL-Preise: Was es 2026 wirklich kostet

Was PromptQL eigentlich ist (damit die Preise Sinn ergeben)

Vor den Zahlen noch eine kurze Einordnung, denn die Preise von PromptQL ergeben erst Sinn, wenn klar ist, was man da eigentlich kauft.

PromptQL ist kein Chatbot und kein Helpdesk. Es ist ein Multiplayer-KI-Agent für Unternehmensdaten von Hasura, dem Unternehmen hinter der Open-Source-GraphQL-Engine. Hasura nennt es den "geistigen Nachfolger von GraphQL für das KI-Zeitalter": Wo das alte Produkt automatisch APIs generierte, damit Entwickler Apps bauen konnten, erzeugt PromptQL Abfragepläne im laufenden Betrieb, damit eine Person eine Frage in normaler Sprache stellen und eine verlässliche Antwort aus Slack, Dokumenten, CRM und Warehouse-Tabellen erhalten kann.

Der gesamte Pitch dreht sich um Zuverlässigkeit. Gründer Tanmai Gopal bringt das Problem unverblümt auf den Punkt:

"Das größte Problem ist nicht, eine Frage nicht genau beantworten zu können. Das große Problem ist, dass KI vorgibt, genau zu sein, selbst wenn sie es nicht ist. Die KI ist also überzeugt falsch. Das ist das Problem."

Tanmai Gopal, VentureBeat-Interview

Diese Sichtweise ist wichtig für die Rechnung, denn PromptQL berechnet Rechenleistung (die Arbeit, eine Abfrage zuverlässig zu planen und auszuführen), nicht benannte Funktionen oder Sitzplätze. Es ging im Juni 2025 in die Beta, und Ende 2025 wurde Hasura als Unternehmen mit einer Bewertung von über einer Milliarde Dollar beschrieben, mit namhaften Kunden wie Cisco, McDonald's, Instacart und Swiggy. Das ist also ein Enterprise-Datentool mit Enterprise-Ambitionen, und die Preise spiegeln das wider.

PromptQL-Preise auf einen Blick

Es gibt effektiv zwei Stufen: einen selbstbedienten Pay-as-you-go-Plan Starter und einen Enterprise-Plan, für den man den Vertrieb kontaktieren muss und der keine öffentlichen Zahlen hat. Doch vor der Tabelle hier das gesamte Preismodell in einem Bild, denn der Listenpreis ist nur einer von drei Faktoren, die bestimmen, was Sie zahlen.

Die Überschrift auf der Preisseite lautet „0,20 $ → 0,14 $ pro OLU". Die 0,14 $ sind der Einführungspreis zum Selbstkostenpreis, den PromptQL laut eigener Aussage für eine begrenzte Zeit als 1-fachen der zugrunde liegenden Token-Kosten ohne Aufschlag angibt; 0,20 $ ist der Standardpreis, etwa das 1,4-Fache der Token-Kosten. Beide sind Komplettpreise: Der Preis pro OLU deckt Modell-Tokens plus Infrastruktur, Sandbox-Hosting und Orchestrierung ab. Keine separate Plattformgebühr, keine Sitzplatzlizenz.

Das ist für eine Preisseite wirklich sauber. Der Haken ist die Einheit selbst.

Was zum Teufel ist eine OLU?

Eine OLU (Operational Language Unit) ist eine normalisierte Einheit von Tokens. PromptQL fasst die verschiedenen Token-Typen (Input, Output, zwischengespeichert, Cache-Erstellung) und die verschiedenen Modelle (Opus, GPT, GLM und so weiter) in einer einheitlichen Größe zusammen, damit sich die Form Ihrer Rechnung nicht bei jedem Modellwechsel ändert. Komplexere Aufgaben verbrauchen mehr OLUs, und Sie können den genauen Verbrauch pro Thread und pro Schritt in einem Nutzungs-Dashboard einsehen.

So sieht das in der Praxis aus. Stellen Sie PromptQL eine echte Frage, und es zeigt seine Arbeit: einen Abfrageplan, dann den tatsächlich ausgeführten Code, dann die Antwort. Jeder dieser Schritte verbraucht OLUs.

