AI-priser for bedrifter: rabatt mot dine data

Nøkkelpunkter per 6. september 2026:

95 prosent rabatt mot datadeling: Meta legger en eksplisitt prislapp på bruksdataene dine i modellen Muse Spark (TechCrunch).
1,25 dollar mot 10 cent per million input tokens er spennet mellom standardavtale og bidragsmodell. Differansen er den reelle prisen på dataene dine (TechCrunch).
Modeller pensjoneres raskt og ujevnt: o3 fikk en utfasingsperiode på 90 dager, GPT-4.5 fikk 30 dager (OpenAI, 2026).
Merkeplikt fra 2. august 2026: AI-generert innhold må merkes tydelig og maskinlesbart, og brukere må få vite at de snakker med en maskin (EU-kommisjonen, 2026).
Bøtetaket er 15 millioner euro eller en andel av global årsomsetning ved brudd på gjennomsiktighetsreglene (EU-kommisjonen, 2026).

Data som betalingsmiddel: hva Meta faktisk tilbyr

Meta har satt en prislapp på kundenes data. Selskapet tilbyr kraftig rabatt til brukere av modellen Muse Spark som lar bruken sin gå inn i trening av fremtidige modeller (TechCrunch). Det er ikke en kampanje. Det er en byttehandel som er gjort eksplisitt, og den flytter en diskusjon som til nå har levd i vedlegg og databehandleravtaler rett inn i prislisten.

For norske ledere er dette mer nyttig enn truende. Når rabatten er tallfestet, kan du regne på den. Spørsmålet er ikke lenger om dere bør dele data, men hva dataene er verdt og om dere fikk nok betalt. Denne artikkelen gir deg regnestykket, kontraktskravene og reguleringsfristene du trenger for å svare på det før neste signatur.

Bidragsmodellen i korte trekk

Konstruksjonen er enkel. Du velger mellom en standardavtale til full pris, der bruken din holdes utenfor treningsdata, og en bidragsmodell der prisen faller kraftig fordi det du sender inn kan brukes til å forbedre neste generasjon modeller (TechCrunch). Valget tas per avtale, ikke per forespørsel, og det er derfor det hører hjemme på ledernivå og ikke hos den som setter opp API-nøkkelen.

Det som gjør konstruksjonen interessant, er ikke rabattens størrelse alene. Det er at den gjør en implisitt handel synlig. Mange leverandører har lenge hatt vilkår der gratis- eller lavprisbruk kan inngå i modellforbedring. Meta skriver det inn i prisen i stedet for i vilkårene, og det tvinger frem en beslutning kunden ellers ville tatt uten å merke det.

Hvorfor Meta trenger dataene dine

Tilgang på nyttige treningsdata er blitt en flaskehals. Meta har hatt problemer med å skaffe treningsdata, og et internt initiativ for å spore ansattes databruk ble stoppet i juni (TechCrunch). Offentlig tilgjengelig tekst er i stor grad allerede brukt. Det som mangler er data fra faktisk arbeid: hvordan modeller brukes i reelle arbeidsflyter, hvor de svikter, og hva folk faktisk spør om.

Bedriftsdata er akkurat det. Store selskaper vil normalt ikke at dataene deres skal brukes til modelltrening, og det er nettopp derfor de er verdifulle nok til å utløse en rabatt (TechCrunch). Prisen reflekterer knapphet. Når en leverandør betaler deg for noe, er det fordi de ikke får tak i det andre steder.

Regnestykket: 1,25 dollar mot 10 cent per million tokens

Rabatten gir bare mening når du ser tallene ved siden av hverandre. Under standardavtalen koster Muse Spark 1,25 dollar per million input tokens og 4,25 dollar per million output tokens. Under bidragsmodellen faller det til 10 cent for input og 20 cent for output (TechCrunch).

Legg merke til at output faller kraftigere enn input. Det er der volumet ligger for de fleste produksjonsoppsett som genererer tekst, sammendrag eller kode. En leverandør som vil ha dataene dine, kutter der det gjør mest inntrykk på fakturaen.

