Hvilken AI-agent er billigst i 2026: prisen på én løst opgave

Kort sagt: Det giver ingen mening at sammenligne AI-agenter ud fra abonnementsprisen eller prisen pr. token. For de samme penge kan én agent måske løse fem opgaver, eller måske kun én – det afhænger af, hvad der gemmer sig under motorhjelmen. Der er kun ét ærligt mål her: Hvor meget det koster at løse én opgave, når agenten faktisk har fået den til at fungere.

Nedenfor viser jeg formlen for denne pris og beregner den med udbydernes priser fra begyndelsen af september 2026. Jeg bruger eksempelværdier for forbruget og gør det tydeligt: Dine tal vil være dine egne. Du kan selv genberegne alt nedenfor; der er ingen løfter om besparelser og ingen magiske kombinationer.

Se Ailoot-dokumentationen for information om, hvordan du bruger tjenesten.

Hvorfor fortæller månedsprisen dig ikke, hvilken agent der er billigst?#

De fleste ser på abonnementsprisen, når de vælger. Den ene agent koster 20 dollars om måneden, den anden 200, og det ser ud, som om den første giver ti gange så meget for pengene. I virkeligheden fortæller denne sammenligning dig intet: Et abonnement måler adgang, ikke det udførte arbejde.

Forestil dig to taxaer med et fast månedligt gebyr. Den ene får dig frem til det ønskede sted i første forsøg, mens den anden drejer forkert på halvdelen af turene, så du må ringe igen. Deres abonnementer kan være ens, men i praksis kommer du frem til din destination for halvdelen af prisen med den første. Det er det samme med agenter: Du betaler det samme abonnement, men hvor mange opgaver du løser, afhænger af, hvad der gemmer sig under motorhjelmen.

Det er bedst at holde abonnementet adskilt fra diskussionen om prisen på en opgave. Fordelen ved abonnementet er, at beløbet er forudsigeligt. Jeg har en separat gennemgang af valg af prismodel – abonnement, betaling efter forbrug eller specialudvikling – i hvad prisen på en AI-agent består af. Denne artikel handler om et andet spørgsmål: Uanset betalingsmodel, hvilken agent leverer resultater til den laveste pris?

Hvorfor er prisen pr. token også misvisende?#

Den næstmest populære måde at sammenligne på er at se på prisen pr. token. En token er et stykke tekst, omtrent en del af et ord; den måler både det, du sender til modellen, og det, den skriver som svar. Udbyderne offentliggør priser pr. million tokens, og priserne varierer meget fra model til model. Det virker logisk: Vælg modellen med den lavere pris, og betal mindre.

Fælden er, at prisen pr. token er prisen på råmaterialet, ligesom prisen på benzin pr. liter. Det, du går op i, er prisen på hele turen; en liter i sig selv fortæller dig ikke ret meget. En agent løser en opgave i mange trin: Den gennemser filer, kører kommandoer, læser fejl, omskriver kode og sender konteksten til modellen igen ved hvert trin. En samtale med en agent kan let blive til snesevis af forespørgsler, som hver bruger tokens.

Det fører til to effekter, der ødelægger en direkte prissammenligning. En billig model er ofte mindre kapabel, så den bruger flere unødvendige trin og prøver at løse opgaven flere gange med forskellige metoder – og bruger flere tokens. Den formår også oftere ikke at få opgaven til at fungere, og så er de brugte tokens spildt. Jeg gennemgår i detaljer, hvordan regningen vokser, i sådan beregner du API-tokenforbrug og separat i hvorfor vibe coding koster mere, end det ser ud til.

Hvad koster én løst opgave?#

Nu til det mål, denne artikel handler om. Du skal beregne prisen på ét resultat, der er bragt helt i mål; hverken abonnementsprisen eller tokenprisen kan bruges til det. Formlen er enkel:

1. Tag prisen på én agentkørsel på en opgave – prisen på alle de tokens, den bruger i ét forsøg.
2. Skøn andelen af opgaver, som agenten faktisk får til at fungere.
3. Divider det første tal med det andet for at få prisen på én løst opgave.

Her er grunden til, at du dividerer. Hvis en agent løser syv ud af ti opgaver, går tre af de ti kørsler til spilde, men du betalte for alle ti. Det betyder, at prisen på de ti kørsler fordeles på syv fungerende resultater, hvilket gør hvert resultat dyrere end én enkelt kørsel. Jo lavere succesrate, desto højere pris pr. fungerende opgave.