Ich mag es sehr, wie ehrlich das ist (man kann genau sehen, wofür man bezahlt hat), aber ich habe auch eine Voreingenommenheit, die ich vorab zugeben sollte: Ich schreibe seit ein paar Jahren darüber, wie sich KI-Tools bepreisen und wonach Käufer tatsächlich suchen, und „erfundene Abrechnungseinheit" ist ein Ausdruck, bei dem ich zusammenzucke. Es ist das mit Abstand am schwersten zu prognostizierende Element jeder KI-Rechnung, denn man kennt seinen OLU-Verbrauch erst, wenn man seine echte Arbeitslast auf seinem echten Modell ausgeführt hat. Die typischen Kostenbeispiele helfen, aber sie sind Beispiele, kein Angebot.

Apropos.

Typische Abfragekosten

PromptQLs eigenes FAQ gibt repräsentative Zahlen zum Einführungspreis von 0,14 $ an:

Ein Datenanalyst, der ein Dutzend komplexer Berichte am Tag erstellt, landet also bei etwa 17 $ am Tag bzw. rund 370 $ im Monat zum Einführungspreis, auf einem Frontier-Modell. Das ist die ehrliche Hausnummer. Aber wechselt man das Modell, kann diese Zahl in den Keller fallen, und damit kommen wir zur eigentlichen Geschichte.

Der Modell-Multiplikator ist der eigentliche Preishebel

Das ist der Teil, den ich mir auf die Preisseite tätowieren würde, wenn ich könnte. Der Preis pro OLU ist fest, aber das gewählte Modell bestimmt, wie viele OLUs eine Aufgabe verbraucht. PromptQL verankert seine Multiplikatortabelle an Claude Opus 4.6 = 1,0x und misst alles andere daran. Ein niedrigerer Multiplikator bedeutet, dass das Modell dieselbe Arbeit mit weniger OLUs erledigt, also günstiger ist.

Die Spanne ist enorm:

Liest man das von oben nach unten, kippt das ganze Preisgespräch. Diese Tiefenrecherche für 5,60 $ auf Opus? Auf DeepSeek V4 Flash mit 0,018x kostet dieselbe Arbeit etwa einen Groschen. Auf GPT-5.5 Pro liegt sie eher bei 75 $. PromptQL stellt die Open-Weight-Modelle über Fireworks bereit und lässt Sie das Modell pro Thread oder mitten im Thread wechseln. Der praktische Rat lautet also: Prototyping und Routinearbeit auf einem günstigen Open-Weight-Modell erledigen und erst bei einer Aufgabe, die wirklich anspruchsvolles Denken braucht, zu einem Frontier-Modell greifen.

Der Grund, warum PromptQL bei schwierigen Datenfragen mit einem günstigen Modell auskommt, liegt an der Architektur, und das ist einen eigenen Abschnitt wert.

Warum die Architektur beeinflusst, was Sie zahlen

Die meisten „KI auf Ihren Daten"-Tools verdrahten ein LLM direkt mit einer Datenbank und hoffen das Beste. Die zentrale Designidee von PromptQL ist es, Abfrageplanung von der Ausführung zu entkoppeln. Das LLM schreibt einen detaillierten mehrstufigen Plan (das, worin LLMs gut sind), und dieser Plan läuft dann als echter, deterministischer Code außerhalb des Modells, nicht im Kontextfenster.

Gopal bringt es so auf den Punkt:

"Statt Antworten zu generieren, erzeugen wir Pläne in einer domänenspezifischen Sprache, die auf Ihr Unternehmen zugeschnitten ist. Diese Pläne werden zu deterministischen Aktionen mit Laufzeitvalidierungen und Richtlinienprüfungen kompiliert."

