AI-tokenpriser under én dollar – men AI-regningen vokser stadig

Silicon Datas LLM Token Expenditure Index faldt under én dollar pr. million tokens, fordi markedet i stigende grad bevægede sig mod billigere modeller, samtidig med at udbyderne igen og igen satte API-priserne ned. Indeksets bredmarkedsmåling nåede 97 cent den 31. august 2026 – det laveste niveau siden indeksseriens start og under halvdelen af toppen tidligere på sommeren. 4

Men tallet skal læses med en vigtig reservation. Indekset måler, hvad markedet i gennemsnit betaler for én million inference-tokens, vægtet efter brug. Det er ikke en opgørelse over det samlede AI-forbrug eller den samlede mængde tokens. Et faldende indeks viser derfor, at intelligens bliver billigere pr. enhed – ikke i sig selv, at efterspørgslen falder. 278

Derfor ramte indekset rekordlavt

Flere kræfter trak den effektive pris ned på samme tid:

• Billigere kinesiske modeller fik større markedsandel. Åbne og lavprisbaserede modeller gav udviklere alternativer til dyre, proprietære systemer og trak den sammenvægtede markedspris ned. 3839
• Udbyderne brugte prisen som konkurrencevåben. Rabatter på API-adgang skulle tiltrække brugere, øge udbredelsen og beskytte markedsandele i et felt, hvor forskellene i modelkapacitet blev mindre. 39
• Økonomien i inference blev forbedret. Lavere omkostninger ved produktion og drift gjorde det lettere at tilbyde mere output for færre penge. Det tilgængelige materiale viser dog ikke, at alle udbydere har samme omkostningsstruktur.
• Globale konkurrenter svarede igen. Prisnedsættelserne bredte sig uden for Kina, da også førende internationale udbydere sænkede priserne på billigere modelniveauer. Dermed voksede presset i hele markedet. 3637

Den overordnede udvikling gik nedad: Indekset lå over 2 dollar pr. million tokens i begyndelsen af juni, nåede cirka 1,16-1,18 dollar i starten af august og krydsede senere under én dollar. 1384 De præcise mellemliggende målinger er dog mindre sikre, fordi offentlige øjebliksbilleder og gengivelser ikke altid stemmer overens. En offentlig måling, der blev citeret for 27. juli, lød eksempelvis på 1,43 dollar. 12

Sådan blev kinesisk AI til en priskrig

Det mest synlige startskud kom, da DeepSeek i maj gjorde en prisnedsættelse på 75 procent for V4-Pro permanent. Selskabet oplyste, at de nye priser ville blive fastholdt på en fjerdedel af det oprindelige niveau, med variationer afhængigt af anvendelsen. 33

Andre kinesiske udbydere fulgte efter. Xiaomi annoncerede prisnedsættelser på op til 99 procent for API-adgangen til sine MiMo-V2.5-modeller, mens rapporter beskrev samtidige reduktioner hos flere store kinesiske AI-laboratorier, blandt andre ByteDance, Tencent, MiniMax og Alibaba. 3946

Det ændrede konkurrenceparametrene. Købere skulle ikke længere kun spørge, hvilken model der var mest avanceret. De kunne også sammenligne kapacitet pr. dollar, svartid, håndtering af lange kontekster, stabilitet og fleksibilitet ved implementering. Når modellerne er tilstrækkeligt ens til mange rutineopgaver, kan en stor prisforskel hurtigt flytte brugen.

Priskrigen nåede samtidig et vendepunkt. I august hævede DeepSeek priserne på nyere flagskibsmodeller og indførte spidsbelastnings- og lavbelastningspriser. Prisen uden for spidsbelastningsperioder blev sat til halvdelen af peak-prisen. Det tyder på, at udbyderne ikke kan gøre ubegrænset efterspørgsel til den lavest mulige pris til en holdbar forretningsmodel. De må også styre belastningen på GPU-kapaciteten og få dækket infrastrukturomkostningerne. 35

Hvorfor lavere tokenpriser ikke betyder lavere AI-udgifter

Den tilsyneladende modsigelse kan forklares med en enkel formel:

Samlede udgifter = pris pr. token × antal anvendte tokens.

