Deine Observability-Rechnung killt dein Infrastruktur-Budget — Warum und was wirklich hilft

Da gibt es diesen leisen Budget-Killer, der sich in den meisten Cloud-nativen Architekturen eingenistet hat. Er meldet sich nicht mit dramatischen E-Mails oder Slack-Alerts. Er wächst einfach. Monat für Monat. Bis irgendwann dein CTO die Cloud-Rechnung aufruft und die Frage stellt, die niemand beantworten will: „Warum ist unser Monitoring-Tool teurer als die Server, auf denen unser eigentliches Produkt läuft?"

Wer lange genug in der Engineering-Führung arbeitet, hat diese Frage entweder selbst gestellt oder gehört. Und wenn du gerade ein Startup aufbaust, wirst du mit ziemlicher Sicherheit damit konfrontiert.

Der unsichtbare Multiplikator: Warum Observability-Kosten sich unberechenbar anfühlen

Hier ist die unbequeme Wahrheit über moderne Observability-Preismodelle: Sie sind nicht darauf ausgelegt, vorhersehbar zu sein. Sie skalieren mit deinem Erfolg.

Jeder große Observability-Anbieter — Datadog, New Relic, Splunk, Grafana Cloud — nutzt ein Preismodell, das fundamental multiplikativ funktioniert. Du bezahlst nicht für ein Produkt. Du bezahlst für eine Matrix aus Dimensionen, die sich gegeneinander multiplizieren. Hosts mal Gigabytes mal Events mal Metriken mal Nutzer. Fügst du einen neuen Microservice hinzu? Das bedeutet neue Hosts und neues Event-Volumen. Bekommt dein Service mehr Traffic? Das bedeutet mehr Events und mehr Metriken. Ein Entwickler fügt ein user_id-Tag hinzu, um beim Debugging zu helfen? Dieses einzelne Tag kann Millionen eindeutiger Zeitreihen erzeugen, je nach Kardinalität.

Die Mathematik ist nicht linear. Sie ist exponentiell.

Ich habe mit Gründern gesprochen, die mit 300 Euro pro Monat gestartet sind und sich innerhalb von achtzehn Monaten bei 15.000 Euro wiedergefunden haben — nicht weil ihr Umsatz proportional gewachsen ist, sondern weil ihre Architektur an Komplexität zugenommen hat. Neue Services, neue Umgebungen, neue Entwickler, die Entscheidungen treffen, die zum Zeitpunkt der Implementierung vernünftig erschienen, aber versteckte Abrechnungsfolgen hatten.

Die Preisarchitektur entschlüsseln

Um zu verstehen, warum Observability-Kosten eskalieren, musst du verstehen, wie Anbieter tatsächlich abrechnen. Die meisten Preisübersichten zeigen aufgeräumte Zahlen. Die Realität ist ein mehrschichtiger Kuchen aus Gebühren, die auf Arten interagieren, die nicht offensichtlich sind — bis du bereits tief im Overage-Terrain steckst.

Die hostbasierte Ebene: Die meisten Anbieter berechnen pauschal pro Host oder Node für Infrastruktur-Monitoring. Klingt einfach. Bei 30 Hosts ist das überschaubar. Bei 300 Hosts nach eurer nächsten Skalierungsrunde wird daraus eine erhebliche Grundgebühr, die selbst dann nicht sinkt, wenn du alles andere optimierst.

Die ingest-basierte Ebene: Logs, Metriken und Traces werden alle nach Ingestion-Volumen abgerechnet. Komprimierte Logs werden bei den meisten Anbietern trotzdem zu Roh-Ingestion-Preisen berechnet. Eine einzelne Anwendung, die strukturierte Logs mit moderatem Durchsatz erzeugt, kann leicht 50 bis 100 GB Ingestion pro Tag produzieren — und diese Zahl skaliert direkt mit dem Traffic.