»Andelen af løste opgaver« kan måles. Den måles med benchmarks som SWE-bench: En agent får virkelige fejl fra virkelige projekter og indsender rettelser, som systemet kontrollerer med automatiserede tests. Procenttallet i tabellen er andelen af løste opgaver. Men en laboratorieprocent er ikke det samme som din: Din andel i dit eget projekt vil være anderledes, så betragt benchmarken som et referencepunkt, ikke et løfte. Jeg forklarer separat, hvordan du læser disse tabeller, i artiklen om ranglisten over AI-kodeagenter.

Hvilke tre faktorer udgør prisen på en opgave?#

Lad os dele prisen op i dens bestanddele, så vi kan se, hvor de ekstra udgifter gemmer sig.

Først: prisen pr. token. Modellens grundpris: Hvad en million inputtokens og en million outputtokens koster. Der kan være flere snese ganges forskel på en tung model og en let model.

Dernæst: tokenforbruget pr. opgave. Hvor meget tekst agenten sender gennem modellen i ét forsøg. Det afhænger af, hvor stor opgaven er, hvor mange filer agenten læser igen, og hvor mange trin den tager. En intelligent model bruger ofte mindre, fordi den når frem til en løsning på færre trin, og det ses straks på regningen.

For det tredje: andelen af løste opgaver. Procentdelen af forsøg, der ender med et fungerende resultat. Faktoren dividerer den samlede pris: Med samme pris pr. kørsel betaler du ved en succesrate på 40 procent dobbelt så meget pr. fungerende opgave som ved 80 procent. Det fastslår ikke, hvilken faktor der betyder mest, når priser og forbrug også ændrer sig.

Al forvirringen omkring sammenligninger skyldes, at folk kun ser på det første tal – prisen pr. token. Men alle tre tal afgør den endelige pris. En lav pris med stort forbrug og lav succesrate kan let ende med at koste mere end en høj pris med lavt forbrug og høj succesrate.

At kombinere de tre tal til et fungerende setup kræver, at du måler dem sammen. Arbejdsmetoden her har tre grundpiller: en AI-klon, en Second Brain og kontekstteknik. Ren kontekst kan reducere tokenforbruget og forbedre succesraten; modelvalg og tokenpriser indgår fortsat i den samlede pris.

Hvad koster en kørsel med forskellige modeller?#

For at gøre formlen konkret beregner jeg prisen på en kørsel med de faktisk oplyste priser. Jeg bruger en eksempelopgave af en vis kompleksitet, hvor agenten bruger omkring 300,000 inputtokens pr. forsøg (ved at læse projektet og fejl igennem igen over mange trin) og omkring 40,000 outputtokens. Igen er dette et regneeksempel, ikke en måling; dit forbrug vil være anderledes.

Her er priserne pr. million tokens ifølge udbydernes officielle prislister fra begyndelsen af september 2026:

Du kan kontrollere formlen med et virkeligt eksempel fra Anthropics dokumentation. For en forespørgsel til Opus 5 med 50,000 inputtokens og 15,000 outputtokens viser den denne beregning:

Med andre ord lægges input og output sammen ved hjælp af deres respektive priser – præcis som i formlen. Det eneste, der mangler, er at dividere prisen på kørslen med andelen af løste opgaver, og det er her, en lav pris begynder at opføre sig uventet.

Hvorfor kan en billig model gøre en opgave dyrere end en kraftfuld model?#

Jeg sammenligner her to hypotetiske forløb ud fra prisen pr. resultat. Både kørselspris, samlet forbrug og succesrate indgår; eksemplet afgør ikke, hvilken faktor der generelt betyder mest.

Sonnet 5: En kørsel koster cirka en dollar, og for vores eksempelopgave kan vi sige, at den løser 70 procent af forsøgene. Prisen på én fungerende opgave er én dollar divideret med 0.7, altså cirka 1.40 dollars.

Haiku 4.5: Grundkørslen i regneeksemplet koster cirka 50 cent, og tokenprisen er halvt så høj. Vi antager her 1.6 gange så mange tokens og 40 procents succesrate, uden at udlede de tal af modellens kategori. Med disse antagelser koster en fungerende opgave cirka 2 dollars. Mål selv forbrug og komplette forsøg for at afgøre, om de gælder for din arbejdsbyrde.

I regneeksemplet gav modellen med den halve tokenpris en dyrere opgave på grund af det antagne større forbrug og den lavere succesrate. Det illustrerer, hvordan billigt råmateriale kan føre til et dyrere resultat, når mere bruges og færre forsøg lykkes; det er ikke en måling af de navngivne modellers faktiske resultater.

