AI-funktioner i din SaaS: 12 realistiske eksempler med kompleksitet og driftspris

De AI-funktioner der oftest betaler sig i en SaaS, er de kedelige: resuméer, klassificering, udtræk af data fra dokumenter og søgning der forstår hvad brugeren mener. De kan typisk bygges på dage eller få uger, og for de fleste af dem koster selve AI-modellen under 10 dollar pr. 1.000 kald. Den frie assistent der kan "alt", er derimod den dyreste at bygge og den sværeste at gøre pålidelig.

Jeg er freelanceudvikler og bygger SaaS-produkter og platforme for virksomheder, så husk det når jeg anbefaler dig at få hjælp. Kompleksitet og priser er mine grove skøn ud fra udbydernes officielle priser i oktober 2026.

Den korte version

Her er de 12 funktioner samlet. Kompleksitet er mit skøn over udviklingstiden når funktionen bygges ind i et eksisterende og velstruktureret system. Løbende pris er den rå regning til AI-udbyderen ved typisk brug.

Min tommelfingerregel er at vælge den funktion der fjerner mest manuelt arbejde for dine brugere, ikke den der lyder mest imponerende i en salgspræsentation. Er dit produkt bygget med AI-værktøjer som Lovable eller Cursor og endnu ikke i stabil drift, så start med guiden til at gøre en AI-prototype klar til produktion. AI-funktioner hører hjemme i et produkt der allerede kører.

Sådan har jeg regnet

AI-modeller afregnes i tokens. En token er et stykke tekst, og Anthropic angiver at ét token groft svarer til fire tegn eller trekvart engelsk ord. Dansk tekst bliver typisk til lidt flere tokens end engelsk. Du betaler for tokens ind (din tekst og dine instruktioner) og tokens ud (modellens svar), og svaret koster typisk 4-8 gange så meget pr. token.

Hos OpenAI koster den billigste tekstmodel 0,05 dollar pr. million tokens ind og 0,40 dollar ud, mens de fleste store modeller ligger på 2-10 dollar ind (OpenAIs prisside). Hos Anthropic koster Claude Haiku 4.5 1 dollar ind og 5 dollar ud, og Claude Sonnet 5.5 koster 2 og 10 dollar (Anthropics prisside). Begge udbydere giver 50 % rabat på opgaver der kan vente og køres samlet som batch.

Mine intervaller går fra en lille model i den lave ende til en mellemstor model i den høje. Samme tekst kan desuden blive til forskelligt antal tokens hos forskellige modeller. Anthropic skriver fx at deres nyere modeller bruger ca. 30 % flere tokens på samme tekst. Brug tallene til at vurdere størrelsesordenen, ikke som budget. Hvordan du laver et egentligt budget med caching og forbrugslofter, gennemgår jeg i indlægget om hvad AI-funktioner koster i drift.

Kompleksitet betyder groft: lav er få dage til en uge, mellem er 1-3 uger, og høj er flere uger inklusive test. Er koden i forvejen svær at arbejde i, tager alt længere tid.

Funktioner der sorterer og strukturerer data

Det er her jeg næsten altid vil starte. Opgaverne har et klart rigtigt svar, så du kan måle om AI'en rammer, og en fejl er sjældent katastrofal.

1. Resuméer af lange tekster

Lange supporttråde, sagshistorik, kundenoter og rapporter kan koges ned til fem linjer øverst på siden. Det sparer tid hver gang en medarbejder skal sætte sig ind i en sag vedkommende ikke har fulgt.

Kompleksiteten er lav: én tekst ind, ét resumé ud. Det svære er at beslutte hvornår resuméet laves. Laver du det ved hver visning, betaler du for det samme mange gange. Gem det, og lav det kun om når teksten ændrer sig. Et resumé af en tekst på ca. 1.500 ord koster groft regnet 0,3-8 dollar pr. 1.000 stk.

Faldgruben er at et resumé kan udelade netop det vigtige. Vis derfor altid den fulde tekst lige under.

2. Klassificering og automatisk tagging

AI'en læser en tekst og vælger mellem kategorier du har bestemt på forhånd: hvilken afdeling en henvendelse skal til, om en anmeldelse er positiv eller negativ, eller hvilken konto en udgift hører til. Det er en af de billigste funktioner på listen fordi svaret er ét ord. Selv med en mellemstor model er du under 1 dollar pr. 1.000 klassificeringer, og batchrabatten halverer prisen hvis det ikke haster.

