Når du har brugt AI seriøst i et års tid, opdager du, at spørgsmålet “hvilken model er bedst?” er forkert. Forskellige modeller er bedst til forskellige ting. Den rette formulering er: Hvilken model passer til den opgave, jeg står med?
Betragt dette som en beslutningsguide til netop det spørgsmål. Modelnavnene nedenfor er et øjebliksbillede fra den 11. august 2026. Se dem som eksempler på familier og tilstande, ikke som permanente vindere, og kontrollér hver leverandørs aktuelle dokumentation, når du vælger.
Det aktuelle landskab
Ser vi på midten af 2026, er de praktiske valgmuligheder for begyndere og let øvede:
Frontiermodeller med lukket kildekode:
- GPT-familien (OpenAI): ChatGPT-modellernes tilgængelighed, standardadfærd og styring af hastighed eller ræsonnering varierer efter abonnement, indstillinger i arbejdsområdet, region, konto og udrulningsfase. I dette daterede øjebliksbillede dokumenterer OpenAI GPT-5.5 Instant som standard til hurtige hverdagssvar. GPT-5.6 Sol rulles gradvist ud til berettigede betalte abonnementer og driver ræsonneringsmulighederne Medium og High samt Extra High, hvor abonnementet omfatter den. Brugere af Free og Go samt brugere, der ikke er logget ind, får ikke GPT-5.6 Sol i almindelige ChatGPT-samtaler. GPT-5.6 Terra og Luna kan ikke vælges dér, men deres tilgængelighed varierer i Work in ChatGPT, Codex og API’et. Betragt dem som eksempler, ikke som et løfte om en bestemt konto. API’et er en separat produktflade, så antag ikke, at et ChatGPT-navn svarer direkte til en API-model. Kontrollér GPT-5.6 i ChatGPT og OpenAI API’s modelkatalog for den produktflade, du faktisk bruger.
- Claude-familien (Anthropic): Anthropics aktuelle API-udvalg dækker forskellige niveauer af kapacitet, svartid og pris, herunder Fable 5, Opus 5, Sonnet 5 og Haiku 4.5. Kontrollér den tilgængelige model, kontekst, output, tænkning og driftsoplysninger i Anthropics modeldokumentation, og afprøv derefter modellen på din egen skrive-, dokument- eller kodeopgave.
- Gemini-familien (Google): De aktuelle API-muligheder omfatter de stabile Gemini 3.6 Flash og Gemini 3.5 Flash samt previewmodeller som Gemini 3.1 Pro. Google offentliggør livscyklusstatus i sin modelguide. Betragt ikke navnet på en previewmodel som en permanent produktionsstandard.
Modeller med åbne vægte (du kan køre dem selv eller bruge dem via en hostingudbyder):
- Modeller i Llama-familien er kandidater, ikke én samlet driftsprofil. Kontrollér den konkrete models licens, hardwarekrav og leverandørvilkår.
- Modeller i Qwen-familien findes i forskellige størrelser og med forskellige evner. Test den konkrete version på dit sprog og din opgave.
- Modeller i DeepSeek-familien kan variere efter model og vært. Kontrollér datarutning, licens, sikkerhed og målt ydeevne.
- OpenAI-modeller med åbne vægte har deres egne hardware- og licenskrav. Overfør ikke antagelser fra den hostede ChatGPT-tjeneste.
- Modeller i Mistral-familien varierer mellem tilbud med åbne vægte og hostede tilbud. Kontrollér den præcise model, driftsform og vilkår.
Specialiserede tilstande (kriterier, ikke loyalitet over for et mærke):
- Ræsonnerings- og tænkningstilstande: Sammenlign leverandørens aktuelle tilstand med større indsats, når en svær opgave har kontrollerbare succeskriterier. Mere modelarbejde kan øge svartiden og forbruget, så brug kun tilstanden, når din evaluering viser en tilstrækkelig gevinst.
- Kodeoptimerede modeller: Test kandidater på din kodebase, værktøjsrettigheder, testsæt og genopretning efter fejl, før du standardiserer.
