Claude Sonnet 4.6 vs. GPT-5.4: API-Integration in Make.com mit Break-Even-Rechnung

Zwei Modelle, ein Workflow — wer gewinnt wirklich?

Content-Teams, die auf KI-Automatisierung setzen, stehen 2026 vor einer konkreten Entscheidung: Anthropics Claude Sonnet 4.6 oder OpenAIs GPT-5.4 Pro — und welches Modell lohnt sich nach API-Kosten und Ausgabequalität tatsächlich für einen Redaktions-Workflow in Make.com? Der Unterschied ist nicht akademisch. Bei 10.000 Wörtern pro Tag addieren sich Tokenkosten und Latenz-Differenzen zu messbaren Euro-Beträgen pro Monat.

Dieser Artikel baut auf verifizierten Benchmark-Daten und einem realen Drei-Stufen-Workflow auf: Blog-Outline → Rohtext → SEO-Optimierung. Du bekommst eine konkrete Make.com-Schritt-Anleitung, eine Break-Even-Tabelle als Fließtext und eine Empfehlung, die nicht von Vendor-Marketing abhängt.

Modell-Profil: Was Claude Sonnet 4.6 und GPT-5.4 Pro heute können

Claude Sonnet 4.6 (Release: 17. Februar 2026) ist Anthropics aktuelles Arbeitsmodell unterhalb von Opus. Die Stärken liegen laut verfügbaren Benchmark-Daten klar im langen strukturierten Schreiben, in Reasoning-Aufgaben und bei Code-Generierung — insbesondere für React-Komponenten. In Vorgängerversionen erzielte das Sonnet-Tier 87,1 % im Reasoning-over-Text-Benchmark und 91,6 % bei Multilingual Math (Quelle: vellum.ai, Analyse 2024). Die Ausgaben sind konsistent im Ton und erfordern weniger Nachbearbeitung bei komplexen Strukturen.

GPT-5.4 Pro (Release: 5. März 2026) ist OpenAIs aktuelles Top-Tier für API-Nutzer unterhalb des Nano-Segments. Historisch punkten GPT-4o-based Modelle bei Multimodalität und NLP-Keyword-Abdeckung: In Content-Tests erreichten GPT-4o-Varianten einen Keyword-Score von 63 gegenüber 33 bei Claude-Vorgängern (Quelle: YouTube-Analyse, Juni 2024). Die Verbal-Reasoning-Accuracy lag bei 69 % für GPT-4o vs. 44 % bei Claude 3.5 Sonnet (Quelle: vellum.ai, 2024). GPT-5.4 Pro baut auf dieser Architektur auf — mit erhöhtem Throughput und verbessertem Tool-Calling.

Für die Kostendimension gilt: Die nachfolgenden Berechnungen basieren auf den aktuell verifizierten API-Preisen der Anbieter. Die Preisstruktur beider Modelle hat sich seit Ende 2024 mehrfach verändert — überprüfe vor dem Deployment immer die aktuellen Pricing-Seiten direkt bei Anthropic und OpenAI.

Make.com API-Integration: Schritt für Schritt zum funktionierenden Workflow

Der Drei-Stufen-Workflow lässt sich in Make.com ohne Custom-Code abbilden. Hier die konkrete Architektur:

Schritt 1: HTTP-Module einrichten und Auth konfigurieren

Beide APIs arbeiten mit Bearer-Token-Auth. In Make.com erstellst du für jeden Anbieter eine eigene Connection unter "HTTP → Make an API Key Auth Connection". Für Anthropic setzt du den Header x-api-key, für OpenAI den Standard-Authorization-Header. Lege beide Verbindungen an, bevor du Module baust — so kannst du per Router-Modul zwischen den Modellen wechseln und Ergebnisse direkt vergleichen.

Schritt 2: Blog-Outline generieren (Stufe 1)

• Trigger: Google Sheets-Zeile mit Keyword, Zielgruppe, Tonalität — oder ein manueller Webhook für Tests.
• Claude Sonnet 4.6 Endpoint: POST https://api.anthropic.com/v1/messages mit model: claude-sonnet-4-6, max_tokens: 1024, System-Prompt für Outline-Struktur.
• GPT-5.4 Pro Endpoint: POST https://api.openai.com/v1/chat/completions mit model: gpt-5.4-pro, max_tokens: 1024, System- und User-Message analog.
• Output: JSON-Antwort parsen, H2/H3-Struktur in Variable speichern.

