Tokenomics: därför behöver vi prata om tokens som ekonomi

Tokenfabriken

En token är den minsta enhet en språkmodell arbetar med – en del av ett ord, ungefär. Generativ AI fungerar genom att om och om igen förutsäga nästa token, och bygger så ihop sina svar token för token. Det är så AI både läser och skriver, och numera också så vi betalar.

Det enklaste sättet att förstå ekonomin är att se tokens som råvara och datacentret som fabrik. In går el, hårdvara och data. Ut kommer tokens som blir till text, kod, analyser och beslut. Som i all produktion finns en styckkostnad, en kvalitet, en genomströmning och ett visst svinn. Tokenomics är konsten att styra den produktionen: att få ut mest värde ur varje token, inte att producera så få som möjligt. (Vi förklarar fler begrepp i Advanias ordförråd (https://www.advania.se/ordforradet).)

Den billiga fasen går mot sitt slut

I flera år har tokens känts nästan gratis. De stora modellbolagen har vuxit snabbt på riskkapital och pressat priserna för att ta marknad. Mycket talar nu för att den tiden går mot sitt slut. Fler leverantörer rör sig från fasta abonnemang mot förbrukningsbaserad prissättning, samtidigt som obegränsade AI-abonnemang blir allt svårare att försvara ekonomiskt. Modellerna är dessutom inte byggda för att hushålla med tokens. Ju mer avancerat du använder dem, desto fler går åt. Priset rör sig uppåt samtidigt som förbrukningen gör det.

Tokenomics börjar med kostnaden per uppgift

Det verkligt intressanta är inte priset per token, utan vad en hel AI-utförd uppgift kostar att producera – och vad den är värd. Ta ett enkelt räkneexempel. En kund ställer en fråga till en supportbot. Själva svaret kostar bara några ören att producera; det är inferensen, beräkningen AI-modellen gör för att ta fram ett svar. Om en medarbetare i stället hade hanterat samma ärende manuellt hade det kanske kostat verksamheten tjugo kronor i arbetstid. Skillnaden mellan kostnaden för AI-svaret och kostnaden för det mänskliga arbetet det ersätter är tokenomics i ett nötskal. När den kalkylen är tydlig är frågan om tokenförbrukningen i praktiken redan besvarad.

Värdet blir konkret först när det mäts per uppgift. Några exempel:

• Kundtjänst: kostnad per löst ärende.
• Utveckling: tokens per godkänd kodändring.
• Juridik och research: tokens per granskat dokument.
• Produktivitet: tokens per sparad arbetstimme.
• Sälj och marknad: tokens per kvalificerat lead eller färdig kampanjtillgång.

När du kan sätta den sortens tal är AI inte längre en oförklarlig kostnad, utan en investering med en avkastning du kan följa.

Alla tokens är inte lika

Inte ens tekniskt är alla tokens samma vara. En token du matar in kostar inte detsamma som en token modellen skriver ut. En token som återanvänds från en cache eller hämtas från en extern kunskapskälla skiljer sig från en som genereras från grunden, och en resonerande modell som "tänker" förbrukar många interna tokens för varje synligt svar. Bild, ljud och video har dessutom en egen kostnadslogik. Att förstå den mixen är att förstå var pengarna faktiskt tar vägen.

Till det kommer en annan, minst lika viktig skillnad: var token produceras. En token som genereras av en öppen modell på suverän svensk infrastruktur är något annat än en token som skickas till en frontier-modell under ett annat lands regelverk. I det senare fallet kan din data i värsta fall användas för att träna nästa modell. Även om den lagras inom EU kan amerikansk lagstiftning som CLOUD Act tvinga en amerikansk leverantör att lämna ut den, oavsett var den fysiskt ligger. Samma vara, alltså, men helt olika ekonomi och helt olika risk.

Ge AI en budget – precis som molnet

Vi lärde oss en gång att budgetera molnkostnader. Nu behöver vi också börja budgetera AI-användningen. En token-budget skapar synlighet: vilka team, arbetsflöden, AI-agenter, kunder och produkter förbrukar tokens – och vilket affärsresultat ger det? Med den bilden kan du styra mot värde i stället för att överraskas av fakturan, och flytta budget dit varje token gör mest nytta.

Var börjar du?

Inte med att kapa förbrukningen. I de flesta organisationer finns två grupper: de som ännu inte kommit igång med AI, och de som redan använder det flitigt. Konsten är att lyfta båda samtidigt – få de tveksamma att börja utan att de aktiva tappar fart, och hjälpa de aktiva att använda tekniken klokare utan att ge skeptikerna rätt i att det bara blir dyrt. Det görs inte med förbud, utan genom att informera och lära. Att arbeta med AI är en ständig lärprocess. Målet är inte mindre AI, utan mer värde per token: fler som vågar använda AI och de redan aktiva som blir ännu bättre på att använda tekniken.

Nästa steg är att göra värdet synligt. Börja med att kartlägga användningsfallen, mäta kostnaden per uppgift och koppla AI-användningen till verksamhetens resultat.