De nye DeepSeek-prisene

Prisene nedenfor er oppgitt i amerikanske dollar per 1 million token:

Hvor mye prisen øker, avhenger av modell, tokentype, cache-status og tidspunkt. Reuters beskrev den samlede prisøkningen som fra 50 til 1 100 prosent over de tidligere prisene.

Den største praktiske effekten kommer for jobber som produserer mye tekst i høytrafikkperiodene. Output-prisen for V4-Pro går fra tidligere $0,87 per million token til $1,98 i lavtrafikk og $3,96 i høytrafikk.

En kodeagent som produserer 10 millioner output-token i måneden, vil dermed koste omtrent 8,70 dollar etter den gamle prisen. Med den nye modellen blir regningen rundt 19,80 dollar dersom alt kjøres i lavtrafikk, eller cirka 39,60 dollar dersom alt skjer i høytrafikk – før kostnader for input-token regnes med.

Utviklere må begynne å planlegge tidspunktet

Med DeepSeeks nye prismodell blir tidspunktet en del av kostnadsstyringen. Utviklere kan forsøke å flytte batchjobber, kodeagenter, evalueringer og andre ikke-akutte oppgaver til de 17 timene med lavtrafikk.

Interaktive tjenester har derimot mindre spillerom. Forespørslene kommer når brukeren trenger svar, ikke nødvendigvis når API-et er billigst.

Caching og ruting blir også viktigere. Et system som øker andelen cache-treff, sender rutineoppgaver til V4-Flash eller fordeler enkelte forespørsler til en annen leverandør, kan begrense effekten av prisøkningen. For større virksomheter blir modellvalg i økende grad en løpende driftsbeslutning – ikke bare et spørsmål om hvilken modell som gjorde det best i en benchmark-test.

DeepSeek har fortsatt et kostnadsfortrinn sammenlignet med mange avanserte API-modeller fra blant andre Anthropic og OpenAI, særlig for utviklere med store, tokenintensive arbeidslaster. Prisøkningen gjør imidlertid dette fortrinnet mindre enn før.

Modellen kan tolkes som et forsøk på å håndtere etterspørsel og hente mer verdi ut av begrenset datakapasitet. Det tilgjengelige kildematerialet dokumenterer likevel ikke at DeepSeek har nådd lønnsomhet eller har en bekreftet vei dit. Den tolkningen bør derfor holdes foreløpig.

OpenAI konkurrerer på tilgang og brukervaner

OpenAI valgte en annen strategi. 6. august kunngjorde selskapet at GPT-5.6 Luna skulle bli standardmodell for ChatGPT Free- og Go-brukere, i stedet for GPT-5.5. Disse brukerne skulle også få ubegrenset hverdagslig tekstchat og en ny Think-funksjon for vanskeligere spørsmål, med forbehold om sikkerhets- og misbruksbegrensninger.

Ordet ubegrenset er likevel smalere enn det kan høres ut. OpenAI opplyser at det fortsatt gjelder egne grenser for filopplastinger, bildegenerering og andre verktøy. Free- og Go-brukere får heller ikke tilgang til GPT-5.6 Sol. Luna er standardmodellen for disse nivåene og driver også Think-funksjonen.

Luna er den mer kostnadseffektive modellen i GPT-5.6-familien, mens Sol er flaggskipet. Tredjepartsrapportering oppgir en API-pris på $0,20 per million input-token og $1,20 per million output-token, men disse tallene er ikke bekreftet av de mest autoritative kildene i materialet som ligger til grunn her.

Det strategiske skillet er likevel tydelig: Luna er i praksis gratis for tekstbruk i ChatGPT Free og Go, mens API-tilgang fortsatt er et separat, betalt produkt.

OpenRouter viser hvor utviklerne faktisk prøver modellene

Prisgrepene kommer samtidig som kinesiske modeller får stadig mer utviklertrafikk. Bloomberg rapporterte at kinesiske modeller gikk forbi amerikanske plattformer på OpenRouter i juni, og at de sto for mer enn 60 prosent av tokenandelen den påfølgende måneden.

OpenRouter fungerer som en markedsplass og rutetjeneste der utviklere kan sende forespørsler til mange ulike AI-modeller. Tjenesten er derfor en nyttig indikator på hva utviklere velger, men den må ikke forveksles med et komplett mål på global AI-bruk.

I OpenRouters rangeringer for juli lå kinesiskutviklede modeller på alle de fem øverste plassene målt etter tokenvolum: Xiaomis MiMo-V2.5, DeepSeek, MiniMax, Alibabas Qwen-familie og Moonshots Kimi.

En annen analyse satte DeepSeek som den største enkeltleverandøren på plattformen, med 17,6 prosent av tokenvolumet i én juni-rangering.

