Hvad koster et AI-projekt i 2026?
Et AI-projekt koster i 2026 oftest 110.000–320.000 DKK for et proof of concept, 320.000 DKK–1,1 mio. DKK for en pilot og 1,1–5,3 mio. DKK for en løsning i produktion. Datamodenheden er den største enkeltstående prisfaktor, og løbende omkostninger til modeller og drift skal altid regnes med i kalkulen.
Hvad et AI-projekt koster, afhænger af hvilket trin på trappen du står på. Det er den vigtigste indsigt i hele kalkulen: AI-investeringer foretages sjældent i ét hug, men i niveauer hvor hvert trin køber ny viden og mindsker risikoen i det næste. Her er prisniveauet for 2026, niveau for niveau.
Trappemodellen: tre niveauer af AI-investering
De fleste vellykkede AI-satsninger følger den samme trappe: først bevise at idéen virker teknisk, derefter teste den med rigtige brugere og først derefter bygge til fuld drift.
| Niveau | Typisk pris | Hvad du får |
|---|---|---|
| Proof of concept (PoC) | 110.000–320.000 DKK | Bevis for at teknikken virker på jeres data, kørbar demo, beslutningsgrundlag |
| Pilot | 320.000 DKK–1,1 mio. DKK | Afgrænset løsning i et rigtigt driftsmiljø med rigtige brugere og målbare resultater |
| Løsning i produktion | 1,1–5,3 mio. DKK | Fuldt integreret løsning med sikkerhed, overvågning, fejlhåndtering samt drift og vedligeholdelse |
Springet mellem pilot og produktion er bevidst stort. Det der gør en AI-løsning klar til produktion, er sjældent selve modellen, men alt omkring den: integrationer med jeres systemer, adgangsstyring, håndtering af fejl og edge cases, logning og opfølgning på svarkvaliteten over tid.
Datamodenhed: den største enkeltstående prisfaktor
To virksomheder kan bestille nøjagtig den samme løsning og få prislapper der adskiller sig med en faktor tre. Forskellen hedder næsten altid datamodenhed.
Har I strukturerede, rensede data i moderne systemer med API’er? Så kan projektet fokusere på selve AI-løsningen. Ligger jeres viden i stedet spredt i mailtråde, gamle filservere og et ERP-system uden fornuftige eksportmuligheder? Så går en stor del af budgettet til at samle, rense og strukturere data før AI’en overhovedet kommer ind i billedet.
Nogle spørgsmål der hurtigt indikerer jeres datamodenhed:
- Findes informationen digitalt, eller delvist på papir og i hovedet på folk?
- Er den samlet i få systemer eller spredt over mange?
- Findes der API’er, eller kræves der specialbyggede integrationer?
- Ved I hvilke data der er aktuelle og hvilke der er forældede?
Jo flere af disse spørgsmål der mangler gode svar, desto klogere er det at begynde på trappens nederste trin og lade en forundersøgelse eller PoC blotlægge problemerne før millionerne satses.
Et konkret regneeksempel
Lad os sige at et forsikringsselskab vil bruge AI til at forberede skadesager: læse indkomne bilag, sammenfatte sagen og foreslå næste skridt. En PoC på et udvalg af historiske sager koster måske 210.000 DKK og viser at træfsikkerheden holder. Piloten, et værktøj som sagsbehandlerne bruger i hverdagen til én sagstype, lander på 640.000 DKK. Produktionsversionen med integration til sagssystemet, adgangsrettigheder, revisionsspor og drift ender på 2,1–3,2 mio. DKK.
I alt måske 3,2 mio. DKK over 12–18 måneder, men beslutningen om den store investering blev truffet med viden der kun kostede en brøkdel. Det er hele pointen med trappen.
Løbende omkostninger er en del af prisen, ikke en eftertanke
En AI-løsning er aldrig færdigbetalt ved lanceringen. Driftskalkulen omfatter:
- Modelomkostninger. Hvert kald til en sprogmodel koster penge, og omkostningen skalerer med brugen. En løsning med tusindvis af daglige kald kan koste titusindvis af DKK om måneden alene i modelgebyrer.
- Hosting og infrastruktur. Servere, vektordatabaser, køhåndtering og logning.
- Overvågning og evaluering. Modeller opdateres, data ændrer sig, og svarkvaliteten skal følges løbende. Ellers opdager kunderne forringelsen før I gør.
- Drift og vedligeholdelse. Nye krav, nye integrationer, opdaterede modelversioner.
En rimelig tommelfingerregel er at bede om en driftskalkule i hvert tilbud med tydeligt beskrevne antagelser om volumen. En leverandør der ikke kan svare på hvad løsningen koster pr. måned i drift, har ikke tænkt tanken til ende.
Sådan budgetterer du klogt
Begynd aldrig med spørgsmålet “Hvad koster AI?”, men med “Hvilket problem er værd at løse?”. Sæt en økonomisk ramme pr. trin, definér på forhånd hvad der skal være bevist før næste trin finansieres, og kræv at vejen til produktion er med i planen allerede fra PoC’en. Vi hos Weapp bygger AI-løsninger fra forundersøgelse til drift og ser det samme mønster igen og igen: De projekter der lykkes, er dem der køber viden tidligt og skalerer investeringen i takt med beviserne.
Vil du have et prisspænd for jeres konkrete case? Kontakt os med en kort beskrivelse af problemet og jeres datasituation.
Ofte stillede spørgsmål
Hvorfor er prisspændene for AI-projekter så brede?
Fordi omkostningen i højere grad styres af jeres udgangspunkt end af teknikken. To virksomheder der vil have den samme løsning, kan få helt forskellige prislapper afhængigt af hvor strukturerede deres data er, hvor mange systemer der skal integreres og hvilke krav der stilles til sikkerhed og pålidelighed.
Kan vi ikke bare starte med et ChatGPT-abonnement?
Jo, og til individuel produktivitet er det ofte det rigtige sted at starte. Men et abonnement løser ikke automatisering af jeres processer, integrationer med jeres systemer eller kontrol over jeres data. Et AI-projekt handler om at bygge noget der arbejder i jeres forretning, ikke bare ved siden af den.
Hvor lang tid tager et AI-projekt?
Et proof of concept tager typisk 4–8 uger, en pilot 2–4 måneder og en idriftsættelse 4–9 måneder afhængigt af integrationer og sikkerhedskrav. Datarensning er den mest almindelige årsag til forsinkelser, så en tidlig gennemgang af data sparer både tid og penge.
Hvad koster det at drive en AI-løsning efter lanceringen?
Regn med modelomkostninger pr. kald, hosting, overvågning og løbende evaluering. For mange løsninger lander driften på 11.000–110.000 DKK om måneden afhængigt af volumen og modelvalg. Omkostningen skal med i kalkulen før beslutningen og ikke opdages bagefter.
Skal vi have egne AI-kompetencer for at bestille et AI-projekt?
Nej, men I skal eje spørgsmålet om hvad AI’en skal opnå i forretningen. En god leverandør står for teknologivalg og udvikling mens I står for procesviden og data. Udpeg en intern ejer der kan træffe beslutninger. Det er vigtigere end teknisk spidskompetence.