Hvilken AI-modell bør du bruke til hver oppgave, og hvordan unngår du å betale for mye?

Kort sagt: La en kraftig modell tenke, og en enklere modell utføre. La en flaggskipmodell lage planen og ta komplekse avgjørelser (GPT-6 Astra, Claude Fable 5.1 eller Claude Opus 5.5), bruk en mellomklassemodell når planen er ferdig, og la den billigste modellen som kan håndtere dem ta rutineoppgaver og agentkall i bakgrunnen. Samtidig bør du kontrollere resultatet: Jo billigere modellen er, desto grundigere må du gå gjennom arbeidet den gjør. Ellers forsvinner besparelsen i etterarbeid.

Nedenfor er en «oppgave → modell»-tabell som den opprinnelige forfatteren publiserte i et åpent repositorium 23. september 2026. Hovedmodellene i tabellen er hans personlige valg basert på arbeidserfaring. Tabellen er ikke basert på noen sammenlignende test, og de samme resultatene er ikke garantert for andre oppgaver. Jeg har valgt de fleste av de rimeligere alternativene ut fra offentlige rangeringer og utviklernes egne anbefalinger. Valget mitt av Opus 5.5 for kode er også basert på erfaring. Prisene i originalmaterialet ble kontrollert mot de offisielle sidene til OpenAI og Anthropic per 23.09.2026.

Du finner flere instruksjoner om bruk av Ailoot i dokumentasjonen.

Hvorfor det er dyrt å bruke én modell til alt#

Hvis du betaler for tokens via en API, koster hver oppgave som kjøres med en flaggskipmodell flaggskipprisen, selv når en enklere modell hadde vært tilstrekkelig. Med et abonnement bør du ta hensyn til grensene for abonnementet og den valgte modellen: Sjekk dem på abonnementssiden. Du finner en egen artikkel om hvordan Claude-abonnementsgrenser fungerer og hva som bruker dem opp: Slik unngår du å bruke opp Claude Code-grensene på én dag. Denne artikkelen handler om å velge en modell til en bestemt jobb.

Offisielle API-priser per 1 million tokens per 23.09.2026:

Tenk deg at en agent kjører med 100 tusen input-tokens og 10 tusen output-tokens. Dette er et regneeksempel basert på grunnpriser uten hurtigbufring, ikke en måling av en reell oppgave. En slik kjøring koster omtrent $1,5 med GPT-6 Astra eller Fable 5.1, $0,6 med Opus 5.5, $0,3 med Sonnet 5 eller GPT-6 Sol, $0,15 med Haiku 4.5 og $0,015 med GPT-6 Luna. I denne beregningen er flaggskipmodellen hundre ganger dyrere enn den billigste modellen. Se Slik beregner du API-tokenbruk for detaljer om hvordan du beregner en slik kjøring med dine egne volumer.

To merknader om prisene. For GPT-6-modeller faktureres forespørsler med mer enn 272 tusen input-tokens i sin helhet til en høyere sats: input til dobbelt sats og output til halvannen ganger satsen. Batch-forespørsler koster halvparten av standardprisen hos både OpenAI og Anthropic.

Regelen: Tenk med en kraftig modell, utfør med en billig modell#

Videre arbeid avhenger av planen, så jeg sparer ikke på den og bruker den kraftigste modellen. En enklere modell kan skrive ut fra en ferdig plan, samle inn data, gi chatter nye navn og oppsummere samtaler.

Jeg følger også tre andre regler når jeg velger modell:

1. Jo billigere modellen er, desto grundigere må du kontrollere arbeidet. Det tar også tid for deg å gå gjennom det.
2. Sammenlign prisen på et ferdig resultat, ikke på én forespørsel. Opus 5.5 er for eksempel 2,5 ganger billigere enn Fable 5.1 for både input og output. Hvis etterarbeid gjør at Opus bruker tre ganger så mange input- og output-tokens på en oppgave, ender det med å koste mer. Tiden du bruker på gjennomgang, kommer i tillegg til tokenkostnadene. Artikkelen Hvilken AI-agent er billigst: kostnaden for én løst oppgave forklarer hvordan du beregner kostnaden for et resultat.
3. Hvis en modell ikke passer for deg, kan du prøve en annen. Det finnes ingen entydig vinner; hver modell har sine styrker og begrensninger.