- Modeller til krævende multimodale opgaver: Sammenlign understøttede input- og outputformater, filgrænser, kildehåndtering, vilkår for databeskyttelse og kvalitet på dine faktiske medier.
I resten af artiklen springer vi modellerne med åbne vægte over, fordi de behandles i deres egen artikel. Vi fokuserer på de tre lukkede familier samt deres ræsonneringstilstande og andre tilstande med større indsats.
Tilpas modellen til opgaven
Beslutningstræ efter opgavetype (navnene er eksempler fra midten af 2026):
Udkast, brainstorming, samtaler, opsummeringer og hverdagsspørgsmål. Begynd med den hurtigere mulighed i et godkendt økosystem, du allerede bruger, og skift kun, når en sammenligning viser en meningsfuld fordel. Modelnavne ændrer sig hurtigere end denne beslutningsregel.
Krævende skrivearbejde, hvor stemme og nuancer betyder noget. Lav en blind sammenligning side om side på din egen tekst. En leverandørs omdømme eller en anden skribents præference er ikke dokumentation for, at modellen bevarer din stemme.
Svært analysearbejde med flertrinsræsonnement, planlægning, komplekse beslutninger, matematik og omhyggelig logik. Sammenlign leverandørens aktuelle mulighed for ræsonnering, tænkning eller større indsats med en hurtigere basismodel, og verificér derefter resultatet. Brug kun den større indsats, når den målte gevinst retfærdiggør svartiden og prisen.
Moderat kompleks kode. Sammenlign de godkendte værktøjer i din teknologistak med tests, der er specifikke for din kodebase. Ved AI-agentbaseret kodning, hvor værktøjet skriver, kører og fejlsøger i en løkke, skal du kræve afgrænsede rettigheder, gennemgang af ændringerne og en testbar procedure for at rulle ændringer tilbage.
Alle multimodale opgaver med billeder, video, stemme og kombinationer af medier. Kontrollér den konkrete produktflade, ikke kun modelfamilien. Sammenlign understøttede input, genererede output, fil- og kontekstgrænser, redigeringsværktøjer, eksportformater og datapolitik. Aktuelle Gemini-API’er modtager for eksempel multimodale filer, ChatGPT kan generere og redigere billeder, og aktuelle Claude-modeller modtager billeder, men leverer tekst som output. Ingen af disse fakta afgør det bedste værktøj til netop din mediearbejdsgang.
Opgaver, hvor du har brug for integration med Google Workspace. Gemini kan være det praktiske valg, når den nødvendige forbindelse til Gmail, Docs, Drive eller Calendar er tilgængelig for din konto, udgave, region, dit sprog, din enhed og din administratorpolitik. Googles dokumentation om forbundne apps beskriver de aktuelle adgangskrav og begrænsninger.
Opgaver, hvor du har brug for integration med Microsoft 365. Microsoft 365 Copilot kan passe, fordi det er integreret med data og programmer i Microsoft 365. Reducér det ikke til én underliggende model. Microsoft beskriver en blanding af Microsoft-hostede AI-modeller og tredjepartsmodeller, hvor tilgængelighed og kontrol kan variere efter tjeneste og administratorkonfiguration (Microsofts oversigt over AI-modeller).
Research med kilder. Brug et søgeaktiveret værktøj, der viser kilder, du kan åbne, og kontrollér derefter hver påstand i den primære kilde. Et svar, der ligner en kildehenvisning, er ikke i sig selv verifikation.
Meget lange dokumenter eller kodebaser. Sammenlign de angivne kontekstgrænser med kvaliteten af genfindingen, tests af fuld dækning og den nødvendige rettelsesindsats. Et stort kontekstvindue beviser ikke, at hvert afsnit er blevet brugt korrekt.
