Vi giver betalende brugere mere avancerede AI-modeller. Her er hvorfor.

Jeg vil gerne dele noget, vi har besluttet i denne uge — ikke efter det er lanceret, men mens vi stadig bygger det.

Vi ændrer, hvordan AI-modeller tildeles på tværs af vores brugerniveauer. Betalende brugere på MachineTranslation.com vil snart få adgang til mere avancerede AI-modeller fra de førende udbydere — OpenAI, Anthropic, Google, DeepSeek og andre. Gratis brugere vil fortsat få en velfungerende og pålidelig oversættelse — men ikke de samme modeller. Det hul er med vilje, og jeg vil gerne forklare præcis, hvorfor vi træffer denne beslutning.

Jeg vil hellere skrive dette nu, mens begrundelsen er frisk, og beslutningen stadig er lidt rå, end at vente, til det er live, og formulere det som en poleret meddelelse. Den ærlige version er mere nyttig.

Indholdsfortegnelse

• Hvorfor vi har tænkt over dette i et stykke tid
• Hvad der fik os til at ændre mening: Den interne test
• Den ærlige grund til niveaudeling
• Hvordan dette vil se ud for brugerne
• Hvad vi stadig er ved at finde ud af
• FAQ

Hvorfor vi har tænkt over dette i et stykke tid

MachineTranslation.com oversætter med 22 AI-modeller på én gang og bruger en konsensusbaseret tilgang til at finde det bedste output. Det har altid været kernen i det, vi gør – ikke at satse alt på én model, men at sammenligne på tværs af flere og lade resultaterne tale for sig selv.

Den ubehagelige side ved den tilgang er, at den gør kvalitetsforskellene mellem modellerne meget synlige. Vi ser, hver dag, at ikke alle modeller håndterer al tekst lige godt. Og i lang tid lod vi ikke den observation ændre, hvordan vi tildelte modeller til brugere.

Ikke alle modeller er ens, og vi har dataene til at bevise det

For et par uger siden gennemgik Rachelle (vores AI-ansvarlige) et internt værktøj med os, som vi har bygget til at teste oversættelseskvaliteten på tværs af flere GPT-modeller samtidigt — herunder GPT 4.1 nano, GPT 4.1 mini, GPT 5.4 mini og andre. Du indtaster den samme kildetekst, og du ser alle modellers output side om side.

Det, værktøjet gør umiddelbart klart, er dette: ved simpel, kort hverdagstekst er outputtene næsten identiske. Man kan reelt ikke retfærdiggøre et kvalitetsargument for premium-modeller på mødet er kl. 15.

Men på alt med reel sproglig kompleksitet (idiomatiske udtryk, fagterminologi, lange dokumenter, hvor konteksten skal bevares over tusindvis af ord) åbner kløften mellem modellerne sig, og den åbner sig på måder, der har professionel betydning.

Hvor modeller på lavere niveau i det stille kommer til kort

Dette er den del, jeg mener, oversættelsesbranchen ikke taler ærligt nok om. Modeller på lavere niveau producerer normalt ikke åbenlyst forkerte oversættelser. De producerer oversættelser, der på overfladen ser fine ud, men som indeholder subtile fejl, som en fagekspert (en advokat, en læge, en erfaren lokaliseringschef) ville opdage med det samme.

En betingelsessætning gengivet med den forkerte betydning. Et juridisk udtryk, der betyder noget specifikt i den pågældende jurisdiktion, oversat som dets dagligdags modstykke. En registerglidning halvvejs igennem et langt dokument, der underminerer hele sagens professionelle troværdighed.

Fejlen er diskret. Og ubemærkede fejl i professionel oversættelse kan være dyre.

Hvad ændrede vores mening: Den interne test

Vi traf ikke denne beslutning baseret på intuition. Vi testede modellerne på kompleks, idiomatisk kildetekst (den type indhold, som vores professionelle brugere rent faktisk har brug for at få oversat), og vi fik lingvister til at evaluere resultaterne.

