Vad kostar en AI-agent i ett företag

Det synliga priset är inte det du faktiskt betalar

När man frågar vad en AI-agent kostar är det första svaret som kommer nästan alltid ett månadsabonnemang. Det är ofullständigt. En autonom AI-agent i produktion summerar flera kostnadsposter som aldrig hamnar på samma faktura: modellinferens, plattformsabonnemang, integrationstid, mänsklig tillsyn och löpande underhåll. EY sammanfattar problemet väl i en analys av tokenkostnader i företag: dessa totala kostnader förblir strukturellt osynliga, eftersom de sprids över flera budgetar som aldrig konsolideras på samma ställe (källa: EY, "Agentic AI enterprise token costs", https://www.ey.com/en_us/insights/ai/agentic-ai-token-costs, hämtad 2026-09-04).

Post 1: LLM-inferensen, priset på tokens

Det är den mest synliga posten, och den mest missförstådda. Varje resonemangssteg hos en agent (planering, beslut, verktygsanrop) förbrukar tokens, som modelleverantörerna fakturerar per miljon tokens, med olika pris för indata (det som skickas till modellen) och utdata (det den producerar). Här är de publika priserna som gällde den 4 september 2026.

På Anthropics API (källa: Claude, prissida, https://claude.com/pricing, hämtad 2026-09-04): Claude Haiku 4.5 kostar 1 dollar per miljon tokens i indata och 5 dollar i utdata. Claude Sonnet 5 ligger på 2 dollar i indata och 10 dollar i utdata. Claude Opus 5, den mest kapabla modellen, ligger på 5 dollar i indata och 25 dollar i utdata.

På OpenAIs API (källa: OpenAI, prisdokumentation, https://developers.openai.com/api/docs/pricing, hämtad 2026-09-04): GPT-5 ligger på 1,25 dollar i indata och 10 dollar i utdata. GPT-5.4 ligger på 2,50 dollar i indata och 15 dollar i utdata. GPT-5.5 ligger på 5 dollar i indata och 30 dollar i utdata.

De här siffrorna ger en storleksordning, inte en slutgiltig budget: en agent som planerar, anropar flera verktyg och läser om sina egna resultat kan förbruka flera tiotusentals tokens för en enda uppgift. EY illustrerar den här utvecklingen med ett exempel de själva presenterar som en illustration, inte som ett verifierat marknadsgenomsnitt: en kundkonversation som kostade 0,04 dollar 2023 kostar idag omkring 1,20 dollar 2026, en trettiodubbling som beror på den växande komplexiteten i agentorkestreringar (samma källa som ovan). Det är just det som gör alternativet BYOK intressant för företag som vill behålla kontrollen över den här posten: det gör det möjligt att koppla in sin egen API-nyckel direkt från en inferensleverantör, alternativet BYOK, med en fakturering som då följer den valda leverantörens pris i stället för ett kreditpaket.

En detalj som ofta glöms bort i den här beräkningen: priset per miljon tokens säger ingenting om den faktiska volym en agent förbrukar. En supportagent som besvarar en enkel fråga i ett enda svar förbrukar litet. En agent som planerar en uppgift, anropar tre verktyg, läser om sina resultat och rättar sitt eget utkast kan multiplicera den volymen med tio eller tjugo för en enda förfrågan. Det är den här mekaniken, mer än leverantörens listpris, som förklarar varför inferensfakturan för en agent i produktion ofta överraskar uppåt dem som bara har kalkylerat sitt projekt utifrån katalogpriset.

Post 2: plattformen och platserna

Till inferensen läggs kostnaden för själva plattformen: miljön som hostar agenten, hanterar dess behörigheter, dess kopplingar till verktyg, dess historik och dess observerbarhet. Det är inte samma sak som priset på tokens, det är priset på infrastrukturen som gör agenten användbar och styrbar i vardagen, i stället för ett enkelt skript som anropar ett modell-API. Hos Atako faktureras den här posten per aktiv agent, med en pool av inferenskrediter som ingår varje månad. Den exakta detaljen kring nivåerna finns på prissidan. Det är en vanlig modell hos agentplattformar: man betalar för kapaciteten, hur många agenter som kan köras samtidigt, inte antalet anställda som använder dem.

