Under de senaste veckorna har många företagsledare fått en ny AI-fråga på bordet: Hur mycket kommer tekniken egentligen att kosta när den börjar användas fullt ut.
'Token-kostnader' har blivit ordet på allas läppar. En token är förenklat den minsta beräkningsenhet som många AI-modeller debiteras efter. Och frågan är inte oviktig, tvärtom. Jag tror att 'token-kostnader' är den nya 'cloud-kostnaden'. Men just nu skapar frågan också oproportionerligt mycket stress.
Token-kostnaden är den nya cloud-kostnaden
En del av oron kommer från amerikanska techbolag där medarbetare börjat använda agentverktyg okontrollerat, inte sällan genom 'token leaderboards' som driver helt meningslös AI-användning. Budgetar överskrids på några veckor. Vi hör även om svenska storbolag som bränner miljontals kronor i månaden på tokens. Samtidigt skiftar AI-leverantörer från pris per användare till användningsbaserad (eller "token-baserad") prissättning. För många bolag innebär det snabbt mångdubblade räkningar. Detta är den nya playbooken för AI-bolag och något vi kommer se mer av.
På kort sikt handlar det inte heller bara om mängden tokens, utan även risk för höjda priser. Hela branschen är starkt utbudsbegränsad. Redan idag går omkring en procent av USA:s BNP till AI-datacenter, och ändå räcker kapaciteten inte till. Anthropic betalar konkurrenten xAI 12 miljarder kronor i månaden bara för att hyra datorkraft. De skulle behöva lägga till sex gigawatt (sex kärnkraftsreaktorer) under 2026 bara för att kunna bistå med den energi som krävs för den ökade efterfrågan. Det är fysiskt omöjligt.
Problemet är inte stressen kring kostnaderna i sig, utan vad den mäter. Det är att oron har fastnat i fel nämnare: kostnad per token eller kostnad per faktura.. Den säger för lite om det som faktiskt spelar roll.
Vi bör mäta kostnad per förmåga
Jag brukar prata om AI som en närmast total priskollaps på intelligens. Men då menar jag inte kostnad per token. Jag menar kostnad per förmåga.
Att låta en AI göra en kvalificerad analys är idag över en miljon gånger billigare än att be en människa göra samma sak. Dessa förmågor fortsätter att minska i kostnad med en faktor av 50-100 gånger per år, drivet av bättre algoritmer, effektivare chip, hårdare konkurrens. Det är en av de brantaste prisutvecklingskurvorna i modern historia.
Samtidigt klättrar kostnaden per ny förmåga. Sedan i augusti har listpriserna för de bästa modellerna ungefär tredubblats. De nya agentiska modellerna svarar inte bara på frågor, utan kan skapa dussintals agenter som planerar, sökner, anropar verktyg, skriver kod, testar kod, itererar och kvalitetssäkrar. Det är just detta som gör dem värdefulla. Det är också det som gör dem dyrare. Sådana flöden förbrukar upp till tusen gånger fler tokens, och kostar således inte tre gånger, utan upp till åttio gånger mer än ett vanligt chatsvar i praktiken.
Kollar vi på totala token-kostnaden per bolag kommer de gå upp. På samma sätt som när priset per killowattimme sjönk dramatiskt under 1900-talet kan totalräkningen ändå bli större. Det är ett infrastrukturskifte där vi kommer använda mer och för fler, och allt tyngre, processer.
Så ja: AI blir både radikalt billigare och snabbt dyrare, beroende på vilken nämnare vi använder. Men stigande AI-kostnader ärinte i sig ett bevis på att AI blir dyrare eller mindre lönsamt. Det är snarare en signal på att AI faktiskt börjar användas till riktigt arbete. Den viktigaste frågan blir därför vad vi använder AI till; alltså kostnad per (lyckat) arbete.
Det är inte ett verktyg, utan en arbetskraft
AI går från att lösa uppgifter till att lösa längre arbetsflöden. I början av 2025 kunde de bästa modellerna automatisera ungefär 22 mänskliga minuter av mjukvaruarbete. Dagens agentmodeller kan utföra motsvarande flera dagars arbete. Det är inte längre ett verktyg vi använder, utan en arbetskraft. Frågan är vad det kostar oss och om det är värt det.
Här är begreppet ‘AI’ extremt omfattande, så låt oss titta närmare på några exempel av vad AI kan kosta för olika typer av arbeten:
- Analytisk AI är mycket billigt. En churn-prognos, en bedrägeribedömning, en prismodell kan kosta ungefär 0,00005 kronor per klassificering (AI:s motsvarighet till en LED-lampa).
