Prisen på AI-kodeassistenter er ved at blive vendt på hovedet. Mens GitHub Copilot og Cursor sælger adgang gennem faste abonnementer, har en bølge af åbne kodemodeller fra kinesiske og amerikanske laboratorier i sommeren 2026 nået et niveau, hvor de matcher eller slår de lukkede modeller på konkrete benchmarks, samtidig med at de koster en brøkdel pr. token. Kimi K3 fra Moonshot AI, GLM-5.2 fra Zhipu (Z.ai) og DeepSeek V4 er de tre navne, som udviklerteams i stigende grad nævner, når de diskuterer, om det stadig giver mening at betale for et lukket abonnement.
Det er ikke en marginal debat blandt entusiaster. Ifølge GitHub Copilots eget forum har selskabet i august 2026 tilføjet Kimi K3 som model på tværs af Pro, Pro+, Max, Business og Enterprise-planerne, samtidig med at det ruller Gemini 3.6 Flash og Claude Opus 5 ud som nye valg. Det er i sig selv et signal om, at de store leverandører er nødt til at reagere på et marked, hvor prisen pr. million tokens er blevet den nye konkurrenceparameter, ikke kun modelkvalitet.
Hvad er egentlig nyt: tre åbne modeller udfordrer status quo
Kimi K3 fra Moonshot AI landede med åbne vægte på Hugging Face den 26. juli 2026. Modellen har 2,8 billioner parametre, hvoraf omkring 50 milliarder er aktive pr. forespørgsel, og tilbyder et kontekstvindue på op mod 1 million tokens. Ifølge ThunderComputes augustopgørelse over open source-modeller scorer Kimi K3 76,8 procent på SWE-Bench Verified, den benchmark, branchen bruger til at måle, hvor godt en model kan løse rigtige softwareopgaver fra GitHub-issues. Til sammenligning scorer modellen 88,3 procent på Terminal-Bench 2.1, som tester agentisk arbejde i en terminal.
GLM-5.2 fra det kinesiske selskab Zhipu, der opererer under mærket Z.ai, kom først i juni 2026 og fik en opdatering med nye benchmarktal frem mod august. Modellen scorer 62,1 procent på SWE-Bench Pro, hvilket ifølge OpenLM.ai gør den til den stærkeste åbne model på den benchmark, en forbedring fra 58,4 procent for forgængeren GLM-5.1. Samme kilde peger på, at GLM-5.2 slår GPT-5.5, som lander på 58,6 procent på samme test, og nærmer sig Claude Opus 4.8, der scorer 69,2 procent.
DeepSeek V4 findes i to udgaver: en billig Flash-model og en kraftigere Pro-udgave. Ifølge flere uafhængige sammenligninger rammer DeepSeek V4-Pro 80,6 procent på SWE-Bench Verified, hvilket er på niveau med Googles Gemini 3.1 Pro på samme test. Det gør DeepSeek V4-Pro til den model i denne sammenligning, der scorer højest på netop den benchmark, uafhængigt af om den er åben eller lukket.
Prisen pr. token: hvor stor er forskellen egentlig
Det er her historien bliver interessant for CTO’er og udviklingschefer, der forsøger at holde styr på budgettet. Kimi K3 koster 3 dollar pr. million input-tokens og 15 dollar pr. million output-tokens via Moonshot AIs egen API, med en cache-rabat ned til 0,30 dollar for gentagne prompts. Det er faktisk samme prisniveau som Claude Sonnet, så Kimi K3 er ikke den billige løsning i flokken. Den er snarere den mest kapable åbne model til en pris, der matcher et etableret lukket alternativ.
GLM-5.2 ligger markant lavere. Den hostede API koster omkring 1,40 dollar pr. million input-tokens, cirka en sjettedel af, hvad de lukkede frontier-modeller typisk kræver for tilsvarende ydelse. DeepSeek V4-Flash er den absolut billigste af de tre: 0,14 dollar pr. million input-tokens og 0,28 dollar pr. output, mens den kraftigere V4-Pro koster 0,435 dollar for input og 0,87 dollar for output. Begge priser steg dog den 16. august 2026, hvilket viser, at selv de billige udbydere justerer priserne opad, efterhånden som efterspørgslen stiger.
