AI-agenternas nya prislapp: vad kostar Copilot Cowork, ChatGPT Workspace Agents och Claude Cowork egentligen?

22 dollar för en AI-uppgift. Smaka på den en stund. Det kan vara jättebilligt om uppgiften annars hade tagit en människa flera timmar. Men det kan också bli en ganska saftig överraskning om många på företaget börjar skicka iväg agentuppgifter lite på känsla. Nu går AI-agenterna på allvar från “kul demo” till “något ekonomiavdelningen vill förstå”. Och det är faktiskt en rätt viktig vändpunkt.

Från chatt till arbete

Under de senaste åren har vi vant oss vid AI som svarar på frågor, skriver texter, sammanfattar möten och hjälper oss att tänka. Det har varit imponerande, men ändå ganska lätt att förstå kostnadsmässigt: en användare, ett abonnemang, en massa prompts.

AI-agenter är något annat.

En agent kan läsa filer, hämta kontext, använda verktyg, skapa dokument, skriva i system, analysera data och fortsätta arbeta i flera steg. Det är inte längre “skriv ett mejlutkast”. Det är snarare: “gå igenom underlagen, jämför versionerna, hitta avvikelser, skapa en Excel-fil, skriv en sammanfattning och skicka ett Teams-meddelande”.

Det är här kostnaden blir spännande. Och lite obekväm. 🤔

Microsoft beskriver Copilot Cowork som en agent som kan utföra komplexa, långkörande uppgifter i Microsoft 365. Den är nu generellt tillgänglig för Microsoft 365 Copilot-kunder, efter att ha varit i Frontier-programmet. Microsoft skriver också att Cowork kräver en Microsoft 365 Copilot-licens och att själva Cowork-användningen debiteras separat via Copilot Credits.

Det är alltså två lager:

1. En fast licens för att få vara med.
2. En rörlig kostnad för vad agenten faktiskt gör.

Och just den modellen ser vi nu hos fler aktörer.

Copilot Cowork: kraftfullt, men lätt att underskatta kostnaden

Microsofts modell är ganska tydlig i sin logik: ju mer arbete agenten gör, desto mer kostar det. Enligt Microsoft beräknas priset utifrån fyra delar: modellval, kontexthämtning, verktygsanrop och körningstid. Microsoft skriver också i sin admin- och kostnadsdokumentation att aktiviteter som modellsvar, tool calls, bildgenerering och webbläsaruppgifter räknas mot organisationens konsumtion.

Det låter tekniskt, men i praktiken betyder det här:

✅ En enkel uppgift med lite kontext blir relativt billig.
✅ En uppgift som läser många filer, resonerar djupt och skapar flera leverabler blir dyrare.
✅ En agent som körs ofta, av många, kan snabbt bli en ny kostnadspost.

Microsoft har själva pratat om light, medium och heavy tasks. Light tasks använder få källor och producerar få resultat. Medium tasks använder flera källor och strukturerat resonemang. Heavy tasks kan samla in mycket material, resonera djupt och skapa flera outputs. Det är i de tyngre uppgifterna som kostnaden kan sticka iväg.

Det viktiga här är inte att 22 dollar alltid är dyrt. Det viktiga är att vi behöver jämföra med alternativet.

Om en agent för 22 dollar gör något som annars hade tagit en kvalificerad person tre timmar, då är det nästan löjligt billigt. Om den däremot gör något halvdant som någon ändå måste kontrollera och göra om, då är det dyrt. Som vanligt med AI är frågan inte bara “vad kostar det?”, utan “vad får vi faktiskt ut?”.

ChatGPT Workspace Agents: billigare per körning, men mer tokenbaserat

OpenAI har också gått in i samma riktning med Workspace Agents i ChatGPT. De är tänkta som delade agenter i organisationer, en utveckling av GPTs, men med mer förmåga att utföra arbete över tid och mellan system. De finns för ChatGPT Business, Enterprise, Edu och Teachers.

OpenAI:s prismodell ser annorlunda ut än Microsofts. I OpenAI:s rate card för ChatGPT Business och Enterprise/Edu anges att Workspace Agent-runs inte har ett fast kreditpris. I stället beror det på input tokens, cached input tokens och output tokens. OpenAI anger exempelvis att en typisk end-to-end Workspace Agent-körning med GPT-5.5 kan landa på 5-25 credits.

Det här är viktigt.

Microsoft paketerar kostnaden mer som “uppgiftens totala konsumtion”. OpenAI visar tydligare att kostnaden följer tokenanvändning: hur mycket agenten läser, hur mycket av det som är cachat och hur mycket den skriver tillbaka.

Det gör OpenAI-modellen potentiellt billigare för många mindre och medelstora agentkörningar, särskilt om man jobbar smart med återkommande kontext. Men den kräver också mer förståelse. Det är lite som att gå från “fastpris på lunch” till “du betalar per gram, men salladen är rabatterad”. Inte omöjligt, men man behöver ha koll.