Prisene som de står

Element	Standardavtale	Bidragsmodell
Input, per million tokens	1,25 dollar	10 cent
Output, per million tokens	4,25 dollar	20 cent
Bruk til modelltrening	Nei	Ja
Rabattnivå	Ingen	Rundt 95 prosent

Tabellen er hele forhandlingen i fire linjer. Kolonnen til høyre er billigere fordi den nederste raden er et ja. Alt annet er likt: samme modell, samme kapasitet, samme grensesnitt. Den eneste variabelen som endrer seg er hvor dataene dine havner etterpå.

Forbrukerplaner er allerede rabattert

Det er verdt å holde bedriftspriser og forbrukerpriser fra hverandre. Forbrukerplaner ligger typisk 10 til 20 ganger billigere enn bedriftsplaner (TechCrunch). Grunnen er ikke velvilje. Forbrukerbruk har historisk vært en datakilde, mens bedriftsavtaler selger nettopp fraværet av den bruken.

Praktisk konsekvens: hvis noen i organisasjonen sammenligner API-prisen deres med det de betaler for en privat abonnementsplan, sammenligner de to ulike produkter. Den ene prisen inkluderer en datahandel. Den andre gjør det ikke. Det er en distinksjon som bør stå tydelig i enhver intern kostnadsanalyse.

Slik regner du differansen i kroner

Du trenger fire tall for å prise byttehandelen: faktisk tokenvolum, standardpris, bidragspris og avtalens lengde. De tre siste finner du i prislisten. Det første finner du i API-loggen deres, ikke i et estimat fra leverandøren. Bruk et reelt månedsvolum fra de siste tre månedene, ikke et budsjettall.

Steg	Hva du fyller inn	Hvor tallet kommer fra
1. Volum	Antall millioner input- og output-tokens per måned	Egen API-logg, siste tre måneder
2. Standardpris	1,25 dollar input, 4,25 dollar output	Leverandørens prisliste
3. Bidragspris	10 cent input, 20 cent output	Rabattavtalen
4. Differanse per måned	(Standardpris minus bidragspris) ganget med volum	Regnes ut
5. Over avtaleperioden	Månedlig differanse ganget med antall måneder i avtalen	Regnes ut
6. I kroner	Beløpet omregnet med dagens dollarkurs	Norges Bank

Tallet du sitter igjen med i rad seks er ikke en besparelse. Det er summen leverandøren er villig til å betale for dataene dine over avtaleperioden. Still spørsmålet baklengs: ville dere solgt de samme dataene til en tredjepart for det beløpet? Hvis svaret er nei, er rabatten for lav.

Les også: Claude AI-guiden: modeller, priser og norsk bruk i 2026. Alt du trenger å vite om Claude AI: modeller (Opus, Sonnet, Haiku), Claude Code, Claude Mythos, priser, norsk ...

Hva rabatten koster i praksis for en norsk SMB

For en SMB med moderat volum er kronebeløpet ofte mindre enn ledergruppen forventer. Det er en viktig oppdagelse i seg selv. Hvis rabatten utgjør et beløp dere knapt merker på driftsbudsjettet, har dere nettopp solgt kundedialoger, interne dokumenter og prosessbeskrivelser for lommerusk.

Alura mener at rabatt mot datadeling ikke er gratis penger. Det er en kommersiell pris på dataene dine, og den prisen bør beregnes før avtalen signeres, ikke diskuteres i ettertid når noe har gått galt.

Tre kostnader som ikke står i pristabellen

Den første er klassifiseringsarbeidet. For å dele data trygt må dere vite hvilke data som faktisk går gjennom systemet. Metas bidragsmodell kan oppmuntre store selskaper til å være mer nøye med hva som er proprietært (TechCrunch). Den nøyaktigheten koster timer i første omgang, men den er verdt å ha uansett hvilken leverandør dere velger.

Den andre er tekniske sperrer: filtrering av personopplysninger før forespørsler sendes, logging av hva som faktisk ble delt, og et system for å skille sensitive arbeidsflyter fra ufarlige. Den tredje er den løpende kontrollen. En datadelingsavtale er ikke satt og glemt, den må revideres når nye brukstilfeller kommer til. Regn disse tre inn før dere sammenligner rabatten med noe.

