Hvad koster AI-modeller i 2026?

Tokens er den nye enhed i AI-budgettet

Når virksomheder spørger, hvad en AI-model koster, leder de ofte efter en månedspris. Det findes for chatprodukter, men for API-brug er den vigtigste enhed tokens. Tokens er de små tekstdele, modellen læser og skriver. Du betaler typisk for input, altså det du sender ind, og output, altså det modellen svarer tilbage. Lange dokumenter, mange eksempler, store systemprompts og udførlige svar gør derfor løsningen dyrere.

Pr. august 2026 viser OpenAI sin modeloversigt med GPT-5.6 Sol, Terra og Luna på forskellige prisniveauer. OpenAI angiver blandt andet Sol til 4 USD pr. million inputtokens og 20 USD pr. million outputtokens, Terra til 2 USD og 12 USD, og Luna til 0,20 USD og 1,20 USD. Anthropic viser Claude Fable 5 til 10 USD pr. million inputtokens og 50 USD pr. million outputtokens. Se altid de aktuelle sider hos OpenAI↗ og Anthropic↗, før du bruger tallene i et tilbud.

Det betyder, at AI-budgetter ikke bør bygges på modelnavn alene. De bør bygges på antal opgaver, gennemsnitlig promptlængde, forventet svarlængde, cachemuligheder, fejlrater og hvor ofte en medarbejder skal rette output.

Hvorfor den dyreste model ikke altid er dyrest

En billig model kan være dyr i praksis, hvis den kræver fem forsøg, mange rettelser og konstant menneskelig styring. En dyr model kan være billigere pr. færdig opgave, hvis den rammer kvaliteten hurtigere. Derfor bør virksomheder regne på pris pr. løst opgave, ikke kun pris pr. token.

Forestil dig en intern analyse, hvor en let model skal have dokumenterne delt i små bidder, misforstår sammenhængen og kræver flere gentagelser. Her kan den samlede tokenmængde og mennesketid blive høj. En stærkere model med større kontekst og bedre ræsonnement kan koste mere pr. token, men stadig være bedre, hvis den afleverer et brugbart første udkast.

Omvendt er den stærkeste model ofte spild til klassifikation, simple resumeer, tagging, oversættelse af korte tekster eller standardiserede kundesvar. Den slags bør som regel køres på en billigere model, så budgettet reserveres til opgaver, hvor kvaliteten faktisk flytter noget.

De fire budgetposter virksomheder overser

Den første oversete post er outputtokens. Mange regner kun på input, men lange svar er ofte dyrere end lange prompts. Hvis din løsning genererer rapporter, artikler, kode eller beslutningsnotater, kan outputdelen dominere regningen. Begræns derfor svarlængden, hvor det giver mening, og bed modellen levere struktureret, kort og brugbart.

Den anden post er gentagelser. Dårlige prompts, uklare instruktioner og manglende testdata gør, at den samme opgave køres igen og igen. Et lille promptbibliotek og gode evalueringscases kan sænke forbruget mærkbart, fordi hver opgave lander tættere på rigtigt første gang.

Den tredje post er retrieval og filer. Når modellen skal læse viden fra dokumenter, websites eller databaser, kommer der ofte ekstra tokens til udvalgt kontekst. Det er ikke nødvendigvis dårligt, men det skal styres. En intern vidensbase skal returnere de rigtige afsnit, ikke hele virksomhedsarkivet.

Den fjerde post er udvikling og drift. API-prisen er kun motoren. Du skal også betale for integration, logging, adgangsstyring, databehandling, overvågning og løbende justering. Det er her, en løsning går fra demo til noget, medarbejdere tør bruge.

Sådan vælger du modelniveau

Del dine use cases efter risiko og kompleksitet. Lavrisikoopgaver er korte, reversible og nemme at kontrollere. Her kan en billig model ofte være nok. Mellemrisikoopgaver kræver kontekst og faglig vurdering, men kan stadig godkendes hurtigt af en medarbejder. Højrisikoopgaver påvirker kunder, økonomi, jura, kode eller strategi, og her bør du bruge en stærkere model plus menneskelig kontrol.

Til dansk marketing kan lavrisiko være emneklassifikation, annonceideer og korte udkast. Mellemrisiko kan være content briefs, SEO-analyser og opsummering af kampagner. Højrisiko kan være automatiserede anbefalinger til budgetflytning, større kunderapporter eller tekniske ændringer på websites.

Hvis du arbejder med AI i marketing, kan du med fordel starte med to modeller: en billig hverdagsmodel og en stærkere kontrolmodel. Den billige model laver volumenarbejdet. Den stærkere model gennemgår vigtige svar, finder fejl og håndterer svære opgaver. Det er ofte mere robust end at vælge én model til alt.

Sådan regner du på et API-projekt

Start med en realistisk opgave. Hvis din løsning skal analysere supporthenvendelser, så tag 100 anonymiserede henvendelser og mål tokenforbruget. Hvis den skal skrive produkttekster, så brug faktiske produktsider. Hvis den skal hjælpe med rapporter, så test på en rigtig rapportpakke. Teoretiske estimater bliver hurtigt for pæne.

Beregn derefter tre scenarier: lavt forbrug, normalt forbrug og spidsbelastning. Spidsbelastning er vigtig, fordi AI ofte bliver dyrere, når brugerne først opdager, at værktøjet virker. Sæt forbrugslofter, og log hver kørsel med opgavetype, model, inputtokens, outputtokens og om svaret blev brugt.

Kobl også beregningen til drift. En løsning til AI-automatisering skal have fallback, hvis modellen fejler, svarer for langsomt eller rammer en begrænsning. Hvis den bruges i kundevendte flows, skal fejl håndteres pænt og sikkert.

Beslutningen i praksis

AI-modeller i 2026 er billige nok til mange hverdagsopgaver og dyre nok til, at dårlig arkitektur stadig kan koste. Den rigtige beslutning er sjældent at købe den billigste model. Den er at designe en modelstrategi, hvor hver opgave får det nødvendige niveau af intelligens, fart og kontrol.

En nyttig budgetregel er at sætte kroner på usikkerhed. Hvis en model bruges til et kundevendt svar, en teknisk anbefaling eller en beslutning om annoncebudget, bør den koste mere kontrol end en intern brainstorm. Det kan betyde stærkere model, dobbelt review eller en ekstra kildekontrol. Hvis modellen bruges til masseklassifikation, skal budgettet i stedet beskyttes med korte prompts, begrænset output og klare stopregler.

Priserne skal altid tjekkes pr. august 2026 hos udbyderne, fordi de ændrer sig. Men selve regnemetoden holder: vælg opgaver, mål tokens, medregn mennesketid, og sammenlign pris pr. godkendt resultat. Læs også om ChatGPT-priser til virksomheder og om AI-leverandørrisiko, før du binder kritiske processer op på én leverandør.

Priserne på GPT-6 Astra står i vores gennemgang af Astra og Codex.