En håndværksvirksomhed på Sjælland får omkring 40 forespørgsler om dagen på mail. Hver morgen bruger en medarbejder halvanden time på at læse dem igennem, finde den rigtige pris i et regneark og skrive et fornuftigt svar. Spørgsmålet er ikke, om en AI-agent kan overtage det meste af det arbejde. Det kan den. Spørgsmålet, der får de fleste til at tøve, er et andet: hvad kommer det til at koste?
Det korte svar er, at prisen på en AI-agent består af to helt forskellige dele, som næsten altid bliver blandet sammen. Når man først forstår forskellen, bliver det langt nemmere at vurdere et tilbud og regne på, om løsningen kan betale sig.
De to udgifter: at bygge og at bruge
Den første udgift er engangsudviklingen. Det er arbejdet med at bygge selve integrationen: at koble AI'en sammen med dine systemer, definere hvad den må og ikke må, teste den grundigt på rigtige data og sætte den sikkert i drift. Den betaler du én gang.
Den anden udgift er det løbende forbrug. Hver gang agenten behandler en mail, en ordre eller en kundedialog, sender den tekst frem og tilbage til en sprogmodel, og modellen koster penge pr. brug. Det er en driftsomkostning, der følger med, hvor meget du bruger systemet. Lidt ligesom strøm: regningen vokser med forbruget og falder, når der er stille.
Mange forventer, at AI er en fast månedspris ligesom et softwareabonnement. Det passer for færdige hyldevarer, men en agent bygget til din virksomhed opfører sig anderledes. Du betaler for at få den bygget, og derefter for det, den faktisk laver. Forskellen er vigtig, fordi den ene udgift er engangs og forudsigelig, mens den anden vokser og falder med din aktivitet. Blander man dem sammen, kommer man enten til at overvurdere den løbende regning eller undervurdere, hvad selve udviklingen koster.
Hvad koster det på det danske marked?
Priserne varierer meget, men for at give et realistisk billede er her nogle brede intervaller fra det danske marked. Det er markedsniveauer, ikke faste priser, og et konkret projekt kan sagtens ligge både over og under afhængigt af omfang og ambition.
Simpel agent eller automatisering: typisk 10.000 - 30.000 kr at bygge. For eksempel en agent, der læser indkommende mails, kategoriserer dem og foreslår et udkast til svar.
Mellemniveau: cirka 30.000 - 80.000 kr. Her taler vi flere integrationer, opslag i dine egne data og logik, der skal træffe beslutninger på tværs af systemer.
Kompleks løsning: 80.000 - 250.000 kr. Agenter, der kobler sig på mange systemer, håndterer store datamængder eller indgår i en kritisk arbejdsgang, hvor fejl koster rigtige penge.
Til det løbende forbrug ligger de fleste mindre og mellemstore løsninger typisk på 500 - 8.000 kr om måneden til selve modellen. En agent, der kører nogle hundrede opgaver om måneden, ligger i den lave ende. En, der behandler tusindvis af kundedialoger, ligger højere. Det vigtige er, at forbruget er gennemsigtigt og kan regnes ud på forhånd, så snart man kender volumen. Der er ingen skjult trappe, hvor prisen pludselig fordobles, fordi du er vokset ud af en abonnementspakke.
Forbruget afhænger af to ting: hvor mange opgaver agenten løser, og hvor meget tekst hver opgave kræver. En kort kategorisering af en mail koster brøkdele af en krone. En grundig analyse af en lang kundedialog med opslag i flere kilder koster mere. Vælger man en mindre og billigere model til de simple opgaver og gemmer den kraftige model til det, der virkelig kræver den, kan den månedlige regning ofte skæres betydeligt ned uden at gå på kompromis med kvaliteten der, hvor det tæller.
Hvad driver prisen op?
Fem ting afgør, hvor et projekt lander på skalaen.
Omfang. Én veldefineret opgave er billig at bygge. En agent, der skal kunne mange ting og træffe beslutninger i mange forskellige situationer, kræver mere design, flere sikkerhedsnet og langt mere test.
Antal integrationer. Hver gang agenten skal tale med et nyt system, dit CRM, din økonomiløsning, dit lager, er der en kobling, der skal bygges og vedligeholdes. Én integration er hurtig. Fem koblinger er et helt projekt i sig selv.