Når det er kundens data, ikke deres

Mye av det som passerer gjennom et AI-system i en SMB tilhører ikke virksomheten selv. Det er kundehenvendelser, avtaleutkast, pasientnære notater eller leverandørkorrespondanse. Dere kan ikke selge tilgang til data dere bare er forvalter av, uansett hvor god rabatten er.

Dette er det vanligste stedet interne AI-utrullinger sporer av. Erfaringene fra Samsungs ChatGPT-utrulling handler nettopp om ansatte som limte inn materiale de ikke hadde myndighet til å dele. En bidragsmodell gjør den risikoen kontraktsfestet i stedet for tilfeldig, og det er både bedre og verre: bedre fordi det er synlig, verre fordi ansvaret da helt tydelig er deres.

Fire akser for å vurdere en AI-leverandør

De fleste leverandørvurderinger kollapser til en enkelt kolonne: pris per million tokens. Det er en dårlig modell fordi den behandler fire uavhengige risikoer som en. En avtale kan være billig og likevel dyr, hvis modellen forsvinner om et halvår eller dataene ender et sted dere ikke kan forklare til Datatilsynet.

Akse	Spørsmålet den svarer på	Hva som går galt hvis du hopper over den
Pris	Hva koster en enhet arbeid?	Budsjettsprekk ved volumvekst
Databehandling	Hvor havner det vi sender inn?	Brudd på taushetsplikt eller kundeavtaler
Levetid	Hvor lenge finnes modellen?	Uplanlagt migrering midt i drift
Etterlevelse	Hvem merker og dokumenterer?	Bøter og manglende dokumentasjon ved tilsyn

Pris: se på output, ikke bare input

Prisspennet i markedet er stort nok til at valget faktisk betyr noe. I toppsjiktet ligger Fable 5 på 50 dollar per million output tokens, mens Kimi K3 ligger på 15 dollar for samme enhet (ZDNet). Muse Sparks standardpris ligger langt under begge. Det forteller deg at «pris per million tokens» er en akse med flere størrelsesordener, ikke en marginal forskjell.

Regn alltid på output separat. De fleste bedriftsoppsett produserer mer tekst enn de tar inn i forhold til pris, og output er nesten alltid dyrere per enhet. En leverandør som er billig på input og dyr på output kan koste mer enn en som ser dyrere ut på papiret.

Databehandling: gjenbruk, lagring og oppbevaringstid

Tre spørsmål må ha skriftlige svar: brukes dataene våre til å trene modeller, hvor lenge lagres forespørslene, og i hvilken jurisdiksjon. Et nei på det første er ikke nok hvis loggene lagres i 30 dager i en region dere ikke har vurdert. Be om svarene i avtaleteksten, ikke i en salgspresentasjon.

Merk også at svaret kan variere mellom produktnivåer hos samme leverandør. Den samme modellen kan ha ulike datavilkår på forbrukerplan, standard bedriftsplan og bidragsmodell. Sjekk hvilket nivå deres faktiske integrasjon kjører på, ikke hvilket nivå som ble presentert i innkjøpsmøtet.

Levetid: hvor lenge finnes modellen

Dette er aksen flest hopper over, og den er den eneste som med sikkerhet vil utløse arbeid. Modeller pensjoneres på en tidsskala som er kortere enn de fleste systemavtaler. Den neste seksjonen går gjennom hva varslingspraksisen faktisk ser ut som i markedet i dag.

Det praktiske kravet er enkelt: en dokumentert minimums levetid og en varslingsfrist før utfasing. Uten det bygger dere på et fundament leverandøren kan fjerne når det passer dem.

Etterlevelse: hvem gjør hva

Etterlevelse deles i to: hva leverandøren må levere av dokumentasjon og tekniske funksjoner, og hva dere selv må gjøre i eget produkt. Grensen mellom de to er ofte uklar i standardkontrakter, og den blir dyr å oppdage etter at et tilsyn har startet.

En strukturert gjennomgang av disse fire aksene er kjernen i leverandørvalg for norske bedrifter. Poenget er ikke å score leverandører perfekt, men å tvinge frem at alle fire vurderes eksplisitt før noen signerer.

Modellene du bygger på i dag blir pensjonert

Modellpensjonering er ikke et hypotetisk scenario. Det skjer med jevne mellomrom, og fristene er kortere enn en typisk driftsplan. OpenAI pensjonerte o3 fra ChatGPT 26. august 2026 og GPT-4.5 27. juni 2026 (OpenAI, 2026). GPT-5.1-modellene forsvant fra ChatGPT 11. mars 2026.

