Warum meine App nicht viral ging – aber meine AWS-Rechnung um 3.100 % explodierte

Ein kostenloses Tool, das Nutzerinnen und Nutzern maßgeschneiderte Lernpfade für KI-Ressourcen erstellt, sollte eigentlich kaum Kosten verursachen. Doch statt weniger Cent belief sich die monatliche AWS-Rechnung auf stolze 31 US-Dollar – ein Anstieg um über 3.100 %. Eine detektivische Spurensuche mit KI-Assistenten und Code-Reviews brachte die wahre Ursache ans Licht. Die App selbst war unschuldig.

Ein Tool ohne Datenbank, das trotzdem Kosten verursacht

Clew Directive ist ein schlankes Web-Tool, das Nutzerinnen und Nutzern innerhalb von 60 Sekunden einen individuellen Lernpfad für KI-Ressourcen generiert. Nach nur vier Fragen zu Lernzielen und -stil erhält man eine PDF-Zusammenstellung mit kostenlosen, verifizierten Quellen. Das Besondere: Das Tool speichert keine Daten, verlangt keine Anmeldung und nutzt ausschließlich Modelle wie Amazon Nova – ein Modell, dessen Nutzung eigentlich kaum ins Gewicht fallen sollte.

Doch die Realität sah anders aus. Während die Besucherstatistik von Umami nur 14 Zugriffe im Monat anzeigte, belief sich die AWS-Rechnung auf 31 US-Dollar. Das entspricht etwa 2,21 US-Dollar pro Besucher – ein Preis, der selbst die teuersten Free-to-Use-Tools in Kalifornien in den Schatten stellt. Doch die wahre Ursache lag woanders.

Die falsche Spur: Ein teures Modell und falsche Annahmen

Die erste Vermutung fiel auf das teuerste Modell im Einsatz: Claude Sonnet. Die Kostenanalyse schien diese Theorie zu bestätigen – bis ein genauer Blick in den Code zeigte, dass Clew Directive ausschließlich Modelle wie Nova 2 Lite und Nova Micro nutzt. Die Kosten für eine vollständige Lernpfad-Generierung liegen bei etwa 0,002 US-Dollar pro Nutzung. Selbst bei 14 Besuchern hätte die Rechnung bei wenigen Cent liegen müssen.

Hier kam ein weiteres Missverständnis ins Spiel: Der KI-Assistent Amazon Q hatte zunächst falsche Informationen geliefert. Er nannte nicht nur das falsche Modell, sondern auch falsche Preise – etwa für das Haiku-Modell, das in Wirklichkeit ein Viertel der genannten Kosten verursacht. Diese Erfahrung unterstrich eine wichtige Lektion: KI-Tools können Daten abrufen, doch sie neigen dazu, diese falsch zu interpretieren. Eine manuelle Überprüfung ist unumgänglich.

Die Spur führt zu einem anderen Projekt: Vigil Crest

Der entscheidende Hinweis kam von Amazon Q selbst. Bei der Analyse der Kostenstruktur fiel auf, dass der Großteil der Ausgaben – 28 Millionen Tokens über nur acht aktive Tage – auf zwei Tage konzentriert war: den 24. und 25. Mai. Diese Tage machten 70 % der Gesamtkosten aus. Ein Muster, das kaum zu einem Tool mit 14 Besuchern passte.

Die Kostenaufschlüsselung offenbarte ein klares Bild:

• Cache-Schreibvorgänge: 4,1 Millionen Tokens für 15,33 US-Dollar (55 % der Kosten)
• Cache-Lesevorgänge: 23,8 Millionen Tokens für 7,14 US-Dollar (26 % der Kosten)
• Ausgabe: 346.000 Tokens für 5,20 US-Dollar
• Eingabe: 120.000 Tokens für 0,36 US-Dollar

Ein solches Muster ist typisch für einen Agenten, der mit einem großen, festen Kontext arbeitet. Dieser Kontext wird einmal geladen, zwischengespeichert und dann bei jedem Durchlauf erneut abgerufen. Doch Clew Directive nutzt keinerlei Zwischenspeicherung von Prompts. Die Suche führte daher zu einem anderen Projekt: Vigil Crest.

Vigil Crest: Der heimliche Kostenverursacher

Vigil Crest ist ein Agent, der auf Telegram läuft und Nutzerinnen und Nutzer über aktuelle Hackathon-Ausschreibungen auf DEV informiert. Der Agent analysiert den Live-Feed von Hackathon-Challenges und bewertet deren Eignung für die eigene Teilnahme. In einem kürzlich veröffentlichten Artikel beschrieb der Entwickler das Projekt wie folgt:

"Der Agent nutzt AWS Bedrock mit Claude Sonnet 4.6, läuft auf einer EC2-Instanz (t3.micro) und greift über ein IAM-Rollenkonzept auf die Ressourcen zu – ohne sensible Daten auf der Instanz zu speichern."

Die CloudTrail-Protokolle bestätigten den Verdacht: Am 24. und 25. Mai hatte ein Agent mit der Rolle vigil-crest-bedrock-role auf einer EC2-Instanz claude-sonnet über die Streaming-API aufgerufen. Die Kostenstruktur passte perfekt zum beobachteten Muster – ein Agent, der mit einem großen Kontext arbeitet und diesen zwischenspeichert.

Die Lehre: KI-Tools sind mächtig, aber fehleranfällig

Diese Erfahrung zeigt, wie schnell unbeabsichtigte Kosten entstehen können – selbst bei vermeintlich harmlosen Projekten. Der Entwickler zieht folgende Schlüsse:

• KI-Assistenten wie Amazon Q oder Claude sind wertvolle Helfer, doch sie liefern nicht immer die richtigen Schlussfolgerungen. Die bereitgestellten Daten müssen kritisch hinterfragt werden.
• Kostenfallen verstecken sich oft in Nebenprojekten – besonders dann, wenn diese mit teuren Modellen arbeiten oder komplexe Zwischenspeicherungsmechanismen nutzen.
• Manuelle Überprüfungen sind unverzichtbar, besonders bei der Analyse von Abrechnungen oder der Identifizierung von Kostenquellen.

Die Rechnung von 31 US-Dollar war kein Fehler der App, sondern ein Resultat intensiver Testläufe auf Vigil Crest. Ein Projekt, das eigentlich nur wenige Cent kosten sollte, wurde durch unbeabsichtigte Nutzung teuer. Doch dank der Analyse mit KI-Assistenten und CloudTrail konnte die Ursache schnell identifiziert und behoben werden.

Für die Zukunft gilt: Auch die besten Tools können irren – doch mit der richtigen Herangehensweise lassen sich solche Fehler vermeiden. Und vielleicht lohnt es sich, künftig die AWS-Rechnung etwas genauer unter die Lupe zu nehmen, bevor man die App verantwortlich macht.