Hva koster utvikling av en AI-agent?
Å utvikle en AI-agent som utfører handlinger i systemene deres, koster normalt 620 000 kr–2,5 millioner kr. Evaluering og testing er den største kostnadsposten fordi agenter feiler på uforutsigbare måter. Guardrails og menneskelig kontroll av kritiske beslutninger skal være med i ethvert seriøst tilbud.
En AI-agent skiller seg fra en chatbot på ett avgjørende punkt: Den svarer ikke bare på spørsmål, den gjør ting. Den leser i systemene deres, tar delbeslutninger og utfører handlinger: booker, oppdaterer, oppretter, sender. Det gjør agenter til den AI-kategorien der verdien kan bli størst, og der slurv i utviklingen kan bli dyrest. Prislappen for en seriøst bygget agent ligger i 2026 normalt på 620 000 kr–2,5 millioner kr.
Hva som inngår i prisen
| Kostnadspost | Andel av budsjettet | Kommentar |
|---|---|---|
| Evaluering og testing | 30–40 % | Testscenarioer, måling av utfall, regresjonstester ved hver endring |
| Integrasjoner mot systemene deres | 20–30 % | API-koblinger, tilganger, datakvalitet |
| Agentlogikk og prompter | 15–25 % | Oppgavedesign, valg av verktøy, resonneringskjeder |
| Guardrails og human-in-the-loop | 10–20 % | Tilgangsgrenser, godkjenningsrutiner, eskaleringsveier |
| Drift og overvåking | Løpende | Logging, varsler, kvalitetsoppfølging over tid |
Legg merke til hva som ligger øverst. Selve agentlogikken, det som ser imponerende ut i en demo, står for en mindre del av budsjettet. Det er alt rundt som koster, og som avgjør om agenten er til å stole på.
Derfor er evaluering den største kostnadsposten
Tradisjonell programvare feiler forutsigbart: Den samme feilen i koden gir det samme utslaget hver gang. En agent feiler uforutsigbart. Den kan løse nittini saker perfekt og i sak nummer hundre trekke en konklusjon ingen forutså. Det skyldes at den resonnerer seg frem i stedet for å følge faste regler.
Det lar seg ikke teste bort med noen få manuelle stikkprøver. En seriøs leverandør bygger en evalueringsrigg: hundrevis av virkelige scenarioer med fasit, automatiske kjøringer ved hver endring og målepunkter for både sluttresultatet og de enkelte stegene underveis. Riggen koster, men den er også det som gjør at dere tør å gi agenten mer ansvar over tid. Spør hver leverandør: «Hvordan vet vi at agenten har blitt bedre og ikke dårligere etter en endring?» Den som mangler et godt svar, har ikke bygget agenter i produksjon.
Guardrails og human-in-the-loop er ikke tilvalg
En agent som utfører handlinger i systemene deres, trenger tekniske sperrer, uansett hvor god modellen er:
- Tilgangsgrenser. Agenten får bare nå de systemene og de dataene oppgaven krever.
- Handlingsgrenser. Definer hva agenten aldri får gjøre på egen hånd, for eksempel sende penger, slette data eller kommunisere eksternt uten godkjenning.
- Human-in-the-loop. Kritiske beslutninger går via et menneske. I begynnelsen gjelder det ofte de fleste beslutningene; etter hvert som resultatdataene bygger tillit, kan terskelen heves.
- Eskalering og stopp. Når agenten er usikker, skal den overlate saken til et menneske, ikke gjette. Og det skal finnes en tydelig nødbrems.
Ser du et tilbud der disse postene mangler eller er gjemt i en fotnote, bør du be om en revidert versjon. Det er ikke ekstrautstyr, det er forutsetningen for produksjon.
Et konkret regneeksempel
Et eiendomsselskap vil ha en agent som håndterer feilmeldinger fra leietakere: lese meldingen, klassifisere saken, slå opp eiendommen i eiendomssystemet, opprette arbeidsordre og bestille riktig entreprenør. En PoC til 310 000 kr viser at klassifisering og oppslag fungerer. Selve agentutviklingen havner på 1,5 millioner kr, hvorav drøyt en tredjedel går til evalueringsriggen og testing mot historiske saker. Det første halvåret godkjenner en forvalter hver bestilling; deretter tar agenten standardsakene selv, mens uvanlige tilfeller eskaleres. Dyrere enn en chatbot, men den erstatter en hel manuell arbeidsprosess, ikke bare svarene på spørsmål om den.
Regn baklengs fra verdien
En agent til 1,9 millioner kr er billig hvis den frigjør tre årsverk, og dyr hvis den sparer én time i uken. Start derfor i prosessen: volum, tidsbruk og hva en feil koster. Regn også med driften: Agenter gjør ofte mange modellkall per oppgave, så kostnaden per behandlet sak skal anslås før beslutningen tas, ikke oppdages på den første månedsfakturaen. Det klokeste er å starte med en avgrenset PoC som tester det vanskeligste steget i kjeden før hele agenten finansieres. Vi i Weapp bygger AI-løsninger og agenter med evaluering og sperrer som en del av grunnleveransen og hjelper gjerne til med å regne på akkurat deres case. Ta kontakt, så tar vi det derfra.
Ofte stilte spørsmål
Hva skiller en AI-agent fra en chatbot?
En chatbot svarer på spørsmål. En agent utfører oppgaver: Den kan slå opp informasjon i systemene deres, ta delbeslutninger og gjennomføre handlinger som å oppdatere en sak eller opprette en ordre. Det er evnen til å handle som gjør agenter mer verdifulle, og dyrere å bygge sikkert.
Hvorfor er testing så mye dyrere for agenter enn for annen programvare?
Tradisjonell programvare gjør det samme hver gang og kan testes med forutsigbare testtilfeller. En agent resonnerer seg frem til handlingene sine og kan velge ulike veier med de samme inndataene. Derfor kreves systematisk evaluering over store mengder scenarioer, måling over tid og tester av hele kjeder av beslutninger, ikke bare av enkeltsvar.
Hva er guardrails i en AI-agent?
Tekniske sperrer som begrenser hva agenten får gjøre: hvilke systemer den når, hvilke beløp den får håndtere, hvilke handlinger som krever menneskelig godkjenning, og hva som skjer når den er usikker. Guardrails er forskjellen mellom en agent man tør å sette i produksjon, og et eksperiment.
Kan vi begynne med en enklere versjon av en agent?
Ja, og det er ofte lurt. Et vanlig opplegg er at agenten først bare foreslår handlinger som et menneske godkjenner. Når resultatdataene viser at forslagene holder høy kvalitet, kan flere steg automatiseres. Da bygger dere tillit og testdata samtidig som risikoen holdes nede.
Hvilke prosesser passer best å starte med for en AI-agent?
Oppgaver med tydelig definerte steg, tilgang til gode systemdata og begrenset skade hvis noe går galt, for eksempel saksforberedelse, informasjonsinnhenting før beslutninger eller rutineoppdateringer i systemer. Unngå å begynne med prosesser der én enkelt feil er dyr eller ikke kan gjøres om.