Manuell bruk av modellen Claude Opus kan øke Navs kostnad per Copilot-bruker fra 19 til cirka 28 dollar i måneden. Det er et konkret regnestykke Nav selv viser i sin interne veiledning, og forklarer hvorfor modellvalg nå er blitt et budsjettspørsmål. Grunnen er at GitHub fra 1. juni fakturerer etter faktisk tokenforbruk målt i AI Credits, der én credit tilsvarer 0,01 dollar. Med over 600 Copilot Business-brukere får Nav en samlet månedlig kvote på om lag 950 000 credits ved dagens brukerantall. I perioden juni til august får hver bruker 3 000 promokreditter per måned, et pusterom mens Nav ruller ut model-pinning og caching-tiltak for å styre forbruket.

I en intern veiledning som ligger i repoet, forklarer Nav hvordan modellvalg nå slår direkte inn på månedlige AI Credits og dermed på budsjettet.

Hva som endret seg 1. juni

GitHubs nye prismodell, som trådte i kraft 1. juni, har byttet ut en flat pris per "premium request" med en betalingsmodell basert på faktisk token-forbruk målt i AI Credits. Nav oppgir at én credit tilsvarer 0,01 dollar, og at credits pooles på organisasjonsnivå. Med over 600 Copilot Business-brukere gir dette en samlet kvote på om lag 950 000 credits per måned ved dagens brukerantall.

Konsekvensen er at modellvalg ikke lenger bare er et produkt- eller utviklervalg, men også en regnepost i månedsbudsjettet. Der utviklere tidligere kunne velge kraftigere modeller uten direkte kostnadskonsekvens for sin seksjon, må team nå ta hensyn til tokenkostnader når de velger modeller for agenter og prompts, ifølge Navs interne veiledning.

Tekniske grep for å holde kostnadene nede

Nav har allerede gjennomført konkrete tekniske tiltak i kodebasen for å styre hvilke modeller som brukes. Modellvalg er pinned i YAML-frontmatter i .github/agents/ og .github/prompts/, og totalt er 13 agenter og 7 prompts oppdatert med faste modellvalg. Valgene er gjort ut fra benchmarkresultater og oppgavetype, skriver Nav, med formål om å tvinge mindre kostbare modeller som Sonnet eller tilsvarende der disse gir tilstrekkelig kvalitet, og å reservere mer kostbare modeller som Claude Opus til agenter som trenger dypere analyse.

For praktiske brukere anbefaler Nav å bruke Auto-modus der det er mulig. Auto-modus har innebygd rabatt og velger automatisk en modell som passer oppgaven, i stedet for at brukere manuelt velger dyre modeller for enkle oppgaver.

Mastheads

Ifølge Nav vil manuell bruk av Claude Opus for de fleste oppgaver, med en antakelse om rundt 10 kall per dag per bruker og cirka 600 brukere, gi en kostnad på cirka 28 dollar per bruker per måned. Det er høyere enn standardkvoten på 19 dollar per bruker per måned, og illustrerer hvorfor model-pinning og Auto-modus er sentrale tiltak.

Caching trekkes fram som en annen avgjørende kostnadsdriver. Copilot skiller mellom input-, output- og cached input-tokens, og cached input koster betydelig mindre ved gjenbruk i samme sesjon. Nav gir et konkret eksempel med GPT-5.3-Codex for å vise effekten: en første spørring på 10 000 input-tokens koster 10 000 ganger 1,75 dollar per 1M tokens, det vil si 0,0175 dollar. En etterfølgende spørring i samme sesjon med 90 prosent cache hit krever bare 1 000 input-tokens pluss en mindre andel cache-lesinger, beregnet som 1 000 × 1,75/1M + 9 000 × 0,175/1M = 0,0033 dollar.

Det gir en besparelse på cirka 81 prosent ved høy cache-hit-rate, ifølge Navs regneeksempel.

Nav peker også på en særregel for enkelte leverandører: Anthropic-modeller har en ekstra cache write-kostnad på 25 prosent første gang kontekst skrives til cache, men etterfølgende lesinger fra cache er betydelig billigere. Praktiske konsekvenser er tydelige. For å oppnå lave kostnader bør arbeidsflyter organiseres for høye cache-hit-rater, for eksempel ved å holde sesjoner åpne og unngå hyppige modellbytter midt i en sesjon, siden modellbytte kan invalidere cachen og øke tokenkostnadene.

De tekniske grepene Nav allerede har implementert er altså todelte: 1) model-pinning i repoet for å tvinge rimeligere modeller der de er tilstrekkelige, og 2) arkitektur- og brukeranbefalinger som øker cache-effektiviteten. Samtidig gjelder anbefalingene om å ha dedikerte Opus-agenter for oppgaver som faktisk krever Opus sin dypere analyse, slik at dyre modeller kun brukes der gevinsten er klar.

Navs interne veiledning inneholder også konkrete brukerveiledninger for utviklere og produktteam. De viktigste punktene er å bruke Auto-modus for vanlige chat-oppgaver, konfigurere enkelte agenter eksplisitt til Opus for krevende analyser, og organisere arbeidsflytene for å maksimere cache-hit-rate. Veiledningen advarer spesielt mot at manuelle modellvalg for hver enkelt forespørsel raskt kan spise av organisasjonens samlede credits.

Som et praktisk smøremiddel har Nav fått tildelt promokreditter for å gi organisasjonen tid til å tilpasse seg. I perioden juni til august får brukerne 3 000 credits hver måned, i stedet for den vanlige tildelingen på 1 900 credits. Nav beskriver dette som et pusterom for å implementere model-pinning, caching-strategier og andre sparetiltak før normal kvote- og kostnadsstruktur igjen gjelder fullt ut.

For Nav er dette en kort fase med justering, men den illustrerer et bredere poeng: når faktureringen følger faktisk tokenbruk, blir teknisk arkitektur og produktvalg økonomisk styrende. Modellvalg som tidligere var en faglig vurdering, må nå balanseres mot en konkret kroner og øre-regning på organisasjonsnivå.

Related Articles

Promokredittperioden juni til august, der hver bruker får 3 000 credits i måneden i stedet for 1 900, er Navs neste konkrete milepæl for å måle effekten av model-pinning og caching før normal kvote- og kostnadsstruktur igjen trer i kraft. Opprinnelig rapportert av ki-utvikling.nav.no.

Denne artikkelen er laget med hjelp av AI.