Guide · Hverdags-AI
Der kommer en ny model med et nyt navn nogenlunde hver måned, og det er fristende at tænke, at "den nyeste og dyreste" altid er det rigtige valg. Det er den ikke. Den rigtige model afhænger af opgaven, og jeg bruger selv fire forskellige i mine egne agenter, alt efter hvad de skal.
Fra navneforvirring til en enkel tommelfingerregel.
Fire agenter, fire opgaver, og ikke to af dem kører på den samme model.
Jeg har flere små agenter, der kører i baggrunden for BrixAI: en, der hver morgen samler mine opgaver fra tre forskellige systemer til én mail. Fire andre, der hver morgen og aften holder øje med en bunke RSS-feeds: én for AI, én for dansk tech, én for video, én for miljø, og skriver hver historie om til noget, jeg forstår med det samme, i stedet for bare en overskrift. De taler aldrig sammen, men morgen og aften lander det hele i ét dashboard, uden jeg har rørt en finger. Vil jeg læse mere, klikker jeg bare på linket til originalartiklen. Og et helt agent-team, der researcher og skriver de guider, du læser her.
De bruger ikke den samme model. Digest-agenten, der bare skal samle en liste og formatere en mail, kører på noget billigt og hurtigt. Nyheds-agenterne, der skal omskrive en historie til noget letlæst uden at ændre på fakta, får en lidt stærkere model. Og når agent-teamet skal vurdere kildekritisk research og skrive en hel guide, bruger jeg den kraftigste model, jeg har adgang til.
Det er ikke fordi jeg er nørdet med det. Det er fordi den dyreste model på nogle opgaver er spild af penge, og på andre opgaver den eneste, der leverer noget brugbart.
Prisforskellen er heller ikke lille: i juli 2026 lå API-priserne for de store modeller mellem omkring 2 og 30 dollars pr. million tokens, alt efter model og om det er input eller output (BenchLM; Fenxi, 2026).
Brug den forskel bevidst i stedet for at betale topprisen for opgaver, der ikke kræver det.
Glem modelnavnene et øjeblik. Tænk i stedet i tre lag.
Tænk på modeller i tre lag i stedet for at forsøge at huske alle navnene. De fleste udbydere har efterhånden noget i alle tre.
Klassificering, oprydning i data, korte svar, "gør det samme hver gang". Billigt nok til at køre tusindvis af gange uden at tænke over prisen.
Skrive tekst, opsummere, kode, kundeservice-svar. Dækker langt de fleste opgaver, en dansk SMV støder på i det daglige.
Komplekse juridiske eller økonomiske vurderinger, svær fejlfinding, flertrins- beslutninger. Dyrere og langsommere. Fordi den "tænker" længere, før den svarer.
Branchen kalder det tredje lag "reasoning-modeller": de bruger mere regnekraft undervejs til at ræsonnere sig frem, i stedet for bare at svare med det samme (Medium, Cihat Yıldız, 2026). De er markant bedre til matematik, kompleks logik og flertrins-opgaver, og markant langsommere og dyrere til alt det, en standardmodel allerede klarer fint.
Tommelfingerreglen går igen hos flere udbydere: økonomi-laget klarer langt de fleste rutineopgaver, standard-laget dækker det meste af det, der kræver rigtig tekst eller kode, og det tunge lag gemmes til de svære, sjældne beslutninger (AIMLAPI, 2026).
Det er samme opdeling, uanset hvilken udbyder du spørger.
Den vigtigste skillelinje handler ikke om mærke, men om hvordan modellen arbejder undervejs.
