Hva koster en RAG-løsning mot egne dokumenter?
En RAG-løsning som lar dere stille spørsmål til egne dokumenter, koster normalt 370 000 kr–1,9 millioner kr å bygge. Mellom 40 og 60 prosent av budsjettet går til datarydding og struktur fremfor AI-teknologi. I tillegg kommer driftskostnaden per spørsmål for embedding, søk og svargenerering, som regel fra noen øre til noen få kroner.
Å kunne stille spørsmål til virksomhetens egen kunnskap, som avtaler, manualer, retningslinjer og prosjektdokumentasjon, er et klassisk AI-case. Teknologien bak kalles RAG, retrieval-augmented generation: Systemet henter relevante avsnitt fra dokumentene deres og lar en språkmodell formulere svaret ut fra dem. En slik løsning koster i 2026 normalt 370 000 kr–1,9 millioner kr å bygge. Hvor i spennet dere havner, avgjøres nesten helt av dokumentene, ikke av AI-teknologien.
Prisnivået: dokumentene styrer
| Utgangspunkt | Typisk kostnad | Kjennetegn |
|---|---|---|
| Godt strukturert dokumentmengde | 370 000–750 000 kr | Én kilde, enhetlig format, tydelig eierskap, åpen tilgang |
| Blandet utgangspunkt | 750 000 kr–1,2 millioner kr | Flere kilder, varierende kvalitet, noe tilgangsstyring |
| Spredte og sensitive data | 1,2–1,9 millioner kr | Mange systemer, duplikater og utdatert innhold, tilganger per dokument |
Halve budsjettet går til dataene, og det er riktig
Regn med at 40–60 prosent av budsjettet i et RAG-prosjekt går til datarydding og struktur, ikke til AI. Det høres bakvendt ut, men er helt logisk: Systemet kan aldri svare bedre enn grunnlaget det henter fra.
Arbeidet som ligger i den posten:
- Kartlegging. Hvilke dokumenter finnes, hvor, og hvilke er faktisk gjeldende?
- Opprydding i duplikater og utdatert innhold. Tre versjoner av samme retningslinje gir tre ulike svar. Systemet vet ikke hvilken som gjelder hvis ingen sier fra.
- Struktur og oppdeling. Dokumentene må deles i søkbare avsnitt med metadata som dato, eier og gyldighet.
- Tilganger. Hvem får se hva? Lønnsdata og styreprotokoller skal ikke dukke opp i svaret til feil ansatt.
En leverandør som legger nesten hele tilbudet på AI-komponenter og én linje på «dataforberedelse», har enten ikke forstått utgangspunktet deres eller skyver kostnaden over på senere tilleggsfakturaer.
Driftskostnaden: Hva koster et spørsmål?
Hvert spørsmål til en RAG-løsning har tre kostnadsledd: embedding av spørsmålet (å gjøre det søkbart), retrieval (å finne relevante avsnitt) og generering (å formulere svaret med en språkmodell). Embedding og søk koster i praksis brøkdeler av en øre. Det er genereringen som dominerer.
Et regneeksempel: Anta at et svar i snitt bruker tilsvarende 3 000 tokens inn (spørsmålet pluss hentede avsnitt) og 500 tokens ut. Med en mellomklassemodell havner kostnaden ofte rundt 4,8–14 øre per spørsmål, med en toppmodell kanskje 0,48–1,4 kr. Hvis 200 ansatte stiller 5 spørsmål om dagen, blir det 1 000 spørsmål daglig: mellom et par hundrelapper og drøyt tusen kroner i måneden med en billigere modell, eller 9 600–29 000 kr med en toppmodell. I tillegg kommer hosting, vektordatabase og indeksering, ofte 2 900–14 000 kr i måneden.
Poenget er ikke de nøyaktige tallene (modellprisene endrer seg raskt), men at regnestykket skal gjøres før beslutningen, med egne volumer og eget modellvalg.
Hva som inngår i en komplett løsning
I tillegg til selve søke- og svarfunksjonen trenger en RAG-løsning i produksjon en rekke deler som sjelden vises i demoen, men som avgjør om verktøyet er til å stole på:
- Kildehenvisninger i hvert svar slik at brukeren kan kontrollere mot originaldokumentet.
- Automatisk reindeksering når dokumenter opprettes, endres eller slettes. Ellers begynner kunnskapsbasen å bli utdatert fra dag én.
- Tilgangsfiltrering per bruker, koblet til identitetsløsningen dere bruker.
- Logging og oppfølging av hvilke spørsmål som stilles, og hvilke som ikke får gode svar. Det er det beste kartet dere har over hvilke dokumenter som mangler eller må forbedres.
- Et testsett med fasitspørsmål som kjøres etter hver endring slik at kvaliteten måles i stedet for å antas.
Det er disse delene som skiller et internt verktøy man stoler på, fra en demo som imponerer i to uker.
En god måte å begynne på er en avgrenset PoC på den rotete virkeligheten deres, ikke på et ryddet utvalg, slik at behovet for datarydding kommer frem i tall før hovedinvesteringen besluttes. Vil dere vite hvor i prisspennet utgangspunktet deres plasserer dere? Ta kontakt, så ser vi på dokumentmengden sammen.
Ofte stilte spørsmål
Hva betyr RAG?
RAG står for retrieval-augmented generation. I stedet for at språkmodellen svarer ut fra sin generelle hukommelse, henter systemet først de mest relevante avsnittene fra deres egne dokumenter og lar modellen formulere svaret ut fra dem. Det gir svar som er forankret i kunnskapen deres, med kildehenvisninger.
Hvorfor ikke bare laste opp dokumentene i ChatGPT?
For enkeltdokumenter fungerer det. Men en løsning for virksomheten krever tilgangsstyring, automatisk synkronisering når dokumenter oppdateres, kildehenvisninger, logging og kontroll over hvor dataene havner. Det er den forskjellen, ikke AI-modellen, som gjør at en RAG-løsning koster penger å bygge.
Hvordan holdes svarene oppdatert når dokumentene endres?
Løsningen trenger en indekseringspipeline som fanger opp nye og endrede dokumenter automatisk, for eksempel via kobling til intranettet eller dokumentsystemet. Uten den blir kunnskapsbasen raskt utdatert, og tilliten til svarene forsvinner. Krev at automatisk oppdatering inngår i tilbudet.
Kan en RAG-løsning svare feil?
Ja. Det vanligste er at den henter feil eller utdaterte avsnitt og bygger et korrekt formulert svar på feil grunnlag. Risikoen reduseres med god datarydding, kildehenvisninger i hvert svar og et testsett med fasitspørsmål som kjøres jevnlig, men den forsvinner aldri helt.
Hvor lang tid tar det å bygge en RAG-løsning?
En avgrenset løsning mot en godt strukturert dokumentmengde tar ofte 2–3 måneder. Er dokumentene spredt over mange systemer, av blandet kvalitet eller underlagt strenge tilgangskrav, bør du regne med 4–6 måneder, der mesteparten går til dataarbeidet og ikke til AI-delen.