Claude Code vs Gemini CLI: Welcher Terminal-Coding-Agent gewinnt?
.webp)
Auf Geschwindigkeit ausgelegt: ~ 10 ms Latenz, auch unter Last
Unglaublich schnelle Methode zum Erstellen, Verfolgen und Bereitstellen Ihrer Modelle!
- Verarbeitet mehr als 350 RPS auf nur 1 vCPU — kein Tuning erforderlich
- Produktionsbereit mit vollem Unternehmenssupport
Wie die einzelnen Agenten funktionieren
Beide Tools werden als CLI installiert, befinden sich in Ihrem Terminal und arbeiten agentisch: Sie sammeln Kontext aus dem Repository, planen, rufen Tools auf (Shell, MCP-Server, Websuche) und bearbeiten Dateien direkt vor Ort. Die Unterschiede beginnen beim Modell und der Lizenz.
Claude Code nutzt die aktuellen Modelle von Anthropic mit standardmäßig aktiviertem Extended Thinking und einem /model-Auswahlmenü, um Kosten gegen Leistung abzuwägen. In der Praxis übernimmt Sonnet 5.5 den Großteil des täglichen Codings zu etwa einem Fünftel der Output-Kosten von Opus. Opus 5.5 ist für die komplexesten mehrstufigen Aufgaben reserviert, und Haiku 5.5 ist die günstige Option für volumenstarke Aufrufe mit geringem Risiko. Der Agent bietet zudem betriebliche Feinheiten, die bei der Skalierung wichtig sind: /usage und /insights, um zu sehen, wohin Token geflossen sind, Subagenten, die das Session-Modell erben (sofern Sie nicht ein günstigeres festlegen), sowie verzögerte MCP-Tool-Definitionen, damit eine lange Serverliste nicht jeden Prompt aufbläht.
Gemini CLI ist Open Source (Apache-2.0), nutzt standardmäßig Gemini 2.5 Pro und kann mitten in der Session mit /model auf ein schnelleres Flash-Modell wechseln. Da es Open Source ist, lässt sich Gemini CLI leicht prüfen, forken und selbst hosten – ein wichtiger Faktor für Teams, die den Client unter eigener Kontrolle haben wollen. Es liest seine Konfiguration aus ~/.gemini/settings.json, unterstützt einen Erweiterungsmechanismus zur Bündelung von MCP-Servern und benutzerdefinierten Befehlen und authentifiziert sich entweder über ein persönliches Google-Konto (der kostenlose Weg) oder über einen API-Schlüssel bzw. Vertex AI (der kostenpflichtige, von der Organisation verwaltete Weg).
Der wesentliche Unterschied liegt in der Philosophie: Claude Code ist ein ausgereifter, proprietärer Client, der auf agentische Tiefe und Fleet Management optimiert ist. Gemini CLI hingegen ist ein offener, anpassbarer Client mit einem großzügigen kostenlosen Tier und dem größten Kontextfenster am Markt. Beide lesen Repositories, führen Ihre Tests aus und erstellen Pull Requests – die Entscheidung hängt daher selten davon ab, ob eine Aufgabe überhaupt möglich ist, sondern fast immer von Kosten, Kontext und der Kontrolle über den Endpunkt.
Funktionsvergleich
Beim reinen Coding sind beide extrem leistungsfähig, und der Abstand verringert sich mit jedem Release. Für die meisten Engineering-Teams hat Claude Code bei mehrstufigen agentischen Arbeiten noch immer die Nase vorn – sei es das Planen einer Änderung über viele Dateien hinweg, das Ausführen von Tests oder das iterative Nachbessern. Die riesige Kontextkapazität von Gemini CLI ist wiederum enorm nützlich, um sehr große Codebases oder Dokumente in einem einzigen Durchgang zu analysieren. Kein Tool führt in allen Kategorien, weshalb die ehrliche Antwort lautet: „Es kommt auf die Aufgabe an.“ Aus diesem Grund haben viele Teams beide Tools installiert.
