Hvad koster en AI-agent i en virksomhed

Den viste pris er ikke den betalte pris

Når man spørger, hvad en AI-agent koster, er det næsten altid et månedligt abonnement, der kommer som første svar. Det er ufuldstændigt. En autonom AI-agent i produktion lægger flere omkostningsposter sammen, som aldrig står på samme faktura: modelinferens, platformsabonnement, integrationstid, menneskeligt tilsyn og løbende vedligeholdelse. EY opsummerer i en analyse af tokenomkostninger i virksomheder problemet godt: disse samlede omkostninger forbliver strukturelt usynlige, fordi de spredes over flere budgetter, der aldrig konsolideres ét sted (kilde: EY, "Agentic AI enterprise token costs", https://www.ey.com/en_us/insights/ai/agentic-ai-token-costs, tilgået 2026-09-04).

Post 1: LLM-inferens, prisen på tokens

Det er den mest synlige post, og den mest misforståede. Hver overvejelse fra en agent (planlægning, beslutning, værktøjskald) forbruger tokens, som modeludbyderne fakturerer pr. million tokens, med forskellig pris for input (det, der sendes til modellen) og output (det, den producerer). Her er de offentlige priser, som de så ud den 4. september 2026.

På Anthropic-API'et (kilde: Claude, page tarifs, https://claude.com/pricing, tilgået 2026-09-04): Claude Haiku 4.5 koster 1 dollar pr. million tokens i input og 5 dollar i output. Claude Sonnet 5 koster 2 dollar i input og 10 dollar i output. Claude Opus 5, den mest kapable model, koster 5 dollar i input og 25 dollar i output.

På OpenAI-API'et (kilde: OpenAI, documentation tarifs, https://developers.openai.com/api/docs/pricing, tilgået 2026-09-04): GPT-5 koster 1,25 dollar i input og 10 dollar i output. GPT-5.4 koster 2,50 dollar i input og 15 dollar i output. GPT-5.5 koster 5 dollar i input og 30 dollar i output.

Disse tal giver en størrelsesorden, ikke et endeligt budget: en agent, der planlægger, kalder flere værktøjer og læser sine egne resultater igennem, kan forbruge flere titusinder af tokens til én enkelt opgave. EY illustrerer denne udvikling med et eksempel, de selv præsenterer som en illustration, ikke som et verificeret markedsgennemsnit: en kundesamtale, der kostede 0,04 dollar i 2023, kostede omkring 1,20 dollar i 2026, en 30-dobling forårsaget af den voksende kompleksitet i agent-orkestreringer (samme kilde som ovenfor). Det er netop dette, der gør BYOK-muligheden interessant for virksomheder, der vil holde styr på denne post: den gør det muligt at tilslutte sin egen API-nøgle fra en inferensudbyder direkte, muligheden BYOK, med en fakturering, der så følger den valgte udbyders pris i stedet for en kreditpakke.

Et punkt, der ofte glemmes i denne beregning: prisen pr. million tokens siger intet om det reelle volumen, en agent forbruger. En supportagent, der besvarer et simpelt spørgsmål i ét hug, forbruger lidt. En agent, der planlægger en opgave, kalder tre værktøjer, læser sine resultater igennem og retter sit eget udkast, kan gange dette volumen med ti eller tyve på én enkelt forespørgsel. Det er denne mekanik, mere end den udbyderpris, der står på papiret, som forklarer, hvorfor inferensregningen for en agent i produktion ofte overrasker i den forkerte retning dem, der kun har regnet deres projekt ud fra listeprisen.

Post 2: platformen og slots

Til inferensen lægges omkostningen ved selve platformen: miljøet, der hoster agenten, styrer dens tilladelser, dens forbindelser til værktøjer, dens historik og dens observability. Det er ikke det samme som prisen på tokens, det er prisen på den infrastruktur, der gør agenten brugbar og styrbar i hverdagen, frem for et simpelt script, der kalder en model-API. Hos Atako faktureres denne post pr. aktive agent, med en pulje af inferenskreditter inkluderet hver måned. Den præcise opdeling af niveauerne findes på prissiden. Det er en model, man ofte ser hos agentplatforme: man betaler for kapaciteten, hvor mange agenter kan køre samtidig, ikke for antallet af medarbejdere, der bruger dem.

