Lancering af et LLM-produkt: prissætning, marginer og anti-moat-fælden

I 2023 og 2024, blev en bølge af LLM-baserede startups lanceret. De pakkede GPT-4 eller Claude ind i en brugerflade, løste et bestemt brugsscenarie og opkrævede abonnement. Mange fik fremdrift. Mange døde.

De døde ikke, fordi produkterne var dårlige. De døde, fordi produkterne ikke havde noget forsvarsværk. Alle kunne bygge det samme med den samme underliggende model. Kunderne skiftede til den billigste leverandør. Stifterne så marginerne skrumpe, efterhånden som leverandørerne af grundmodeller sænkede egne priser eller lancerede konkurrerende funktioner.

Ved indgangen til 2026, står erfaringerne tydeligere. Et LLM-baseret produkt bygges ikke på samme måde som et traditionelt SaaS-produkt. Økonomien er anderledes. Konkurrencedynamikken er anderledes. Forsvarsværkerne er anderledes. Teams, der ikke forstår forskellene, ender som cases om »AI-startups, der forsvandt«.

Denne artikel gennemgår, hvordan lanceringen af et LLM-produkt reelt ser ud i 2026 — prissætningen, marginerne, de strategiske mønstre og de forsvarsværker, der holder, kontra dem, der ikke gør.

Hvad er anderledes ved LLM-produkter?

Nogle egenskaber adskiller LLM-baserede produkter fra traditionel SaaS:

Variable omkostninger vokser med brugen. Hver brugerinteraktion har en omkostning pr. kald (inferens). I modsætning til software, hvor det praktisk taget er gratis at betjene bruger nummer titusind (10,000th), koster LLM-kald nummer titusind (10,000th) det samme som det første.

Marginerne er mindre. Inferensomkostninger udgør i mange tilfælde 10-40% af omsætningen. Efter hosting, beregning og anden infrastruktur ligger bruttomarginen for AI-produkter typisk på 50-75%, ikke de 80-90% fra ren SaaS.

Grundmodeller er råvarer. GPT, Claude og Gemini er tilgængelige for alle. Konkurrenten bruger de samme modeller. Den kapacitet, der kommer fra modellen, differentierer jer ikke.

Grundmodeller ændrer sig. Nye versioner, udfasninger og prisændringer sker kvartalsvis. Produktet afhænger af infrastruktur, I ikke kontrollerer.

Kvalitet er svær at beskytte. En dygtig prompt kan let reverse-engineeres. En unik finjustering kan kopieres. En workflowinnovation kan efterlignes.

Kundernes forventninger ændrer sig hurtigt. Det, der imponerer i dag, er et minimumskrav om 6 måneder. Overliggeren flytter sig hurtigt.

Prispres. Leverandørerne af grundmodeller lancerer selv produkter, der konkurrerer med deres kunder. Salesforce + OpenAI; Microsoft + OpenAI; konkurrenter med massiv distribution.

Det er ikke teori. Det er den daglige virkelighed ved at bygge i 2026.

Omkostningsstrukturen

Et typisk LLM-produkt har denne omkostningsstruktur:

Variable omkostninger (pr. bruger eller brug):

• Inferens (LLM-API eller hosting).
• Embeddings (til RAG).
• Vektordatabase eller lagring.
• Anden infrastruktur, der skalerer med brugen.

Faste omkostninger:

• Lønninger.
• Kontor og drift.
• Softwarelicenser (CRM og værktøjer).
• Grundlæggende hosting.
• Marketing og salg.

Den variable omkostning er forskellen. Hvis den variable omkostning er €0.05/active-user/day, og I tager €20/month, har I €20.00 - days_active × €0.05 i dækningsbidrag. Storbrugere kan udhule det væsentligt.

Et konkret eksempel. En virksomhed tilbyder et AI-skriveværktøj til €20/user/month:

• Gennemsnitlig bruger: 5 sessioner/dag × 20 dage/måned = 100 sessioner/måned.
• Gennemsnitlig session: 5 LLM-kald × 2K tokens i gennemsnit.
• Samlet antal tokens: 1M tokens/month/user (input + output).
• Omkostning med Claude Sonnet-priser (€3/M input, €15/M output): ~€7-12/user/month.
• Bruttomargin: ~50-65%.

For storbrugere (10-20x flere sessioner):

• 10-20M tokens/month.
• Inferensomkostning: €70-200/month.
• Tab pr. storbruger.

Uden brugsbaserede kontroller kan storbrugere være urentable. Traditionel SaaS har ikke problemet i samme størrelsesorden.