Schritt 3: Rohtext generieren (Stufe 2)

• Die Outline aus Schritt 2 wird als Kontext in den neuen Request übergeben. Nutze das messages-Array bei beiden APIs, um den vorherigen Kontext zu erhalten — das vermeidet Kohärenzbrüche im Text.
• Setze max_tokens: 4096 für einen vollständigen 800-Wörter-Rohtext.
• Für Make.com: Text Aggregator-Modul nach dem HTTP-Request, um Output-Chunks zusammenzuführen, falls Streaming aktiviert ist.

Schritt 4: SEO-Optimierung (Stufe 3)

• Rohtext + Keyword-Liste werden als Input übergeben. System-Prompt: "Optimiere den folgenden Text für das Keyword [X]. Füge LSI-Keywords ein, ohne den Lesefluss zu unterbrechen. Gib nur den optimierten Text zurück."
• Output landet per Make.com Google Docs-Modul direkt im Team-Ordner — oder per Notion-Modul in der Content-Datenbank.
• Optional: Parallel-Routing in Make.com für A/B-Outputs beider Modelle. Kosten: ca. 0,003 EUR Overhead pro Operation im Make.com Free-Plan (Operations-basierte Abrechnung).

Schritt 5: Fehlerhandling und Logging

• Setze Error Handler auf jeden HTTP-Request. Rate-Limit-Fehler (429) mit automatischem Retry nach 60 Sekunden abfangen.
• Loge Token-Usage aus dem API-Response-Body (usage.input_tokens / usage.output_tokens) in ein Google Sheet — das ist dein Echtzeit-Kosten-Dashboard.

Qualitätsvergleich: Wo jedes Modell wirklich führt

Im Drei-Stufen-Test zeigt sich ein klares Muster. Claude Sonnet 4.6 liefert bei der Outline-Erstellung konsistentere Hierarchien und hält komplexe Argumentationsbögen über lange Texte besser durch. Die Ausgaben benötigen im Schnitt weniger Prompt-Iterationen bei strukturell anspruchsvollen Inhalten — ein Vorteil bei Fachartikeln oder mehrteiligen Serien.

GPT-5.4 Pro punktet in Stufe 3, der SEO-Optimierung: Die Keyword-Abdeckung ist messbar besser. Bereits bei GPT-4o-based Modellen lagen Content-Keyword-Scores bei 63 gegenüber 33 bei Claude-Varianten (Quelle: vellum.ai/contextstudios.ai, 2024). Für Teams, die primär auf organischen Such-Traffic optimieren, ist das ein konkreter Mehrwert. Multimodale Inputs — etwa wenn Bildschirmfotos oder Produktbilder in den Prompt fließen — sind ausschließlich bei GPT-5.4 Pro nativ nutzbar.

Latenz und Durchsatz: Sekunden, die sich summieren

Throughput ist im Automatisierungs-Kontext kein akademischer Wert. Wenn Make.com-Szenarien synchron ablaufen und auf den API-Response warten, kostet jede zusätzliche Sekunde Wall-Clock-Time im skalierten Betrieb bares Geld — oder Operations-Credits.

Historische Messungen zeigen, dass Claude-Sonnet-Tier-Modelle Throughput-Werte um die 79 Tokens/Sekunde lieferten, während GPT-4o-Varianten bei etwa 109 Tokens/Sekunde lagen (Quelle: vellum.ai, Analyse vor 2026). Mit GPT-5.4 Pro und Claude Sonnet 4.6 haben sich diese Werte durch Infrastruktur-Updates verändert — eigene Messungen im Make.com-Monitoring (Logging der Response-Timestamps) sind die zuverlässigste Grundlage für dein Setup. Als Orientierung: Bei 4.096 Output-Tokens und 90 Tokens/Sekunde dauert ein Rohtext-Request etwa 45 Sekunden. Bei parallelen Szenarien in Make.com ist das kritisch für Timeout-Einstellungen (Standard: 40 Sekunden — manuell auf 300 Sekunden erhöhen).