Den vigtigste skillelinje er ikke "hvilket firma", men "ræsonnerer den, eller svarer den bare". Det er her, mange betaler for meget for opgaver, der ikke har brug for det, eller omvendt, sparer penge på opgaver, der faktisk krævede eftertanke.
| Dimension | Almindelig (standard) model | Reasoning-model |
|---|---|---|
| Måde at svare på | Svarer med det samme | Bruger tid på at "tænke" undervejs |
| Hastighed | Hurtig | Langsommere |
| Pris | Lavere | Markant højere pr. opgave |
| Styrke | Tekst, kode, samtale, opsummering | Komplekse, flertrins beslutninger og logik |
| Eksempel på opgave | Skriv et kundesvar, opsummer et møde | Gennemgå en kontrakt for modstridende klausuler |
| Risiko ved forkert valg | Overser nuancer i svære sager | Spild af tid og penge på simple opgaver |
En reasoning-model er ikke "smartere" i almindelig forstand. Den er langsommere med vilje, fordi den bruger mere regnekraft til at tjekke sig selv undervejs. Det betaler sig på de svære opgaver. På de nemme er det som at leje en revisor til at tælle byttepenge.
Åbne modeller har på under et år lukket meget af prisgabet på reasoning: nogle koster i dag under en tiendedel af de vestlige frontier-modeller for sammenlignelig kvalitet på visse opgaver (ML Journey, 2026).
Men tjek altid selv, om kvaliteten holder til din opgave.
Tre opgaver, en dansk SMV støder på i det daglige, og modellen, jeg selv ville vælge til hver.
Sådan ser det ud i praksis med tre almindelige opgaver, en dansk SMV støder på.
Opgaven er ensartet og gentages tusindvis af gange. Betal ikke topprisen for noget en billig model klarer lige så godt.
Kræver ordentlig tekst og lidt situationsfornemmelse, men ikke dyb ræsonnering. Standardmodellerne er i 2026 gode nok til det meste tekstarbejde.
Her er prisen for en fejl høj, og opgaven kræver, at modellen holder styr på flere led i logikken samtidig: det er præcis dér, reasoning-laget retfærdiggør sin pris.
Jeg tjekker ikke benchmark-tabeller hver gang. Jeg spørger mig selv: er det her rutine, er det almindeligt tekstarbejde, eller er det en beslutning, der koster noget, hvis den bliver forkert? Det svar peger næsten altid på det rigtige lag.
Modelvalg handler ikke kun om pris og kvalitet: bruger du en ekstern AI-tjeneste til persondata, er det en databehandling efter GDPR, og du bør have en databehandleraftale med leverandøren og bruge en erhvervsversion frem for den gratis forbrugerudgave (Skrivsikkert, 2026; AI-AG, 2026).
Sørg for en databehandleraftale og en erhvervsversion, ikke den gratis forbrugerudgave.
Navnene skifter hvert halve år. De tre spørgsmål gør ikke.
Det vigtigste at tage med er ikke navnene på dagens bedste modeller. De er skiftet ud, inden du læser dette igen om et halvt år. Det er evnen til at stille de rigtige tre spørgsmål.
Ja → overvej det billige lag. Prisen pr. opgave tæller, når du ganger med tusind.
Ja → reasoning-laget. Nej → standardlaget er nok, og hurtigere.
Høj pris ved fejl (jura, økonomi, kundedata) → vælg det stærkeste lag og hav et menneske til at tjekke output.
Landskabet flytter sig hurtigt: der kommer nye modeller og nye priser stort set hver måned. Reglen ovenfor holder, selvom navnene skifter, fordi den handler om opgaven, ikke om mærket. Sæt dig selv en påmindelse et par gange om året til at tjekke, om der er kommet et billigere lag, der nu klarer det, du i dag betaler for meget for.
De fleste virksomheder betaler enten for meget for rutineopgaver eller for lidt for de svære. Skriv til mig, så kigger vi på jeres konkrete opgaver sammen.
Skriv til mig →Tænk i tre lag: billig, standard, tung, i stedet for at forsøge at huske alle modelnavne.
En reasoning-model er ikke "bedre", den er langsommere og dyrere med vilje til svære, flertrins-opgaver.
Spørg: gentager det sig i skala, kræver det ræsonnering, og hvad koster en fejl. Det peger på det rigtige valg.