Til sammenligning sælger GitHub Copilot og Cursor ikke adgang pr. token til slutbrugeren, de sælger et fast sæde. Det betyder, at en udvikler, der bruger meget tokens, i praksis får en billigere pris pr. forespørgsel jo mere aktiv vedkommende er, mens en lejlighedsvis bruger betaler for kapacitet, der aldrig udnyttes. Det er den strukturelle forskel, der får flere infrastrukturtunge teams til at overveje at rute deres kodeagenter direkte til en åben models API i stedet for at gå gennem et IDE-abonnement.
Copilot og Cursor: hvad koster de reelt i august 2026
GitHub Copilots officielle prisside viser fem niveauer. Copilot Free koster ingenting, men giver kun en begrænset mængde AI-credits og adgang til automatisk modelvalg. Copilot Pro koster 10 dollar om måneden og inkluderer omkring 1.500 dollars værdi i AI-credits plus 500 fleksible ekstra-credits. Copilot Pro+ koster 39 dollar om måneden med en langt større credit-pulje, og der findes nu også en Max-plan til 100 dollar om måneden for de mest krævende brugere. På virksomhedssiden koster Copilot Business 19 dollar pr. bruger om måneden, mens Copilot Enterprise ligger på 39 dollar pr. bruger om måneden, ifølge GitHubs egen dokumentation.
Cursor har en lignende struktur, men med højere lofter i toppen. Hobby-planen er gratis med begrænsede agent-forespørgsler, Pro koster 20 dollar om måneden og inkluderer en pulje på 20 dollar til modelforbrug, Pro+ koster 60 dollar, og Ultra-planen topper ved 200 dollar om måneden med en pulje svarende til cirka 400 dollar i forbrug. Teams-planen starter ved 40 dollar pr. bruger om måneden for et standardsæde og går op til 120 dollar for et Premium-sæde med fem gange forbruget, ifølge Cursors egen prisside.
Ingen af de to platforme tilbyder officielt en generel bring-your-own-key-funktion, hvor en virksomhed frit kan koble en model som DeepSeek V4 eller GLM-5.2 direkte ind som førsteklasses model i IDE’et. Begge platforme styrer i stedet adgangen gennem deres eget kuraterede katalog af modeller og deres egen credit-økonomi. Det er præcis den lock-in-mekanik, kritikere af de lukkede platforme peger på, når de argumenterer for, at åbne modeller giver mere kontrol, selv når prisforskellen på papiret er mindre markant.
Tabel: pris og ydelse for de tre åbne modeller
| Model | Udgivet | Licens | Kontekst | SWE-Bench Verified | Pris pr. mio. input / output (USD) |
|---|---|---|---|---|---|
| Kimi K3 | 26. juli 2026 | Åbne vægte | ~1M tokens | 76,8% | $3,00 / $15,00 |
| GLM-5.2 | Juni 2026 | MIT | 1M tokens | Ikke separat rapporteret* | ~$1,40 / ~$4,40 |
| DeepSeek V4-Pro | 2026 | MIT | 1M tokens | 80,6% | $0,435 / $0,87 |
| DeepSeek V4-Flash | 2026 | MIT | 1M tokens | 79,0% | $0,14 / $0,28 |
| Claude Opus 4.8 (lukket) | 2026 | Proprietær | Ikke offentliggjort | Ikke direkte sammenlignet** | Kun via abonnement/API |
*GLM-5.2 rapporterer i stedet 62,1 procent på SWE-Bench Pro, en anden variant af testen, hvilket gør direkte sammenligning med Verified-tallet vanskelig. **Claude Opus 4.8 scorer 69,2 procent på SWE-Bench Pro og 75,1 på FrontierSWE ifølge Z.ais egne offentliggjorte benchmarktal, som bruges til at sætte GLM-5.2 i kontekst.