Å velge modell er én del av arbeidet med en AI-agent.

Tabell: oppgave → modell#

Kolonnen «Hovedmodell» viser modellene jeg bruker selv. Den neste kolonnen viser alternativer, hvorav de fleste er valgt ut fra offentlige rangeringer og anbefalinger fra utviklerne. Jeg velger også Opus 5.5 for kode basert på egen erfaring. Kontroller resultatene fra en billigere modell grundigere. Alternativene for rutineoppgaver har ulike betalingsordninger, så dette valget blir ikke nødvendigvis billigere.

Strategi og planer. En feil i planen kan føres videre til senere trinn. Her bruker jeg den kraftigste modellen. GPT-6 Sol er et rimeligere alternativ: OpenAI posisjonerer den for kompleks kode og agentscenarioer.

Kode. Jeg bruker Fable 5.1 til kode. Anthropic anbefaler imidlertid å starte med Opus 5.5 for de fleste oppgaver og bruke Fable 5.1 til kompleks resonnering og langvarig agentarbeid, eller når Opus med høyt resonneringsnivå ikke kan håndtere oppgaven. Via API-en koster Opus 5.5 2,5 ganger mindre. Etter min erfaring koster det også mindre å arbeide med den. Hvis planen er klar, kan en billigere modell skrive ut fra den. Se GPT-6 Astra eller Claude Fable 5.1: Hvilken bør du velge? for en detaljert sammenligning av de to flaggskipmodellene for kode.

Skriving. Hvis teksten er ment for en kunde, bruker jeg en kraftig modell. Sonnet 5 er et rimeligere alternativ: Anthropic omtaler den som den beste balansen mellom hastighet og intelligens. Kontroller resultatet grundigere.

Tall og økonomi. Også her bruker jeg en kraftig modell. Dette er mitt valg basert på arbeidserfaring, ikke resultatet av en sammenlignende test. Men selv en kraftig modell fjerner ikke behovet for kontroll: Verifiser tall mot primærkilden. Ikke send økonomiske eller personlige opplysninger til gratis abonnementer der vilkårene tillater at dataene dine brukes.

Søk og research. Jeg bruker Sonnet 5 til enkle oppgaver og søk; det er basert på min erfaring. GPT-6 Luna er et rimeligere alternativ: OpenAI posisjonerer den for repetitive oppgaver i stort volum.

Rutineoppgaver. Rutineoppgaver gjentas ofte, så kostnadene for enkeltkjøringer summeres opp. Jeg bruker Kimi K3 med et Kimi Code-abonnement. DeepSeek Flash er et alternativ med API-basert fakturering. Dette er ulike betalingsordninger, og hvilken som koster minst, avhenger av volumet ditt.

Dette sparer jeg ikke på#

Disse reglene er basert på min praksis. Jeg har ikke testet dem i en sammenlignende studie.

• Planlegging og arkitektur. En feil i planen kan føres videre til senere trinn.
• Tall og økonomi. Her bruker jeg en kraftig modell og kontrollerer likevel tall mot primærkilden.
• Kontroll av resultatet. Jo billigere modellen som utførte oppgaven er, desto grundigere må du kontrollere arbeidet.

Samtaleoppsummering avgjør hva en agent husker fra en lang samtale, og en altfor svak modell kan miste viktig informasjon. Du kan overlate oppsummeringen til en billig modell, men kontroller kvaliteten på dine egne oppgaver.

Slik flytter du bakgrunnsoppgaver i Hermes Agent til en billig modell#

I tillegg til hovedarbeidet utfører en agent hjelpeoppgaver: Den finner på chatnavn, oppsummerer lange samtaler, analyserer bilder og avgjør om en kommando kan godkjennes automatisk. I Hermes Agent kalles disse hjelpeoppgaver. Som standard er hver oppgave satt til auto: Hovedmodellen din håndterer den. Hvis hovedmodellen er en flaggskipmodell og du betaler via API-en, faktureres også hjelpeoppgavene til flaggskipprisen.