Dette bidrar til å forklare hvorfor API-prisene er så sentrale. Koding og agentbaserte arbeidslaster bruker ofte store mengder token og kan favorisere modeller som er billige nok til å kjøre mange ganger. Samtidig viser OpenAIs grep at markedsandeler også kan vinnes gjennom produktdistribusjon: Når en kapabel modell plasseres foran gratisbrukere, øker sjansen for daglig bruk, tilbakemeldinger og senere overgang til betalte produkter.

To ulike kommersielle press

DeepSeek og OpenAI svarer dermed på ulike sider av det samme markedspresset:

• DeepSeek forsøker å tjene penger på etterspørselen. Høy- og lavtrafikkpriser kan øke inntektene når kapasiteten er mest ettertraktet, samtidig som kundene får et insentiv til å flytte fleksible oppgaver.
• OpenAI forsvarer distribusjonen. Ubegrenset tekstchat holder Free- og Go-brukere aktive, mens dyrere funksjoner og modeller fortsatt kan reserveres for andre nivåer.
• Utviklere får en mer komplisert kostnadsmodell. De må vurdere modellkvalitet og listepris, men også cache-treff, responstid, tidspunkt, ruting og kostnadene ved å bytte leverandør.
• Markedet blir mer flerfasettert. En virksomhet kan bruke rimelige modeller til gjentakende oppgaver som uttrekking, oversettelse, koding og agentløkker, og spare premiummodeller til oppgaver der ytelse, kontroll eller økosystemintegrasjon er viktigst.

Det er derfor ikke sikkert at AI-priskrigen er på vei mot slutten selv om enkelte priser øker. Konkurransen deler seg heller i flere lag: rimelig inferens og åpne modellvekter på den ene siden, og forbrukerrekkevidde, produktintegrasjon, premium-egenskaper og bedriftskontroller på den andre.

Den større lærdommen

DeepSeeks prisøkning minner markedet om at lave API-priser kan utløse enorm bruk uten at kostnadene forblir lave for alltid. OpenAIs Luna-lansering er det motsatte veddemålet: Selskapet subsidierer en bred forbrukeropplevelse for å styrke distribusjon og brukervaner, og skiller deretter mellom modellnivåer og funksjoner.

For utviklere og bedriftskunder er lærdommen praktisk: Ikke bygg en strategi rundt én enkelt prisliste eller benchmark-test. Kostnader kan endres med etterspørsel, modellnivå, cache-status og tidspunkt.

Den mest robuste arkitekturen vil trolig være en som måler faktiske arbeidslaster, beholder flere rutingsalternativer og kobler hver oppgave til modellen og tilgangsnivået som passer virksomhetens risiko og budsjett.

De nye DeepSeek-prisene

Prisene nedenfor er oppgitt i amerikanske dollar per 1 million token:

Hvor mye prisen øker, avhenger av modell, tokentype, cache-status og tidspunkt. Reuters beskrev den samlede prisøkningen som fra 50 til 1 100 prosent over de tidligere prisene.

Den største praktiske effekten kommer for jobber som produserer mye tekst i høytrafikkperiodene. Output-prisen for V4-Pro går fra tidligere $0,87 per million token til $1,98 i lavtrafikk og $3,96 i høytrafikk.

En kodeagent som produserer 10 millioner output-token i måneden, vil dermed koste omtrent 8,70 dollar etter den gamle prisen. Med den nye modellen blir regningen rundt 19,80 dollar dersom alt kjøres i lavtrafikk, eller cirka 39,60 dollar dersom alt skjer i høytrafikk – før kostnader for input-token regnes med.

Utviklere må begynne å planlegge tidspunktet

Med DeepSeeks nye prismodell blir tidspunktet en del av kostnadsstyringen. Utviklere kan forsøke å flytte batchjobber, kodeagenter, evalueringer og andre ikke-akutte oppgaver til de 17 timene med lavtrafikk.

Interaktive tjenester har derimot mindre spillerom. Forespørslene kommer når brukeren trenger svar, ikke nødvendigvis når API-et er billigst.

Caching og ruting blir også viktigere. Et system som øker andelen cache-treff, sender rutineoppgaver til V4-Flash eller fordeler enkelte forespørsler til en annen leverandør, kan begrense effekten av prisøkningen. For større virksomheter blir modellvalg i økende grad en løpende driftsbeslutning – ikke bare et spørsmål om hvilken modell som gjorde det best i en benchmark-test.

DeepSeek har fortsatt et kostnadsfortrinn sammenlignet med mange avanserte API-modeller fra blant andre Anthropic og OpenAI, særlig for utviklere med store, tokenintensive arbeidslaster. Prisøkningen gjør imidlertid dette fortrinnet mindre enn før.

Modellen kan tolkes som et forsøk på å håndtere etterspørsel og hente mer verdi ut av begrenset datakapasitet. Det tilgjengelige kildematerialet dokumenterer likevel ikke at DeepSeek har nådd lønnsomhet eller har en bekreftet vei dit. Den tolkningen bør derfor holdes foreløpig.