Hvor rodet dataen er. Det her er den mest undervurderede post af dem alle. Ligger dine data rent og struktureret, går det stærkt. Ligger de spredt i regneark, gamle systemer og fritekst, går en stor del af arbejdet med at forberede dem, før AI'en overhovedet kan bruge dem fornuftigt. Dataforberedelse er ofte den skjulte hovedudgift, og det er her, billige tilbud pludselig bliver dyre undervejs.
Krav til pålidelighed. En agent, der foreslår et svar, som et menneske læser igennem, må gerne ramme lidt ved siden af en gang imellem. En agent, der sender fakturaer af sted helt uden opsyn, må ikke. Jo højere kravet er til, at den rammer rigtigt hver eneste gang, jo mere test og sikring skal der til, og jo højere bliver prisen.
Skal et menneske godkende først? Mange løsninger bygges bevidst, så AI'en forbereder og foreslår, mens et menneske godkender, før noget bliver sendt af sted. Det er både billigere at bygge og langt mere trygt at starte med end en agent, der handler helt på egen hånd fra dag ét.
At eje koden frem for at leje en løsning
Der er grundlæggende to måder at få AI ind i virksomheden. Den ene er at abonnere på et færdigt værktøj, hvor du betaler en fast månedspris og bruger det, som det nu engang er skruet sammen. Den anden er at få bygget en løsning, du selv ejer.
Når du ejer koden, ejer du også fleksibiliteten. Du kan skifte den underliggende sprogmodel ud, hvis en anden bliver bedre eller billigere, og du er ikke låst til én leverandør. Forbruget er gennemsigtigt, fordi du betaler modeludbyderen direkte efter faktisk brug i stedet for en abonnementspris med påslag oven på. Og hvis dele af dine data ikke må forlade EU, kan de køre på en europæisk model som Mistral eller på en selvhostet open source-model, mens resten trygt kan bruge Claude, GPT eller Gemini til det, der ikke er følsomt. Den slags valgfrihed forsvinder i det øjeblik, du er bundet til ét lukket abonnement. Det er kernen i AI-integration bygget til at holde over tid.
Hvornår betaler det sig?
En AI-agent betaler sig, når den enten sparer tid på noget, der gentager sig, håndterer en volumen et menneske ikke kan følge med til, eller fjerner fejl, der koster penge. Tre knapper, og de kan trykkes på samtidig.
Et konkret regnestykke gør det tydeligt. Sig, at en medarbejder bruger halvanden time om dagen på at sortere og besvare standardforespørgsler. Det er cirka 30 timer om måneden. Til en intern timepris på 300 kr er det 9.000 kr om måneden, eller godt 100.000 kr om året. En agent, der overtager 70 % af det arbejde, frigør omkring 75.000 kr om året i tid. Koster den 60.000 kr at bygge og 1.500 kr om måneden i drift, er den tjent hjem på under et år, og derefter sparer den penge hvert eneste år, den kører videre.
Netop det regnestykke er grunden til at starte med det, der gør ondt: den opgave, der tager mest tid eller giver flest fejl i hverdagen. Den har den korteste tilbagebetaling og den nemmeste business case at sige ja til. Vil du holde byggeprisen nede, hjælper det at afgrænse den første opgave skarpt og modstå fristelsen til at pakke ti gode ideer ind i version ét. Jo klarere du kan beskrive, hvad agenten skal gøre, og hvordan et vellykket resultat ser ud, jo hurtigere og billigere kan den bygges.
At det virker i praksis, er ikke teori. Platforme som CustomerFlow kombinerer allerede en sprogmodel med tale-AI til at analysere kundedialoger i drift. Ægte systemer, der kører hver dag, ikke prototyper på et slide.
Den dyreste AI-løsning er næsten altid den, der bygges for stor fra starten. Den billigste vej ind er en enkelt, veldefineret opgave med et menneske til at godkende, en gennemsigtig forbrugspris og kode, du selv ejer. Når den første agent har tjent sig hjem, finansierer den den næste, og du har samtidig lært præcis, hvor i din virksomhed pengene arbejder hårdest.
