Hva koster AI egentlig?

Hva betaler du egentlig for?

Først litt grunnleggende. AI-modeller opererer i en valuta som kalles tokens. En million tokens tilsvarer omtrent 750 000 ord, og du betaler separat for det du sender inn til modellen og for det den sender tilbake.

Alle kjenner input og output fra kalkulator-verdenen: du putter noe inn, du får noe ut. Men i AI er dette mer komplekst. Når en ansatt ber en AI-modell analysere en rapport på 180 sider, må modellen lese og prosessere alle 180 sidene for å i det hele tatt begynne å formulere et svar. Du betaler for lesearbeidet og for skrivearbeidet. I typisk forretningsbruk sender du inn fire til fem ganger så mye som du får tilbake.

Det som virkelig skiller AI-leverandørene fra hverandre, er prisen på disse to operasjonene. Og her er forskjellene større enn de fleste aner.

55 ganger prisforskjell for nøyaktig samme oppgave

Ta en standard arbeidsoppgave: én million ord sendt inn, 200 000 ord tilbake. Ikke noe eksotisk. Det kan være et juridisk team som analyserer kontrakter, eller en kundeservice-bot som svarer på spørsmål.

Regningen avhenger fullstendig av hvilken modell du valgte:
 

Priser per juli 2026 fra offisielle prislister. Beregnet på 1M input-tokens og 200K output-tokens.
 

Det gir en prisforskjell på 55 ganger mellom ytterpunktene for nøyaktig det samme arbeidet.

For å sette det i perspektiv: å bruke GPT-5.5 til å klassifisere dokumenter er omtrent som å leie inn en erfaren seniorarkitekt for å gi filer nye navn. Resultatet kan bli helt riktig. Det er likevel ikke en fornuftig bruk av ressurser.

Det viktigste spørsmålet er ikke lenger hva er den beste AI-modellen? Det er: hva er den rimeligste modellen som løser akkurat denne oppgaven pålitelig nok?

Det som ikke synes på fakturaen

Den offisielle tokenprisen er toppen av isfjellet.

I 2025 uttalte Bryan Catanzaro, visepresident i Nvidia, at AI-regningen for teamet hans kostet langt mer enn lønningene til de ansatte som bruker den. Det er ikke en kritiker som sier dette. Det er en av de fremste stemmene i selskapet som selger selve infrastrukturen AI kjører på.

Det han beskriver, er det vi kan kalle den fulle AI-kostnaden:

Total AI-kostnad = modellbruk + verktøy + infrastruktur + tilsyn + verifisering + omarbeid + fremtidig vedlikehold

En AI-agent som koster ti dollar å kjøre, men som krever to timer med seniorgranskning etterpå, er ikke en ti-dollar-løsning. Den er en løsning til markedspris for to timer seniorutvikler, pluss ti dollar.

En agent som lager en fungerende funksjon på 20 minutter, men som legger inn en unødvendig abstraksjon eller en sikkerhetssårbarhet, har ikke spart tid. Den har flyttet kostnaden inn i fremtiden.
 

En stor studie fra 2026 gikk gjennom over 304 000 verifiserte kodeendringer laget av AI på tvers av 6 275 offentlige koderepositorier. Mer enn 15 prosent av alle AI-genererte endringer introduserte minst ett problem av typen "kodelukt", og nesten en fjerdedel av problemene var fortsatt til stede i siste versjon av koden. AI fjerner ikke teknisk gjeld. Noen ganger bygger det den raskere.

AI som bruker AI – og regningen som aldri stopper

Her er der det blir virkelig komplisert, og her er der de fleste regnestykker bryter sammen.

En vanlig AI-samtale er enkel: du sender et spørsmål, du får et svar. En AI-agent som skal løse en sammensatt oppgave gjør noe helt annet. Den kan utføre hundrevis av operasjoner i sekvens: lese filer, søke på nett, analysere kode, kjøre tester, identifisere feil, prøve på nytt, spørre en annen agent om å sjekke arbeidet, revidere svaret, og produsere en forklaring til slutt.

Underveis sender den gjerne store deler av den samme informasjonen tilbake til modellen gjentatte ganger. Det betyr at inputkostnaden fort blir langt større enn outputkostnaden.

En forskningsartikkel fra 2026 som studerte agentbaserte kodingsoppgaver, fant at agenter brukte opptil 1000 ganger så mange tokens som en enkel forespørsel til en kodingsmodell. Vel så interessant: gjentatte kjøringer av den samme oppgaven varierte med opptil 30 ganger i tokenforbruk. Og viktigst: mer tokens ga ikke konsekvent bedre resultater.