Prissætningsmodeller

Prissætningsspørgsmålet er sværere end ved traditionel SaaS. Muligheder:

Fast pris pr. bruger. Enkelt. Standardvalget. Men storbrugere kan være urentable, mens lette brugere subsidierer dem.

Pris pr. bruger med brugsloft. Hver plads omfatter N handlinger, kald eller tokens pr. måned. Storbrugere betaler overforbrug eller rammer en grænse.

Rent brugsbaseret. Betaling pr. kald, token eller handling. Afstemmer omkostning og omsætning. Forudsigelige marginer. Men usikre regninger kan bremse udbredelsen.

Niveauer. Gratis niveau, pro-niveau (med grænser), enterprise (tilpasset). Standardmønstret fra SaaS tilpasset brugsgrænser.

Hybrid. Grundpris pr. bruger plus brugsbaseret betaling for avancerede funktioner. Giver både forudsigelighed og afstemning.

Resultatbaseret. Betaling pr. resultat (lukket aftale, afsluttet sag eller produceret indhold). Høj værdi, vanskelig drift. Bliver mere almindeligt, efterhånden som AI udfører mere målbart arbejde.

Alle modeller har afvejninger. Den »rigtige« afhænger af:

• Behovet for forudsigelighed (jeres og kundens).
• Variationen i brug.
• Marginstrukturen.
• Konkurrencelandskabet.

De fleste succesfulde LLM-produkter bruger niveauer eller en hybrid. Storbrugere rammer grænser eller betaler overforbrug; lette brugere får rimelig værdi.

Spørgsmålet om enhedsøkonomi

En nyttig ramme: Hvilken enhed opkræver I betaling for, og hvad koster den?

For en chatassistent:

• Enhed: en »samtale«.
• Omkostning: €0.10-1.00 pr. samtale afhængigt af længde.
• Omsætning: ?

Hvis I tager €20/user/month, og brugerne har 100 samtaler/måned, er den gennemsnitlige omsætning pr. samtale €0.20. En smal margin eller et tab.

Hvis I tager €30/user/month med en grænse på 200 samtaler, og de fleste brugere har 50: en komfortabel margin.

Øvelsen: Estimér omkostning pr. enhed, fastsæt omsætning pr. enhed, og sørg for, at marginen giver mening på tværs af brugerfordelingen.

Storbrugerne skaber som regel tabet. Beslut eksplicit: Skal de subsidieres? Flyttes til enterprise? Begrænses?

Beskyttelse af marginen

Nogle taktikker til at beskytte marginerne:

1. Opdel modeller efter funktion

Billige funktioner er tilgængelige på basisniveauet. Dyre funktioner (ræsonnementsmodeller, lang kontekst og store output) ligger på premium.

En bruger på gratisniveau med en model svarende til Claude Haiku koster måske €0.10/month i inferens. En premiumbruger med en model svarende til Claude Opus kan koste €5-20/month. Inddel niveauerne derefter.

2. Omkostningsoptimering (dækket i en anden artikel)

Caching, routing og outputkontrol. Omkostningsoptimering i produktionskvalitet sparer typisk 60-90%. For mange produkter er det forskellen på rentabelt og urentabelt.

3. Gennemsigtighed om brug

Vis brugerne deres forbrug. Det hjælper indirekte dem med at optimere deres adfærd.

Det er ikke en straf, men fælles information. Brugere kan lide at se deres forbrug. Storbrugere begrænser sig selv eller opgraderer.

4. Intelligent caching

Bruger- eller organisationsspecifik caching reducerer omkostningerne markant for storbrugere. De kan fortsætte med at bruge produktet uden at blive straffet af brugsgrænser.

5. Hybrid mellem hostet og selvhostet

Til store enterprise-kunder kan en selvhostet eller BYO-cloud-variant flytte inferensomkostningen til kunden. De får privatliv og kontrol; I får omkostningslettelse.

6. Resultatbaseret til opgaver med høj værdi

Nogle workflows skaber målbare resultater (lukkede aftaler og løste sager). Resultatbaseret prissætning indfanger værdien på en anden måde end betaling pr. token. Marginerne kan være langt bedre.

Spørgsmålet om forsvarsværket

Det sværere spørgsmål: Hvad gør produktet muligt at forsvare?

En liste over reelle forsvarsværker kontra pseudo-forsvarsværker:

Reelle forsvarsværker

Proprietære data. I har data, som konkurrenterne ikke let kan få. Kundespecifikke data er det klassiske eksempel. Jo mere produktet lærer af hver kundes data, desto sværere bliver det at skifte.