Hvis prisen falder 90 procent, men brugen vokser med mere end 90 procent, kan de samlede udgifter stadig stige. Lavere priser gør arbejdsopgaver, der tidligere var for dyre, økonomisk attraktive. Det gælder blandt andet automatiseret kundeservice, programmering, dokumentbehandling, applikationer med lang kontekst og såkaldte agentiske arbejdsgange, hvor AI-systemer udfører flere trin på egen hånd.

Flere analyser beskriver, hvordan tokenpriserne er faldet over 90 procent siden 2023, samtidig med at de samlede AI-udgifter omtrent er fordoblet. Det passer med et marked, hvor billigere inference udvider antallet af anvendelser, der kan betale sig, i stedet for at efterspørgslen forsvinder. 1922

Kinas bredere tokenøkonomi giver et billede af efterspørgslen. Den kinesiske National Data Administration oplyste, at det daglige tokenforbrug i marts oversteg 140 billioner – mere end 40 procent over de 100 billioner, der blev registreret ved udgangen af det foregående år. 2632

Kinas store teleselskaber investerer også i AI-computerkapacitet. China Telecom rapporterede en stigning på 95 procent i omsætningen fra intelligent databehandling i første halvår, mens China Unicoms kapitaludgifter til computerinfrastruktur steg med over 80 procent fra året før. 1718

Tallene beviser ikke, at alle modeludbydere tjener penge. De viser snarere, hvordan lavere enhedspriser kan understøtte langt større mængder brug og infrastruktur.

Hvad investeringsgabet siger om AI-forretningen

Den optimistiske tolkning er, at faldende inference-priser markerer begyndelsen på masseudbredelsen. Når intelligens bliver billigere, kan nye anvendelser skabe så mange flere tokens, at det fortsat kan betale sig at investere i cloudkapacitet, datacentre, chips, netværk og elektricitet.

Den mere skeptiske tolkning handler om, hvornår investeringerne giver afkast. Rapporter, der henviser til Allianz Research, sætter forskellen mellem AI-investeringer og salgsvækst til omkring 46 procent. Det er højere end det gab på cirka 32 procent, der blev set under telekomoverdrivelserne i 2001. 202223

Sammenligningen er en advarsel – ikke et bevis på, at AI gentager telekomboblen. Infrastruktur kan med tiden understøtte langt større arbejdsbelastninger, men både udbydere og infrastrukturkøbere står stadig over for tre risici:

1. Prisdeflation: Mere kapable modeller kan fortsætte med at blive solgt billigere.
2. Udnyttelsesrisiko: Høje faste infrastrukturomkostninger kræver vedvarende efterspørgsel, ikke kun midlertidige forbrugsstigninger.
3. Monetiseringsrisiko: Tokenmængden skal vokse hurtigt nok til at opveje lavere realiserede priser og skabe afkast på de store kapitalbindinger.

Sådan bør indekset læses

En ny bund i Silicon Data-indekset bør først og fremmest forstås som et signal om prissætningskraft og betalingsvillighed – ikke som et selvstændigt mål for AI-efterspørgslen. Indekset viser, at markedet betaler mindre for hver enhed inference, blandt andet fordi brugen flytter sig mod billigere modeller, og fordi udbyderne konkurrerer aggressivt på pris. 7814

Det afgørende spørgsmål er, hvad der sker herfra: Om de faldende priser frigør så mange nye anvendelser, at den samlede omsætning vokser, eller om priskrigen løber hurtigere end brugen og efterlader branchen med dyr infrastruktur og svagt afkast.

Det tilgængelige materiale understøtter både den første mulighed som efterspørgselshistorie og den anden som en væsentlig finansiel risiko. Det afgør ikke, hvilken af de to udviklinger der i sidste ende vinder.