Post 3: integration med befintliga verktyg

En agent som bara pratar med sig själv har inget värde. Den måste läsa ett CRM, skriva i ett ärendehanteringsverktyg, posta i en diskussionskanal. Varje koppling kräver konfiguration: skapa API- eller OAuth-åtkomst, exakt definiera vad agenten har rätt att göra, inte bara vad den har tillgång till, och sedan testa att det fungerar på verkliga fall. Det här arbetet underskattas ofta i den initiala kalkylen av ett projekt, samtidigt som det direkt avgör om agenten faktiskt blir användbar eller förblir en pryl som svarar bra i demo men aldrig rör vid företagets riktiga system.

Den här posten varierar kraftigt beroende på hur många verktyg som ska kopplas och deras komplexitet. Att koppla en agent till ett enda väldokumenterat system, med enkel API-nyckelautentisering, tar några timmar. Att multiplicera kopplingarna, med system som var och en kräver egen konfiguration (subdomän, region, specifika rättigheter per objekt), gör att den här posten stiger mycket snabbare än antalet verktyg får en att tro. Det är ett av argumenten för en plattform som redan har industrialiserat en bred katalog av färdiga kopplingar, i stället för att utveckla varje integration internt på nytt.

Post 4: mänsklig tillsyn

En autonom agent är inte en agent utan kontroll. De känsligaste åtgärderna, att skicka ett kallt mejl till en kund, publicera offentligt innehåll, ändra faktureringsdata, förtjänar en mänsklig godkännandepunkt innan de körs, åtminstone i starten. Den här tillsynstiden har en verklig kostnad, ofta i form av timmar där medarbetare läser igenom, godkänner eller korrigerar agentens arbete. Den minskar normalt i takt med uppnått förtroende, men försvinner aldrig helt: styrning och skyddsmekanismer är en del av den totala kostnaden, inte ett valfritt tillägg. Det är också en av faktorerna Gartner nämner för att förklara varför fler än 40 % av de agentiska AI-projekten förväntas läggas ner senast slutet av 2027: underskattade styrnings- och riskkontrollkostnader från start (källa: 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, hämtad 2026-09-04).

Post 5: löpande underhåll

En driftsatt agent är aldrig färdig. Instruktionerna man ger den måste justeras när en process ändras. Kopplingar går sönder när en tredjepartsleverantör ändrar sitt API. Aktivitetsloggarna måste övervakas för att upptäcka avvikelser innan de blir incidenter. Den här underhållsposten är den projektägare mest systematiskt glömmer när de räknar på en budget, eftersom den inte syns vid lanseringen: den betalas månad efter månad, i form av ingenjörs- eller administratörstid som håller koll på det som körs.

Bygga själv eller använda en plattform

Med den här listan i åtanke finns två vägar. Bygga internt: själv sätta ihop modellanropen, behörighetshanteringen, observerbarheten och kopplingarna, med ett dedikerat tekniskt team. Eller använda en plattform som redan har industrialiserat de här byggstenarna, och som fakturerar ett abonnemang per agent i stället för ett skräddarsytt utvecklingsprojekt. Valet beror framför allt på hur många agenter man siktar på och hur ovanliga användningsfallen är: ju mer standardiserade behoven är (support, HR, bevakning), desto mindre motiverat är skräddarsydd utveckling. Den här jämförelsen utvecklas mer i detalj i en dedikerad artikel. Oavsett vilket är det bättre att ha en realistisk kalkyl av de fem posterna ovan innan man bestämmer sig, än ett enda abonnemangspris skrivet i stora bokstäver på en marknadsföringssida.