Distribution. I er indlejret i workflows eller platforme, som konkurrenterne ikke er. Microsoft Copilot har et massivt distributionsforsvar gennem Office.

Tillid. Kunder i regulerede eller følsomme brancher har tillid til jer. Det er dyrt at skifte (sikkerhedsgennemgang, compliancegennemgang og oplæring).

Integration. I er integreret med mange af kundens værktøjer og erstatter eller udvider dem. Hver integration øger omkostningen ved at skifte.

Workflowspecialisering. I har bygget specifikt til et workflow, som kræver dyb domæneviden. Generiske AI-værktøjer kan ikke kopiere det uden en tilsvarende investering.

Netværkseffekter. Brugerne får værdi af andre brugere (community, delt indhold eller sammenlignelige benchmarks). Sjældent ved AI til individuel produktivitet, men reelt i visse kategorier.

Brand og skifteomkostninger. Ved enterprisesalg er køberens karriere knyttet til valget. Det er risikabelt for vedkommende at skifte; når I først er valgt, har I en forsvarlig position.

Vertikal integration. I ejer meningsfuld infrastruktur (egne modeller, egen inferens og egne datapipelines). Svært at kopiere.

Pseudo-forsvarsværker

En bestemt prompt eller et bestemt workflow. Let at reverse-engineere. Kunder kan selv bygge det.

Et bestemt modelvalg. Tilgængeligt for konkurrenterne.

En smart brugerflade. Kan kopieres på et kvartal.

Iterationshastighed. Reel i et tidsvindue; konkurrenterne indhenter jer. Ikke holdbart alene.

Marketing eller branding. Forgængeligt i AI-æraen; omdømme opbygges og nedbrydes hurtigt.

Pseudo-forsvarsværkerne er det, de fleste AI-wrappere bygger på. De forklarer den høje dødelighed.

De strategiske mønstre

Nogle mønstre, der skaber LLM-produkter, som kan forsvares:

Mønster 1: Workflow + AI, ikke »AI-værktøj«

Byg et workflow, hvor AI indgår som del af et større system, frem for »AI, der gør X«.

Eksempel: Ikke »AI-sammenfatning af juridiske kontrakter«, men »platform til kontraktstyring med indbygget AI«.

Platformsværdien (lagring, organisering, samarbejde, historik og compliance) er forsvarsværket; AI er en funktion.

Rene AI-værktøjer kommoditiseres. Platforme med AI-funktioner holder.

Mønster 2: Svinghjul af kundedata

Hver kundes brug skaber data, som forbedrer deres oplevelse (og muligvis andres). Et skifte betyder tab af den opsamlede personalisering.

Eksempel: En AI-salgsassistent, som lærer hver brugers tone, konti og mønstre. Efter 6 måneder betyder et skifte til en konkurrent, at man starter forfra.

Byg svinghjulet fra første dag. Gør produktet bedre, jo længere det bruges.

Mønster 3: Dyb vertikal specialisering

Vælg en branche. Byg dybt til den. Sundhed, jura, finans eller ejendom.

Brancheviden er jeres forsvarsværk. Generiske AI-værktøjer kan ikke konkurrere på domænespecificitet. Specialiserede konkurrenter kan — men hver branche er sit eget marked med plads til nogle få specialister.

Mønster 4: Indlejring i eksisterende workflows

Bed ikke brugerne komme til jeres produkt. Integrér det dér, hvor de allerede arbejder — Slack, Microsoft 365, Google Workspace eller deres CRM.

Distribution gennem indlejring er et reelt forsvarsværk. Når I indgår i deres daglige værktøjer, er det dyrt at fjerne jer.

Mønster 5: AI-native operationer

Nogle virksomheder er AI-native fra ende til anden — de sælger ikke AI til mennesker, men bruger AI til at levere en tjeneste. AI-undervisning, AI-kundeservice som resultat og AI-indhold som råvare.

»Produktet« er resultatet; AI er driften. Konkurrenter med tilsvarende AI, men dårligere drift, taber.

Mønster 6: Flerdimensionale forsvarsværker

Et produkt forsvarer sig på flere dimensioner: branche + data + integration + workflow. Ingen enkelt dimension er et forsvarsværk, men kombinationen er svær at kopiere.

Sådan ser de fleste succesfulde AI-produkter ud. Ikke ét stort forsvarsværk, men flere, der forstærker hinanden.

Cases om prissætning

Nogle konkrete (anonymiserede) cases:

Case 1: Wrapperen i et kapløb mod bunden

En startup blev lanceret i 2023 med en chatgrænseflade til indholdsproduktion. Gratis niveau; €20/month på pro-niveauet.

