Nyhet

Kostnaden per token vilseleder företag som utvärderar AI-agenter

En ny analys från CanyonCode slår fast att kostnad per token är ett missvisande mått när företag utvärderar AI-agenter i produktionsmiljö – och att fel nyckeltal riskerar att leda till kostsamma felupphandlingar.

Vad har hänt

Analysföretaget CanyonCode publicerade i slutet av maj 2026 en genomgång av hur enterprise-organisationer i praktiken utvärderar och upphandlar AI-agentsystem. Slutsatsen är tydlig: det dominerande måttet $/token – alltså kostnaden per processad textenhet – fångar inte det som faktiskt avgör affärsvärdet i agentic AI-applikationer.

Enligt analysen är det tre andra faktorer som i stället bör styra inköpsbeslut: uppgiftskvalitet (hur korrekt och användbart resultatet faktiskt är), latens (hur snabbt agenten slutför en uppgift i realtid) och tillförlitlighet (hur konsekvent systemet presterar över tid och vid kantfall). CanyonCode konstaterar att en modell med lågt token-pris men hög felprocent i komplexa arbetsflöden genererar långt högre totalkostnad än en dyrare men mer precis konkurrent.

Säkerhetsföretaget Volshield lyfter parallellt fram att autonoma AI-agenter i företagsmiljö också introducerar operativa risker som inte syns i token-priser alls – bland annat svårigheter att validera att agenten faktiskt utför rätt handling i rätt kontext, något som kräver egna mätvärden för revision och spårbarhet.

Vad det betyder

För svenska företag och offentliga aktörer som nu utvärderar AI-agenter för automatisering av processer – exempelvis inom finans, juridik eller kundtjänst – innebär analysen ett konkret råd: upphandlingskriterier behöver omarbetas.

I stället för att primärt jämföra listpriser från leverantörer som OpenAI, Anthropic eller Google bör organisationer sätta upp benchmarks baserade på uppgiftsspecifik noggrannhet, svarstider under verklig last och felhanteringsfrekvens. CanyonCode rekommenderar att företag kör kontrollerade pilottester där agenter utvärderas mot faktiska arbetsflöden snarare än standardiserade prestandatest.

Analysen är också relevant i ljuset av EU:s AI-förordning, som träder i kraft fullt ut under 2026 och ställer krav på dokumentation och tillförlitlighet för AI-system i högriskkontext. Datainspektionen IMY har tidigare påpekat att bristande kontroll över automatiserade beslutssystem kan utgöra ett problem både ur GDPR- och AI Act-perspektiv. Väljer ett företag fel modell baserat på token-pris och drabbas av systematiska fel kan det alltså få regulatoriska konsekvenser utöver de rent ekonomiska.