Tokens er den skjulte måleenhed i AI. Når du bruger ChatGPT, Gemini, Claude eller andre AI modeller, bliver teksten opdelt i små enheder, som modellen læser, behandler og skriver tilbage på. Disse enheder kaldes tokens og er den måde, AI modeller forstår tekst, håndterer kontekst og beregner forbrug på. På almindelige konti ser man sjældent sit forbrug af Tokens, fordi systemerne skjuler det bag abonnementer og brugergrænseflader.
For almindelige brugere er tokens derfor ofte usynlige. For virksomheder og udviklere, der ønsker at Vibe code eller bygge AI løsninger med API, er de derimod afgørende. Her skal virksomheden betale for forbruget. Det betyder, at lange prompts, store dokumenter, lange svar, internetsøgning, filanalyse og avanceret reasoning kan få stor økonomisk betydning. Jo mere tekst og beregning modellen skal håndtere, desto dyrere bliver det.
Problemet opstår ofte, når løsningen skal i drift. En AI funktion kan virke billig under test, men blive markant dyrere, når mange brugere, lange samtaler og store datamængder begynder at løbe gennem systemet. Tokens ikke bare et fancy begreb, men fundamentet for at forstå, hvad AI reelt koster i praksis. Hvis man vil udvikle professionelle AI løsninger, er det vigtigt at forstå hvad tokens er.
Tokens er AI modellernes skjulte måleenhed
Tokens opstår, når en AI model opdeler tekst i mindre dele, før teksten behandles. Et token kan være et helt ord, en del af et ord, et tegn, et mellemrum eller tegnsætning. Derfor kan to tekster med samme antal ord godt have forskelligt tokenforbrug.
Man kan derfor ikke nøjes med at tælle ord. En kort tekst med mange specialtegn, lange sammensatte ord eller teknisk kode kan bruge flere tokens end forventet. Omvendt kan en almindelig sætning være relativt billig at behandle.
Det vigtigste er, at både det man sender ind til modellen, og det modellen svarer tilbage, tæller med i forbruget. I API sammenhæng taler man derfor om input-tokens og output-tokens. Input er det, du sender ind. Output er det, modellen svarer tilbage. Dertil kan der opstå ekstra forbrug fra eksempelvis systembeskeder, filer, værktøjer, internetsøgning og reasoning.
Det betyder, at en prompt sjældent udfør udgiften alene. Hvis en AI løsning har en lang system-prompt (instruktion), dokumenter, en database eller en søgning på internettet med i baggrunden, bliver det også en del af det samlede forbrug. Brugeren ser måske kun et enkelt spørgsmål og et enkelt svar, men systemet behandler langt mere tekst bag kulissen.
På almindelige brugerflader som ChatGPT, Gemini og Claude behøver man normalt ikke selv at tælle tokens. Her er forbruget skjult bag et abonnement, forbrugsgrænser og systemets egne regler. Men hvis man udvikler egne løsninger, eksempelvis en chatbot eller et andet API baseret værktøj, bliver tokens pludselig meget konkrete.
Hvis man udvikler med API, betaler man ikke bare for adgang til AI. Man betaler for den mængde tekst og beregning, løsningen anvender.
Beregn Tokens i din tekst
Hvis du vil se, hvordan tokens bliver opgjort i praksis, kan du estimere dit forbrug ved hjælp af en tokenizer. OpenAI har eksempelvis en tokenizer på https://platform.openai.com/tokenizer, hvor du nemt kan indsætte tekst og se, hvordan modellen opdeler den i tokens.
Værktøjet giver et mere præcist billede end simple estimater baseret på tegn eller ord. Den endelige tokenoptælling afhænger dog altid af den konkrete model, API-platform og den samlede løsning. Tokenforbruget handler som nævnt ikke kun om den synlige tekst. Systembeskeder, samtalehistorik, filer, databaser, internetsøgning, værktøjer og reasoning kan også bruge tokens i baggrunden.
Derfor kan man først kende det reelle forbrug, når løsningen testes i praksis, og forbruget overvåges direkte i den valgte API-platform.
Hvad betyder token?
Ordet token kan oversættes til enhed, mærke eller symbol. I AI bruges begrebet om de små tekstdele, som en model arbejder med. Når du skriver en prompt til ChatGPT, Gemini eller Claude, bliver teksten opdelt i tokens, før modellen kan læse, behandle og svare på indholdet.
Et token er ikke nødvendigvis et helt ord. Det kan være et ord, en del af et ord, et tal, et mellemrum eller tegnsætning. Derfor tæller AI ikke tekst på samme måde som mennesker. AI tæller tokens. Det er den måleenhed, der afgør, hvor meget tekst modellen kan håndtere, hvor meget kontekst den kan bruge, og hvad det koster at anvende AI i praksis.
Tokens er valutaen i AI
Tokens er i praksis valutaen i AI. De afgør, hvor meget en model skal arbejde, hvor meget tekst den kan håndtere, hvor lang tid opgaven tager, og hvad det koster at gennemføre den.
Når man bruger en AI model via API, afregnes forbruget typisk pr. én million tokens. Prisen afhænger af modellen og af, om der er tale om input, output, cached input, reasoning eller andre funktioner. Output tokens er ofte dyrere end input tokens, fordi modellen skal bruge beregningskraft på at generere et svar.
Det betyder, at en organisation ikke kun skal spørge, hvilken model der er bedst. Den skal også spørge, hvilken model der er økonomisk forsvarlig til opgaven.