OpenAI skriver också i sin flexible pricing-dokumentation att Business-användare har inkluderade gränser och kan fortsätta via en gemensam kreditpott om organisationen köpt credits. Enterprise och Edu arbetar mer med delade kreditpooler på avtalsnivå.

Claude Cowork: mer inkluderat, men gränserna finns kvar

Anthropic har tagit en tredje väg med Claude Cowork. Där är Cowork inkluderat i Pro, Max, Team och Enterprise-planerna, men med den viktiga brasklappen att agentiska uppgifter förbrukar kapacitet snabbare än vanlig chatt. På Claude-sidan handlar det alltså inte lika tydligt om “den här uppgiften kostar X dollar”, utan mer om att du har ett abonnemang med kapacitetsgränser.

På Anthropics prissida framgår att Claude Cowork ingår i Pro, Max och Team. Pro ligger på 20 dollar per månad vid månadsbetalning, Max finns i nivåer på 100 och 200 dollar per månad, och Team har säten med mer användning. För företag finns också Enterprise, där prissättning och användning kan anpassas.

Det här ger en annan psykologisk upplevelse. Som användare känns Claude Cowork mer som “jag har redan betalat, låt mig jobba”. Det är skönt. Men det betyder inte att kostnaden är borta. Den ligger i abonnemangsnivåer, kapacitetsgränser och eventuella enterprise-avtal.

Så står de mot varandra

Det mest intressanta är att alla tre försöker lösa samma problem: AI-agenter är för kraftfulla och för beräkningsintensiva för att gömmas helt i ett enkelt månadspris.

Och det är egentligen ganska rimligt.

En vanlig chattfråga kanske kostar väldigt lite att hantera. En agent som läser 200 sidor, gör research, använder fem verktyg, skapar en Excel-fil och skriver en rapport gör något helt annat. Det är klart att den uppgiften kostar mer.

Den nya frågan: vem får trycka på start?

Jag tror att många företag nu behöver börja tänka på AI-kostnader ungefär som man tänker på molnkostnader.

Inte för att stoppa användningen. Tvärtom. Jag tycker att företag ska testa mer, inte mindre. Men man behöver testa med lite struktur.

Några enkla råd:

✅ Sätt upp pilotgrupper innan ni släpper agenter brett.
✅ Mät kostnad per uppgift, inte bara kostnad per användare.
✅ Skilj på “snabb hjälp” och “agentuppdrag”.
✅ Skapa enkla riktlinjer: när är en heavy task värd kostnaden?
✅ Jämför alltid kostnad mot alternativet: mänsklig tid, kvalitet och tempo.
✅ Ha budgetgränser per användare, grupp eller avdelning.

För små och medelstora företag blir detta extra viktigt. En AI-agent kan vara magiskt värdeskapande, men bara om den används där den faktiskt ger effekt. Att låta AI analysera en stor offertstock, skapa beslutsunderlag eller jämföra hundratals dokument kan vara värt mycket. Att låta den göra småsaker på tungaste modellen hela dagen är kanske mindre smart.

Min spaning: open source pressar priserna

Det finns en sista pusselbit här: konkurrensen från billigare modeller. Microsoft har enligt Axios övervägt en Microsoft-hostad version av DeepSeek eller annan open source-modell som billigare alternativ i Copilot Cowork. Det säger ganska mycket.

De stora aktörerna vet att frontier-modeller är dyra att köra. Därför kommer vi sannolikt få fler modeller i samma agentverktyg: en snabb och billig modell för enklare steg, en starkare modell för svåra resonemang och kanske en specialistmodell för kod, Excel eller juridik.

Det är faktiskt goda nyheter.

Framtiden är troligen inte “en AI-modell som gör allt”. Framtiden är smart routing: rätt modell, rätt data, rätt kostnad, rätt säkerhetsnivå. Där kan open source och billigare modeller spela en jättestor roll, särskilt för vardagsuppgifter där vi inte behöver den absolut dyraste modellen.

Key Takeaway

AI-agenter förändrar inte bara hur vi jobbar, utan också hur vi behöver tänka kring kostnad. Copilot Cowork, ChatGPT Workspace Agents och Claude Cowork visar tre olika vägar mot samma framtid: mer kraft, mer automation och mer rörlig prissättning. För företag blir vinnarna inte de som använder mest AI, utan de som lär sig använda rätt AI till rätt uppgift.

Vill du veta mer?

Vill du förstå hur ditt företag kan använda AI-agenter utan att kostnaderna springer iväg? Jag hjälper gärna till med workshops, utbildningar och praktiska upplägg för hur ni kan testa generativ AI på ett klokt, säkert och värdeskapande sätt. Kontakta mig gärna via AIOlle om du vill prata vidare.