Tabel: Copilot og Cursor prisniveauer sammenlignet
| Platform | Gratis | Individuel (mellemniveau) | Individuel (top) | Team/virksomhed |
|---|---|---|---|---|
| GitHub Copilot | $0 (begrænset) | Pro: $10/md | Pro+: $39/md, Max: $100/md | Business: $19/bruger/md, Enterprise: $39/bruger/md |
| Cursor | Hobby: $0 (begrænset) | Pro: $20/md | Pro+: $60/md, Ultra: $200/md | Teams Standard: $40/bruger/md, Teams Premium: $120/bruger/md |
Hvorfor åbne kodemodeller pludselig er blevet konkurrencedygtige
For bare halvandet til to år siden var forskellen mellem åbne og lukkede kodemodeller tydelig. De lukkede modeller vandt på kvalitet, de åbne vandt på pris og fleksibilitet, men lå typisk 10-20 procentpoint bagud på svære benchmarks. Det billede er brudt sammen i løbet af 2026. DeepSeek V4-Pro beskrives nu i flere analyser som den model, teams reelt sætter som standardvalg i produktion, fordi den topper åbne benchmarks for både kodning og resonnement samtidig med, at den er MIT-licenseret.
Den tekniske forklaring handler blandt andet om skala og arkitektur. Både Kimi K3 og DeepSeek V4 bruger en mixture-of-experts-opbygning, hvor kun en lille del af de samlede parametre aktiveres pr. forespørgsel. Det gør det muligt at bygge modeller med billioner af parametre uden at inferensomkostningerne eksploderer tilsvarende. Kimi K3 har 2,8 billioner parametre i alt, men kun cirka 50 milliarder aktive, mens DeepSeek V4-Pro har 1,6 billioner parametre med omkring 49 milliarder aktive. Det er denne arkitektur, der gør det økonomisk realistisk at tilbyde priser ned mod 14 cent pr. million tokens uden at gå på kompromis med kvaliteten på samme niveau som tidligere generationer af åbne modeller.
Samtidig er der en licensdimension, der ofte overses i prisdebatten. Fordi GLM-5.2 og DeepSeek V4 er udgivet under MIT-lignende licenser, kan virksomheder downloade vægtene og køre modellerne på egen infrastruktur, i egne Kubernetes-klynger eller på bare metal. Det fjerner ikke bare et abonnementsgebyr, det fjerner også en afhængighed af, at en enkelt leverandør fortsat understøtter den model, teamet har bygget sine værktøjer omkring. For virksomheder med skærpede krav til datahåndtering, herunder danske og nordiske organisationer under NIS2 og GDPR, er muligheden for selvhosting i sig selv en selvstændig grund til at undersøge alternativerne, uafhængigt af prisen pr. token.
Markedseffekt: presset på Copilot og Cursors forretningsmodel
GitHub har allerede reageret synligt. I august 2026 rullede selskabet Kimi K3 ud som valgbar model på tværs af sine betalte planer, samtidig med at det tilføjede Gemini 3.6 Flash og Claude Opus 5 og indførte såkaldte “thinking effort”-niveauer, hvor udvikleren selv kan vælge, hvor meget resonnement en opgave skal have, og dermed hvor mange tokens den koster. Det er en direkte reaktion på, at prisbevidste teams i stigende grad sammenligner deres faktiske forbrug med, hvad de kunne have betalt for at køre en åben model selv.
Samtidig fjerner GitHub seks ældre modeller fra Copilot omkring 31. august til 1. september 2026, ifølge selskabets eget roadmap-issue på GitHub, hvilket tvinger administratorer til at opdatere politikker og arbejdsgange, der refererer til bestemte modelnavne. Denne konstante udskiftning af modeller er i sig selv et symptom på, hvor hurtigt landskabet bevæger sig. En model, der var toppen af feltet i foråret, kan være udfaset inden efteråret. For virksomheder, der bygger interne værktøjer oven på en bestemt models egenskaber, er den ustabilitet en reel driftsrisiko, som en selvhostet åben model i højere grad giver kontrol over, fordi man selv bestemmer, hvornår man skifter version.
