Analytics-Wahnsinn: Claude Code, Ollama und die nackte Wahrheit über meine LoC
Tja... da sitzen wir nun im Jahr 2026. Die Welt dreht sich schneller als meine GPU-Lüfter bei einem Qwen-72B-Inferenz-Lauf, und ich habe mal wieder das getan, was ich am besten kann: Over-Engineering.
Eigentlich wollte ich ja nur wissen, wie viel mich dieser ganze KI-Zirkus im Monat kostet. Ihr kennt das: Ein paar Dollar hier für Anthropic, ein paar Euro da für Strom (hallo Ollama!), und am Ende fragt man sich, ob man eigentlich noch selbst programmiert oder nur noch der "Prompt-Boy" für die Maschinen ist.
Das Ergebnis dieses Frust-Wochenendes? Ein Dashboard namens ccusage. Und nein, das ist nicht einfach nur eine Tabelle. Das ist eine Full-Blown-Analytics-Suite, die mir gnadenlos vorrechnet, wie effizient (oder eben nicht) ich eigentlich bin.
Der Einstieg: Wenn Daten wehtun
Kennt ihr das Gefühl, wenn man denkt, man hätte den ganzen Tag hart gearbeitet, aber am Ende des Tages sagt einem das Dashboard: "Tja... du hast 2,50 € für API-Calls ausgegeben, aber nur 50 Zeilen Code produziert"? Autsch.
Mein Dashboard (natürlich in schickem Dark-Mode, wir sind ja keine Barbaren) kombiniert drei Welten:
1. Claude Code: Alles, was ich über das CLI-Tool von Anthropic raushaue. Inklusive Cache-Hits, Tokens und den harten Dollar-Preisen.
2. Ollama & Local LLMs: Was meine Heizung... ähm, ich meine meine Workstation... lokal wegrechnet. Inklusive Hardware-Abschreibung und Strompreisen.
3. Git LoC (Lines of Code): Die nackte Realität aus meinen Repos. Wer hat was wann hinzugefügt oder gelöscht?
Das Dashboard: Die Schaltzentrale des Wahnsinns
Wenn man das Dashboard öffnet, knallt einem erst mal die Übersicht entgegen. Tageskosten (EUR) vs. Lines of Code (Diffs).
Ich sehe genau: Am Samstag habe ich für 3,05 € Tokens verbraten, aber dafür fast 20.000 Zeilen Code (Additions + Deletions) produziert. Okay, okay... das meiste war wahrscheinlich Refactoring oder Boilerplate, aber hey... für das Ego ist das super. ;-)
Besonders spannend ist der Burnout-Check. Das Dashboard rechnet mir basierend auf meiner Aktivität aus, wie viel "Freizeit" mir theoretisch noch bleibt. Wenn die Kurve unter 8 Stunden fällt, fängt sie an rot zu leuchten. Momentan oszilliere ich zwischen 8 und 13 Stunden. Klingt gesund? Tja... fragt mal meine Kaffeemaschine.
ROI & Projekte: Ich bin theoretisch reich!
Kommen wir zum lustigsten Teil des Dashboards: Der Projekt-ROI (Return on Investment).
Hier wird es richtig mathematisch (und ein bisschen größenwahnsinnig). Ich habe einen Benchmark gesetzt: Ein "Senior Developer" (also quasi ich, wenn ich gut gelaunt bin) kostet 105 € pro Stunde und schafft 20 Zeilen Code pro Stunde.
Das Dashboard nimmt nun den Output meiner KI-Kollaborationen und rechnet aus: "Was hätte es gekostet, wenn ein Mensch das alles manuell getippt hätte?"
Haltet euch fest: Die Theoretische Gesamtersparnis liegt aktuell bei über 157 Millionen Euro.
Ja, ihr habt richtig gelesen. Laut dieser Statistik müsste ich eigentlich eine eigene Insel besitzen. Warum dem nicht so ist?
* Erstens: Keiner zahlt mir 105 € dafür, dass ich 20 Zeilen Code pro Stunde schreibe, während ich eigentlich nur MCP-Server debugge.
* Zweitens: Die KI produziert Code schneller, als ich ihn testen kann.
* Drittens: 120 Millionen dieser Ersparnis kommen allein aus dem llmgui-Projekt. Tja... wer viel Code generiert, spart halt viel (theoretisch).
Es ist ein schönes Beispiel dafür, wie man sich Statistiken schönrechnen kann. Aber es zeigt auch: Der Hebel, den wir durch LLMs haben, ist gigantisch. Auch wenn die 157 Millionen reiner Bullshit sind, ist der reale Faktor (Output vs. Investment) immer noch massiv.
Modelle im Effizienz-Check: Opus vs. Sonnet vs. Haiku
In der Registerkarte Modelle (Effizienz) wird es technisch. Hier tracke ich den Modell-Mix.