Alura mener at modellpensjonering er en driftsrisiko, ikke en detalj. Varslingsfrist og overgangsperiode hører hjemme i kontrakten, på samme måte som oppetidsgarantier og responstider gjør det for annen kritisk infrastruktur.

Utfasingsfristene varierer kraftig

Selv innenfor samme leverandør er fristene ujevne. o3 fikk en utfasingsperiode på 90 dager, mens GPT-4.5 fikk 30 dager (OpenAI, 2026). Forskjellen på tre måneder og en måned er forskjellen på en planlagt migrering og en brannslukking.

Tretti dager er kort tid hvis modellen sitter i en kundefacende tjeneste. Dere skal teste en erstatning, sammenligne kvalitet på egne data, justere systemprompter, kjøre regresjonstester og eventuelt informere kunder. Det er ikke en oppgave for en sprint mellom to andre leveranser.

Ny modell betyr ikke lik oppførsel

Etterfølgeren er ofte bedre målt i benchmark, men den oppfører seg annerledes. GPT-5.5 Instant hallusinerer påstander vesentlig sjeldnere enn forgjengeren GPT-5.3 Instant (ZDNet). Det er en reell forbedring, men en modell som feiler sjeldnere feiler også på andre måter, og prompter som var finjustert mot den gamle oppførselen må skrives om.

Regn derfor migrering som et prosjekt, ikke en konfigurasjonsendring. Har dere et evalueringssett med egne, reelle eksempler og et fasitsvar per eksempel, tar migreringen dager. Har dere det ikke, tar den uker og dere vet aldri helt om den nye versjonen ble bedre eller dårligere.

Skriv fristen inn i kontrakten

Tre klausuler dekker det meste. En minimum varslingsfrist før en modell dere bruker i produksjon kan fases ut. En overgangsperiode der gammel og ny modell er tilgjengelig samtidig, slik at dere kan kjøre parallelltest. Og en dokumentert oppgraderingsvei som navngir hvilken modell som er den anbefalte erstatteren.

Be også om varsel ved vesentlige endringer i en modell som beholder samme navn. Det er den stille varianten av pensjonering: modellen finnes fortsatt, men den svarer annerledes enn den gjorde i går, og ingenting i integrasjonen deres fanger det opp.

Sjekklisten før du signerer neste AI-avtale

Denne listen er skrevet for å tas med inn i et møte. Hvert punkt skal ha et skriftlig svar fra leverandøren før signering, ikke et muntlig. Der svaret er uklart, er det som regel fordi svaret ikke er det dere håper.

Krav	Hva du ber om	Hvorfor det står her
Datagjenbruk	Skriftlig bekreftelse på om input brukes til trening	Skiller standardavtale fra bidragsmodell
Prisdifferanse	Begge prisnivåer oppgitt eksplisitt	Uten differansen kan du ikke prise dataene
Lagringstid	Antall dager forespørsler lagres, og hvor	Avgjør personvernvurderingen
Varslingsfrist	Minimum antall dager før modellpensjonering	o3 fikk 90 dager, GPT-4.5 fikk 30
Overgangsperiode	Gammel og ny modell tilgjengelig samtidig	Muliggjør parallelltest
Merkefunksjoner	Maskinlesbar merking av generert innhold	Kreves fra 2. august 2026
Exit	Eksport av prompter, evalueringssett og logger	Hindrer innlåsing

Spørsmålene om data

Brukes forespørslene våre til modelltrening, ja eller nei? Hvis nei: gjelder det alle produktnivåer vi bruker, inkludert testmiljø? Hvor lenge lagres forespørslene, og i hvilken region? Kan vi skru av lagring helt, og hva koster det?

Det siste spørsmålet er det avslørende. Hvis det å skru av lagring koster penger, har dere funnet den faktiske prisen på datakontroll hos den leverandøren. Sammenlign det beløpet med differansen dere regnet ut tidligere. Ofte er de i samme størrelsesorden, og da vet dere hva markedet mener dataene deres er verdt.