Resultatet var klart. Avancerede modeller håndterede nuancer, register og domænespecifik terminologi konsekvent bedre. De billigere modeller var mere end tilstrækkelige til almindelig brug. De to use cases kræver reelt forskellige værktøjer.

Fire modeller, samme sætning, meget forskellige resultater

Den samtale, dette startede internt, handlede mindre om prissætning og mere om ærlighed. Hvis vi ved, at modellerne præsterer forskelligt på professionelt indhold, og vi ved, at vores betalende brugere i vid udstrækning oversætter professionelt indhold, så er det en bjørnetjeneste for begge parter at give dem den samme model som en gratis bruger, der oversætter en afslappet e-mail.

Den ærlige grund til niveaudeling

Ofer (vores CEO) sagde det ligeud i vores interne diskussion:

 Modeller på lavere niveauer indebærer reelle kvalitetsrisici for kompleks eller idiomatisk tekst. Men den vigtigste pointe er denne: konsensus er ikke bedre end de modeller, der ligger bag. Når betalende brugere får mere avancerede modeller, får de ikke kun bedre individuelle resultater — de får en stærkere konsensus. Bedre modeller, bedre konsensus, mere pålidelige oversættelser. Det er det, professionel oversættelse egentlig betyder.

Den rammesætning blev hængende hos mig. Det er ikke kun et prisargument. Det er et klarhedsargument.

Hvad premium-modeller faktisk koster i drift

Mere kapable AI-modeller koster betydeligt mere pr. token at køre. Det er ikke en politik fra MachineTranslation.com, det er sådan alle store AI-udbydere prissætter deres flagskibsmodeller. OpenAI, Anthropic, Google og DeepSeek forbeholder alle deres nyeste, mest kapable modeller til betalende kunder, fordi disse modeller er væsentligt dyrere at drive. At køre vores mest avancerede model på hver gratis oversættelse, hver uformel forespørgsel, hver hvad står der på skiltet-anmodning, ville øge vores infrastrukturomkostninger betydeligt.

Endnu vigtigere ville det betyde, at man krydssubsidierer mindre komplekse anvendelsestilfælde med det computerbudget, vi har brug for til at opretholde kvaliteten for professionelle, der oversætter tekniske dokumenter på 10.000 ord. Det er ikke en bæredygtig eller fornuftig fordeling.

Hvorfor det at lade som om, at alle niveauer er lige, ikke tjener nogen

Der findes en version af denne beslutning, der er rent kommerciel — tag mere i betaling, giv mere, helt enkelt. Det er faktisk ikke det, der driver det.

Det, der driver det, er, at vi har bygget en platform, der reelt kan synliggøre kvalitetsforskelle mellem AI-modeller. Vi har de interne værktøjer til at se disse forskelle tydeligt. At vælge at ignorere den synlighed, når vi designer vores brugerniveauer, ville være en slags uærlighed, hvor vi lader som om, at kløften ikke eksisterer, når vi har beviser for, at den gør.

Gratis brugere fortjener at vide, hvad de får. Betalende brugere fortjener at vide, at de får noget væsentligt anderledes. Og forskellen er ikke kun adgang til mere avancerede modeller, det er adgang til en stærkere konsensus opbygget fra disse modeller. Det er det pålidelighedssignal, som ingen enkelt AI kan levere.

Hvordan dette vil se ud for brugerne

Vi arbejder stadig på implementeringsdetaljerne, så jeg vil være forsigtig med ikke at love for meget om specifikke detaljer. Men her er retningen.

Hvor gratis-versionen forbliver stærk

Oversættelser i den gratis plan vil fortsat bruge kompetente AI-modeller. For størstedelen af hverdagens oversættelsesopgaver (korte beskeder, almindelig læsning, grundlæggende korrespondance) vil gratis brugere få et præcist, pålideligt output. Det ændrer sig ikke.

