Hvad er tokenomics?

Tokenomics er måden, man forstår og styrer økonomien bag brugen af generativ AI. Begrebet kobler tokens, pris, kvalitet og design sammen. Det hjælper virksomheder med at se, hvorfor to AI-løsninger kan koste meget forskelligt, selv om de umiddelbart løser den samme opgave.

Tokens er den måleenhed, AI-modeller bruger til at opgøre det arbejde, de udfører. Forbruget afspejler i praksis den kognitive belastning: hvor kompleks opgaven er, hvor meget information modellen skal forstå og sammenholde, og hvor meget den skal ræsonnere, vurdere og planlægge for at nå et godt resultat. En simpel opgave kræver lidt arbejde. En analyse, en vurdering eller en opgave i flere trin kræver mere.

Kort fortalt: Tokenomics handler ikke om, hvor meget tekst der bliver skrevet. Det handler om, hvor meget tankearbejde AI skal udføre for at løse opgaven, og hvordan løsningen er bygget til at gøre det effektivt.

Hvordan fungerer tokenomics?

Når AI løser en opgave, skal modellen forstå, hvad der bliver spurgt om, sætte sig ind i den relevante information, ræsonnere sig frem til et svar og eventuelt bruge værktøjer undervejs. Jo mere af dette arbejde opgaven kræver, jo større bliver forbruget.

Derfor siger længden af et spørgsmål meget lidt om forbruget. Et kort spørgsmål som "Hvad betyder det her for vores budget næste år?" kan kræve, at modellen sammenholder mange oplysninger, vurderer flere scenarier og drager en konklusion. Det er opgavens kompleksitet og ikke antallet af ord, der driver forbruget.

Hvad påvirker prisen på AI-tokens?

• Opgavens kompleksitet: hvor meget modellen skal analysere, ræsonnere og vurdere.
• Mængden af information, som modellen skal forstå og sammenholde.
• Valget af AI-model. Kraftigere modeller tænker grundigere og er dyrere, men kan være nødvendige til komplekse opgaver.
• Antallet af trin, før opgaven er løst, for eksempel når AI skal planlægge, undersøge og handle.
• Hvor mange dokumenter, datakilder og værktøjer løsningen skal arbejde med undervejs.
• Hvor mange forsøg og rettelser der skal til, før resultatet er godt nok.

Et enkelt eksempel

To medarbejdere skal hver lave et beslutningsoplæg til ledelsen om valg af ny økonomiløsning. Begge bruger den samme AI-løsning. Tallene er tænkte og skal kun vise princippet.

Eksempel 1: Klar opgave fra starten

Start: Medarbejderen beskriver målgruppe, formål, ønsket længde og vedlægger de relevante tal. AI ved fra begyndelsen, hvad der skal løses.

Beregning:

Trin 1: AI forstår opgaven og sætter sig ind i tallene.
Tænkt forbrug: 4.000 tokens.

Trin 2: AI vurderer mulighederne og bygger argumentationen.
Tænkt forbrug: 3.000 tokens.

Trin 3: AI formulerer oplægget.
Tænkt forbrug: 2.000 tokens.

Trin 4: Én mindre rettelse.
Tænkt forbrug: 1.000 tokens.

I alt: 2 forsøg og et samlet forbrug på 10.000 tokens.

Afslutning: Oplægget er klar efter første forsøg og én mindre rettelse. AI har kun skullet løse selve opgaven én gang, fordi forudsætningerne var på plads fra starten.

Eksempel 2: Uklar opgave med mange rettelser

Start: Medarbejderen skriver kun "Lav et oplæg om ny økonomiløsning". AI må gætte på formål, målgruppe og indhold.

Beregning:

Forsøg 1: AI gætter på formålet og laver et generelt oplæg.
Tænkt forbrug: 6.000 tokens.

Forsøg 2: Målgruppen tilføjes, og AI skal vurdere opgaven igen og omskrive.
Tænkt forbrug: 7.000 tokens.

Forsøg 3: Tallene tilføjes, og AI skal analysere dem og bygge argumentationen om.
Tænkt forbrug: 8.000 tokens.

Forsøg 4: Længde og tone rettes.
Tænkt forbrug: 4.000 tokens.

I alt: 4 forsøg og et samlet forbrug på 25.000 tokens.

Afslutning: Oplægget ender også brugbart, men først efter fire forsøg. AI har reelt løst opgaven flere gange, fordi forudsætningerne ændrede sig undervejs. Medarbejderen har samtidig brugt mere tid.

Opsummering

• Eksempel 1 (klar opgave): 2 forsøg og et samlet forbrug på 10.000 tokens. Ved 50 oplæg om måneden svarer det til 500.000 tokens. Resultatet er et brugbart oplæg.
• Eksempel 2 (uklar opgave): 4 forsøg og et samlet forbrug på 25.000 tokens. Ved 50 oplæg om måneden svarer det til 1.250.000 tokens. Resultatet er også et brugbart oplæg.

Resultatet er det samme, men forbruget er to og en halv gang så stort i eksempel 2. Forskellen skyldes ikke mængden af tekst. Den skyldes, at AI skal genoverveje og genløse opgaven, hver gang forudsætningerne ændrer sig. Tokenomics gør denne forskel synlig og viser, at en klar opgave fra starten er den mest direkte vej til lavere forbrug.

Hvordan kan en virksomhed spare tokens?

Besparelser handler om at reducere unødvendigt arbejde for AI uden at forringe resultatet.

• Beskriv opgaven tydeligt fra starten, så behovet for gentagne rettelser bliver mindre.
• Vælg en model, der passer til opgaven. Den kraftigste model er ikke altid nødvendig.
• Tilpas ambitionsniveauet til opgaven. Bed ikke om en dybdegående analyse, når et hurtigt overblik er nok.
• Giv kun den information, opgaven kræver, så AI ikke skal bruge kræfter på at sortere i irrelevant materiale.

Hvordan kan en virksomhed styre sit tokenforbrug?

Styring handler om at skabe overblik over forbruget og vurdere, om omkostningerne står mål med den værdi, AI skaber.

• Aftal et budget, og placér ansvaret for at følge op på forbruget.
• Følg forbrug og omkostninger pr. løsning og opgavetype, ikke kun det samlede beløb.
• Mål både pris og kvalitet. En lavere pris er ikke en gevinst, hvis resultatet kræver flere forsøg eller mere manuelt efterarbejde.
• Undersøg udsving, og justér budget og rammer, når brugen eller behovet ændrer sig.

Hvorfor er tokenomics vigtigt?

Tokenomics giver et mere realistisk billede af, hvad AI koster. Det gør det lettere at sammenligne løsninger, planlægge budgetter og vurdere, om en AI-løsning skaber nok værdi i forhold til sit forbrug.

For de fleste virksomheder er målet ikke blot at bruge færrest mulige tokens. Målet er at opnå det ønskede resultat med en passende balance mellem kvalitet, hastighed og pris. Det er især vigtigt, når AI går fra enkelte forsøg til daglig brug i mange arbejdsprocesser.

God rådgivning om tokenomics

Start med en konkret opgave, og mål både resultat og forbrug. Se derefter på, om opgaven kan forenkles, deles op i mindre trin eller løses med en mindre krævende model uden at forringe kvaliteten. På den måde bliver optimering en praktisk forretningsøvelse frem for en teknisk spareøvelse.

Ofte stillede spørgsmål om tokenomics