Spørsmålene om modellens livssyklus

Hvor lenge garanterer dere at denne modellversjonen er tilgjengelig? Hvor mange dagers varsel gir dere før utfasing, og er det kontraktsfestet eller en praksis? Varsler dere om vesentlige endringer i en modell som beholder samme navn?

Be om historikken. En leverandør som har pensjonert modeller før, har et spor dere kan lese. Utgivelsesnotatene til OpenAI, 2026 er et eksempel på at praksisen faktisk er dokumentert offentlig. Fravær av slik dokumentasjon er i seg selv informasjon.

Spørsmålene om etterlevelse

Leverer dere maskinlesbar merking av generert innhold? Hvilken dokumentasjon får vi som gjør at vi kan svare et tilsyn? Hvem er ansvarlig for hva i vår oppsett, skriftlig?

For virksomheter som bygger kundefacende samtaleløsninger er dette ikke akademisk. En AI-chatbot for bedrifter treffer merkeplikten direkte, fordi brukeren skal vite at motparten er en maskin. Det kravet løses i grensesnittet deres, ikke i leverandørens modell.

Markedet nå: åpne vekter presser prisene nedover

Metas rabatt skjer ikke i et vakuum. Priskonkurransen mellom AI-selskapene er hard, og en voksende del av presset kommer fra modeller med åpne vekter som kan kjøres på egen infrastruktur. Moonshots Kimi K3 er den største åpne modellen på markedet med 2,8 billioner parametere (ZDNet).

Alura mener at prispresset fra åpne vekter er reelt, men at lav tokenpris ikke erstatter en vurdering av hvor dataene havner. En billig modell hos en leverandør med dårlige datavilkår er ikke et bedre kjøp enn en dyr modell med klare vilkår.

Åpne vekter har nådd toppsjiktet

Det er ikke lenger et valg mellom lukkede modeller i front og åpne modeller et hakk bak. Thinking Machines lanserte Inkling som en generalistmodell med åpne vekter, og Nvidias Nemotron 3.5 Lightning er laget for agentiske oppgaver med høyt volum og kan kjøres lokalt for bedre sikkerhet (ZDNet). Prispresset kommer fordi kvaliteten er god nok for et stort antall reelle oppgaver.

Effekten på forhandlingsbordet er direkte. Når det finnes et brukbart alternativ dere kan kjøre selv, har dere en reell alternativ handlingsvei. Uten det er enhver diskusjon om datavilkår en samtale dere ikke kan gå fra.

Lav pris finnes også uten datahandel

Prispress oppstår også innenfor lukkede modeller. Microsofts MAI-Cyber-1-Flash, laget for å finne krevende sårbarheter i store kodebaser, koster vesentlig mindre enn det ledende modeller tar (ZDNet). Poenget er at billig ikke automatisk betyr at du betaler med data.

Bruk det i forhandlingen. Hvis en leverandør bare tilbyr lav pris mot datadeling, mens en konkurrent tilbyr lav pris uten, er det den sammenligningen som avgjør. En oppdatert oversikt over prisnivåer og modellvalg finnes i vår guide til modeller og priser.

Les også: Valg av AI-leverandør – Kriterier og fallgruver for norske bedrifter. Norge har over 350 AI-selskaper å velge mellom.

AI Act: gjennomsiktighetskravene som gjelder fra 2. august 2026

EU har vedtatt verdens første omfattende AI-lov, og den klassifiserer AI-systemer etter risiko for brukerne (EU-kommisjonen). Regelverket trådte i kraft 1. august 2024 og ble gjeldende 2. august 2026, med noen unntak (EU-kommisjonen).

For de fleste norske SMB-er er det ikke høyrisikoreglene som treffer først. Det er gjennomsiktighetskravene, og de treffer alle som setter generativ AI i kontakt med kunder eller publiserer AI-generert innhold.

Fire risikonivåer og ni forbud

Regelverket definerer fire risikonivåer for AI-systemer og forbyr ni praksiser, blant dem sosial skåring og sanntids fjernbiometrisk identifikasjon for rettshåndhevelse (EU-kommisjonen). Systemer med uakseptabel risiko er forbudt i EU. Forbudene 1 til 8 ble effektive i februar 2025, mens det niende trer i kraft i desember 2026.

