Kostenlos mit KI entwickeln: Gemini und Groq, wenn die API-Guthaben aufgebraucht sind

Stell dir eine Einsteigerin vor, die seit ein paar Tagen an einer selbst gestellten Challenge arbeitet: von "Ich nutze ChatGPT" zu "Ich kann mit KI entwickeln", eine Stunde pro Tag, ohne Programmiererfahrung über die Grundlagen hinaus und ohne Budget außer Neugier. Am dritten Tag ergibt die Technik Sinn: API-Schlüssel, Chat-Struktur, Streaming, Function Calling und JSON-Modus. Es gibt sogar schon eine kleine funktionierende App, einen "KI-Lernbuddy", der zu einem Thema einsteigerfreundliche Notizen schreibt.

Dann kommt das erste echte Hindernis, genau als es Zeit für ordentliche Tests ist: Das API-Guthaben ist aufgebraucht.

Wenn du etwas Ähnliches vorhast und nicht schon am ersten Tag eine Kreditkarte hinterlegen willst, gibt es eine gute Nachricht: Das musst du nicht.

Guthaben und Tokens

Die beiden werden oft verwechselt, deshalb hier der Unterschied.

Tokens sind die Einheit, mit der ein Modell tatsächlich arbeitet: Textstücke, etwa ein Wort oder ein Wortteil. Alles, was du sendest, und alles, was zurückkommt, wird in Tokens gezählt. Eine Anfrage wie "Erkläre einem Neuling APIs" hat ungefähr 8 Tokens, eine Antwort kann auf 200 kommen.

Guthaben ist die Geldseite, der Kontostand, der schrumpft, während Tokens verbraucht werden. Jeder Anbieter bepreist Tokens einzeln oder pro Million, und jeder Aufruf zieht stillschweigend etwas vom Guthaben ab, abhängig von der Größe von Ein- und Ausgabe.

Einfach gesagt: Tokens verbrauchst du, mit Guthaben bezahlst du. Dem Lernbuddy sind nicht die Tokens ausgegangen, denn das Modell weiß gar nicht, was du ausgegeben hast. Ausgegangen ist das Guthaben: Der Kontostand erreichte null, und der Anbieter nahm bis zum Aufladen keine Anfragen mehr an. Kostenlose Stufen haben meist gar kein Guthaben, das sich leeren könnte. Stattdessen gibt es ein tägliches Limit für Anfragen oder Tokens, das sich zurücksetzt, ein ganz anderer Mechanismus.

Eine Annahme, die man ablegen sollte

Naheliegend ist die Vermutung, dass kostenloser API-Zugang eine abgespeckte Version des Echten ist, etwa eine Testphase, die nach einer Woche abläuft, oder ein Spielzeugmodell, zu schwach, um nützlich zu sein. Fürs Lernen, für Prototypen und kleine private Projekte, im Unterschied zu einem Dienst mit Tausenden Nutzern am Tag, ist diese Vermutung falsch.

Zwei Optionen brauchen keine Kreditkarte:

Google Gemini API. Einen Schlüssel erstellst du kostenlos in Google AI Studio. Die Modelle Flash und Flash-Lite lassen sich kostenlos aufrufen, und das Tageskontingent ist für eine einzelne lernende Person großzügig. Es gibt Abstriche: Das Pro-Reasoning-Modell der Spitzenklasse ist nicht mehr in der kostenlosen Stufe, und Google kann Traffic aus der kostenlosen Stufe nutzen, um seine Modelle zu verbessern. Sensible Daten gehören also nicht hinein.

Groq. Ebenfalls kostenlos und ebenfalls ohne Karte. Groq liefert offene Modelle wie Llama, GPT-OSS und Qwen über eigens entwickelte Chips aus, und die Antworten kommen im Vergleich zu einem gewöhnlichen API-Aufruf fast sofort. Das Tageskontingent ist kleiner als bei Gemini, reicht aber locker zum Testen von Prompts und für kleine Apps.

Ein realistischer Null-Dollar-Stack zum Lernen: Gemini für den Großteil der Entwicklung und Groq griffbereit für alles, was Tempo braucht.

Wie der Wechsel aussieht

Für alle, die noch nie eine KI-API benutzt haben, kommt jetzt der überraschende Teil: Ein Anbieterwechsel ändert sehr wenig. Das Prinzip ist überall gleich. Du schickst ein strukturiertes Gespräch, mit einer Systemnachricht, die die Rolle der KI festlegt, und einer Nutzernachricht mit der Aufgabe, und bekommst eine Antwort. Wer das Muster einmal gelernt hat, kann es überall anwenden.

Um den Lernbuddy auf der kostenlosen Gemini-Stufe wieder zum Laufen zu bringen, brauchte es so viel Code:

import os
from google import genai

client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])response = client.models.generate_content(
    model="gemini-2.5-flash",
    contents=[
        {"role": "user", "parts": [{"text": "Explain APIs like I'm a beginner."}]}
    ]
)print(response.text)

Ein Import, eine Umgebungsvariable und dieselbe Grundidee wie am Vortag. Innerhalb von Minuten schrieb die App wieder Notizen, ohne Rechnung und ohne Sorge vor einer bösen Überraschung.

Warum das mehr bringt als gespartes Geld

Drei Dinge lohnt es sich zu üben, wenn man als Einsteiger mit KI baut, und der Umweg über kostenlose Stufen lehrt alle drei.

Konkrete Prompts schreiben. Eine kostenlose Stufe hat statt eines unbegrenzten Budgets ein Limit pro Minute, und das erzieht still zu besseren Gewohnheiten. Man schickt keine vagen Prompts mehr ab, nur um zu sehen, was passiert, sondern überlegt vor dem Absenden, was man will. Einschränkung erweist sich als ganz ordentliche Lehrerin.

Verstehen, wie Agenten Werkzeuge nutzen. Function Calling bedeutet, dass das Modell deine App bittet, Code auszuführen, und dann das Ergebnis bekommt, und dieser Ablauf sieht bei allen Anbietern gleich aus. Wer ihn mit einem kostenlosen Modell lernt, muss ihn mit einem bezahlten nicht neu lernen.

Wissen, wo das eigene Urteil zählt. Sich zu entscheiden, eine Kostenhürde zu umgehen statt zu bezahlen, ist schon eine kleine Designentscheidung: Was lässt sich mit den vorhandenen Mitteln lösen? Diesen Instinkt sollte man früh schützen, bevor die Versuchung kommt, jedes Hindernis mit Geld zu erschlagen.

Das Fazit

Wenn du als Einsteiger überlegst, ob du Guthaben bei OpenAI oder Claude brauchst, bevor du lernen kannst, mit KI zu entwickeln: Nein. Nicht am ersten Tag und wahrscheinlich auch noch lange danach nicht.

Ein praktisches kostenloses Start-Setup:

• Gemini API (kostenlos): das Hauptwerkzeug zum Bauen und Testen.
• Groq (kostenlos): die Reserve, wenn es auf Tempo ankommt.
• Dasselbe Muster unter allem: Eingabe, Prompt, API-Aufruf, Modellantwort, nützliches Ergebnis.

Damit ist der Lernbuddy wieder online, und keine Kontingentgrenze ist in Sicht. Es ist das am leichtesten lösbare erste Problem und im Rückblick dasjenige, das die wenigsten Sorgen verdient hat. Das nächste Thema auf dem Weg ist, der KI beizubringen, Bedeutung zu erfassen statt nur Wörter abzugleichen, mit Embeddings und semantischer Suche.