Beslutningsreglen
For det meste er beslutningen enklere, end listen får den til at se ud. Stil to spørgsmål:
- Er opgaven svær og kontrollerbar? Hvis den har flere trin, kræver omhyggelig logik og har klare succeskriterier, skal du sammenligne en ræsonneringstilstand eller en tilstand med større indsats med den hurtige basismodel.
- Hvilke begrænsninger har betydning? Brug kun værktøjer, du må bruge, og vælg derefter ud fra adgang til økosystemet, godkendelse til de pågældende data, kildesporbarhed, svartid, pris og målt rettelsesindsats på den konkrete opgave.
De to spørgsmål dækker den indledende beslutning om valg af værktøj. Specialiseret kodning, research med kilder og meget lange kontekster kræver yderligere opgavespecifikke kontroller.
Hvornår du bør bruge en ræsonneringsmodel, og hvornår du ikke bør
Leverandører stiller ræsonnering til rådighed på forskellige måder: som tænketilstand, indsatskontrol, kørselstilstand med større beregningsforbrug eller separat model. Disse muligheder kan øge modellens beregningsarbejde på en vanskelig forespørgsel, men forholdet mellem kvalitet, svartid og forbrug varierer efter produkt og opgave. Antag ikke, at en synlig forklaring er modellens fulde interne ræsonnement, eller at mere beregning garanterer et korrekt svar. OpenAIs aktuelle modelvejledning anbefaler udtrykkeligt at sammenligne kvalitet, svartid, tokenforbrug og pris på repræsentativt arbejde.
Brug af tilstanden med størst indsats til alle forespørgsler kan øge svartiden eller prisen uden en målt gevinst. Hvis du aldrig tester den, kan du omvendt gå glip af en kvalitetsgevinst ved vanskelige, kontrollerbare opgaver.
Overvej en ræsonneringstilstand eller en tilstand med større indsats, når:
- Problemet har flere indbyrdes afhængige trin, for eksempel en analyse i flere faser eller en sammenligning ud fra flere kriterier, og du kan kontrollere, om trinnene er udført korrekt.
- Opgaven har beskedne konsekvenser, men har gavn af en tydelig analyse i flere trin. Ved økonomiske, juridiske, medicinske, sikkerhedsmæssige, ansættelsesretlige eller andre beslutninger med væsentlige følger erstatter en ræsonneringstilstand ikke en kvalificeret person eller en autoritativ proces.
- Du fejlsøger noget, der kan verificeres uafhængigt, for eksempel en regnearksformel eller kode, der er dækket af tests. Få en kvalificeret person til at gennemgå en kontraktbestemmelse.
- Du arbejder med matematik, især enheder, datoer eller præcision.
- Du skriver eller gennemgår kompleks kode.
Foretræk den hurtigere tilladte tilstand, når:
- Opgaven er samtalebaseret, for eksempel chat eller brainstorming.
- Du skriver et udkast eller omskriver tekst, hvor stemmen betyder noget.
- Du opsummerer eller oversætter.
- Du vil iterere hurtigt, og dine tests ikke viser nogen nyttig gevinst ved mere modelarbejde.
- Opgaven er enkel, har beskedne konsekvenser og er let at kontrollere.
En bedre tommelfingerregel er empirisk: Brug som udgangspunkt den hurtigere tilladte tilstand, og sammenlign med en ræsonneringstilstand, når opgaven har flere kontrollerbare trin, og den ekstra svartid eller pris kan være berettiget.
Sådan afprøver du det selv
At læse om modellernes styrker kan ikke erstatte at teste dem på dit eget arbejde. Kør den samme afgrænsede opgave i to eller tre tilladte modeller ved siden af hinanden. Vælg tre opgaver, du faktisk udfører:
- Skriv et udkast til en e-mail eller besked fra dit eget arbejde, og sammenlign stemme og sprogligt flow.
- Opsummér et dokument fra dit eget arbejde, og sammenlign trofasthed over for kilden og opsummeringens struktur.
- Udfør en konkret analyseopgave, og sammenlign dybde, nøjagtighed og om svaret markerer usikkerhed i stedet for at gætte.