Cursor har på sin side udvidet funktioner som kodebase-bred søgning og forslag til redigering på tværs af flere filer, et forsøg på at indsnævre funktionsgabet til virksomhedskunder, der ellers kunne finde på at bygge deres egen løsning oven på en åben model. Det illustrerer en bredere tendens: de lukkede platforme konkurrerer i stigende grad på integrationslaget, altså brugeroplevelsen i IDE’et, agentstyring og teamfunktioner, fremfor udelukkende på, hvor god selve modellen under motorhjelmen er.
Historisk kontekst: fra GPT-3.5-æraen til dagens prisrace
Det er værd at huske, hvor kort tid der er gået. Da GitHub Copilot for alvor blev allemandseje i 2023, var den underliggende antagelse, at kun et fåtal af aktører, primært OpenAI, Anthropic og Google, kunne bygge modeller kraftige nok til at være reelt nyttige som kodeassistent. Åbne modeller blev betragtet som legetøj til forskere, ikke som noget en produktionsvirksomhed ville stole på til kritisk kode. Det billede holdt frem til omkring 2024-2025, hvor kinesiske laboratorier som DeepSeek for alvor demonstrerede, at det var muligt at træne konkurrencedygtige modeller til en brøkdel af de ressourcer, amerikanske selskaber brugte.
2026 er det år, hvor den udvikling er nået et punkt, hvor prisforskellen ikke længere kan afskrives som et kvalitetskompromis. Da DeepSeek V4-Pro rammer 80,6 procent på SWE-Bench Verified og dermed lægger sig side om side med Googles Gemini 3.1 Pro, holder argumentet om, at åbne modeller er “gode nok til simple opgaver, men ikke til rigtigt arbejde”, ikke længere. Det ændrer den strategiske samtale i mange it-afdelinger fra hvilken lukket assistent man skal vælge, til om man overhovedet skal binde sig til en lukket assistent.
Konkurrentsammenligning: hvem vinder på hvad
Ser man samlet på feltet, tegner der sig tre forskellige vinderkategorier. GLM-5.2 vinder på den brede SWE-Bench Pro-benchmark blandt åbne modeller med 62,1 procent, foran Qwen3.7 Max på 60,6 og MiniMax M3 på 59,0. DeepSeek V4-Pro vinder på SWE-Bench Verified og på LiveCodeBench, hvor den scorer 93,5, hvilket gør den til det bedste bud, hvis opgaven er at løse konkrete, verificerede softwarefejl. Kimi K3 vinder på lange, agentiske opgaver og topper ifølge flere kilder en uafhængig frontend-kodetest samt Terminal-Bench 2.1 med 88,3 procent.
Ingen af de tre er dermed en universel vinder. Det praktiske råd, der går igen i flere udvikleranalyser, er, at teams i stigende grad blander modeller efter opgavetype: en billig model som DeepSeek V4-Flash til rutineprægede opgaver, og en dyrere model som Kimi K3 eller Claude Opus 5 til komplekse, langvarige agentopgaver, hvor fejl er kostbare. Det er også præcis den retning, GitHub selv bevæger sig med sine “thinking effort”-niveauer, der lader udvikleren matche modelvalg til opgavens sværhedsgrad frem for at bruge samme dyre model til alt.
Hvad betyder det for danske og nordiske udviklingsteams
For danske virksomheder er selvhosting af åbne modeller ikke kun et spørgsmål om pris. Med NIS2-direktivet nu i kraft og skærpede krav til, hvor følsom kildekode og forretningslogik må befinde sig, giver muligheden for at køre en MIT-licenseret model som GLM-5.2 eller DeepSeek V4 på egen eller europæisk cloud-infrastruktur en fordel, som et amerikansk SaaS-abonnement ikke kan matche på samme måde. Det kræver dog investering i GPU-kapacitet eller en aftale med en europæisk inferensudbyder, hvilket for de fleste mindre og mellemstore danske softwarehuse stadig er en større beslutning end blot at tilføje endnu et Copilot-sæde.