De aller fleste kommersielle bruksområder i en SMB havner ikke i høyrisikokategorien. Generativ AI som ChatGPT er ikke klassifisert som høyrisiko, men må overholde gjennomsiktighetskrav (EU-kommisjonen). Det er den kategorien de fleste av dere skal forholde dere til.

Merking og opplysningsplikt

De nye gjennomsiktighetsreglene trådte i kraft 2. august 2026. AI-generert innhold må merkes tydelig og inneholde maskinlesbare merker, og brukere må informeres når de samhandler med et AI-system i stedet for et menneske (EU-kommisjonen, 2026).

Det maskinlesbare kravet er det som krever teknisk arbeid. En synlig merknad i bunnteksten holder ikke alene. Sjekk om leverandøren deres faktisk leverer merking i utdataene, eller om dere må legge den på selv i publiseringsløypa. Svaret avgjør hvor mye arbeid som ligger foran dere.

Tidslinjen videre

Dato	Hva skjer
1. august 2024	AI Act trer i kraft
2. februar 2025	Forbudte praksiser og AI-leseferdighetsplikter blir gjeldende
2. august 2025	Styringsregler og forpliktelser for GPAI-modeller blir gjeldende
27. juli 2026	AI Omnibus trer i kraft
2. august 2026	AI Act gjeldende, gjennomsiktighetsregler i kraft, myndighetene overtar implementering
Desember 2026	Det niende forbudet trer i kraft
2. desember 2027	Strenge forpliktelser for høyrisikosystemer

Fristene ble satt med lang horisont: 24 måneder etter ikrafttredelse før loven er fullt anvendelig, og 36 måneder før høyrisikoforpliktelsene slår inn (EU-kommisjonen). Fra 2. august 2026 er det AI Office og medlemslandenes myndigheter som er ansvarlige for implementering, og økt evalueringskapasitet på EU-nivå ventes å være operativ i 2027 (EU-kommisjonen). Håndhevingsapparatet bygges altså opp mens dere leser dette.

Bøtenivå og håndheving etter de nye reglene

Bøtene for brudd på gjennomsiktighetsreglene ligger på inntil 15 millioner euro eller en andel av global årsomsetning for selskaper, mens EU-institusjoner og organer kan bøtelegges med inntil 750 000 euro (EU-kommisjonen, 2026).

For en norsk SMB er ikke det maksimale bøtebeløpet det relevante tallet. Det er den omsetningsbaserte satsen. En bot som skalerer med virksomhetens størrelse rammer også de som aldri hadde forestilt seg at de var i søkelyset.

Hva som faktisk utløser risiko

De to plikten flest bommer på er merking av generert innhold og opplysningsplikten i samtale. Begge er billige å oppfylle hvis de bygges inn fra start, og dyre å ettermontere i et system som allerede står i produksjon med tusenvis av publiserte sider.

Gjør en enkel kartlegging: hvor i virksomheten produseres innhold med AI som publiseres eksternt, og hvor snakker et AI-system direkte med mennesker? De to listene er hele eksponeringen deres i første omgang. Alt annet kan vente.

Ansvaret følger den som bruker systemet

Alura mener at ansvaret for merking av AI-generert innhold følger virksomheten som bruker systemet, uansett hvilken leverandør som leverer modellen. Å velge en stor amerikansk modelleverandør flytter ikke plikten ut av Norge. Det er dere som publiserer, og det er dere som svarer.

Praktisk betyr det at kravene til leverandøren handler om verktøy, ikke om ansvarsoverføring. Be om maskinlesbar merking, be om dokumentasjon dere kan vise frem, og skriv i egen internkontroll hvem som eier plikten. Ikke anta at en standardkontrakt gjør noe av dette for dere.

Markedsobservasjon: leverandørene konkurrerer om data, ikke bare pris

Det interessante ved Metas grep er ikke rabatten. Det er hva den avslører om hvor knappheten har flyttet seg. Beregningskraft er dyrt, men den kan kjøpes. EU alene har varslet investeringer på 30 milliarder euro knyttet til AI-gigafabrikker (EU-kommisjonen). Bruksdata fra reelt bedriftsarbeid kan ikke kjøpes på samme måte.