Systemer med flere agenter forsterker dette ytterligere. Én studie viste at én slik konfigurasjon brukte 3,75 ganger så mange tokens som ett enkelt agentoppsett, og rundt 15 ganger så mange som en enkel chat-samtale.

Parallellen er ikke flaterende, men den er presis: det er AI-ekvivalenten til et møte med tolv deltakere, ingen tydelig ansvarlig og ingen beslutning på slutten. Halvparten trengte ikke bli invitert. Alle gjentar det noen andre allerede har sagt. Og til slutt innser noen at hele greien kunne vært en e-post. Forskjellen er at møtedeltakere koster penger per time, mens AI-agenter koster penger per token. Begge kan bli dyre når ingen bestemmer seg for å stoppe.

Hva betyr dette i praksis?

For å gjøre det konkret, har vi beregnet rene LLM-kostnader for ti standardiserte virksomhetsscenarier. Tallene inkluderer ikke OCR, filhåndtering, verktøy eller menneskelig etterarbeid, men de illustrerer spennvidden.
 

Kilde: Beregninger basert på offisielle prislister, juli 2026. Kurs 1 USD = 9,765 NOK.

De to øverste radene illustrerer noe mange overser: på liten skala er AI overraskende billig. Møtereferater for hundre ansatte koster i verste fall under 3 000 kroner i året i rene modellkostnader. Her er det sjelden selve tokenkostnaden som er problemet. Risikoen ligger i personvern, integrasjoner og brukeratferd.

Men se hva som skjer i bunnen av tabellen. 100 millioner chatter per måned skaper en forskjell på nesten 93 millioner kroner i resultatregnskapet mellom billigste og dyreste modell. Det er ikke lenger en teknisk detalj. Det er en styresak.

Rangeringslister forteller deg ikke nok

Det er fristende å la en offisiell test avgjøre hvilken modell man velger. Men dette rådet er mindre nyttig enn det var for to år siden.
 

Stanfords AI Index 2026 fant at tester som var ment å forbli krevende i årevis, noen ganger er fullstendig løst på noen måneder. Rapporten pekte også på at andelen feil eller ugyldige testspørsmål varierer fra 2 til 42 prosent på tvers av mye brukte evalueringsverktøy. I mars 2026 lå modeller fra Anthropic, xAI, Google, OpenAI, Alibaba og DeepSeek innenfor 25 poeng av hverandre på den mest brukte rangeringen.
 

En modell som scorer høyt på matematisk resonnement, kan prestere svakt på å tolke en tvetydig kundebrief. En modell som er god på avgrenset koding, kan slite med å forstå de uskrevne konvensjonene i en plattform som har vokst frem over ti år. En modell som lager imponerende prototyper, kan produsere kode som er smertefull å vedlikeholde.

AI-agenter nådde 66,3 prosent nøyaktighet på en standardtest for operativsystemoppgaver i 2026, opp fra 12 prosent. Men det betyr fortsatt feil i ett av tre forsøk, under kontrollerte testforhold.

Den eneste testen som virkelig sier noe om din virksomhet, er én basert på din virksomhets faktiske oppgaver.

Riktig modell til riktig jobb

En god tommelfingerregel: koder du noe, bør du tenke annerledes enn om du svarer på kundespørsmål.
 

Anthropic og Mistral er sterkt posisjonert for programmering og agentisk koding. Mistral Medium 3.5 scorer 77,6 prosent på den anerkjente SWE-bench Verified-testen. Google Gemini 3.5 Flash og Mistral OCR 4 er spesielt godt egnet for dokumentanalyse og store kontekstvinduer. 

For høyvolumsoppgaver der pris er det kritiske parameteret, er DeepSeek V4-Flash det åpenbare valget, forutsatt at dataene tåler å reise til kinesisk infrastruktur.
 

For virksomheter med krav til europeisk databehandling er Mistral et naturlig ankerfeste.

Det som er avgjørende å forstå, er at de fleste større AI-systemer i 2026 ikke kjører én modell. De kjører modellruting: en arkitektur som automatisk sender enkle, volumtunge oppgaver til billige modeller, og eskalerer til dyrere modeller bare når oppgaven faktisk krever det. 80 til 95 prosent av trafikken kan håndteres i standardsporet. Resten eskalerer. Det er forskjellen mellom en AI-kostnad som skalerer med inntekten, og én som spiser den.

Hva skjer fremover?

Noen observasjoner og gjetninger:

Prisene fortsetter å falle. Modellene blir bedre og billigere. Det som kostet ti dollar for to år siden, koster i dag 20 cent. Denne trenden vil fortsette, men ikke på alt: premium-sporet vil beholde sin prising fordi det finnes oppgaver der feil har store konsekvenser, mens lavpris-sporet vil presse prisene videre ned.
 