Samtidig er der en praktisk barriere, som ofte overses i debatten: selvhosting af en model med 1,6 til 2,8 billioner parametre kræver betydelig hardware, selv med en mixture-of-experts-arkitektur, der kun aktiverer en brøkdel af parametrene ad gangen. For de fleste teams betyder det i praksis, at “selvhostet” reelt vil sige en hostet API hos en tredjepartsudbyder som Moonshot AI selv eller en specialiseret inferensudbyder, og altså ikke bogstaveligt talt egne servere. Det ændrer regnestykket en smule, men fjerner ikke den grundlæggende fordel: man kan skifte udbyder uden at skifte hele sit værktøjssæt, fordi modellen selv er portabel.
Bekymringspunkter: ikke alle benchmarktal er uafhængigt verificeret
Et vigtigt forbehold, som flere analytikere fremhæver, er, at ikke alle de omtalte benchmarktal er verificeret af en uafhængig tredjepart. Det er blevet bemærket, at der inden for de første 48 timer efter GLM-5.2’s lancering endnu ikke forelå fuldt uafhængige SWE-Bench Verified-, LiveCodeBench- eller Terminal-Bench-resultater, og at nogle af de offentliggjorte tal stammede fra Zhipus egen agent-scaffold eller fra Scale SEAL-rammeværket. DeepSeek V4-Pro’s 80,6 procent på SWE-Bench Verified nævnes derimod gentagne gange som uafhængigt bekræftet, hvilket giver den model et tillidsforspring i sammenligningerne.
Det betyder, at virksomheder, der overvejer et skifte, bør teste modellerne på deres egen kodebase og egne opgaver, frem for udelukkende at stole på leverandørens egne benchmarktal. En model, der topper en isoleret benchmark, performer ikke nødvendigvis lige så godt på en specifik virksomheds legacy-kodebase, interne konventioner eller domænespecifikke biblioteker. Det er en pointe, der gælder uanset om modellen er åben eller lukket, men den bliver særligt relevant, når beslutningen samtidig indebærer at opgive et etableret abonnement til fordel for en nyere, mindre afprøvet infrastruktur.
Prognoser: sådan udvikler markedet sig frem mod 2027
Baseret på den udvikling, der allerede er observeret i 2026, peger flere tendenser fremad. For det første vil prisen pr. token for topmodeller, både åbne og lukkede, sandsynligvis fortsætte med at falde i takt med, at mixture-of-experts-arkitekturer bliver standard, hvilket lægger yderligere pres på abonnementsmodeller, der ikke direkte afspejler faktisk forbrug.
For det andet vil de store IDE-platforme, GitHub Copilot og Cursor i særdeleshed, sandsynligvis fortsætte med at optage flere åbne modeller i deres kataloger, som det allerede er set med Kimi K3, fremfor at konkurrere direkte på modelkvalitet. Konkurrencen flytter sig i stigende grad fra hvilken model der er bedst, til hvilken platform der giver den bedste værktøjskæde omkring modellen.
For det tredje vil europæiske og nordiske virksomheder med skærpede compliance-krav sandsynligvis blive en vigtig drivkraft for hostede, europæisk placerede versioner af åbne modeller, hvilket kan åbne et marked for lokale inferensudbydere, der specifikt tilbyder GDPR- og NIS2-kompatibel hosting af modeller som DeepSeek V4 eller GLM-5.2.
For det fjerde er det sandsynligt, at flere selskaber vil indføre hybride licensmodeller, hvor kerneteknologien er åben, mens de mest avancerede eller nyeste modelversioner kortvarigt holdes lukkede, før de senere frigives som åbne vægte, en strategi der allerede ses hos flere kinesiske laboratorier.
Endelig er det sandsynligt, at uafhængig benchmarkverificering bliver en selvstændig forretning i sig selv, efterhånden som flere virksomheder efterspørger tillid til tal, der i dag ofte stammer fra leverandørerne selv. Det kan give tredjepartsevaluatorer en stadig mere central rolle i indkøbsbeslutninger fremover.
