Velge AI-modell: slik sammenligner du GPT, Claude og Gemini

Hvorfor du ikke får en rangering her

Store språkmodeller (Large Language Models, LLM) er kjernen i AI-assistenter som ChatGPT, Claude og Gemini. De er trent på enorme tekstmengder og kan generere, analysere og resonnere over tekst.

Denne artikkelen rangerer dem ikke, og bygger ikke på en egen test. Grunnen er praktisk: leverandørene slipper nye modeller og justerer prisene flere ganger i året, og en rangering skrevet i dag er som regel foreldet før den har rukket å bli lest. En rangering som ikke er etterprøvbar, er dessuten verre enn ingen — den ser ut som en anbefaling.

Det som derimot varer, er hvor du finner den ferske informasjonen, hvordan du sammenligner selv, og hvilke rammer norsk regelverk setter. Det er dette artikkelen dekker.

Hvor du finner gjeldende modeller og priser

Den eneste kilden som er oppdatert til enhver tid, er leverandørens egen dokumentasjon. Alle de store publiserer selv hvilke modeller som er tilgjengelige, og de som selger API-tilgang oppgir også prisen per million tokens:

Bruk disse sidene som fasit, ikke en artikkel — heller ikke denne. Sammenlign alltid input- og outputpris hver for seg, siden forholdet mellom dem varierer mye mellom leverandørene og påvirker totalregningen mer enn listeprisen alene antyder.

• OpenAI: prisliste for API-et
• Anthropic: oversikt over Claude-modellene
• Google: prisliste for Gemini API
• Mistral AI: priser
• Meta: Metas offisielle Llama-modellside — modeller med åpne vekter, uten pris per token

Hva benchmark-tall er verdt — og hva de ikke er

Tallene som sirkulerer for MMLU, HumanEval og lignende, er ofte oppgitt av leverandøren selv, målt under forhold som ikke er dokumentert, og på testsett som kan ha lekket inn i treningsdataene. De egner seg dårlig som grunnlag for et valg, og vi gjengir dem derfor ikke her.

Et alternativ som i det minste er åpent om metoden, er LMArena. Der får brukere to anonymiserte svar på samme oppgave og stemmer på det beste, og rangeringen bygges opp av disse parvise sammenligningene. Plattformen har egne lister for tekst, bilde, video, koding og søk.

Svakheten er også åpenbar: en stemmegivning måler hva folk foretrekker å lese, ikke nødvendigvis hva som er riktig. Bruk den som en indikasjon på hvilke modeller som er i toppsjiktet nå, ikke som en fasit på hvilken som løser din oppgave best.

Den eneste testen som betyr noe er din egen

Modellene skiller seg mest på oppgaver som ligner dine egne, og der hjelper ingen offentlig rangering. Fremgangsmåten er den samme uansett bruksområde: samle ti til tjue reelle oppgaver du faktisk har, kjør dem gjennom to eller tre kandidater med samme instruksjon, og vurder svarene mot et kriterium du har skrevet ned på forhånd.

Gjør det på nytt når du bytter modell. Leverandørene oppdaterer modellene sine løpende, og en modell som fungerte godt for et halvår siden, kan oppføre seg annerledes nå. Gratisnivåene holder som regel til en slik sammenligning.

• Bruk dine egne oppgaver, ikke eksempler fra en artikkel.
• Gi alle modellene nøyaktig samme instruksjon.
• Skriv ned vurderingskriteriene før du ser svarene.
• Test norsk språk særskilt hvis du skriver på norsk — det er ikke gitt at rangeringen er den samme som på engelsk.
• Gjenta når du bytter modell eller leverandøren slipper en ny versjon.

Åpne modeller og selvhosting

Ved siden av de lukkede API-ene finnes modeller med åpne vekter, der Metas Llama og modellene fra Mistral AI er de mest brukte. De kan kjøres på egen maskinvare uten API-avgift per forespørsel.

Gratis er de likevel ikke. Kostnaden flytter seg fra en regning per token til maskinvare, drift og kompetanse, og for lave volumer blir selvhosting som regel dyrere enn å kjøpe API-tilgang. Argumentet for selvhosting er derfor sjelden pris alene — det er kontroll over hvor dataene befinner seg.

Personvern og norsk regelverk

Skal du bruke en språkmodell på noe som inneholder personopplysninger, er det personvernregelverket som setter grensene, ikke leverandørens vilkår. Datatilsynet har publisert anbefalinger for godt personvern i utvikling og bruk av kunstig intelligens, blant annet om å begrense mengden personopplysninger til det som er relevant og nødvendig for formålet.

Datatilsynet driver også en regulatorisk sandkasse for kunstig intelligens, der virksomheter får veiledning på konkrete prosjekter. Rapportene derfra er offentlige og er en av de mest konkrete norske kildene på hvordan reglene slår ut i praksis.

EUs KI-forordning er EØS-relevant, men er ennå ikke tatt inn i EØS-avtalen. Digitaliserings- og forvaltningsdepartementet opplyste 4. august 2026 at et utkast til norsk KI-lov var på høring høsten 2025 og fikk i underkant av 150 høringssvar, at loven sendes på ny høring høsten 2026 etter endringer vedtatt i EU, og at ambisjonen er å legge den fram for Stortinget våren 2027. Med andre ord: reglene er under arbeid, og du bør sjekke status før du bygger noe som avhenger av dem.

Slik velger du i praksis

Start med kravene, ikke med modellen. Skal innholdet inneholde personopplysninger, avgjør det saken før noe annet. Deretter kommer volumet — bruker du modellen noen ganger om dagen eller millioner av ganger i måneden, er det to helt forskjellige regnestykker. Til slutt kommer kvaliteten på nettopp dine oppgaver, målt slik det er beskrevet over.

Mange profesjonelle brukere ender med to eller tre modeller fordi de løser ulike oppgaver ulikt godt. Det koster lite å ha flere kandidater i gang, og det gjør deg mindre sårbar for at én leverandør endrer pris, vilkår eller modell.

Vil du lese mer om hvordan modellene fungerer under panseret, har vi en egen innføring i store språkmodeller.