Zurück zum Blog

    Agentic AI

    RAG in Azure: Welche Kostenblöcke Sie einplanen müssen

    Welche Kostenblöcke ein RAG-System in Azure verursacht und wie Sie Azure AI Search, Modelle, Verfügbarkeit und Betrieb nachvollziehbar kalkulieren.

    9. August 20263 Min. Lesezeit
    Marcel Haas

    Marcel Haas

    Solution Architect, CEO

    marcel.haas@cnext.ch
    In diesem Artikel

    Ein eigener RAG-Stack verursacht fixe und variable Kosten: Suchdienst, Replikate und Partitionen, Embeddings, Ranking, Modellaufrufe, Datenaufbereitung sowie Betrieb. Die Angaben wurden am 8. September 2026 anhand der offiziellen Dokumentation zu den Preisen von Azure AI Search, zu SKU und Kapazität, zur Verfügbarkeit und zu den Preisen von Azure OpenAI geprüft.

    Wovon der Preis abhängt

    Azure-Preise hängen unter anderem von Region, Währung, Vertrag, SKU, Partitionen, Replikaten, Modell, Deployment-Typ und Tokenmenge ab. Die offiziellen Preisseiten liefern konfigurierbare Werte und weisen darauf hin, dass tatsächliche Preise abweichen können. Eine belastbare Zahl entsteht deshalb erst aus Ihrer eigenen Konfiguration.

    Die Kostenblöcke

    BlockKostentreiber
    Azure AI SearchSKU, Anzahl Partitionen und Replikate, Laufzeit
    Ranking und agentisches Retrievalaktivierte Funktion und Nutzung gemäss aktueller Preisseite
    Embeddingsgewähltes Modell und verarbeitete Tokens
    AntwortmodellModell, Deployment-Typ, Input- und Output-Tokens
    AufbereitungOCR, Parsing, Chunking und erneute Verarbeitung
    BetriebBerechtigungen, Überwachung, Evaluation, Aktualisierung und Support

    Eine Search Unit ergibt sich aus Replikaten × Partitionen. Microsoft verlangt für das SLA zu Abfragen mindestens zwei Replikate; für das SLA zu Abfragen und Indexierungsupdates mindestens drei. Ob Sie dieses SLA brauchen, ergibt sich aus Ihren Geschäftsanforderungen.

    Zwei belastbare Kalkulationsmuster

    Kleiner interner Agent: Erfassen Sie Indexgrösse, Änderungsrate, Anfragen, Tokens pro Anfrage und gewünschte Verfügbarkeit. Kalkulieren Sie Produktion und allfällige Testumgebung getrennt. Ein Free-Tier ist ein Entwicklungsangebot und keine Produktionsbaseline.

    Grösserer Dokumentenbestand: Messen Sie die tatsächliche Indexgrösse nach Chunking und Vektorisierung. Die Dokumentzahl allein belegt keine bestimmte Anzahl Partitionen. Planen Sie Re-Indexierung, OCR, Berechtigungsfilter und Wachstum ausdrücklich ein.

    Verwenden Sie für jede Variante den Azure Pricing Calculator und halten Sie Region, Abrufdatum und Annahmen fest. Preise oder Modellverfügbarkeit aus einer anderen Region dürfen nicht ungeprüft auf Switzerland North oder West Europe übertragen werden.

    Microsoft-365-Inhalte ohne eigenen Index

    Copilot Studio kann SharePoint als Wissensquelle anbinden und Antworten im Kontext der authentifizierten Person erzeugen. Das kann eine eigene Indexierungs-Pipeline vermeiden; Lizenz-, Credit-, Konnektor- und Governance-Kosten bleiben dabei zu berücksichtigen.

    Microsoft 365 Copilot nutzt Microsoft-365-Daten gemäss den Berechtigungen der angemeldeten Person. Die Kosten dafür liegen in den erforderlichen Microsoft-365- und Copilot-Lizenzen; Umfang und Rechte regelt Ihr Vertrag.

    Bei einer eigenen RAG-Lösung mit Azure AI Search sind SharePoint-Berechtigungen eine eigene Designaufgabe: Prüfen Sie die unterstützte Datenquelle, den Stand allfälliger Preview-Funktionen und die Security-Filter-Architektur. Eine Anwendung darf nie allein darauf vertrauen, dass im Quellsystem korrekte ACLs bestehen.

    Wann ein eigener Index sinnvoll sein kann

    • Quellen ausserhalb von Microsoft 365 benötigen kontrolliertes Retrieval.
    • Ranking, Chunking, Evaluation oder Oberfläche müssen individuell steuerbar sein.
    • Mehrere Quellen sollen mit einer eigenen Berechtigungs- und Aktualitätslogik zusammengeführt werden.
    • Vertragliche oder technische Anforderungen verlangen eine explizit definierte Azure-Architektur.

    Umgekehrt kann natives Grounding bei klar abgegrenzten SharePoint-Inhalten den Betriebsaufwand reduzieren. Die Entscheidung ist nach Qualität, Berechtigungen, Residenz, Verfügbarkeit und Total Cost of Ownership zu treffen.

    Datenresidenz mitprüfen

    Bei Azure OpenAI werden Prompts und Antworten bei regionalen Standard-Deployments innerhalb der gewählten Azure-Geografie verarbeitet; Global- und Data-Zone-Deployments folgen anderen Regeln (Microsoft Data Privacy, geprüft am 8. September 2026). Modell- und Funktionsverfügbarkeit ist regionsabhängig. Eine Azure-Ressource allein garantiert deshalb weder Verarbeitung ausschliesslich in der Schweiz noch die Verfügbarkeit jedes Modells in Switzerland North.

    Fazit

    Der Suchdienst kann ein relevanter Fixkostenblock sein; wie hoch er ausfällt, hängt von SKU, Replikaten, Partitionen und Laufzeit ab. Eine prüfbare RAG-Kalkulation nennt SKU, Region, Replikate, Partitionen, Modelle, Tokens, Umgebungen und Betriebsaufwand und verlinkt die am Stichtag verwendeten Preisquellen.

    Weiterführend: Company Brain Plattformvergleich

    Agentic AIAzure AICopilot StudioSharePointSchweiz
    Teilen:

    KI-Tools können die Erstellung dieses Artikels unterstützt haben. CNEXT verantwortet den veröffentlichten Inhalt. Produktfunktionen und Preise können sich ändern; prüfen Sie dafür die verlinkten Originalquellen.

    Marcel Haas

    Marcel Haas

    Solution Architect, CEO

    6x Microsoft Applied Skills

    RAG-Kalkulation mit CNEXT erstellen

    Wir kalkulieren mit Ihnen Suchdienst, Modelle, Umgebungen und Betrieb für Ihren Anwendungsfall.