Modelle und Kontextfenster im direkten Vergleich
Die Engine unter jedem CLI ist das Element, das sich im Alltag tatsächlich verändert, da beide Projekte neue Modellversionen schneller veröffentlichen, als Kaufentscheidungen getroffen werden können. Betrachten Sie die folgenden Details daher als Momentaufnahme und nicht als endgültiges Urteil – das entscheidende Signal ist die Struktur des jeweiligen Portfolios, die auch bei wechselnden Versionsnummern stabil bleibt.
Ein Kontextfenster von 1.000.000 Token klingt, als würde es den Wettbewerb sofort beenden. Reine Kapazität und nutzbarer Kontext sind jedoch nicht dasselbe. Ein gesamtes Monorepo in jeden Prompt zu packen, ist langsam und bei kostenpflichtigen Tiers teuer. Zudem verarbeiten Modelle präzise eingegrenzten Kontext besser als eine riesige Token-Wand. Beide Agenten profitieren mehr von zielgerichtetem Retrieval als vom maximalen Fenster. Das große Kontextfenster glänzt vor allem bei Einmal-Analysen von Inhalten, die sich nicht sauber aufteilen lassen: eine Legacy-Codebase mit 500.000 Token, die Sie auditieren, ein langes Designdokument oder ein umfangreiches Logfile. Für iterative Bearbeitungs- und Testschleifen sind Modellqualität und die Zuverlässigkeit von Tool-Aufrufen wichtiger als das theoretische Limit.
Caching verändert die Wirtschaftlichkeit langer Sessions erheblich. Bei einem Claude Code-Abonnement bleibt der Prompt-Cache etwa eine Stunde bestehen, sodass wiederholter Kontext zu etwa einem Zehntel der Kosten für Neueingaben gelesen wird; über die API oder Cloud beträgt die Cache-Lebensdauer etwa fünf Minuten. Das Caching-Verhalten von Gemini CLI hängt vom jeweiligen Authentifizierungspfad ab. In jedem Fall ist eine saubere Cache-Verwaltung – wie stabile System-Prompts und wiederverwendete Kontextblöcke – ein deutlich größerer Hebel für die tatsächlichen Kosten als der Listenpreis pro Million Token.
Preise und Limits
Die Kostenmodelle sind unterschiedlich strukturiert. Das fällt bei der Hochrechnung auf ein gesamtes Team stärker ins Gewicht als ein einzelner Preis pro Token.
Gemini CLI bietet den günstigsten Einstieg – kostenlos und ohne Kreditkarte. Die Seat-Tarife von Claude Code machen die Kosten pro Entwickler planbar: Bei einem Abonnement wird das Kontingent pro Seat für Claude Code, Claude Chat und Coworking über ein rollierendes 5-Stunden-Fenster sowie ein wöchentliches Fenster geteilt. Die API-Preise sind pro Million Token transparent. Als grobe Orientierung für aktive Nutzer gilt: Ein Claude Code-Entwickler verursacht an einem aktiven Tag etwa 13 $, pro Monat rund 150–250 $, wobei etwa 90 % der Nutzer unter 30 $/Tag bleiben. Die beiden Modelle – pauschal pro Seat gegenüber variabel pro Token – verhalten sich bei der Skalierung im Team sehr unterschiedlich.
Die Falle liegt im Limit des kostenlosen Tiers. Die 1.000 Anfragen pro Tag bei Gemini CLI gelten pro Google-Konto, nicht pro Organisation. Ein größeres Team wächst daher schnell aus dem kostenlosen Pfad heraus und wechselt zur Abrechnung über API-Schlüssel oder Vertex AI. Ab diesem Punkt werden die Kosten tokenbasiert und variabel, womit Sie dieselbe Transparenz benötigen wie bei Claude Code. Das bedeutet: Was kostenlos beginnt, skaliert nicht automatisch kostenlos. Sobald ein Tool pro Token abrechnet, besteht die entscheidende Frage darin, ob Sie die Ausgaben pro Entwickler einsehen und begrenzen können. Genau an dieser Stelle kommt ein Gateway ins Spiel.