Jeg anbefaler at starte med en lille model og kun skifte op hvis din test viser at den rammer forkert for ofte. Lad brugeren rette kategorien, og gem rettelserne. De bliver dit bedste testsæt. Kan kategorien afgøres med en simpel regel, fx afsenderens domæne, skal du ikke bruge AI.

3. Dataudtræk fra dokumenter og e-mails

Fakturaer, ordrebekræftelser, CV'er og kontrakter kommer som PDF'er og e-mails, men din SaaS har brug for felter: beløb, dato, leverandør og varelinjer. Nyere modeller kan læse både tekst og billeder og returnere data i et fast format som systemet kan gemme direkte.

Kompleksiteten er mellem fordi svaret skal valideres. Summerer varelinjerne til totalen? Findes leverandøren? Er datoen realistisk? Byg en skærm hvor brugeren godkender eller retter udtrækket før det gemmes. Prisen er groft regnet 1-10 dollar pr. 1.000 dokumenter på et par sider og kan blive højere for lange, scannede dokumenter.

4. Smart import af regneark

Den her bliver ofte overset, selvom den gør en stor forskel når nye kunder skal i gang. De kommer typisk med et Excel-ark fra deres gamle system, og kolonnerne hedder noget andet end i dit. AI'en kan foreslå hvilken kolonne der svarer til hvilket felt, fx "Kundenr." til customer_number, og rense formater som datoer og telefonnumre.

Du sender kun kolonnenavne og et par eksempelrækker, ikke hele arket, så prisen er under 0,01 dollar pr. import. Kompleksiteten ligger i brugerfladen: brugeren skal se forslaget og kunne rette det før importen kører. Jeg anbefaler den tit fordi den fjerner en reel forhindring i kundens første dage.

5. Moderation af brugerindhold

Har din platform anmeldelser, kommentarer, profiler eller opslag, skal nogen holde øje med spam og krænkende indhold. OpenAI har en moderationsmodel som ifølge deres prisside er gratis, og den fanger de oplagte tilfælde. Til regler der er særlige for din platform, fx at annoncer ikke må indeholde telefonnumre, bruger du almindelig klassificering.

Lad AI'en markere og sætte i kø, ikke slette. Et menneske bør træffe den endelige beslutning i grænsetilfælde.

Funktioner der hjælper brugeren med at finde svar

6. Semantisk søgning

Almindelig søgning finder ord. Semantisk søgning finder betydning, så "opsige abonnement" også finder artiklen der hedder "Sådan stopper du din plan". Teknisk omdanner du hver tekst til embeddings, altså lister af tal der beskriver tekstens betydning, og sammenligner dem med søgningen.

Prisen er næsten ingenting. OpenAIs mindste embedding-model koster 0,02 dollar pr. million tokens, så 10.000 tekster på ca. 500 tokens koster omkring 0,10 dollar at indeksere. Hver søgning koster en brøkdel af det. Bruger du PostgreSQL, kan udvidelsen pgvector gemme og søge i embeddings direkte i din eksisterende database, så du ikke behøver en ny tjeneste.

Kompleksiteten er mellem. Tekster skal deles fornuftigt op, indekset skal opdateres når data ændres, og brugere må kun finde deres egne data. Det sidste bliver ofte glemt, og manglende adgangskontrol er et af de typiske sikkerhedshuller i AI-genereret kode.

7. Svar ud fra dine egne dokumenter

Det er det de fleste mener med "en AI der kender vores data". Teknikken hedder RAG (retrieval augmented generation): systemet finder de mest relevante tekststykker med semantisk søgning og beder derefter en sprogmodel formulere et svar ud fra dem, gerne med henvisning til kilden.

Byg søgningen først. Er søgeresultaterne dårlige, bliver svarene det også, bare mere overbevisende formuleret. Hvert svar sender typisk et par tusind tokens kontekst med, så prisen er groft regnet 5-30 dollar pr. 1.000 svar. Til sammenligning regner Anthropic med ca. 37 dollar for 10.000 supportsamtaler med Haiku 4.5 når en samtale i gennemsnit fylder ca. 3.700 tokens. Det er knap 4 dollar pr. 1.000. I en lang samtale stiger prisen fordi historikken sendes med hver gang. Caching hjælper: genbrugt input koster typisk 10 % af normalprisen hos Anthropic.