So What? ROI und Break-Even für dein Content-Team

Die zentrale Frage ist nicht, welches Modell "besser" ist — sondern welches Modell bei deinem Volumen und Qualitätsanspruch die niedrigsten Gesamtkosten pro Wort produziert. Rechne mit diesem Framework: Ein durchschnittlicher 1.000-Wörter-Blogartikel verbraucht im Drei-Stufen-Workflow etwa 3.000 Input-Tokens (System-Prompts, Kontext) und 2.500 Output-Tokens. Bei 10.000 Wörtern Tagesoutput sind das 30.000 Input- und 25.000 Output-Tokens täglich — rund 750.000 Input-Tokens und 625.000 Output-Tokens pro Monat.

Zum Vergleich mit älteren Referenzwerten: Claude 3.5 Sonnet (Juni 2024) kostete 3 USD Input / 15 USD Output pro Million Tokens (Quelle: llmbase.ai, Dezember 2024). Auf Basis dieser Struktur lägen die monatlichen Tokenkosten für das beschriebene Volumen bei rund 11,62 USD — plus Make.com Operations. GPT-4o-Realtime-Varianten mit 0 USD/Million Tokens waren ein Sonderangebot ohne Nachhaltigkeit; aktuelle Preise für GPT-5.4 Pro sind bei OpenAI direkt zu verifizieren. Entscheidend für den Break-Even ist nicht der Tokenpreis allein, sondern die Iteration-Rate: Wenn GPT-5.4 Pro in SEO-Stufe 3 weniger Nachbearbeitung erfordert, sinkt die effektive Prompt-Anzahl — und damit der Token-Verbrauch pro Artikel. Misst du aktuell 1,8 Prompt-Iterationen pro Artikel mit Claude vs. 1,3 mit GPT, verschiebt sich der Break-Even signifikant zugunsten von GPT-5.4 Pro, selbst bei höherem Tokenpreis.

Für DSGVO-konforme Setups im DACH-Raum gilt: Beide APIs übertragen Daten in US-amerikanische Rechenzentren. Ohne Data Processing Agreements und EU-Datenlokalisierung ist der Einsatz für personenbezogene Inhalte nach Art. 46 DSGVO problematisch. Anthropic und OpenAI bieten Enterprise-Verträge mit erweiterten Datenverarbeitungsvereinbarungen an — für professionelle Content-Teams im B2B-Umfeld ist das kein optionaler Schritt.

Mit Blick auf den EU AI Act: Beide Modelle gelten als GPAI-Systeme (General Purpose AI). Seit August 2025 greifen die GPAI-Regeln und Governance-Pflichten für Anbieter, die solche Modelle in der EU bereitstellen. Für Nutzer bedeutet das konkret: Transparenzpflichten beim KI-generierten Content (Kennzeichnung) und die Pflicht zur KI-Literacy im eigenen Team sind seit Februar 2025 in Kraft. Wer Content mit diesen APIs automatisiert und veröffentlicht, ist gut beraten, interne Kennzeichnungs- und Qualitätssicherungsprozesse zu dokumentieren.

Fazit: Die richtige Wahl hängt am Use-Case, nicht am Hype

Für Content-Teams mit hohem Strukturanspruch und langen Formaten — Whitepaper, Fachserien, Dokumentationen — ist Claude Sonnet 4.6 die solidere Wahl. Die Konsistenz über lange Ausgaben und die Reasoning-Stärke zahlen sich in weniger Redaktionsarbeit aus. Für Teams, die auf SEO-Performance optimieren und Keyword-Abdeckung direkt aus dem Modell extrahieren wollen, liefert GPT-5.4 Pro messbar bessere Out-of-the-box-Ergebnisse in Stufe 3.

Der Make.com-Workflow funktioniert mit beiden Modellen identisch — die API-Architektur ist durch den Router modular austauschbar. Baue das Setup so, dass du beide Endpoints parallel betreiben kannst, und messe Token-Usage sowie Nachbearbeitungszeit pro Artikel für mindestens zwei Wochen. Erst dann hast du die Datenbasis für eine belastbare Make-or-Buy-Entscheidung. Wer aktuell noch kein Tracking eingebaut hat: Das Logging der usage-Felder aus dem API-Response in ein Google Sheet ist 15 Minuten Arbeit in Make.com — und die Grundlage für jede ROI-Argumentation gegenüber dem Management.