Tanmai Gopal, VentureBeat-Interview

Warum ist das für die Preise wichtig? Weil es bedeutet, dass oft ein günstigeres Modell die Aufgabe erledigen kann. Wenn das Modell nur planen muss, statt sich im Kontext durch tausende Zeilen zu quälen, plant ein schlankes Open-Weight-Modell fast so gut wie ein Frontier-Modell, und Sie streichen die Differenz beim Multiplikator ein. Hasura stützt sich auf den Berkeley Data Agent Benchmark, bei dem selbst Frontier-Modelle bei realen Datenfragen nur 43 % (Opus-4.6), 38 % (Gemini-3-Pro) und 25 % (GPT-5.2) erreichen, während einfache Datenbankabfragegenerierung auf "nahe 0 %" kommt. Die Aufteilung in Planung und Ausführung schließt diese Lücke, und dafür zahlen Sie tatsächlich den Aufschlag.

Schätzen Sie Ihre eigene PromptQL-Rechnung

Weil der Modell-Multiplikator einen so großen Teil der Arbeit übernimmt, kann eine statische Tabelle Ihnen Ihre Zahl nicht nennen. Deshalb hier ein Rechner: Geben Sie Ihre Nutzung ein, wählen Sie ein Modell, und sehen Sie die monatlichen Kosten sowohl zum Einführungs- als auch zum Standardpreis.

Spielen Sie mit dem Modell-Dropdown und beobachten Sie, wie sich die Zahl bewegt. Vierhundert komplexe Berichte im Monat kosten auf Opus zum Einführungspreis etwa 56 $, und auf DeepSeek etwa 1 $. Das ist kein Rundungsunterschied, das ist die gesamte Preisentscheidung.

Die kostenlose Stufe und das Guthaben

Sie können ohne Kreditkarte starten. PromptQL gibt Ihnen 50 $ kostenloses Guthaben, wenn Sie Ihr erstes Projekt anlegen, plus 20 $ zusätzlich für jeden Mitarbeitenden, der seinem ersten Projekt beitritt. Guthaben wird auf Projektebene verwaltet, sodass ein Team, das mehrere Projekte startet, einen ordentlichen Vorlauf ansammelt.

Bei einem schlanken Open-Weight-Modell reichen die 50 $ laut PromptQL für "tausende einfache Aufgaben", bevor Sie auch nur einen Cent zahlen. Ist das Guthaben aufgebraucht, hinterlegen Sie eine Zahlungsmethode und wechseln zur Prepaid-Abrechnung: Sie laden ein Guthaben auf, die Arbeit pausiert automatisch bei null, und nutzerbezogene Kontingente sowie Ausgabenwarnungen verhindern, dass ein außer Kontrolle geratener Thread Sie überrascht. Keine Mindestlaufzeiten, keine Jahresbindung beim Starter-Plan.

Die Enterprise-Stufe

Alles oben Genannte betrifft die Self-Service-Variante. Der Enterprise-Plan ist nur auf Anfrage erhältlich, ohne öffentliche Zahlen, und bringt die Dinge mit, die ein regulierter Käufer braucht: erweiterte Sicherheit und feingranulare Berechtigungen, Audit-Trails für den Datenzugriff (welche Daten in welchem Thread von welchem Nutzer verwendet wurden), eine dedizierte VPC oder Bring-your-own-Cloud, privates Networking und VPC-Peering, Single Sign-on, eigene LLMs mitbringen und Support durch Forward-deployed Engineers.

Wenn Sie ein Unternehmen mit Beschaffungsprozess sind, landen Sie bei dieser Stufe, und die Rechnung pro OLU wird zu einer Zeile in einem ausgehandelten Vertrag. Hier setzt auch häufig Hasuras KI-Engineering-Praxis für 900 $ die Stunde an, planen Sie also zusätzlich zum Verbrauch Budget für Dienstleistungen ein, wenn Sie den Enterprise-Weg gehen.

Sind die Preise von PromptQL gut?

Für das, was es ist (eine Zuverlässigkeitsebene für KI auf Unternehmensdaten), sind die Preise fair und ungewöhnlich transparent. Keine Sitzplätze, keine Plattformgebühr, Einführungspreis zum Selbstkostenpreis und ein Dashboard, das genau zeigt, was jeder Thread verbraucht hat. Das ist mir lieber als eine Plattform-Mindestgebühr von 50.000 $ hinter einer „Kontaktieren Sie uns"-Wand.

