Vad kostar ett AI-projekt 2026? Konkreta priser och vad som driver kostnaden

Prisspann för ai projekt

Realistiska prisintervall i SEK 2026. Använd som riktmärke när du jämför offerter.

1. ChatGPT- eller LLM-integration mot befintligt system: 30 000 - 100 000 kr
2. RAG-system (Retrieval-Augmented Generation) med intern kunskapsbas: 80 000 - 250 000 kr
3. Avancerad RAG med flerstegslogik, säkerhetsfilter och SSO-integration: 200 000 - 400 000 kr
4. Custom ML-modell (träning, validering, deployment): 300 000 - 800 000 kr
5. Komplex ML-pipeline med MLOps, retraining-infrastruktur och drift: 600 000 - 2 000 000 kr+
6. AI-strategi och proof-of-concept (PoC): 50 000 - 150 000 kr

Vad påverkar priset?

• Datakvalitet och datamängd: Ren, strukturerad data halverar ofta projekttiden. Kräver projektet datarensning, labeling eller syntetisk datagenerering tillkommer 50 000-200 000 kr extra.
• Val av modell och licensform: Att bygga på OpenAI GPT-4o eller Azure OpenAI är snabbare men ger löpande API-kostnader. Öppen källkod som Llama 3 kräver mer arbete men ger lägre driftkostnad på sikt.
• Integrationskomplexitet: Att koppla AI mot ett modernt REST-API kostar lite. Att integrera mot ett gammalt ERP-system via SOAP eller filöverföring kan fördubbla projekttiden.
• Säkerhets- och compliancekrav: GDPR-anpassning, dataisolering och revisionsloggar är standard i life science och fintech - räkna med 20-40 procent prispåslag jämfört med ett standardprojekt.
• Retraining-frekvens: En modell som behöver tränas om månadsvis kräver MLOps-infrastruktur (ofta AWS SageMaker, Azure ML eller GCP Vertex AI) som kostar 10 000-80 000 kr per månad i compute beroende på datamängd.
• Promptingenjöring och finjustering: Fine-tuning av en LLM på domänspecifik data (t.ex. juridiska dokument eller tekniska manualer) kostar 30 000-120 000 kr extra men ger väsentligt bättre precision.
• Teamsammansättning hos leverantören: Ett team med ML-ingenjör, dataingenjör och MLOps-specialist kostar mer än en ensam AI-konsult, men levererar ett driftsäkrare resultat.
• Geografisk placering: Stockholmsbaserade AI-byråer tar i genomsnitt 200-400 kr mer per timme än leverantörer i Linköping, Örebro eller Umeå med likvärdig kompetens.

Jämförelse

Konkret jämförelse mellan typiska val i den här prisklassen.

• Junior AI-frilansare (1-3 års erfarenhet): 900 - 1 200 kr/h - lämplig för avgränsade integrationsuppgifter, men saknar ofta MLOps- och produktionserfarenhet.
• Senior AI-konsult (5+ år, ML-specialisering): 1 600 - 2 200 kr/h - kan driva hela projektet från datapipeline till deployment, vanligast för RAG och custom ML.
• AI-specialist/forskare (PhD-nivå eller djup domänkunskap): 2 200 - 2 500 kr/h - relevant för komplexa modeller inom t.ex. computer vision, NLP eller prediktiv analys i tillverkning.
• Etablerad AI-byrå med fast projektpris: Ofta 20-35 procent dyrare totalt än timdebitering, men inkluderar projektledning, QA och riskdelning - värt det för projekt över 500 000 kr.
• Offshoring till Östeuropa eller Indien: 400 - 800 kr/h, men räkna med extra tid för kommunikation, GDPR-hantering och kodgranskning - nettobesparing är ofta lägre än förväntat.
• SaaS AI-verktyg (t.ex. Cohere, Relevance AI): Månadsavgift 5 000 - 50 000 kr istället för bygge - snabbaste vägen till ett resultat om standardfunktionalitet räcker.