- Generativ AI är dyrare, men fortfarande billig i relation till mänskligt arbete. För någon månad sedan byggde jag ett AI-flöde som under 50 dagar hämtade, sammanfattade och korsanalyserade tiotals källor två gånger om dagen. Totalt blev det omkring 800 analyser. Token-kostnaden landade under 30 kronor. Det motsvarar ungefär sex minuter av en svensk genomsnittslön.
- Agentisk AI är där billigt för kontrollerad användning, men kan snabbt eskalera. I vissa multiagentsystem jag sett, till exempel för hyperpersonalisering, kan kostnaden ligga på några tiotal ören per kund. Komplexa analyser för prisförhandlingar kan kosta mellan 2 och 20 kronor per analys. I relation till värdet kan det ändå anses vara billigt om vi ser till vad det skulle kosta om en avlönad människa gjorde samma sak.
Men när agenter körs hela dagar förändras kalkylen. En utvecklare som använder Claude Code förbrukar i genomsnitt tokens för omkring 125 kronor per arbetsdag, medan tyngre användare kan hamna på 500 kronor per dag (eller i top-percentilen mycket mer). Det motsvarar 3-15 procent av genomsnittliga utvecklarlöner i Sverige. Om detta inte "skördas" i form av värdeskapande funktioner eller effektiviseringar, kommer kostnaderna att adderas ovanpå budgeten.
Men även efter detta behöver vi nyansera kalkylen. I en studie av 1 300 arbetsuppgifter matchar eller överträffar AI mänskliga experter i 85 procent av fallen, till över hundrafemtio gånger lägre kostnad. Hisnande. Men när forskarna räknade in mänskligt arbete för att granska och göra eventuella förändringar, krympte det reella övertaget till runt 2,5 gånger billigare. Fortfarande lönsamt, men mycket mindre än vad det först ser ut som. Vad som är intressant är dock att den totala kostnaden har gått ner avsevärt från i augusti förra året trots att kostnaden för tokens är tre gånger högre. Bättre modeller kostar mer per token, men kräver mindre korrigering.
Den totala kostnaden har gått ner avsevärt
Samma mönster syns i modellval. Ett av bolagen jag jobbar med kapade en AI-kostnad för en process från hundratusentals kronor till några tusen, bara genom att fördela arbetsuppgifter till rätt modeller. Ny forskning visar också att den modell som är billigast på pappret inte alltid är billigast i praktiken. I nästan en tredjedel av jämförelserna blev den nominellt billigaste modellen totalt sett dyrare, i vissa fall upp till 28 gånger dyrare, eftersom den använde fler resoneringstokens eller behövde fler försök för att nå rätt resultat.
Ett lågt pris per token kan alltså bli dyrt om modellen behöver tänka länge, ofta misslyckas eller kräver mycket mänsklig granskning. Ett högre pris per token kan bli billigare om modellen löser uppgiften snabbt, korrekt och med låg friktion. Det går därför inte att avgöra om en AI-lösning är billig genom att titta på listpriset. Det som i slutändan spelar roll är som sagt den totala kostnaden per lyckat arbete.
Tills vi kan ange denna siffra är det svårt att avgöra om en AI-lösning är billig eller dyr.
AI är en ny infrastruktur
Kalla det elektrifiering, eller intelligentisering. AI håller på att bli en ny infrastruktur för arbete som ersätter äldre och dyrare arbetssätt, men som likväl växer på fakturan. Det är så infrastrukturskiften ser ut.
Misstaget är att behandla AI som en mjukvarulicens som bara ska läggas till i organisationen. Då blir det lätt en ny kostnad ovanpå alla gamla kostnader. Den verkliga hävstången kommer först när arbetet organiseras om efter den nya tekniken.
Det betyder inte att kostnadsdisciplin är oviktigt. Företag kommer behöva lära sig vilka modeller som ska användas till vilka uppgifter, var tokens försvinner, vilka arbetsflöden som faktiskt skapar värde och vilka som bara skapar aktivitet.
Men mitt i kostnadsdebatten behöver vi också ifrågasätta vad vi egentligen betalar för. Är AI enbart en operativ kostnad som i varje läge ska vägas mot ett omedelbart finansiellt värde? Eller är det också en investering i lärande, organisationsförmåga och framtida konkurrenskraft?
Flera företag jag pratar med låter medarbetare använda agentiska verktyg relativt fritt. Det kostar. Men det ses som en utbildning, försäkring och upptäcktsprocess. Det visar var värdet finns, var kostnaderna uppstår och vilka arbetsflöden som faktiskt går att förändra.
Det blir dessutom en talangfråga. De mest framåtlutade medarbetarna förväntar sig tillgång till verktyg som förstärker deras arbete.
Så: mät värdet, inte bara tokens. Om AI är den nya elektriciteten så är tokens bara elektronerna; det viktiga är vad du väljer att göra med dem.
Ludvig Strand, AI-analytiker på Axel Johson Group