Når en innsatsfaktor blir knapp, begynner den å bli betalt for. Det er nøyaktig det som skjer nå, og det endrer hva et leverandørforhold er.

Rabatt som anskaffelseskanal

En rabattert bidragsmodell er en innkjøpsordre forkledd som en prisliste. Leverandøren kjøper data og betaler i form av lavere fakturaer. Det er en helt legitim transaksjon, men den bør behandles som et salg fra deres side, med de vurderingene et salg krever.

Legg merke til at modellen også fungerer som et filter. Kunder som ikke kan dele data betaler full pris, og de er ofte de mest regulerte og mest betalingsvillige. Prisdifferensieringen er godt designet, og den fungerer best på kunder som ikke har regnet på den.

Hva det gjør med forhandlingsmakten din

Dere har mer å forhandle med enn dere tror, men bare hvis dere vet hva dere sitter på. Et selskap med strukturerte, domenespesifikke data fra et smalt fagfelt har noe leverandøren ikke får andre steder. Et selskap som hovedsakelig produserer generiske e-poster har det ikke.

Gjør derfor kartleggingen først, forhandlingen etterpå. Kom inn i møtet med et tall for hva rabatten er verdt over avtaleperioden, en liste over hvilke datatyper som er utelukket, og et krav om varslingsfrist ved modellpensjonering. Det flytter samtalen fra pris til vilkår, og det er der verdien ligger.

Vanlige feil i leverandørvalget

Feilene under går igjen hos virksomheter av alle størrelser. De har det til felles at de er billige å unngå i forkant og kostbare å rette i etterkant.

Å prise avtalen kun på tokenpris

Tokenprisen er den enkleste variabelen å sammenligne, og derfor den som får all oppmerksomheten. Men den sier ingenting om datavilkår, levetid eller etterlevelsesstøtte. Et innkjøp som bare optimaliserer denne ene aksen vil systematisk velge de avtalene som er dårligst på de tre andre.

Motmiddelet er å kreve at alle fire aksene skåres skriftlig før beslutning. Det tar en ettermiddag og det endrer utfallet oftere enn folk forventer.

Å behandle datadeling som en teknisk detalj

Beslutningen om hvorvidt bedriftens data kan brukes til modelltrening er kommersiell og juridisk, ikke teknisk. Likevel havner den ofte hos utvikleren som setter opp integrasjonen, fordi valget står som en avkrysningsboks i et administrasjonspanel.

Flytt beslutningen. Skriv den inn i innkjøpsrutinen som et punkt som krever godkjenning fra den som eier kundeavtalene. Det er den samme personen som må svare hvis en kunde spør hvor dokumentene deres har vært.

Å anta at modellen varer like lenge som avtalen

En treårig rammeavtale sier ingenting om at modellen dere bygger på finnes om tre år. Fristene i markedet er målt i måneder, ikke år, og de varierer mellom 30 og 90 dager varsel selv hos samme leverandør (OpenAI, 2026).

Bygg derfor abstraksjonen inn fra start. Hvis modellvalget ligger bak et internt grensesnitt, er migrering et konfigurasjonsbytte pluss en evalueringsrunde. Hvis modellnavnet er hardkodet i femten filer, er det et prosjekt. Prinsippet er det samme som i god prosessautomatisering: skill det som endrer seg fra det som består.

Spørsmål og svar om AI-priser og datadeling

Spørsmålene under er de vi ser oftest når ledergrupper skal ta stilling til en rabattert AI-avtale.

Er det lovlig å ta imot rabatt mot å dele data?

Ja, forutsatt at dere faktisk har rett til å dele dataene. Det er ikke rabatten som er problemet, det er om innholdet i dataene inneholder personopplysninger eller materiale dere forvalter på vegne av kunder. Avklar hjemmelen først, deretter prisen.

I praksis betyr det en gjennomgang av hvilke datatyper som passerer gjennom systemet, og en teknisk sperre for de kategoriene som ikke kan deles. Uten en slik sperre er en bidragsmodell vanskelig å forsvare i en personvernvurdering.

Hvordan vet vi om rabatten er stor nok?

Regn ut differansen mellom standardpris og bidragspris ganget med faktisk volum over avtaleperioden, og omregn til kroner. Med 1,25 dollar mot 10 cent per million input tokens er spennet stort i prosent, men det absolutte beløpet avhenger helt av volumet deres (TechCrunch).

