Hvad koster en RAG-løsning på egne dokumenter?
En RAG-løsning der lader jer stille spørgsmål til jeres egne dokumenter, koster normalt 320.000 DKK–1,6 mio. DKK at bygge. Af budgettet går 40–60 procent til datarensning og strukturering frem for AI-teknologi. Dertil kommer en driftsomkostning pr. spørgsmål til embedding, søgning og generering af svar, oftest fra nogle øre til et par DKK.
At kunne stille spørgsmål til virksomhedens egen viden (kontrakter, manualer, politikker, projektdokumentation) er en af de mest oplagte anvendelser af AI lige nu. Teknologien bag kaldes RAG, retrieval-augmented generation: Systemet henter relevante afsnit fra jeres dokumenter og lader en sprogmodel formulere svaret ud fra dem. En sådan løsning koster i 2026 normalt 320.000 DKK–1,6 mio. DKK at bygge. Hvor i spændet I lander, afgøres næsten udelukkende af jeres dokumenter, ikke af AI-teknologien.
Prisniveauet: Dokumenterne bestemmer
| Udgangspunkt | Typisk pris | Kendetegn |
|---|---|---|
| Velstruktureret dokumentmængde | 320.000–640.000 DKK | Én kilde, ensartet format, tydeligt ejerskab, åben adgang |
| Blandet udgangspunkt | 640.000 DKK–1,1 mio. DKK | Flere kilder, varierende kvalitet, en vis adgangsstyring |
| Spredte og følsomme data | 1,1–1,6 mio. DKK | Mange systemer, dubletter og forældet indhold, adgangsrettigheder pr. dokument |
Halvdelen af budgettet går til data, og sådan skal det være
Regn med at 40–60 procent af budgettet i et RAG-projekt går til datarensning og strukturering frem for AI. Det lyder bagvendt, men er helt logisk: Systemet kan aldrig svare bedre end det materiale det henter fra.
Det arbejde der ligger i den post:
- Kortlægning. Hvilke dokumenter findes, hvor, og hvilke er faktisk aktuelle?
- Oprydning i dubletter og forældet indhold. Tre versioner af den samme politik giver tre forskellige svar. Systemet ved ikke hvilken der gælder hvis ingen fortæller det.
- Struktur og opdeling. Dokumenterne skal deles op i søgbare afsnit med metadata som dato, ejer og gyldighed.
- Adgangsrettigheder. Hvem må se hvad? Løndata og bestyrelsesreferater må ikke dukke op i den forkerte medarbejders svar.
En leverandør der lægger næsten hele tilbuddet på AI-komponenter og en enkelt linje på “dataforberedelse”, har enten ikke forstået jeres udgangspunkt eller skubber omkostningen foran sig til senere ekstraregninger.
Driftsomkostningen: Hvad koster et spørgsmål?
Hvert spørgsmål til en RAG-løsning har tre omkostningstrin: embedding af spørgsmålet (at gøre det søgbart), retrieval (at finde relevante afsnit) og generering (at formulere svaret med en sprogmodel). Embedding og søgning koster i praksis brøkdele af en øre; det er genereringen der dominerer.
Et regneeksempel: Antag at et svar i gennemsnit bruger hvad der svarer til 3.000 tokens ind (spørgsmål plus hentede afsnit) og 500 tokens ud. Med en model i mellemklassen ligger omkostningen ofte omkring 3,3–10 øre pr. spørgsmål; med en topmodel måske 0,33–1 DKK. Hvis 200 medarbejdere stiller 5 spørgsmål om dagen, bliver det 1.000 spørgsmål dagligt: mellem nogle hundrede DKK og godt tusind DKK om måneden med en billigere model eller 6.600–20.000 DKK med en topmodel. Dertil kommer hosting, vektordatabase og indeksering, ofte 2.000–10.000 DKK om måneden.
Pointen er ikke de præcise tal (modelpriserne ændrer sig hurtigt), men at kalkulen skal laves før beslutningen, med jeres volumener og jeres modelvalg.
Hvad der indgår i en komplet løsning
Ud over selve søge- og svarfunktionen har en RAG-løsning i produktion brug for en række dele der sjældent ses i demoen, men som afgør om man kan stole på værktøjet:
- Kildehenvisninger i hvert svar så brugeren kan kontrollere svaret mod originaldokumentet.
- Automatisk genindeksering når dokumenter oprettes, ændres eller slettes. Ellers bliver vidensbasen forældet fra dag ét.
- Filtrering på adgangsrettigheder pr. bruger, koblet til jeres identitetsløsning.
- Logning og opfølgning på hvilke spørgsmål der bliver stillet og hvilke der ikke får gode svar. Det er jeres bedste kort over hvilke dokumenter der mangler eller skal forbedres.
- Et evalueringssæt med facitspørgsmål der køres efter hver ændring så kvaliteten bliver målt i stedet for antaget.
Det er de dele der adskiller et internt værktøj man stoler på, fra en demo der imponerer i to uger.
En god måde at begynde på er en afgrænset PoC på jeres rodede virkelighed, ikke på et rengjort udvalg, så behovet for datarensning kan ses i tal før hovedinvesteringen besluttes. Vil du vide hvor jeres udgangspunkt placerer jer i prisspændet? Kontakt os, så kigger vi på dokumentmængden sammen.
Ofte stillede spørgsmål
Hvad betyder RAG?
RAG står for retrieval-augmented generation. I stedet for at sprogmodellen svarer ud fra sin generelle hukommelse, henter systemet først de mest relevante afsnit fra jeres egne dokumenter og lader modellen formulere svaret ud fra dem. Det giver svar der er forankret i jeres viden, med kildehenvisninger.
Hvorfor ikke bare uploade dokumenterne til ChatGPT?
Til enkelte dokumenter fungerer det. Men en løsning til forretningen kræver adgangsstyring, automatisk synkronisering når dokumenter opdateres, kildehenvisninger, logning og kontrol over hvor dataene havner. Det er den forskel, og ikke AI-modellen, der gør at en RAG-løsning koster penge at bygge.
Hvordan holdes svarene aktuelle når dokumenterne ændres?
Løsningen skal have en indekseringspipeline der automatisk opfanger nye og ændrede dokumenter, f.eks. via en kobling til jeres intranet eller dokumentsystem. Uden den bliver vidensbasen hurtigt forældet, og tilliden til svarene forsvinder. Kræv at automatisk opdatering indgår i tilbuddet.
Kan en RAG-løsning svare forkert?
Ja. Det mest almindelige er at den henter forkerte eller forældede afsnit og bygger et korrekt formuleret svar på et forkert grundlag. Risikoen mindskes med god datarensning, kildehenvisninger i hvert svar og et evalueringssæt med facitspørgsmål der køres regelmæssigt, men den forsvinder aldrig helt.
Hvor lang tid tager det at bygge en RAG-løsning?
En afgrænset løsning på en velstruktureret dokumentmængde tager ofte 2–3 måneder. Er dokumenterne spredt over mange systemer, af blandet kvalitet eller følsomme med hensyn til adgang, bør du regne med 4–6 måneder, hvor hovedparten går til arbejdet med data frem for AI-delen.