Exempel på faktiska projekt och priser

• Medelstort advokatbyrå i Stockholm som vill ha en intern chatbot på sina juridiska dokument via RAG: 120 000 - 180 000 kr, inklusive säker dokumentingestion och Azure OpenAI-integration.
• Tillverkningsföretag i Jönköping som behöver prediktivt underhåll baserat på sensordata från produktionslinjen: 400 000 - 700 000 kr för custom ML med realtidspipeline.
• E-handelsföretag som vill automatisera kundtjänst med en LLM-baserad chatbot kopplad till Zendesk och produktkatalog: 60 000 - 100 000 kr.
• Logistikbolag som vill förutsäga leveransfördröjningar med historisk data och externa väderkällor: 250 000 - 500 000 kr för en heltäckande ML-modell med MLOps-infrastruktur.
• Startup som vill validera en AI-idé med ett proof-of-concept på 4-6 veckor: 50 000 - 100 000 kr för begränsad datamängd och en demo-miljö.
• Fastighetsbolag som automatiserar granskning av hyreskontrakt med dokumentanalys via GPT-4o: 35 000 - 70 000 kr för integration mot befintligt dokumenthanteringssystem.
• Sjukvårdsorganisation som vill klassificera patientärenden automatiskt med NLP tränad på journaldata: 500 000 - 1 200 000 kr med krav på GDPR-isolering, revisionslogg och validering mot kliniska riktlinjer.

Köpråd – så får du rätt pris

• Be leverantören specificera vad som händer med data: var lagras den, vem har åtkomst, och hur hanteras personuppgifter? En seriös AI-konsult har svar på dessa frågor direkt.
• Begär fast pris för discovery-fasen (2-4 veckor) separat från resten av projektet. Det ger en oberoende kravbild och gör det lättare att jämföra offerter från olika leverantörer.
• Fråga specifikt om compute-kostnader i produktion: be leverantören uppskatta månadskostnaden för molninfrastruktur och API-avgifter vid 1 000, 10 000 och 100 000 anrop per dag.
• Kontrollera att leverantören har erfarenhet av MLOps och inte bara modellbygge - en modell som inte kan uppdateras och monitoreras i produktion tappar snabbt i precision.
• Jämför inte timpriser utan att också jämföra estimerad totaltid. En leverantör till 1 200 kr/h som estimerar 500 timmar är dyrare än en till 1 800 kr/h som estimerar 250 timmar.
• Be om referensprojekt i samma prisklass och helst i din bransch - AI-projekt i tillverkning skiljer sig fundamentalt från AI-projekt i e-handel eller fintech.

Vanliga misstag att undvika

• Att fokusera på modellens noggrannhet i demo-miljön utan att fråga hur den presterar på ny, osedd data - en modell som är 95 procent träffsäker på träningsdata kan vara 60 procent på verklig produktionstrafik.
• Att glömma löpande infrastrukturkostnader i budgeten. Compute och API-avgifter kan motsvara 50-150 procent av byggkostnaden per år och bör räknas in i business caset från start.
• Att välja det lägsta offertpriset utan att kontrollera om leverantören inkluderat datarensning, integration och deployment - eller om de räknat på en idealisk datamiljö som inte speglar verkligheten.
• Att starta ett stort custom ML-projekt utan ett proof-of-concept. Många projekt visar sig i PoC-fasen att ett enklare regelbaserat system eller ett befintligt SaaS-verktyg löser 80 procent av problemet till en tiondel av kostnaden.
• Att skriva ett avtal utan tydlig definition av 'klar'. AI-projekt saknar ofta en naturlig slutpunkt - utan acceptanskriterier kopplade till affärsmål (t.ex. 'modellen ska klassificera korrekt i minst 85 procent av fallen') riskerar projektet att dra ut på tiden.
• Att underskatta behovet av intern kompetens. En AI-lösning kräver någon internt som förstår modellen tillräckligt för att fatta beslut om retraining, datakvalitet och när resultaten inte längre kan litas på.