Die Kardinalitätsfalle: Hier wird es richtig gefährlich. Moderne verteilte Systeme fördern umfangreiches Tagging — also das Hinzufügen von Metadaten wie customer_id, request_id, Region oder tenant_id zu deiner Telemetrie. Auf dem Papier ist das exzellente Observability-Praxis. In der Praxis kann jeder eindeutige Tag-Wert eine komplett neue Zeitreihe erzeugen. Eine einzelne Metrik mit einem hochkardinalen Tag kann still und heimlich Millionen von Reihen erzeugen, die jeweils einzeln abgerechnet werden.

Ich habe Unternehmen erlebt, die fünfstellige Rechnungsanpassungen erhalten haben, weil ein Entwickler während einer Debugging-Session eine user_id-Dimension zu einer Zähler-Metrik hinzugefügt hat. Die Metrik machte perfekt Sinn. Die Abrechnungsfolgen standen in keiner Dokumentation.

Der echte Kostenvergleich: Was du wirklich bezahlst

Reden wir über Zahlen, denn Abstraktionen helfen dir nicht beim Budgetieren.

Für ein realistisches Mid-Market-Szenario — sagen wir, 15 Microservices auf 30 Kubernetes-Nodes mit moderatem Logging und Tracing — können deine monatlichen Observability-Kosten zwischen etwa 1.500 und über 4.000 Euro liegen, je nach Anbieter. Diese Lücke ist kein Rundungsfehler. Im großen Maßstab ist der Unterschied zwischen dem günstigsten und dem teuersten Angebot kein Prozentsatz. Es ist eine Größenordnung.

Hier wird es unbequem: Die teuersten Optionen sind nicht immer die schlechtesten Produkte. Datadog bietet außergewöhnliche Tools und Integrations-Tiefe. Aber wenn deine Observability-Rechnung deine Compute-Rechnung übersteigt, musst du dich fragen, ob du für Observability zahlst oder für die Infrastruktur, die dein Produkt betreibt.

Für kleinere Teams verschiebt sich die Rechnung. In der Seed-Phase übersteigt der operative Aufwand für selbst gehostete Lösungen oft den Kostenaufschlag für Managed Services. Du hast keine dedizierte SRE-Kapazität, um ClickHouse-Cluster zu tunen oder Loki-Skalierungsprobleme zu debuggen. Der Managed-Aufschlag ist oft gerechtfertigt — bis er es nicht mehr ist.

Die selbstgehostete Alternative: Ersparnisse mit Haken

Der Open-Source-Weg — typischerweise eine Variante des „LGTM"-Stacks (Loki für Logs, Grafana für Visualisierung, Tempo für Traces, Mimir oder ähnlich für Metriken) — eliminiert Softwarelizenzkosten komplett. Die Anbieter können dir nicht berechnen, was du selbst betreibst.

Aber hier ist das, was diese Darstellung weglässt: Software ist kostenlos, Infrastruktur ist es nicht, und Engineering-Zeit ist definitiv nicht kostenlos.

Der Betrieb von Observability-Infrastruktur im großen Maßstab erfordert dedizierte Aufmerksamkeit. ClickHouse und Grafana Mimir brauchen Tuning. Lokis Kardinalität kann genauso außer Kontrolle geraten wie bei kommerziellen Lösungen, wenn du nicht aufpasst. Query-Performance verschlechtert sich mit wachsenden Datenvolumen. Das sind keine Probleme, die du ignorieren und trotzdem funktionierende Observability während Incidents erwarten kannst.

Community-Schätzungen zufolge erfordert selbstgehostete Observability 10 bis 20 Stunden pro Monat dedizierte Engineering-Zeit bei moderatem Scale. Zu 75 bis 150 Euro pro Stunde, voll belasteten SRE-Stundensätzen, sind das 900 bis 3.000 Euro pro Monat an Opportunitätskosten — bevor du einen Cent für Infrastruktur ausgegeben hast. Für manche Organisationen ist das absolut der richtige Weg. Für andere ist es eine Ablenkung vom Bau ihres eigentlichen Produkts.