Sammenlign så beløpet med hva det ville kostet dere om innholdet i dataene lekket ut gjennom en fremtidig modell. Er de to beløpene i samme størrelsesorden, er handelen dårlig. Er rabatten flere ganger større, er den verdt en reell diskusjon.

Gjelder AI Act for oss når vi bare bruker andres modell?

Ja, for gjennomsiktighetskravene. Plikten til å merke AI-generert innhold og til å opplyse at brukeren snakker med et AI-system følger den som setter systemet i bruk mot sluttbrukere (EU-kommisjonen, 2026).

Leverandøren har egne plikter for modellen sin, men de erstatter ikke deres. Nasjonale myndigheter skal tilby testmiljøer for AI for å støtte innovasjon, og det er en rimelig førstestopp for virksomheter som er usikre på egen klassifisering (EU-kommisjonen).

Bør vi kjøre modellen selv i stedet?

Det er et reelt alternativ nå, ikke bare et teoretisk et. Nvidias Nemotron 3.5 Lightning er eksplisitt laget for å kunne kjøres lokalt for bedre sikkerhet (ZDNet). Egen drift løser datadelingsspørsmålet fullstendig, fordi ingenting forlater infrastrukturen deres.

Til gjengjeld overtar dere drift, oppdateringer og kapasitetsplanlegging. For de fleste SMB-er er det riktige svaret et delt oppsett: sensitive arbeidsflyter lokalt eller hos en leverandør med strenge datavilkår, og alt annet på den billigste brukbare modellen.

Oppsummering og neste steg

Metas bidragsmodell er nyttig fordi den gjør noe usynlig synlig. Når rabatten mot datadeling står oppført i prislisten, er prisen på bedriftsdata skrevet ned i stedet for begravd i vilkår (TechCrunch). Det gir dere et tall å forhandle mot.

Samtidig strammes rammene rundt. Gjennomsiktighetsreglene i AI Act er i kraft, håndhevingsapparatet bygges ut mot 2027, og bøtene er omsetningsbaserte (EU-kommisjonen). Kombinasjonen av lavere priser og strengere krav betyr at leverandørvalget nå avgjøres på vilkår, ikke på pris alene.

Det du bør gjøre nå

Start med volumet. Hent faktisk tokenforbruk fra API-loggen for de siste tre månedene og regn ut hva en bidragsmodell ville vært verdt over avtaleperioden, omregnet til kroner. Det tallet er utgangspunktet for alt annet.

Kartlegg deretter hvilke datatyper som passerer gjennom systemet, og hvilke som aldri kan deles. Sett en teknisk sperre for de siste. Legg til to krav i neste kontrakt: minimum varslingsfrist ved modellpensjonering og en overgangsperiode med parallell tilgang. Sjekk til slutt om leverandøren leverer maskinlesbar merking av generert innhold, og hvis ikke, hvem hos dere som eier den plikten.

Rekkefølgen er ikke tilfeldig. Uten volumtallet vet dere ikke hva dere forhandler om. Uten dataklassifiseringen vet dere ikke hva dere kan tilby. Og uten kontraktsklausulene har dere kjøpt en pris, ikke et leverandørforhold.

I Alura hjelper vi norske bedrifter med å bygge AI-strategi som faktisk lar seg gjennomføre. Vi kombinerer dyp teknisk innsikt med erfaring fra alt fra SMB til enterprise, og leverer veikart som virker i praksis, ikke bare i PowerPoint.

Bestill en strategiøkt: en halvdags samtale der vi kartlegger virksomhetens AI-modenhet, identifiserer de tre prosessene med størst potensial, og leverer et konkret veikart med budsjettramme. Uforpliktende.

Kilder

TechCrunch. Meta is paying to peek at how you use their latest AI model
OpenAI (2026). Model Release Notes | OpenAI Help Center
EU-kommisjonen (2026). Safer and more transparent AI - European Commission
ZDNet (2024). Anthropic just upgraded Fable and Mythos – why that matters
EU-kommisjonen. EU AI Act: first regulation on artificial intelligence | Topics
EU-kommisjonen. AI Act | Shaping Europe's digital future - European Union