År 1: Omsætningen voksede. År 2: 5 konkurrenter lancerede lignende produkter. Prispres: €10/month, derefter €5/month. Marginerne blev presset; væksten gik i stå.

År 3: ChatGPT inkluderede lignende funktioner i sit forbrugerabonnement. Konkurrencepositionen blev uholdbar. Virksomheden lukkede.

Erfaring: En wrapper uden andre forsvarsværker har intet forsvar.

Case 2: Branchespecialisten

En virksomhed byggede specifikt AI til lægemiddelforskning. Dyb integration med forskningsdatabaser. Specialiserede prompts til medicinsk terminologi. Compliance til FDA-workflows.

Pris: €1,500/user/month. Sunde marginer. Lav kundeafgang. Direkte konkurrenter har svært ved at matche dybden.

Erfaring: Branchedybde + compliance + integration er et reelt forsvarsværk.

Case 3: Den indlejrede platform

En AI-funktion blev føjet til en eksisterende projektstyringsplatform. Brugerne var allerede dér til projektstyring; AI gjorde platformen mere værdifuld.

Pris: inkluderet i de eksisterende niveauer. Ingen separat AI-pris. Nettoeffekt: højere fastholdelse, højere ARPU.

Erfaring: Eksisterende distribution + AI som supplerende funktion er robust.

Case 4: Datasvinghjulet

Et salgsværktøj lærer hver kundes konti, tone og mønstre over tid. Efter 12 måneders brug kender modellen deres konkrete virksomhed godt.

Pris: pr. bruger med tilpasset enterprise-aftale. Høj fastholdelse; et skifte har en reel omkostning (tab af 12 måneders personalisering).

Erfaring: Kundespecifikke data er et reelt forsvarsværk.

Hvad går galt?

Almindelige fejlmønstre:

Fejl 1: Marginpres. Virksomheden begyndte med sunde marginer; konkurrenter og prispres pressede dem. Nu vokser omsætningen, men overskuddet gør ikke.

Fejl 2: Grundmodelleverandøren lancerer samme funktion. OpenAI eller Anthropic lancerede en funktion, der konkurrerer med produktet. Differentieringen forsvandt.

Fejl 3: Storbrugernes økonomi. Nogle få brugere driver en uforholdsmæssig stor del af omkostningen. De giver tab. Enten skal de betale passende, eller også må I bære tabet.

Fejl 4: Kvalitetsregression. En opdatering af grundmodellen ændrede adfærden. Tilpassede prompts gik i stykker. Kundernes tillid faldt. Genopretningen går langsomt.

Fejl 5: Kundeafgang til gratis alternativer. ChatGPT eller Claude kunne gøre det meste af det samme billigere. Brugerne skiftede.

Fejl 6: Forventninger til salgscyklussen. Enterprise forventer langsigtet værdi. Produktet kan blive erstattet af Microsoft Copilot om 18 måneder. Tillid er svær at opbygge.

Fejl 7: Skalering uden margindisciplin. Vækst finansierede vækst, og marginerne blev ignoreret. Til sidst er pengene væk uden en vej til rentabilitet.

Fejl 8: Afhængighed af fundamentet. Prisforhøjelse, udfasning eller udfald hos API-leverandøren. Virksomheden forstyrres af noget, den ikke kontrollerer.

Konkrete prissætningsmønstre, der virker

Nogle mønstre fra produkter, der har fået økonomien til at fungere:

Pris pr. handling med lofter. Tag betaling pr. »fuldført opgave« eller »vellykket resultat«. Begræns brugen på hvert niveau. Storbrugere betaler overforbrug. Klar sammenhæng med værdi.

Medbring egen API-nøgle. Avancerede brugere kan tilslutte deres egen OpenAI- eller Anthropic-nøgle og betale inferensomkostningen direkte. I opkræver betaling for produktet omkring den. Fjerner inferensomkostningen fra jeres regnskab.

Tilpasset enterprise-pris. Store kunder forhandler. I kan indregne omkostningen i prisen; mindre kunder passer til standardniveauerne.

Gratis niveau med tydelig opgraderingsvej. Generøst gratis niveau til udbredelse; klar værdi i de betalte niveauer. Brugere på gratisniveau betjener sig selv og bliver betalende kunder.

Årskontrakter med rabat. Sikrer omsætning, udjævner prognoser for brug og reducerer kundeafgang. Et standardmønster fra SaaS, som stadig virker.