MCP und Erweiterbarkeit
Beide Agenten unterstützen das Model Context Protocol (MCP) und können daher auf dieselben externen Tools zugreifen – seien es GitHub-Server, Datenbank-Konnektoren, interne APIs oder Such-Backends. Die Konfiguration unterscheidet sich in der Form, nicht in der Sache. Gemini CLI registriert Server unter dem Schlüssel mcpServers in ~/.gemini/settings.json und kann diese zusammen mit benutzerdefinierten Slash-Befehlen in wiederverwendbaren Erweiterungen bündeln. Claude Code registriert MCP-Server über seine eigene Konfiguration und verzögert Tool-Definitionen standardmäßig. Dadurch bläht eine lange Liste von Servern nicht jeden Prompt auf – Tools werden erst geladen, wenn sie tatsächlich relevant sind. Zudem nutzt Claude Code auf Anfrage ladbare Skills sowie Subagenten, die für routinemäßige Teilaufgaben auf ein günstigeres Modell festgelegt werden können.
Bei der Erweiterbarkeit gibt es eine Governance-Hürde, die auf beide zutrifft. Ein MCP-Server ist lediglich ein Endpunkt, dem der Agent vertrauen soll – konfiguriert in einer Datei, die der Entwickler lokal bearbeiten kann. Keines der CLIs verhindert, dass ein Entwickler auf einen ungeprüften Server verweist. Ein Server, der heute für eine legitime Aufgabe hinzugefügt wird, kann morgen zum Datenabfluss führen. MCP-Traffic sollte daher wie der Modell-Traffic zentral und nicht pro Laptop gesteuert werden.
Enterprise Governance: Was kein Client allein löst
Beide Tools bieten Enterprise-Pfade – Claude Code über Seat-Tarife mit Managed Configurations und per MDM erzwungenen Dateisperren, Gemini CLI über Vertex AI mit Organisations-Quotas, Audit-Logs und VPC-Controls. Beide Ansätze sind funktional, enden jedoch an den Grenzen des eigenen Ökosystems. Die Lücke entsteht, sobald ein Team mehr als einen Agenten einsetzt – was zunehmend der Standard ist.
Bedenken Sie, was echte Governance umfasst: Jede Anfrage muss einem namentlich bekannten Entwickler zugeordnet werden können; es braucht Vorgaben, welche Modelle einzelne Entwickler oder Teams nutzen dürfen; ein Ausgabenlimit muss verlässlich greifen; und es erfordert einen zentralen Audit-Trail über alle Tools hinweg anstelle isolierter Silos pro Anbieter. Ein Managed-Config-Profil setzt innerhalb von Claude Code vieles durch, ebenso wie Vertex AI innerhalb der Gemini-Umgebung. Beide Systeme wissen jedoch nichts voneinander. Wenn Sie Claude Code auf Anthropic und Gemini CLI auf Vertex ausrichten, verwalten Sie zwei Dashboards, zwei Satz Schlüssel, zwei Definitionen von „pro Entwickler“ und erhalten keine Gesamtzahl für die monatlichen Kosten pro Ingenieur. Hinzu kommt eine Besonderheit bei der Cloud-Abrechnung: Läuft Claude Code auf Amazon Bedrock, Google Vertex oder Microsoft Foundry, wird die Nutzung pro Token über Ihr Cloud-Konto abgerechnet. Die Dashboards von Anthropic erfassen diese Daten nicht, weshalb die Zuordnung ohnehin über OpenTelemetry oder ein LLM-Gateway erfolgen muss.
Das ist der strukturelle Grund, warum Governance nicht im Client angesiedelt sein kann. Beide Agenten beziehen ihre Modell- und Tool-Endpunkte aus einer lokalen Datei auf dem Rechner des Entwicklers. Jede Richtlinie, die nur in dieser Datei steht, bleibt eine unverbindliche Empfehlung, solange sie nicht an dem Endpunkt durchgesetzt wird, den der Agent tatsächlich aufruft – und das ist die einzige Stelle, die beide Tools gemeinsam haben.
