Vad kostar en ML-modell 2026? Prisguide med konkreta intervall

Prisspann för ml modell

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

1. Proof-of-concept / MVP-modell (begränsad data, intern testmiljö): 200 000 - 350 000 kr
2. Enklare produktionsmodell (bildklassificering, binär prediktion, strukturerad data): 350 000 - 600 000 kr
3. Mellannivå - prediktionsmodell eller rekommendationssystem med datapipeline: 600 000 - 1 000 000 kr
4. Avancerad custom-modell med MLOps, CI/CD för modeller och monitoring: 1 000 000 - 1 500 000 kr
5. Enterprise-lösning med löpande omträning, A/B-testning av modeller och full integration: 1 500 000 - 2 000 000 kr och uppåt

Vad påverkar priset?

• Datamängd och datakvalitet: Har du redan ren, märkt data eller behöver leverantören samla in och märka från grunden? Datamärkning kostar 50 000-400 000 kr beroende på volym och komplexitet.
• Modelltyp: Bildklassificering och tabellär prediktion är standardfall med etablerade arkitekturer. NLP-modeller på svenska, tidsserieanalys och multi-modal modellering kräver mer specialistkompetens och driver priset uppåt.
• Träningsinfrastruktur: Behöver modellen tränas på GPU-kluster? Träningskostnaden för en stor modell kan vara 20 000-150 000 kr bara i compute, beroende på antal epoker och modellstorlek.
• MLOps och driftsättning: Ska modellen köras som en API-endpoint, integreras i ett befintligt system eller köras on-premise? En fullständig MLOps-setup med versionshantering, monitoring och automatisk omträning är ett eget delprojekt.
• Krav på förklarbarhet (explainability): Regulatoriska krav - till exempel inom finans eller vård - kräver att modellen kan motivera sina beslut. Det ökar komplexiteten och priset med 20-40%.
• GDPR och dataplacering: Om data inte får lämna Sverige eller EU begränsas valet av träningsinfrastruktur, vilket kan öka kostnaden för compute.
• Antal iterationer och omträningsbehov: En modell som behöver tränas om kvartalsvis kräver automatiserade pipelines - det är ett löpande kostnadspåslag utöver byggpriset.
• Leverantörens kompetens och storlek: En senior ML-specialist fakturerar 1 200-1 800 kr/h. En etablerad AI-byrå med team kostar mer totalt men levererar bredare kompetens inom MLOps, backend och integration.

Jämförelse

Konkret jämförelse mellan typiska val i den här prisklassen.

• Frilansande ML-ingenjör (junior-mellannivå): 800-1 100 kr/h - lämpligt för avgränsade modellbyggen med tydlig spec, men du ansvarar själv för infrastruktur och integration.
• Senior frilansande ML-specialist: 1 200-1 800 kr/h - relevant för komplexa modeller, men saknar ofta MLOps- och produktionskompetens i samma paket.
• Specialiserad AI-byrå (5-20 personer): 1 400-2 000 kr/h eller fastpris 400 000-1 500 000 kr - täcker hela kedjan från data till driftsatt modell, men priset är högre.
• Stor IT-konsultfirma (Accenture, Capgemini, CGI): 1 800-2 800 kr/h - relevant för enterprise-integration och regulatoriska krav, men overhead driver upp totalkostnaden markant.
• Använda OpenAI/Google API istället för custom: 0-50 000 kr/år i API-kostnader för många use case - relevant om din data inte är unik och precision på 80-85% räcker. Custom modell motiveras när du behöver 90%+ precision på din specifika domän eller när GDPR kräver lokal datahantering.

Exempel på faktiska projekt och priser

• Tillverkningsföretag i Västerås som vill klassificera defekter på produktionsbilder (bildklassificering, 10 000 märkta bilder): ca 350 000-500 000 kr inklusive datapipeline och REST API.
• E-handelsföretag med 500 000 produkter som vill bygga ett rekommendationssystem baserat på köphistorik (collaborative filtering, integration mot Centra): ca 600 000-900 000 kr.
• Fintech-startup i Stockholm som behöver en kreditriskmodell med explainability för Finansinspektionens krav (tabellär data, SHAP-förklaringar): ca 700 000-1 100 000 kr.
• Logistikföretag som vill prediktera leveransfördröjningar baserat på väder, trafik och historik (tidsseriemodell, integration mot TMS): ca 500 000-800 000 kr.
• Sjukvårdsaktör som vill klassificera journaltext på svenska för triagering (NLP, GDPR kräver on-premise, begränsad märkt data): ca 900 000-1 500 000 kr.
• Stort detaljhandelsbolag med full MLOps-setup: A/B-testning av modeller, automatisk omträning varje vecka, monitoring och alerting, integration mot Snowflake: ca 1 500 000-2 000 000 kr.
• Proof-of-concept för ett industriföretag som vill testa om ML kan prediktera maskinfel (begränsad data, intern testmiljö, ingen produktionsdriftsättning): ca 200 000-300 000 kr.

Köpråd – så får du rätt pris

• Be leverantören specificera vad som ingår i datamärkning och dataförberedelse - det är ofta här offerter skiljer sig mest åt utan att det syns i rubriken.
• Fråga om modellen levereras med fullständig källkod och träningsscript, eller om ni låses in i leverantörens plattform. Äger ni modellen helt efter leveransen?
• Jämför inte fastprisofferter med löpande timdebitering utan att räkna om till ett realistiskt totalt antal timmar - en offert på 800 kr/h kan bli dyrare än 600 000 kr fast om projektet drar ut på tiden.
• Kräv att leverantören redovisar vilka mätvärden (metrics) modellen ska uppnå och vid vilken precision leveransen godkänns. Utan det saknar ni ett objektivt godkännandekriterium.
• Be om referensprojekt i liknande prisspann och gärna i er bransch - en leverantör som byggt modeller för industri har annan domänförståelse än en som jobbar med SaaS.
• Fråga specifikt om kostnaden för löpande drift och omträning det första året - det ger er en mer rättvisande bild av den totala investeringen.

Vanliga misstag att undvika

• Att jämföra offerter utan att kontrollera om datamärkning ingår. En offert på 400 000 kr utan datamärkning kan bli dyrare totalt än en på 600 000 kr som inkluderar det.
• Att välja custom ML-modell när en färdig API räcker. Om OpenAI, Google Vision eller AWS Rekognition löser problemet med tillräcklig precision och er data inte är känslig, är custom-bygge sällan motiverat ekonomiskt.
• Att inte ställa krav på ägarskap av modell och träningsdata. Vissa leverantörer behåller rätten att använda er data för att förbättra sina egna modeller - det behöver regleras i avtal.
• Att underskatta kostnaden för modelldrift. En modell som kostar 600 000 kr att bygga kan kosta 80 000-150 000 kr per år att drifta och underhålla, inklusive compute och omträning.
• Att inte planera för konceptdrift - det vill säga att modellens precision försämras över tid när verkligheten förändras. Utan ett avtal om löpande omträning kan en modell som fungerar bra vid lansering prestera dåligt efter 12 månader.
• Att godkänna en leverans utan tydliga acceptanskriterier. Utan ett specificerat minimumkrav på precision eller F1-score är det svårt att invändiga mot en leverantör som levererar en modell som inte håller måttet.