En ramme for prisbeslutningen

Trin:

1. Modellér omkostningsstrukturen. Hvad koster det reelt at betjene en typisk bruger, en storbruger og en let bruger?

2. Vælg enheden. Hvad tager I betaling for? Pladser, handlinger, resultater eller tokens?

3. Find den rigtige pris. Hvor mødes kundeværdi, jeres omkostning og konkurrencepresset?

4. Opdel intelligent i niveauer. Gratis, pro og enterprise med en tydelig værdistigning.

5. Sæt grænser. Hvornår begynder storbrugere at skade marginerne? Håndhæv lofter, eller opkræv overforbrug.

6. Planlæg ændringer. Prisen på grundmodeller falder. Jeres pris skal måske følge med. Eller I kan beholde prisen og øge marginen. Beslut hvilken vej.

7. Mål konstant. Kundens livstidsværdi, dækningsbidrag, kundeafgang og udvidelse. Tilpas, efterhånden som I lærer.

En bemærkning om AI-startups i 2026

Det ærlige landskab:

Wrappervirksomheder kæmper normalt. En enkel wrapper omkring en grundmodel overlever sjældent alene. Undtagelserne har konkrete forsvar inden for distribution, brand eller integration — wrapperen er den mindste del af det, de reelt sælger.

Branchespecialister trives. Domænespecifikke AI-produkter med dyb kundeviden klarer sig godt.

Platformene dominerer. Microsoft, Google, Salesforce og store leverandører med distribution ejer en stor del af enterprise-AI-markedet gennem pakkeløsninger.

AI-native drift virker. Virksomheder, der bruger AI til at levere tjenester (ikke til at sælge AI), har ofte bedre økonomi end virksomheder, der sælger AI som software.

Open source-frontier ændrer markedet. Dygtige åbne modeller ændrer konkurrencedynamikken i nogle segmenter. Bindingen til grundmodeller svækkes.

Leverandører af grundmodeller er platforme. OpenAI, Anthropic og Google bygger produktlag oven på deres modeller. Kunderne står over for spørgsmålet: Byg på OpenAI, eller bliv erstattet af OpenAI?

De succesfulde nye virksomheder i 2026 navigerer bevidst i dynamikken. De øvrige forsvinder for det meste.

Hvad bør optimeres?

For stiftere er hierarkiet:

1. Byg noget, der udfører reelt arbejde. Ikke »AI til X«. Et målbart resultat, kunder værdsætter.

2. Etablér forsvarsværker bevidst. Svinghjul af kundedata, branchedybde, integration og indlejring i workflows. Vælg ét eller flere; byg dem ind.

3. Få styr på enhedsøkonomien. Marginer, der virker i stor skala. Prissætning, der afspejler værdi og beskytter mod omkostninger.

4. Vær ikke afhængig af et fundament i bevægelse. Spred jer over flere modelleverandører. Byg, så der kan skiftes. Forbered jer på leverandørændringer.

5. Skalér driftsmæssig kvalitet. Observerbarhed, evalueringer, sikkerhed og kvalitet. De kedelige ting, der adskiller dem, der består, fra dem, der forsvinder.

6. Beskyt relationerne. Tillid, integrationer og skifteomkostninger. Kunder, der ikke let kan forlade jer, er forsvarsværket.

Det er ikke anderledes end succesfulde traditionelle virksomheder — men behovet er mere presserende, fordi den underliggende teknologi ændrer sig hurtigere.

Byg med forsvarsværket for øje

I 2026 er det sværere at lancere et LLM-produkt, end det var i 2023. Wrapperæraen er stort set forbi; leverandører af grundmodeller og platforme konkurrerer direkte. Marginerne er mindre end ved traditionel SaaS; konkurrencen er bredere.

Produkter, der lykkes, har forsvarsværker, som ikke er »AI«. Det er proprietære data, branchedybde, distribution, integration, tillid og workflowspecialisering. De bygges bevidst, lægges i lag og forsvares aktivt.

Økonomien kræver stringens. Variable omkostninger, der vokser med brugen. Marginbeskyttelse gennem caching, routing, niveauer og intelligent prissætning. Storbrugere opkræves passende eller begrænses.

Teams, der får det rigtigt, bygger reelle virksomheder på AI. De øvrige bliver cases — interessante demoer, kortvarig fremdrift og derefter glemt.

Spillet er sværere, end den tidlige hype antydede. Muligheden er reel, men specifik. Byg med forsvarsværket for øje fra første dag. Styr marginen, som om den betyder noget. Betragt grundmodeller som råvareinfrastruktur, ikke som differentiering.

Sådan lancerer I et LLM-produkt, der stadig findes om tre år.