For godkjenning av kommandoer i smart-modus anbefaler Hermes-dokumentasjonen en billig og rask modell og kaller bruk av dyre modeller sløsing. For kontekstoppsummering og oppsummering av nettsider – det vil si å gjenfortelle dem kort – anbefaler den også en rask modell i stedet for en dyr resonneringsmodell.

Fremgangsmåte:

1. Koble til en leverandør for den billige modellen på forhånd, med en nøkkel. Ifølge Hermes-dokumentasjonen faller systemet tilbake til standardalternativet hvis du tilordner en leverandør uten nøkkel til en oppgave, og en advarsel blir skrevet til loggen agent.log. I auto-modus hopper Hermes over oppgaven med en advarsel hvis hovedmodellen ikke kan utføre den og ingen reservekjede er konfigurert. Den bytter ikke til andre tilkoblede leverandører.
2. Åpne Hermes-nettpanelet og gå til Models → Model Settings → Auxiliary tasks → Configure. På raden for oppgaven du trenger (for eksempel Compression, Title Gen, Vision) klikker du på Change, velger en leverandør og modell og klikker deretter på Switch. Hermes-dokumentasjonen viser i stedet til en Show auxiliary-knapp for dette; etikettene varierer med versjonen.
3. Eller angi de samme innstillingene i ~/.hermes/config.yaml. Eksempel fra Hermes-dokumentasjonen: Bildeanalyse (vision) med en rask modell.

Finn veiledninger for verktøy i Ailoot-dokumentasjonen

For chatnavn foreslår dokumentasjonen at du fester en rask modell eller setter auxiliary.title_generation.prefer_fast_model: true. Da velger Hermes en rask modell fra leverandøren din.

4. Åpne en ny økt. Modellendringer gjelder bare nye økter; chatter som allerede er åpne, fortsetter med de gamle innstillingene. Hvis du redigerte config.yaml manuelt og en ny økt ikke tok i bruk innstillingen, starter du Hermes på nytt.

Slik kontrollerer du det. Oppgaveraden skal vise provider · model i stedet for auto (use main model). Hvis det fortsatt står auto, bruker oppgaven fortsatt hovedmodellen. Klikk på Reset all to auto for å føre alle oppgaver tilbake til hovedmodellen.

For bakgrunnsoppgaver viser tabellen GPT-6 Luna, Gemini 3.8 Flash, DeepSeek Flash og Claude Haiku 4.5. Velg blant leverandørene du allerede har koblet til. Hvis du kobler til OpenAI-modeller via en ChatGPT / Codex-abonnementsleverandør, og GPT-6 Sol og GPT-6 Luna ennå ikke står oppført blant Hermes-modellene dine, anbefaler tabellen GPT-5.6 Sol eller GPT-5.6 Luna. Ifølge Anthropic-siden blir Haiku 4.5 ikke avviklet før tidligst 15. oktober 2026. Det finnes ingen nøyaktig dato, så sjekk statusen før da.

Dette tar ikke tabellen med#

• Spareprosenter. Jeg har ikke målt dem. Hvor mye du sparer, avhenger av oppgavene dine og modellene du velger.
• Nøyaktig bruk av abonnementsgrenser. Hermes-dokumentasjonen beskriver ikke nøyaktig hvordan forespørsler fra Hermes bruker ChatGPT-abonnementsgrenser.
• Priser som aldri endrer seg. Modeller og abonnementer endres. Sjekk de offisielle sidene før du kjøper.

Hva du kan gjøre i dag#

1. Skriv ned tre eller fire typer oppgaver du oftest gir agenten din.
2. For hver oppgave: Avgjør om modellen må tenke eller utføre en ferdig plan.
3. Behold en flaggskipmodell til «tenking», bruk en modell ett nivå ned til «utføring», og velg den billigste modellen som kan håndtere oppgaven til rutinearbeid.
4. I Hermes kan du begynne med chatnavn: De er enklest å flytte til en billig modell. Flytt deretter kontekstoppsummeringen, og sjekk i dine egne lange samtaler om agenten har begynt å miste viktig informasjon.

Gå til Ailoot for mer arbeid med modeller.