Vilka AI-modeller leder, och vilken passar ditt arbete

Frågan om vilken AI-modell som är bäst ställs ungefär varje månad, och svaret ändras nästan lika ofta. Under det senaste året har varje stor leverantör bytt ut sin toppmodell minst en gång. Flera av de modeller som var självklara val i fjol går inte längre att anropa alls.

Det gör frågan svårare att besvara och samtidigt mindre viktig än den låter. För en organisation som ska få hela personalen att arbeta med AI avgörs resultatet sällan av vilken modell som valdes, utan av om den som sitter framför den vet hur uppgiften ska formuleras.

Här går vi igenom vad som faktiskt skiljer de ledande AI-modellerna åt, hur läget ser ut just nu, och de tre fall där valet spelar roll på riktigt.

Fyra egenskaper förklarar nästan hela skillnaden

Kontextfönstret är hur mycket text modellen kan hålla samtidigt. Det mäts i tokens, där ett token motsvarar ungefär tre fjärdedels ord i svensk löptext. En modell med ett fönster på en miljon tokens läser en hel upphandling utan att tappa början. En med tvåhundratusen gör det inte.

Priset anges per miljon tokens in och ut. Spannet mellan den billigaste och den dyraste modellen hos samma leverantör är ofta tjugofalt. I en chatt i webbläsaren märks det aldrig. I något som körs tusen gånger om dagen är det hela kalkylen.

Resonemanget är om modellen tänker igenom problemet innan den svarar. Det höjer träffsäkerheten på uppgifter med flera steg, och det kostar tid och tokens. Flera leverantörer låter numera samma modell göra båda delarna beroende på hur svår frågan är.

Var texten hamnar. Leverantörens villkor avgör om det du matar in används för träning, var det lagras och hur länge. Det är den egenskap som oftast fäller ett verktyg i offentlig verksamhet, och den som minst ofta står med i jämförelserna.

Skillnaden mellan två ledande modeller är mindre än skillnaden mellan en van och en ovan användare av samma modell.

Det syns tydligast när samma uppgift ges till samma modell av två personer. Den som beskriver vad svaret ska användas till, vem som ska läsa det och vad som redan är bestämt får ett utkast som går att arbeta vidare på. Den som skriver en rad får en text som låter rätt och inte går att lämna ifrån sig.

Läget i augusti 2026

Uppgifterna nedan är avlästa i respektive leverantörs egen dokumentation den 16 augusti 2026. Modellnamn och priser ändras ofta, och priserna anges i dollar. Kontrollera dem hos leverantören innan de blir underlag för ett beslut.

Hos OpenAI gäller det priset korta anrop. Långa kontexter kostar ungefär det dubbla, och bolaget har billigare varianter av samma generation för enklare uppgifter.

Anthropic ger sina tre största modeller ett kontextfönster på en miljon tokens och tar mellan två och tio dollar per miljon inmatade tokens beroende på vilken av dem du väljer.

Google prissätter i två steg, där ett anrop över tvåhundratusen tokens kostar ungefär dubbelt så mycket per token som ett kortare. xAI uppger ett fönster på femhundratusen tokens för Grok 4.6.

DeepSeek ligger en storleksordning under de övriga och uppger en miljon tokens som förvalt fönster i alla sina tjänster. Bolaget inför samtidigt en prismodell med hög- och lågtrafiktaxa i augusti 2026, så ett enskilt pris därifrån bör läsas av samma dag det används.

Moonshot uppger att Kimi K3 har 2 800 miljarder parametrar, egen bildförståelse och ett fönster på en miljon tokens. Priserna ligger på separata sidor per modell och inte i modellöversikten.

Modellerna byts ut fortare än sidorna som beskriver dem

OpenAI tog bort GPT-4.5 ur sitt API i juli 2025, knappt fem månader efter lanseringen, och hänvisade utvecklare vidare till en äldre modell. Anthropic pensionerade Claude 3.7 Sonnet i februari 2026 och Claude Opus 4.1 i augusti samma år. Moonshot har avvecklat hela sin K2-serie.

Det är skälet till att en jämförelse mellan två namngivna modeller åldras på ett halvår. Den som lär sig ett verktyg gör därför klokare i att lära sig hur man ger det en uppgift än att lära sig vilken version som ligger överst just nu.

De stora leverantörerna publicerar sina avvecklingsdatum i förväg. Anthropic uppger att bolaget varslar minst sextio dagar innan en modell tas ur bruk. Bygger ni något som anropar en namngiven modell är den sidan värd en bevakning.

De tre fall där valet ändå avgör

Resonemanget ovan håller för det mesta arbete, men inte för allt. Tre situationer gör modellvalet avgörande igen.

Mycket långa underlag. Ska modellen läsa en hel avtalsbilaga, ett helt diarium eller en samling protokoll är kontextfönstret inte en detalj utan skiljelinjen mellan att uppgiften går och inte går. Här är spannet mellan leverantörerna stort.

Programmering. Skillnaderna mellan modellerna är fortfarande tydliga på kod, och de mäts i öppna tester som uppdateras löpande. Har ni utvecklare är det ett eget val som inte bör göras utifrån vad resten av organisationen använder.

Var uppgifterna får hamna. Handlar det om personuppgifter eller sekretessbelagt material är frågan var behandlingen sker och vad leverantören uppger om lagring och träning. Det svaret finns i villkoren, inte i en jämförelsetabell, och det är ofta det som gallrar bort de flesta alternativen.

Vilken modell passar er

Svaret ser olika ut beroende på var ni står, och tre frågor räcker för att sortera.

Vad gör personalen mest av? Är det text, möten och underlag räcker vilken som helst av toppmodellerna, och valet bör då styras av vilket verktyg som redan finns i era system. Är det analys av stora datamängder eller kod är det ett annat val.

Får uppgifterna lämna EU? Är svaret nej faller flera av alternativen bort direkt, och frågan är inte längre vilken modell som är bäst utan vilken som går att använda.

Ska alla använda samma verktyg? En organisation som ger hela personalen ett verktyg får något som går att stödja och utbilda på. En som låter varje avdelning välja själv får bredare täckning och en supportsituation ingen äger.

Det sista är i praktiken den vanligaste frågan, och den handlar mer om vad ni orkar hålla ihop än om vilken modell som ligger etta i ett test. Vill ni se hur det ser ut i era egna arbetsuppgifter går det att gå igenom på en utbildningsdag på arbetsplatsen, där deltagarna arbetar i det verktyg ni redan har.

En översikt över vem som bygger vad finns i AI-landskapet, och de enskilda modellerna behandlas i egna texter om DeepSeek, Kimi AI och Grok jämfört med ChatGPT. Är ni osäkra på var ni ska börja går det att berätta vad ni behöver så återkommer vi med ett förslag.