Mein einziger echter Kritikpunkt ist die OLU. Es ist eine gut durchdachte erfundene Einheit, aber eben doch eine erfundene Einheit, und erfundene Einheiten sind das, was Käufer meiner Beobachtung nach immer wieder stolpern lässt. Man kann eine OLU-Rechnung nicht anhand einer Preisseite prognostizieren, sondern erst, nachdem man die eigene Arbeitslast ausgeführt hat. PromptQL federt das mit typischen Kostenbeispielen, Ausgabenobergrenzen und Auto-Pause ab, und das hilft wirklich. Aber „Wie viel wird uns das nächstes Quartal kosten?" ist hier eine schwierigere Frage, als die saubere Zahl 0,14 $ vermuten lässt, denn die ehrliche Antwort lautet: „Das hängt vollständig von Ihrem Modell-Mix und der Komplexität Ihrer Abfragen ab."

Das ist keine Besonderheit von PromptQL. Es ist der Preis, den man für nutzungsbasierte Abrechnung auf einer intransparenten Einheit zahlt. Ein guter Übergang dazu, wie ich es sehen würde, wenn Sie aus der Support-Tooling-Welt hierhergekommen sind.

PromptQL im Vergleich zu einer Support-KI wie eesel

Kurzer Realitätscheck, denn ein Teil der Leute, die nach „PromptQL Preise" suchen, vergleicht eigentlich KI-Tools im Allgemeinen, nicht speziell Agenten für Datenanalysten.

PromptQL und eesel AI stehen eigentlich nicht in Konkurrenz. PromptQL ist ein Datenzugriffsagent für Analysten und Enterprise-Datenteams; eesel ist ein KI-Teammitglied für die Support-Warteschlange und Inhalte, das sich in Zendesk, Freshdesk, Slack und Ihr Help Center einbindet. Wenn Ihr eigentlicher Job das Abwehren von Tickets oder das Entwerfen von Antworten ist, ist PromptQL das falsche Werkzeug.

Aber die Preislektion überträgt sich durchaus, und deshalb habe ich den Rechner oben gebaut. Als ich mitgeholfen habe, die Preisgestaltung von eesel zu formen, war die eine Regel, die jedes Experiment überstanden hat: In einer Einheit bepreisen, in der der Kunde ohnehin schon denkt. Wir haben erfundene Einheiten ausprobiert. „Credit" hat Leute gezwungen, nachzurechnen („Moment, was war ein Credit noch mal wert?"), und das hat die Akzeptanz still und leise abgewürgt. Deshalb bepreist eesel pro Ticket, rund 40 Cent pro gelöstem Ticket, ohne Sitzplatzgebühren, weil ein Support-Manager ohnehin schon in Ticketzahlen denkt und lebt. Sie können die nächste eesel-Rechnung im Kopf aus dem Ticketvolumen dieses Monats hochrechnen. Das ist der ganze Sinn der Sache.

Wenn Sie also PromptQL evaluieren, lautet mein Rat: Führen Sie eine Woche lang Ihre echte Arbeitslast auf Ihrem echten Modell aus, bevor Sie hochrechnen, denn die OLU macht Überschlagsrechnungen unzuverlässig. Und wenn Sie aus der Support-Welt kommen und eine KI pro Ticket suchen, die Sie tatsächlich budgetieren können: eesel ist kostenlos zum Ausprobieren und wird pro Ticket bepreist, nicht pro Token.

eesel ausprobieren

Wenn Ihr Problem die Support-Warteschlange ist und nicht das Data Warehouse, ist eesel AI das passende Werkzeug dafür. Es bindet sich in wenigen Minuten in Ihren bestehenden Helpdesk ein, lernt aus Ihren vergangenen Tickets und Ihrem Help Center und beginnt schon am ersten Tag, Antworten zu entwerfen und Tickets zu lösen, bepreist pro Ticket, sodass die Rechnung an etwas gekoppelt ist, das Sie ohnehin schon messen. Sie können es kostenlos ausprobieren und anhand Ihrer historischen Tickets simulieren, bevor es je einen echten Kunden berührt – das kommt einer Prognose in dieser Kategorie am nächsten.