OpenAI konkurrerer på tilgang og brukervaner

OpenAI valgte en annen strategi. 6. august kunngjorde selskapet at GPT-5.6 Luna skulle bli standardmodell for ChatGPT Free- og Go-brukere, i stedet for GPT-5.5. Disse brukerne skulle også få ubegrenset hverdagslig tekstchat og en ny Think-funksjon for vanskeligere spørsmål, med forbehold om sikkerhets- og misbruksbegrensninger.

Ordet ubegrenset er likevel smalere enn det kan høres ut. OpenAI opplyser at det fortsatt gjelder egne grenser for filopplastinger, bildegenerering og andre verktøy. Free- og Go-brukere får heller ikke tilgang til GPT-5.6 Sol. Luna er standardmodellen for disse nivåene og driver også Think-funksjonen.

Luna er den mer kostnadseffektive modellen i GPT-5.6-familien, mens Sol er flaggskipet. Tredjepartsrapportering oppgir en API-pris på $0,20 per million input-token og $1,20 per million output-token, men disse tallene er ikke bekreftet av de mest autoritative kildene i materialet som ligger til grunn her.

Det strategiske skillet er likevel tydelig: Luna er i praksis gratis for tekstbruk i ChatGPT Free og Go, mens API-tilgang fortsatt er et separat, betalt produkt.

OpenRouter viser hvor utviklerne faktisk prøver modellene

Prisgrepene kommer samtidig som kinesiske modeller får stadig mer utviklertrafikk. Bloomberg rapporterte at kinesiske modeller gikk forbi amerikanske plattformer på OpenRouter i juni, og at de sto for mer enn 60 prosent av tokenandelen den påfølgende måneden.

OpenRouter fungerer som en markedsplass og rutetjeneste der utviklere kan sende forespørsler til mange ulike AI-modeller. Tjenesten er derfor en nyttig indikator på hva utviklere velger, men den må ikke forveksles med et komplett mål på global AI-bruk.

I OpenRouters rangeringer for juli lå kinesiskutviklede modeller på alle de fem øverste plassene målt etter tokenvolum: Xiaomis MiMo-V2.5, DeepSeek, MiniMax, Alibabas Qwen-familie og Moonshots Kimi.

En annen analyse satte DeepSeek som den største enkeltleverandøren på plattformen, med 17,6 prosent av tokenvolumet i én juni-rangering.

Dette bidrar til å forklare hvorfor API-prisene er så sentrale. Koding og agentbaserte arbeidslaster bruker ofte store mengder token og kan favorisere modeller som er billige nok til å kjøre mange ganger. Samtidig viser OpenAIs grep at markedsandeler også kan vinnes gjennom produktdistribusjon: Når en kapabel modell plasseres foran gratisbrukere, øker sjansen for daglig bruk, tilbakemeldinger og senere overgang til betalte produkter.

To ulike kommersielle press

DeepSeek og OpenAI svarer dermed på ulike sider av det samme markedspresset:

• DeepSeek forsøker å tjene penger på etterspørselen. Høy- og lavtrafikkpriser kan øke inntektene når kapasiteten er mest ettertraktet, samtidig som kundene får et insentiv til å flytte fleksible oppgaver.
• OpenAI forsvarer distribusjonen. Ubegrenset tekstchat holder Free- og Go-brukere aktive, mens dyrere funksjoner og modeller fortsatt kan reserveres for andre nivåer.
• Utviklere får en mer komplisert kostnadsmodell. De må vurdere modellkvalitet og listepris, men også cache-treff, responstid, tidspunkt, ruting og kostnadene ved å bytte leverandør.
• Markedet blir mer flerfasettert. En virksomhet kan bruke rimelige modeller til gjentakende oppgaver som uttrekking, oversettelse, koding og agentløkker, og spare premiummodeller til oppgaver der ytelse, kontroll eller økosystemintegrasjon er viktigst.

Det er derfor ikke sikkert at AI-priskrigen er på vei mot slutten selv om enkelte priser øker. Konkurransen deler seg heller i flere lag: rimelig inferens og åpne modellvekter på den ene siden, og forbrukerrekkevidde, produktintegrasjon, premium-egenskaper og bedriftskontroller på den andre.

Den større lærdommen

DeepSeeks prisøkning minner markedet om at lave API-priser kan utløse enorm bruk uten at kostnadene forblir lave for alltid. OpenAIs Luna-lansering er det motsatte veddemålet: Selskapet subsidierer en bred forbrukeropplevelse for å styrke distribusjon og brukervaner, og skiller deretter mellom modellnivåer og funksjoner.

For utviklere og bedriftskunder er lærdommen praktisk: Ikke bygg en strategi rundt én enkelt prisliste eller benchmark-test. Kostnader kan endres med etterspørsel, modellnivå, cache-status og tidspunkt.

Den mest robuste arkitekturen vil trolig være en som måler faktiske arbeidslaster, beholder flere rutingsalternativer og kobler hver oppgave til modellen og tilgangsnivået som passer virksomhetens risiko og budsjett.