Post 3: integration med eksisterende værktøjer

En agent, der kun taler med sig selv, har ingen værdi. Den skal kunne læse et CRM, skrive i et ticketing-værktøj, poste i en beskedkanal. Hver forbindelse kræver opsætning: oprette API- eller OAuth-adgange, definere præcist, hvad agenten må gøre, ikke bare hvad den har adgang til, og derefter teste, at det virker på reelle sager. Dette arbejde bliver ofte undervurderet i det indledende budgetoverslag, selvom det direkte afgør, om agenten reelt er nyttig, eller om den forbliver et fint demo-værktøj, der aldrig rører virksomhedens rigtige systemer.

Denne post varierer meget efter, hvor mange værktøjer der skal forbindes, og hvor komplekse de er. At forbinde en agent til ét enkelt veldokumenteret system, med simpel API-nøgle-autentificering, tager et par timer. At gange antallet af forbindelser op, med systemer, der hver kræver deres egen opsætning (subdomæne, region, specifikke rettigheder pr. objekt), får denne post til at stige langt hurtigere, end antallet af værktøjer umiddelbart antyder. Det er et af argumenterne for en platform, der allerede har industrialiseret et bredt katalog af færdige connectors, frem for selv at udvikle hver integration fra bunden.

Post 4: menneskeligt tilsyn

En autonom agent er ikke en agent uden kontrol. De mest følsomme handlinger, at sende en kold e-mail til en kunde, offentliggøre offentligt indhold, ændre faktureringsdata, fortjener et menneskeligt godkendelsespunkt før udførelse, i hvert fald i starten. Denne tilsynstid har en reel omkostning, ofte i form af medarbejdertimer, der gennemgår, godkender eller retter agentens arbejde. Den falder normalt i takt med den opnåede tillid, men forsvinder aldrig helt: governance og guardrails er en del af den samlede omkostning, ikke et valgfrit tillæg. Det er også en af de faktorer, Gartner nævner som forklaring på, hvorfor over 40 % af agentiske AI-projekter forventes opgivet inden udgangen af 2027: undervurderede governance- og risikostyringsomkostninger fra start (kilde: Gartner, "Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027", https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027, tilgået 2026-09-04).

Post 5: vedligeholdelse over tid

En deployeret agent er aldrig færdig. De instrukser, den får, skal justeres, når et process ændrer sig. Connectorer går i stykker, når en tredjepartsudbyder ændrer sit API. Aktivitetslogs skal overvåges for at fange afvigelser, før de bliver til hændelser. Denne vedligeholdelsespost er den, projektejere oftest glemmer, når de skal beregne et budget, fordi den ikke viser sig ved lanceringen: den betales måned efter måned, i form af ingeniør- eller administratortid, der holder øje med, hvad der kører.

Byg selv, eller brug en platform

Med denne liste in mente findes der to veje. At bygge internt: selv sammensætte modelkaldet, tilladelsesstyringen, observability'en og connectorerne, med et dedikeret teknisk team. Eller bruge en platform, der allerede har industrialiseret disse byggeklodser, og fakturerer et abonnement pr. agent frem for et skræddersyet ingeniørprojekt. Valget afhænger primært af, hvor mange agenter der er tale om, og hvor standardiserede use casene er: jo mere standardiserede behovene er (support, HR, overvågning), jo mindre giver skræddersyet udvikling mening. Denne sammenligning er uddybet i en dedikeret artikel. Under alle omstændigheder er det bedre, inden du beslutter dig, at have et realistisk overslag over de fem poster ovenfor end en enkelt abonnementspris skrevet med store bogstaver på en marketingside.