Kompleksiteten er mellem til høj. Modellen kan svare selvsikkert på noget den ikke ved, så du skal have en plan for spørgsmål der ikke kan besvares. Skal svarene bruges i en chat på din offentlige hjemmeside i stedet for inde i produktet, er et færdigt chatbotværktøj ofte det bedre valg.

8. Spørgsmål til data på almindeligt sprog

"Vis mig kunder der ikke har købt noget i 90 dage" i stedet for fem filtre. Det lyder enkelt, men det er en af de sværeste funktioner at gøre sikker. Lader du modellen skrive databaseforespørgsler direkte, risikerer du forkerte tal, langsomme forespørgsler og i værste fald adgang til andre kunders data.

Den sikre version lader AI'en oversætte spørgsmålet til de filtre og rapporter din app allerede har, og viser filtrene så brugeren kan se hvad der faktisk blev søgt på. Driftsprisen er lav, groft regnet 3-10 dollar pr. 1.000 spørgsmål, men udviklingen er tung. Overvej først om bedre filtre løser det meste af problemet.

Funktioner der skriver, oversætter og lytter

9. Udkast og skrivehjælp

Svarforslag til supporthenvendelser, produkttekster ud fra en håndfuld stikord, opfølgningsmails efter et møde. Brugeren får et udkast og retter i det i stedet for at starte fra en tom side. Kompleksiteten er lav så længe et menneske altid selv trykker send. Prisen er groft regnet 3-10 dollar pr. 1.000 udkast, lidt mere end et resumé fordi svaret er længere.

Kvaliteten afhænger mest af hvad du giver modellen at arbejde med: kundens historik, virksomhedens tone og tidligere svar. Et generisk udkast bliver hurtigt ignoreret. Mål hvor meget brugerne retter. Retter de næsten alt, er funktionen ikke god nok endnu.

10. Oversættelse af indhold

Sælger din SaaS i flere lande, kan AI oversætte brugerindhold, hjælpeartikler og e-mails. Efter min vurdering er kvaliteten mellem de store europæiske sprog god nok til de fleste formål. Prisen er groft regnet 5-15 dollar pr. 1.000 sider fordi svaret er lige så langt som teksten der kommer ind.

Gem oversættelserne i stedet for at oversætte samme tekst ved hver visning. Og lad være med at udgive vilkår og juridiske tekster uden at et menneske har læst dem igennem.

11. Transskription og mødenoter

Optagede salgsmøder, kundeopkald og interviews kan blive til tekst, og teksten kan derefter blive til resumé, opgaver og noter på kunden. Selve transskriptionen koster 0,003-0,006 dollar pr. minut hos OpenAI, altså 0,18-0,36 dollar for en times lyd.

Kompleksiteten er mellem fordi lyd fylder. Filerne skal uploades, behandles i baggrunden og gemmes sikkert. Optagelser af samtaler indeholder næsten altid persondata, og deltagerne skal som udgangspunkt have at vide at de bliver optaget. Kvaliteten kan være lavere på dansk end på engelsk og ved dårlig lyd, så test med rigtige optagelser før du lover noget.

Den sværeste: en assistent der handler i din app

12. Assistent der udfører handlinger

En assistent der ikke kun svarer, men også opretter ordrer, ændrer indstillinger eller sender mails på brugerens vegne. Teknisk giver du modellen adgang til værktøjer, altså funktioner i din app som den må kalde. En enkelt opgave kræver ofte 5-10 kald frem og tilbage, og hvert kald sender instruktioner og historik med. Prisen er derfor groft regnet 0,05-0,50 dollar pr. opgave, og den svinger meget.

Den store udfordring er sikkerhed. Prompt injection, hvor tekst i et dokument eller en e-mail får modellen til at gøre noget andet end tilsigtet, står som nummer ét på OWASPs liste over risici i AI-applikationer fra 2025. OWASP anbefaler blandt andet at give modellen så få rettigheder som muligt og at kræve menneskelig godkendelse af handlinger med høj risiko.

Min anbefaling er at vente med den her til de enklere funktioner kører. Start med en assistent der kun kan læse og foreslå, og lad brugeren bekræfte hver handling.