Was wirklich funktioniert: Praktische Orientierung für verschiedene Phasen

Nachdem ich Teams durch diese Landschaft navigieren gesehen habe, kristallisieren sich einige Muster heraus, um Observability-Kosten in den Griff zu bekommen, ohne die Sichtbarkeit zu opfern, die du tatsächlich brauchst.

Starte mit aggressiven Retention-Limits. Die meisten Teams defaulten auf 30 oder 90 Tage Retention, weil sich das umfassend anfühlt. Aber realistische Debugging-Fenster sind viel kürzer. Sieben Tage decken die überwältigende Mehrheit der Incident-Untersuchungen ab. Vierzehn Tage reichen für die meisten Security-Forensik. Retention ist reiner Speicherkosten — kürze sie rücksichtslos.

Audit deine Metrik-Kardinalität quartalsweise. Das ist der versteckte Kosten-Treiber. Setze ein einfaches Dashboard auf, das deine Top-Metriken nach Reihenanzahl zeigt. Alles, das mehr als 10.000 Reihen erzeugt, verdient Skepsis. Hochkardinale Tags, die während der Entwicklung vernünftig erschienen, werden bei Skalierung zu Budget-Notfällen.

** Erwäge architektonische Muster, die Telemetrie-Volumen reduzieren.** Sampling-Strategien für Traces, aggressives Log-Filtering vor der Ingestion und Metrik-Aggregation am Edge statt im Data Warehouse können Ingestion-Kosten um 70 bis 90 Prozent reduzieren, ohne signifikante Observability-Einbußen.

Bewerte deine tatsächlichen Observability-Bedürfnisse ehrlich. Brauchst du wirklich Distributed Tracing über alle Services hinweg in Sub-Millisekunden-Auflösung? Muss jeder Entwickler vollen Zugriff auf alle historischen Daten haben? Feature Flags, rollenbasierte Zugriffskontrollen und durchdachtes Sampling können Kosten drastisch reduzieren, während sie die Sichtbarkeit bewahren, die für deine Incident-Response wirklich relevant ist.

Der Weg nach vorn: Sichtbarkeit ohne die Rechnung

Die Observability-Krise ist kein Technologie-Problem — sie ist ein finanzielles Modellierungs-Problem. Die Tools waren nie besser. Die Daten, die sie produzieren, waren nie wertvoller. Aber die Preismodelle schaffen Fehlanreize, bei denen Anbieter von deiner architektonischen Komplexität profitieren — nicht von deinem operativen Erfolg.

Kluge Engineering-Teams reagieren darauf, indem sie Observability als erstklassige Budget-Position behandeln, nicht als Nachgedanken. Sie setzen Kostenbudgets, überwachen diese alongside Verfügbarkeits-SLAs und evaluieren Anbieterwechsel mit derselben Sorgfalt, die sie auf Infrastruktur-Entscheidungen anwenden.

Das Ziel ist nicht, keine Observability zu haben. Es geht darum, die richtige Observability zu einem Preis zu haben, der im Verhältnis zu dem steht, was du tatsächlich betreibst. Dein Monitoring sollte dir helfen, deine Infrastruktur zu verstehen — nicht zur Infrastruktur werden, für die du bezahlst, um sie zu verstehen.

Die Teams, die das frühzeitig herausfinden, werden einen signifikanten Vorteil haben: niedrigeres Burn-Rate, schnellere Iteration und eine Sache weniger, die um Engineering-Aufmerksamkeit konkurriert — gerade in diesen kritischen Wachstumsphasen, in denen Fokus entscheidend ist.

Suchst du nach Domain- und Hosting-Infrastruktur, die mit dir wächst, ohne die Abrechnungsüberraschungen? Vibe Hosting von NameOcean bietet integriertes Monitoring mit transparenter Preisgestaltung — denn du solltest keine Tabellenkalkulation brauchen, um deine Cloud-Rechnung zu verstehen. Starte deine Reise mit einer kostenlosen Domain-Registrierung und sieh, wie Infrastruktur funktionieren sollte.