Et forbehold: Jeg har brugt succesrater på 70 og 40 procent samt eksempelværdier for tokenforbruget til at vise, hvordan mekanikken fungerer. Dine tal vil være anderledes, og det er fuldt ud muligt, at en let model håndterer din arbejdsbyrde godt og stadig er den billigste. En dyrere model giver ikke nødvendigvis mere for pengene; sammenlign prisen pr. resultat med dine egne tre tal.

Sådan beregner du din pris pr. opgave: tre profiler?#

For at anvende dette på dit eget arbejde skal du vurdere, hvilken profil der passer bedst. Formlen forbliver den samme; kun de tre tal ændres.

Profil et: enkle, gentagne opgaver. Omskrivning af tekst, organisering af data, en mindre kodeændring. Test, om en let model som Haiku eller DeepSeek V4-Flash opfylder dine acceptkriterier med lavt forbrug og få gentagne forsøg. Sammenlign den målte pris pr. fungerende resultat med en anden kandidat, før du kalder nogen af dem billigst eller betragter Opus som overbetaling.

Profil to: komplekst arbejde med ukendt kode. At forstå en andens projekt, rette en ikke indlysende fejl, bygge en ny funktion. Mål komplette forsøg på disse opgaver. En model med højere tokenpris kan koste mindre pr. brugbart resultat, hvis bedre succesrate eller lavere forbrug opvejer prisen. Fordelen skal dog vises af dine resultater frem for antages ud fra modellens kategori.

Profil tre: en blandet arbejdsbyrde. Sammenlign én model til alt med en fordeling af rutineopgaver og svære opgaver mellem forskellige kandidater. Medregn forbrug, fejl og rettelsesarbejde for hele arbejdsbyrden. Fordeling kan forbedre prisen pr. resultat, men artiklen har ikke målt den som den billigste løsning. Mange agenter lader dig skifte model, mens du arbejder.

Beregn hver profil separat med den samme formel, så kan du se, hvor det koster mindst.

Hvad er den mest almindelige fejl, folk begår, når de vælger?#

Jeg ser fejlen hele tiden: Nogen finder modellen med den laveste pris pr. Til rutineopgaver kan valget spare penge, hvis modellen leverer brugbare resultater med lavt forbrug og få rettelser. Til svære opgaver kan flere forsøg, genlæsninger eller fejl omvendt øge prisen pr. resultat. Det er udfald, du skal måle på de samme opgaver, ikke sikre egenskaber ved en model med lav tokenpris.

Den modsatte fejl er også mulig: Du kan betale for meget for en dyr model, hvis en anden opfylder samme krav til lavere samlet pris. Hvis en måling for eksempel viser, at en let model løser opgaven til en tredjedel af prisen, er prisforskellen relevant for netop den opgave; den er ikke fastslået alene af modellens kategori.

En bemærkning om min egen tilgang. Jeg arbejder med Claude Code og et abonnement; jeg bruger ikke det almindelige API til dagligt arbejde, fordi jeg foretrækker et forudsigeligt beløb frem for en måler, der kører. Min erfaring er, at ren kontekst og en tydelig opgave kan forbedre succesraten og reducere forbruget. Det fastslår ikke, at metoden betyder mere end modellens pris. Mål pris, forbrug og brugbare resultater på samme opgaver, inklusive gentagne forsøg og rettelser.

Så hvilken agent er billigst?#

Der findes ikke én »billigste« agent, og nu kan du se hvorfor: Prisvenlighed måles på prisen pr. resultat, og den varierer med arbejdsbyrden. Abonnementsprisen og prisen pr. token er misvisende her. Beregn prisen på kørslen, indsæt din egen andel af løste opgaver, divider, og sammenlign i stedet disse tal – luk derefter prissiden.

En sidste ting. Prisen pr. løst opgave afhænger af modellens priser, tokenforbruget på tværs af alle forsøg og andelen af opgaver, der faktisk lykkes. Kontekst og arbejdsmetode kan ændre forbruget og succesraten, og det kan et modelskift også. De illustrative succesrater ovenfor måler ikke, hvilken faktor der betyder mest. Sammenlign modeller på de samme repræsentative opgaver, medregn gentagne forsøg og menneskelige rettelser, og vælg ud fra den målte pris pr. brugbart resultat.

Vibe coding-metoden her kombinerer en AI-klon, en Second Brain og kontekstteknik. Ren kontekst og struktureret arbejde kan påvirke tokenforbruget og succesraten. Sammenhold disse målinger med modellens priser; hverken metode eller pris kan alene afgøre prisen pr. løst opgave.

Lær Ailoot at kende.