Det skal alle AI-funktioner have

Uanset hvilken funktion du vælger, er der nogle ting jeg altid bygger med. Det er ofte her udviklingstiden går, ikke i selve kaldet til modellen.

Persondata er det punkt flest springer over. Hvad du må sende til OpenAI og Claude, og hvad der skal stå i aftalerne, har jeg samlet i indlægget om GDPR og AI. Den tekniske side af at koble en model på et eksisterende system, med køer, fejlhåndtering og nøgler, gennemgår jeg i guiden til at integrere OpenAI eller Claude i dit system.

Hvornår du ikke skal bygge AI-funktioner

AI er ikke altid svaret, og hver funktion skal vedligeholdes. Jeg fraråder det typisk i disse situationer:

• Når en simpel regel kan klare opgaven. Kan du skrive logikken som "hvis afsenderen er X, så kategori Y", er en regel billigere, hurtigere og giver samme svar hver gang.
• Når du ikke har lanceret endnu. AI-funktioner er sjældent grunden til at de første kunder betaler. Fokusér på kerneproduktet, og læs gerne mine råd om hvilke funktioner din SaaS kan vente med ved lancering.
• Når en fejl er dyr, og ingen når at opdage den. Beslutninger om penge, ansættelser eller helbred bør ikke træffes af en sprogmodel uden et menneske imellem.
• Når et færdigt værktøj findes. En supportchat på hjemmesiden eller en mødeassistent kan ofte købes for et fast månedligt beløb. Byg kun selv hvis funktionen skal bruge data inde i dit produkt.

Og så er der situationer hvor du skal have en anden end mig. Er AI selve produktet, fx fordi du vil træne egne modeller eller lave avanceret billedgenkendelse, har du brug for en specialist i maskinlæring. Jeg er full-stack-udvikler og bygger AI-funktioner ind i produkter med de modeller der findes. Jeg udvikler ikke nye modeller.

Næste skridt: vælg én funktion og test den på rigtige data

1. Find den opgave dine brugere i dag bruger mest manuel tid på i din app.
2. Vælg den enkleste funktion på listen der kan løse den.
3. Saml 30-50 rigtige eksempler, og test to eller tre modeller på dem før du bygger brugerfladen.
4. Byg funktionen med plan B, forbrugsloft og logning fra start.
5. Giv den til en lille gruppe kunder, og mål om den bliver brugt, og hvor meget brugerne retter i resultatet.

Går testen godt, er resten håndværk. Vil du have hjælp til at bygge funktionen ind i dit produkt, kan du læse om hvordan jeg arbejder med SaaS-udvikling fra forprojekt til drift.

Ofte stillede spørgsmål

Skal jeg træne min egen AI-model til min SaaS?+

Næsten aldrig. De færdige modeller fra OpenAI, Anthropic og andre udbydere er gode nok til langt de fleste funktioner på listen når de får de rigtige instruktioner og data. At træne eller finjustere en egen model kræver store mængder data af god kvalitet og en specialist. Start med en færdig model, og overvej kun egen træning hvis dine tests viser at den ikke kan løse opgaven.

Skal jeg vælge OpenAI eller Claude?+

Test begge på dine egne eksempler, og vælg den der rammer bedst til prisen. Forskellen afhænger mere af opgaven end af udbyderen. Byg integrationen så du kan skifte model uden at skrive funktionen om, for priser og modeller ændrer sig hurtigt. Tjek også udbydernes vilkår for databehandling, især hvis du sender persondata.

Kan jeg tage ekstra betaling for AI-funktioner?+

Ja, og det er ofte fornuftigt når funktionen har en mærkbar løbende pris. Du kan lægge AI-funktionerne i en dyrere plan, give et antal kald med i abonnementet og sælge flere, eller tage betaling pr. brug. Uanset model bør du have et loft over forbrug pr. kunde, så en enkelt storbruger ikke æder din margin.

Hvad sker der hvis udbyderen udfaser den model jeg bruger?+

Så skal du skifte til en nyere model og teste igen. Udbyderne udfaser jævnligt ældre modeller, og Anthropics prisside viser flere modeller som allerede er udfaset. Brug en fast modelversion i stedet for "nyeste", og kør dit testsæt når du skifter. En ny model kan være bedre i gennemsnit og alligevel dårligere til netop din opgave.