Sådan tester du selv, om et skifte kan betale sig
Den mest håndgribelige måde at vurdere, om et skifte til en åben model giver mening, er at regne på faktisk forbrug frem for listepriser. Et team, der bruger Copilot Pro+ til 39 dollar om måneden pr. udvikler, men reelt kun forbruger en brøkdel af den inkluderede credit-pulje, betaler i praksis for kapacitet, der ikke udnyttes. Omvendt kan et team, der kører tunge agentiske arbejdsgange med millioner af tokens dagligt, opleve, at selv Kimi K3’s pris på 3 og 15 dollar pr. million tokens samlet set bliver dyrere end et fast Copilot-sæde, simpelthen fordi forbruget er så højt.
Et praktisk første skridt er at logge det faktiske token-forbrug over en måned via den eksisterende platforms forbrugsoversigt, som både GitHub Copilot og Cursor i dag tilbyder, og derefter regne det om til, hvad samme forbrug ville koste hos Moonshot AI, Z.ai eller DeepSeek direkte. Kun med det konkrete tal kan en beslutning om at skifte, eller om at køre en hybrid løsning med flere modeller til forskellige opgaver, træffes på et solidt grundlag frem for på generelle presseoverskrifter om, hvor billige de åbne modeller angiveligt er.
Ofte stillede spørgsmål
Er Kimi K3 gratis at bruge?
Nej. Selvom vægtene er åbne og kan downloades, koster den hostede API hos Moonshot AI 3 dollar pr. million input-tokens og 15 dollar pr. million output-tokens, hvilket svarer til prisen på Claude Sonnet. Det er dermed ikke den billigste model i feltet, men den mest kapable blandt de åbne modeller til den pris.
Kan jeg bruge DeepSeek V4 eller GLM-5.2 direkte i GitHub Copilot?
Ikke som en generel bring-your-own-key-integration. GitHub Copilots officielle dokumentation beskriver adgang gennem et kurateret modelkatalog og AI-credits, ikke en åben mekanisme til at koble vilkårlige eksterne modeller ind i IDE’et.
Hvilken model er billigst pr. token i august 2026?
DeepSeek V4-Flash er den billigste af de omtalte modeller med 0,14 dollar pr. million input-tokens og 0,28 dollar pr. million output-tokens, selvom prisen steg den 16. august 2026.
Er benchmarktallene for GLM-5.2 og Kimi K3 uafhængigt verificeret?
Ikke fuldt ud. Nogle GLM-5.2-tal stammer fra Zhipus egen testramme, mens DeepSeek V4-Pro’s SWE-Bench Verified-score på 80,6 procent oftere beskrives som uafhængigt bekræftet.
Hvad koster GitHub Copilot for en virksomhed med 50 udviklere?
Med Copilot Business til 19 dollar pr. bruger om måneden svarer det til 950 dollar om måneden for 50 udviklere, mens Enterprise-planen til 39 dollar pr. bruger om måneden ville koste 1.950 dollar om måneden for samme antal brugere.
Kan åbne modeller selvhostes af mindre danske virksomheder?
Teknisk ja, men modeller med 1,6 til 2,8 billioner parametre kræver betydelig GPU-kapacitet selv med en mixture-of-experts-arkitektur. I praksis vælger de fleste mindre teams en hostet API hos modelleverandøren eller en europæisk inferenspartner frem for fuld selvhosting.
Vil GitHub Copilot og Cursor fortsætte med at tilføje åbne modeller?
Alt tyder på det. GitHub har allerede tilføjet Kimi K3 til sine betalte planer i august 2026, hvilket antyder, at platformene i stigende grad konkurrerer på integration og værktøjskæde frem for udelukkende på egne, lukkede modeller.
Hvilken model skal jeg vælge til komplekse, langvarige kodeopgaver?
Kimi K3 og DeepSeek V4-Pro fremhæves begge til agentiske, flertrins-opgaver, mens en billigere model som DeepSeek V4-Flash er velegnet til rutineprægede opgaver, hvor prisen betyder mere end den sidste procent kvalitet.