Es ist interessant zu sehen: Claude 3.5 Sonnet ist mein Arbeitstier. Es macht ca. 70 % der Kosten aus, liefert aber auch den stabilsten Code. Opus hole ich nur raus, wenn es richtig knifflig wird – quasi der Professor, den man nur anruft, wenn das Haus brennt.
Und dann ist da noch Ollama. Lokale Modelle wie Llama 3 oder DeepSeek. Die kosten mich zwar "nur" Strom und Hardware-Abnutzung, aber in Sachen Tokens pro Zeile Code sind sie oft weniger effizient als die Cloud-Riesen. Man braucht mehr Anläufe, mehr Korrekturen.
Das Dashboard zeigt mir die Token Ratio: Wie viel Claude vs. wie viel Ollama? Momentan verschiebt sich das immer mehr Richtung lokal. Warum? Weil ich keine Lust habe, für jeden kleinen Test-Script-Run Geld an Anthropic zu überweisen, wenn meine RTX 3080 sowieso gerade IDLE ist.
Nachhaltigkeit: Mein Beitrag zur globalen Erwärmung
Ja, ich habe eine Sustainability-Tab eingebaut. Warum? Weil ich es kann. Und weil ich wissen will, wie viel CO2 mein Hobby eigentlich produziert.
Das Dashboard rechnet basierend auf der GPU-Laufzeit (650 Watt unter Last) und dem deutschen Strommix aus, was Phase ist.
* Energieverbrauch (Lokal): ca. 2,53 kWh pro Session.
* CO2-Äquivalent: ca. 1,01 kg pro Tag.
Tja... das ist ungefähr so viel, wie wenn man 5 km mit einem alten Diesel fährt. Aber hey... dafür ist mein Code (meistens) sauberer als die Abgase. ;-)
Work Patterns: Wann der Marco wirklich wach ist
Die Activity-Heatmap ist mein persönlicher Endgegner. Sie zeigt mir in Git-Manier, wann ich am aktivsten bin.
Spoiler: Meine Peak-Arbeitszeit ist nicht zwischen 9 und 17 Uhr. Das Dashboard zeigt deutliche Ausschläge am späten Abend und... ähem... sehr frühen Morgen.
Auch der Refactoring Index ist aufschlussreich. Er misst den Anteil der gelöschten Zeilen (Deletions) am Gesamt-Diff. Wenn der Index über 50 % liegt, feiere ich mich selbst. Das bedeutet: Ich habe mehr Code gelöscht als hinzugefügt. Und wie wir alle wissen: Gelöschter Code ist der beste Code.
Prognose: Die Angst vor der nächsten Rechnung
Zum Schluss gibt es noch den Forecast. Die KI rechnet basierend auf meinem aktuellen Lauf aus, was mich der Monat kosten wird.
* Voraussichtliche KI-Rechnung (Cloud): ca. 480 €.
* Voraussichtliche Gesamtinvestition (inkl. meiner Arbeitszeit): ca. 25.600 €.
Tja... wer hätte gedacht, dass meine Zeit so teuer ist? ;-)
Aber im Ernst: Es hilft ungemein zu sehen, wo die Reise hingeht. Es bewahrt einen davor, völlig kopflos in die "KI-Falle" zu tappen und am Ende des Monats von der Kreditkartenabrechnung erschlagen zu werden.
Fazit
Was lernen wir aus diesem ganzen Analytics-Geraffel?
- Messen ist wichtig: Nur wer seine Token-Nutzung und seinen Output kennt, kann entscheiden, welches Modell für welchen Task das richtige ist.
- Statistiken sind gefährlich: Man kann sich sehr schnell einreden, man sei ein Multimillionär, nur weil man viel Code generiert hat.
- Pragmatismus gewinnt: Am Ende des Tages zählt nicht, was im Dashboard steht, sondern ob die Software beim Kunden (oder auf meinem Server) läuft.
Das Dashboard ist für mich ein Spiegel. Es zeigt mir, wann ich effizient bin und wann ich mich in sinnlosen Prompt-Schlachten verliere.
Und wer weiß... vielleicht knacke ich die 200 Millionen Euro ROI ja noch vor dem Sommer. ;-)
Stay secure, bleibt pragmatisch und vergesst das Messen nicht... aber nehmt die Zahlen nicht zu ernst.
Cheers,
MrMarco ;)
Transparency Note: Dieser Post wurde mit Unterstützung von Antigravity (Gemini 3 Flash) erstellt. Die Daten stammen aus meinem realen ccusage-Dashboard. Der Sarkasmus, die Denglisch-Aussetzer und die exzessive Nutzung von Auslassungspunkten sind original Marco-Hardware. Wie immer... sonst wär's ja kein echtes Security-Geraffel. ;-)