En simpel klassificering, kort opsummering eller standardiseret omskrivning kræver sjældent den dyreste model. Omvendt kan juridiske analyser, kompleks kode, strategi, større datafortolkning og avanceret reasoning kræve en dyr model.
Det kan virke som et lille valg, men i drift er det afgørende. Hvis en chatbot har tusindvis af samtaler om måneden på en for dyr model, kan omkostningerne hurtigt vokse markant. Selv få ekstra tokens pr. besked kan blive en mærkbar udgift i stor skala. Hvis en automatisering samtidig sender hele dokumenter med i hvert kald, bliver løsningen endnu dyrere end nødvendigt.
Tokens skal ikke behandles som en usynlig detalje. De skal behandles som en vigtig og dyrebar ressource, der skal styres med samme seriøsitet som licenser, annoncebudgetter og lønninger.
API priser på populære AI modeller
Priserne herunder er indsamlet i maj 2026. API priser kan ændrer sig løbende, og de bør derfor altid kontrolleres direkte hos udbyderen, før en AI løsning sættes i drift.
Tabellen viser standardpriser pr. én million tokens, sorteret pr. udbyder og derefter fra høj til lav pris.
| Udbyder | Model | Input pr. 1 mio. tokens | Output pr. 1 mio. tokens |
|---|---|---|---|
| OpenAI | GPT 5.5 | 5,00 USD | 30,00 USD |
| OpenAI | GPT 5.4 | 2,50 USD | 15,00 USD |
| OpenAI | GPT 5.4 mini | 0,75 USD | 4,50 USD |
| Gemini 3.1 Pro Preview, prompts over 200.000 tokens | 4,00 USD | 18,00 USD | |
| Gemini 3.1 Pro Preview, prompts op til 200.000 tokens | 2,00 USD | 12,00 USD | |
| Gemini 3.5 Flash | 1,50 USD | 9,00 USD | |
| Gemini 3.1 Flash Lite | 0,25 USD | 1,50 USD | |
| Anthropic | Claude Opus 4.7 | 5,00 USD | 25,00 USD |
| Anthropic | Claude Sonnet 4.6 | 3,00 USD | 15,00 USD |
| Anthropic | Claude Haiku 4.5 | 1,00 USD | 5,00 USD |
Prisforskellen viser tydeligt, hvorfor tokens har stor økonomisk betydning. Hvis en virksomhed bruger den dyreste model til alle opgaver, kan selv en enkel AI funktion hurtigt blive unødigt dyr. Matcher man derimod opgaven med den rigtige model, kan man ofte opnå samme forretningsværdi til en markant lavere pris.
Det afgørende er derfor ikke automatisk at vælge den stærkeste eller dyreste model. Det afgørende er, at vælge den model, der passer bedst til opgaven.
I praksis bør udviklere og virksomheder teste flere modeller, før de træffer et endeligt valg. Pris er kun én del af beslutningen. Nogle vælger modeller ud fra bestemte funktioner, svartider eller kvaliteten af modellens reasoning. Derudover spiller udviklernes erfaring og præferencer ofte en rolle, fordi visse API’er, værktøjer eller økosystemer kan være lettere at arbejde med i praksis.
Valget af model og udbyder bliver sjældent et spørgsmål om pris alene. Det handler typisk om at finde den rette balance mellem økonomi, kvalitet, sikkerhed, tekniske behov og virksomhedens eksisterende arbejdsgange.
Dyrt at bruge tokens forkert
Det dyre ved AI er sjældent teknologien alene. Det dyre er manglende kontrol over, hvordan teknologien forstås og anvendes.
Forskellen bliver især mærkbar, når man går fra at være almindelig AI abonnent til at udvikle egne løsninger med API, der anvender Tokens. På abonnementsniveau oplever mange brugere, at AI nærmest virker ubegrænset. Man betaler et fast månedligt beløb og får adgang til modeller, værktøjer, søgning, filer og lange samtaler uden direkte at se den underliggende prisstruktur.
Når man begynder at bygge egne løsninger med API, ændrer virkeligheden sig markant. Man betaler ikke længere for adgang som abonnoment. Man betaler man for alt, der bruges i løsningen. Hver prompt, hvert svar, hver fil, hver internetsøgning, hver reasoning proces og hver ekstra besked bliver en del af den samlede omkostning. Det er afgørende, at udviklere og virksomheder forstår overgangen fra abonnementsoplevelsen til API økonomien tidligt i udviklingsfasen.
Afslutningsvis handler succes med AI ikke kun om teknologi, modeller og API adgang. Det handler i lige så høj grad om kultur, nysgerrighed og viljen til at lære. Derfor vælger mange virksomheder at investere i AI kurser, så deres medarbejdere får mulighed for at eksperimentere, teste idéer og opbygge praktisk erfaring med teknologien. AI udvikler sig hurtigt, og de bedste løsninger opstår sjældent ud fra faste manualer alene. Hvis en virksomhed ikke giver plads til at afprøve, fejle, lære og forbedre, bør det ses som et alvorligt faresignal.
Virksomheder, der ønsker at arbejde seriøst med AI og API løsninger, bør derfor afsætte både tid, ressourcer og økonomi til eksperimenter, prototyper og kontrollerede testforløb. Det giver ikke kun teknisk indsigt, men også erfaring med, hvordan AI reelt kan understøtte arbejdsgange, automatisering og forretningsudvikling. Forskellen mellem virksomheder, der lykkes med AI, og dem der aldrig kommer videre end ambitionerne, handler sjældent om adgang til teknologien alene. Den handler ofte om viljen til at udforske mulighederne aktivt og skabe rammer, hvor medarbejdere løbende kan teste, lære og forbedre løsninger i praksis.