Efter nogle direkte sammenligninger af opgaver, der betyder noget for dig, har du dokumentation, der bygger på dit eget arbejde, ikke kun på en leverandørbenchmark. Gentag sammenligningen, når modeller, prompts, værktøjer eller kontofunktioner ændres.
Omkostningerne
Fastfrys ikke priser på tværs af leverandører i en regel for modelvalg. Priser for forbrugere og API’er, skatter, pakker, grænser og modeladgang ændres uafhængigt af hinanden. Kontrollér de officielle sider fra OpenAI, Anthropic, Google og Microsoft i din region, og sammenlign derefter den månedlige pris med observeret brug og rettelsesindsats.
| Mulighed, der skal sammenlignes | Aktuel dokumentation, du skal registrere |
|---|---|
| Gratis forbrugerabonnement | Aktuelle grænser, modeller du kan bruge, datakontroller og om en konkret opgave med lav risiko kan gennemføres |
| Ét betalt forbrugerabonnement | Lokal pris med skat, faktiske grænser og den tilbagevendende opgave, som abonnementet forbedrer |
| To betalte forbrugerabonnementer | Særskilt målt fordel ved det andet abonnement efter dets samlede løbende pris |
| API eller hostet model | Enhedspris, minimumsbetalinger, opbevaring, region, adgangskontroller og overvågningsomkostninger |
| Selvhostet model | Hardware, energi, drift, licens, sikkerhed, evaluering og supportomkostninger |
To abonnementer er ikke automatisk bedre end ét. Tilføj først et andet, når direkte sammenligninger viser en særskilt, tilbagevendende gevinst i arbejdsgangen, som er hele prisen værd. Antag aldrig, at noget er “ubegrænset”. Leverandørens sikkerhedsforanstaltninger og brugspolitikker gælder stadig.
Brug kun en konto og et værktøj, som arbejdsgiveren har godkendt, til arbejdsopgaver. En licens, som arbejdsgiveren betaler, kan stadig være uegnet til en bestemt dataklasse eller arbejdsgang, hvis organisationens politik og aftale ikke dækker den.
En almindelig fejl, du bør undgå
En fejl, som kan undgås, er at vælge en model af gammel vane uden at bemærke, at opgaven stiller andre krav til databeskyttelse, kilder, medietype, rettigheder eller værktøjer.
Løsningen er ikke at skifte hele tiden. Gør det til en lille vane: Før en svær eller følsom prompt spørger du: “Er dette værktøj godkendt til dataene, understøtter det de nødvendige filer og handlinger, og kan jeg verificere resultatet?” Skift kun, hvis et andet godkendt værktøj opfylder disse konkrete krav bedre.
En kort opsummering efter beslutningskriterium
Husk kriterierne, og betragt modelnavnene som eksempler fra midten af 2026:
- Hurtigere tilladt tilstand: Daglige udkast, chat og opsummeringer, når tilstanden består dine kontroller.
- Skrivning, lange dokumenter og omhyggeligt tekstarbejde: Sammenlign kildetrofasthed og bevarelse af stemme på dine egne tekster.
- Multimodalt arbejde og tilpasning til økosystemet: Sammenlign medieunderstøttelse, godkendte integrationer, vilkår for databeskyttelse og målt kvalitet.
- Ræsonnerings- og tænkningstilstande: Sammenlign dem, når problemet er svært og kontrollerbart og er det ekstra modelarbejde værd.
- Søgeaktiverede værktøjer: Brug dem, når du har brug for kilder, du kan åbne, og kontrollér derefter hver påstand i den primære kilde.
Tilpas værktøjet til opgaven, og vurder det på ny, når leverandørerne ændrer standardmodeller, funktioner eller vilkår. OpenAIs produktdokumentation blev kontrolleret igen 2026-08-11, mens dokumentationen fra de øvrige citerede leverandører blev kontrolleret 2026-08-10; anbefalingerne er evalueringskriterier, ikke en påstand om, at AI Expert OÜ har testet alle modeller på listen fra start til slut.