Wann Sie welches Tool wählen sollten
- Wählen Sie Claude Code für tiefgehendes agentisches Coding, ausgereifte Enterprise-Controls, planbare Preise pro Seat für ganze Flotten und wenn der Großteil der Arbeit aus iterativen Bearbeitungs- und Testschleifen an einer bekannten Codebase besteht.
- Wählen Sie Gemini CLI, wenn Sie einen kostenlosen Open-Source-Client, das größte Kontextfenster für Einmal-Analysen riesiger Eingaben, einen Google-nativen Pfad über Vertex AI oder einen Client suchen, den Sie forken und selbst hosten können.
- Starten Sie mit Gemini CLI, planen Sie jedoch den Wechsel ein – der kostenlose Tier eignet sich hervorragend für Evaluierungen und die Nutzung durch Einzelpersonen. Planen Sie jedoch vor dem Rollout im Team das Budget für API- oder Vertex-Abrechnung (und die dafür erforderliche Transparenz) ein.
- Nutzen Sie beide – viele Teams tun dies und überlassen den Entwicklern die Wahl je nach Aufgabe. Das funktioniert jedoch nur dann reibungslos, wenn Identität, Modellrichtlinien und Ausgaben an einer zentralen Stelle und nicht pro Tool verwaltet werden.
Beide Agenten mit dem TrueFoundry AI Gateway steuern
Da beide Agenten auf einen Modell-Endpunkt zugreifen, können sie statt direkt auf den Anbieter auch auf das TrueFoundry AI Gateway ausgerichtet werden. Dadurch erhalten Sie die Kontrolle, die kein Client von sich aus bietet:
- Zuordnung pro Entwickler – Jede Anfrage wird einer Person zugewiesen, sodass Ausgabenberichte und Rate Limits aussagekräftig werden, vergleichbar mit dem Kosten-Tracking für Claude Code.
- Modellrichtlinien – Legen Sie fest, welche Modelle einzelne Entwickler sowohl bei Anthropic als auch bei Google nutzen dürfen, und leiten Sie Routineaufgaben an günstigere Tiers weiter – analog zum Ansatz im Routing-Leitfaden für Opus vs. Sonnet vs. Haiku.
- Einheitliche Kostenübersicht über alle Tools – Claude Code, Gemini CLI, Cursor und Codex in einem gemeinsamen Dashboard, wie im Leitfaden zur Zentralisierung der Kostenkontrolle über Coding-IDEs beschrieben.
- Ausgabenlimits und Guardrails, die unabhängig vom genutzten Client des Entwicklers verlässlich greifen.
Der administrative Zusatzaufwand ist gering und basiert auf Standards: Das Gateway fügt lediglich etwa 3–4 ms Latenz pro Anfrage hinzu und ist OpenTelemetry-konform. So fügt es sich nahtlos in bestehende Tracing-Systeme ein, anstatt ein neues Silo zu bilden. Für Teams, die Claude Code bereits mit einem AI-Gateway steuern, ist die Einbindung von Gemini CLI eine reine Konfigurationsanpassung und erfordert keine zweite Control Plane.
Ein praktisches Beispiel
Ein Platform-Team erlaubt Ingenieuren die Nutzung von Gemini CLI für Analysen mit großem Kontext und Claude Code für die eigentliche Implementierung. Werden die Anfragen direkt an die Anbieter gesendet, führt das zu zwei Rechnungen, zwei Schlüssel-Setups und fehlender Transparenz auf Entwicklerebene. Über ein zentrales Gateway hat jeder Entwickler genau einen Endpunkt: Das Team sieht, dass Gemini die Analysen der 500.000-Token-Codebase übernimmt, während Claude die Bearbeitungen durchführt. Über Modellrichtlinien wird verhindert, dass Routineaufgaben die teuersten Tiers nutzen, und das Team erhält eine präzise Ausgabenaufstellung pro Ingenieur – ohne dass die Clients etwas davon merken. Die Grenze liegt auf der Hand: Ein Gateway steuert Routing, Zuordnung und Ausgaben, nicht jedoch den Funktionsumfang der einzelnen CLIs.