Spesialisering øker. I stedet for generalistmodeller som er gode på alt og exceptionelle på ingenting, ser vi stadig mer spesialiserte modeller: én for OCR(Optical Character Recognition), én for kode, én for flerSpråklig support, én for lange dokumenter. Det gir bedre ytelse til lavere kostnad, men krever mer kunnskap om hva man velger og hvorfor.
 

Valget mellom modellene blir viktigere, ikke vanskeligere. Paradoxet er at jo billigere AI blir per oppgave, jo mer avgjørende blir valgene om arkitektur, ruting og bruk. I et marked der den billigste og dyreste modellen koster det samme, er det riktige valget ganske enkelt. I et marked der de skiller seg med 55 ganger, er det et konkurransefortrinn.
 

AI blir stadig billigere å bruke. Valgene du tar, blir stadig viktigere for konkurransekraften. Det er kanskje det mest interessante skiftet av alle.

Åtte prinsipper for lønnsom AI-bruk
 

1. Bruk den rimeligste modellen som består testen. Start med de billigste alternativene og eskaler kun ved behov.

    

2. Regn på skalaen tidlig. Marginene ved ti millioner forespørsler ser radikalt annerledes ut enn ved ti tusen.
    
3. Bygg modellruting fra dag én. La arkitekturen skille mellom billig standardtrafikk og dyre spesialoppgaver.
    
4. Utnytt caching og batch-rabatter. Mistral tilbyr 50 prosent rabatt på batch-oppgaver. Caching reduserer inputkostnaden dramatisk.
    
5. Mål den menneskelige tiden som brukes etterpå. Tokenprisen er bare en del av den reelle kostnaden.
    
6. Gi agenter klare stoppbetingelser. Sett grenser for kostnad, tid og antall forsøk.
    
7. Vurder datasuverenitet separat fra pris. Europeisk infrastruktur koster noe ekstra. For mange norske virksomheter er den kostnaden riktig.
    
8. Evaluer løpende. Modellene og prisene endres konstant. Det som var riktig i fjor, er sannsynligvis feil i dag.

DAYTWO er et kreativt teknologiselskap som bygger digitale produkter og tjenester for virksomheter med komplekse forretningsmodeller. Vi kombinerer strategi, design og teknologi i ett og samme team – fra første idé til system i drift.

daytwo.no

Selskaper som stille bytter leverandør – til Kina

Det foregår noe i markedet som ikke snakkes høyt om i pressemeldinger, men som diskuteres bak lukkede dører i IT-avdelinger og styrerom verden over: mange selskaper tester nå, eller allerede bruker, kinesiske AI-modeller i produksjon. Noen gjør det åpent. Mange gjør det uten at ledelsen vet om det.
 

Logikken er brutal enkel. DeepSeek V4-Flash koster $0,14 per million input-tokens. GPT-5.5 koster $5,00. For et selskap som kjører titalls millioner forespørsler per måned, er det en forskjell på titalls millioner kroner i året. Finansdirektøren trenger ikke forstå tokens for å forstå det regnestykket.
 

Ytelsesforskjellen mellom de sterkeste kinesiske og amerikanske modellene er, ifølge Stanford AI Index 2026, nede i 2,7 prosent på de mest brukte testene. Alibaba og DeepSeek konkurrerer i dag i same liga som OpenAI og Anthropic.
 

Så hva er problemet? 

Det første er datahåndtering. Når du sender tekst til DeepSeek, behandles den på kinesisk infrastruktur. Ifølge kinesisk lovgivning kan myndighetene kreve tilgang til data som lagres eller behandles av kinesiske selskaper. Det er ikke en hypotetisk risiko, men realitet. For virksomheter som håndterer persondata (GDPR), forretningshemmeligheter, helse- eller finansinformasjon, kontraktsmateriale eller informasjon som kan regnes som sensitiv ut fra bransjeregulering, er dette et reelt problem.
 

Det andre er geopolitisk risiko over tid. API-tilgang kan stenges, priser kan endres, og politiske spenninger kan påvirke tilgjengelighet. Et system bygget rundt én leverandør, uansett hvilken, er sårbart.
 

Det som likevel er sant, er at for mange virksomheter er en del av AI-bruken reelt sett uproblematisk å kjøre på kinesisk infrastruktur. Produktbeskrivelser, generelle tekstsammendrag, offentlig tilgjengelig innhold, intern brainstorming. Her er DeepSeek et legitimt valg, og mange bruker det allerede.
 

Svaret er ikke å forby eller å godkjenne kinesiske modeller som kategori. Det er å ta dataklassifisering seriøst: hvilken informasjon sendes til hvilken modell, og hvilken infrastruktur behandler den? Det er en arkitekturbeslutning, ikke bare en etisk preferanse.