Wichtige Fallstricke
- Die kostenlosen Limits von Gemini CLI gelten pro Konto, nicht pro Organisation – 60 Anfragen/Minute und 1.000/Tag mit einem persönlichen Google-Konto reichen für professionelle Teams nicht aus, weshalb ein Wechsel zur API- oder Vertex-Abrechnung erforderlich wird.
- Ein Kontext von 1.000.000 Token ist in kostenpflichtigen Tiers nicht gratis – Das Laden riesiger Codebases bei jedem Prompt wird teuer. Großer Kontext ist eine Funktion für spezielle Einsätze und keine Einstellung für den Dauerbetrieb.
- Beide Tools lesen eine Einstellungsdatei, die der Entwickler lokal bearbeiten kann – Modell- oder Endpunkt-Richtlinien, die nur in dieser Datei definiert sind, bleiben unverbindlich, solange sie nicht zentral durchgesetzt werden.
- MCP-Server sind Sicherheitsentscheidungen – Ein in den Einstellungen hinzugefügter Server ist ein aktiver Endpunkt, den der Agent aufruft. Prüfen und verwalten Sie MCP-Server daher wie jede andere externe Abhängigkeit.
- Cloud-gehostetes Claude Code wird über Ihre Cloud abgerechnet – Bei der Nutzung über Bedrock, Vertex oder Foundry fällt die Nutzung auf Ihrem Cloud-Konto an. Die Dashboards von Anthropic erfassen diese Daten nicht, weshalb die Zuordnung OpenTelemetry oder ein Gateway erfordert.
- Open Source bedeutet nicht automatisch lokal gehostete Modelle – Der Client von Gemini CLI ist zwar quelloffen, die Modelle laufen jedoch weiterhin auf der Infrastruktur von Google oder Ihrer Vertex-Umgebung und werden entsprechend abgerechnet.
- Führende Positionen in Benchmarks wechseln regelmäßig – Treffen Sie Entscheidungen basierend auf Passgenauigkeit, Controls und Kosten – nicht anhand vorübergehender Spitzenplätze in Leaderboards.
Weiterführende Artikel
- Zentralisierung der Kostenkontrolle für AI Coding IDEs – Eine gemeinsame Kostenübersicht für Claude Code, Gemini CLI, Cursor und Codex
- Claude Code Preise erklärt – Tarife, Token-Kosten und wie Sie Ausgaben senken
- Cursor vs Claude Code – Ein weiterer Vergleich von Coding-Agenten
- Das beste AI Gateway für Claude Code – Wo Sie den Traffic von Coding-Agenten hinschicken sollten
- Opus vs Sonnet vs Haiku: Ein Routing-Leitfaden – So weisen Sie jedem Task das passende Modell zu
Fazit
Das Duell Claude Code gegen Gemini CLI kennt keinen universellen Sieger. Gemini CLI ist die kostenlose, offene Option mit riesigem Kontextfenster; Claude Code überzeugt als ausgereifterer agentischer Coder mit dem stärkeren Enterprise-Gesamtpaket. Treffen Sie Ihre Wahl basierend auf Ihrem Workflow und den erforderlichen Controls – das Leistungsgefälle bei den Modellen wird sich weiter angleichen.
Was bleibt, ist die Herausforderung der Governance. Unabhängig davon, welchen Agenten Ihre Entwickler nutzen: Die Identität bei jeder Anfrage, die zugänglichen Modelle und die verursachten Kosten werden an dem Endpunkt entschieden, den der Agent aufruft. Wenn Sie diesen Endpunkt unter Ihre Kontrolle bringen, wird die Wahl des CLI zur reinen Geschmacksfrage und verliert ihr Risiko für Ihre Organisation.
TrueFoundry AI Gateway bietet eine Latenz von ~3—4 ms, verarbeitet mehr als 350 RPS auf einer vCPU, skaliert problemlos horizontal und ist produktionsbereit, während LiteLM unter einer hohen Latenz leidet, mit moderaten RPS zu kämpfen hat, keine integrierte Skalierung hat und sich am besten für leichte Workloads oder Prototyp-Workloads eignet.












.webp)
.webp)