Den gratis version findes, fordi vi mener, at sprog ikke bør være en barriere, og det trækker vi ikke tilbage.

Her er betalende brugere foran

Forskellen vil være mest synlig på:

For professionelle brugere, der arbejder inden for en af disse kategorier, vil modelniveauet gøre en reel forskel. Det er præcis dem, vores betalingsabonnementer er skabt til.

Og fordi SMARTs konsensus er bygget på de mere avancerede modeller, får betalende brugere ikke kun bedre individuelle resultater — de får mere pålidelig AI-oversættelse, genereret af de nyeste modeller, der arbejder sammen.

Hvad vi stadig er ved at finde ud af

Jeg vil gerne være ærlig og sige, at det hele ikke er løst endnu.

Vi er stadig ved at fastlægge den præcise modelfordeling — hvilke modeller der hører til på hvilket niveau, og hvordan vi kommunikerer det tydeligt til brugerne i produktet. Vi arbejder på logikken i betalingsmuren for at sikre, at oplevelsen er sømløs, ikke forstyrrende. Og vi tænker grundigt over, hvordan vi kan præsentere information om modelkvalitet for brugerne på en måde, der er reelt nyttig frem for blot at være en markedsføringspåstand.

Der er også et reelt spørgsmål, vi sidder med: hvordan hjælper vi en gratis bruger med i øjeblikket at forstå, hvornår de er stødt på et anvendelsestilfælde, hvor en opgradering ville forbedre deres output markant? Det er lige så meget en UX-udfordring som en produktmæssig, og vi har ikke det fulde svar endnu.

Jeg vil skrive om, hvordan det lander, når det er live. Indtil videre er det tankegangen.

Hvis du er en betalende bruger og vil byde ind med, hvad der er vigtigst for dig i modelkvalitet, er jeg oprigtigt interesseret. Efterlad en besked via MachineTranslation.com kontaktsiden.

FAQ

1. Hvorfor ændrer MachineTranslation.com, hvordan modeller tildeles?

Fordi vores interne tests viste en betydelig kvalitetsforskel mellem modelniveauerne på professionelle oversættelsesopgaver. Vi byggede et værktøj til at sammenligne flere AI-modeller samtidig, og dataene gjorde det klart: avancerede modeller håndterer komplekst, idiomatisk og domænespecifikt indhold væsentligt bedre. Niveauændringen afspejler den virkelighed ærligt. Den større fordel for betalende brugere er, at SMART-konsensus er bygget på mere avancerede modeller, hvilket betyder, at selve pålidelighedssignalet er stærkere.

2. Bliver oversættelserne for gratisabonnementet dårligere, når dette lanceres?

Nej. Brugere af gratisabonnementet vil fortsat få gode, præcise oversættelser til hverdagsbrug. Ændringen er, at betalende brugere vil blive opgraderet til mere avancerede modeller, ikke at gratis brugere vil blive nedgraderet.

3. Hvilke typer oversættelse har mest gavn af premium AI-modeller?

Juridiske, finansielle, medicinske, tekniske og længere dokumenter — og alt indhold i mindre almindelige sprogpar, hvor træningsdata er mere sparsomme. For korte, enkle hverdagstekster er forskellen mellem modelniveauer minimal. Den større fordel for betalende brugere er, at SMART-konsensus er bygget på mere avancerede modeller, hvilket betyder, at selve pålidelighedssignalet er stærkere.

4. Hvornår går det live?

Vi bygger det nu. Jeg poster en opdatering, når den lanceres, herunder hvordan oplevelsen ser ud i produktet, og hvad de tidlige data viser.

5. Hvordan afgør MachineTranslation.com, hvilken AI-model der er bedst til en given tekst?

Vi kører flere modeller samtidigt og bruger en konsensusbaseret scoringsmetode til at evaluere output. Vores interne sammenligningsværktøj lader os teste kvaliteten på tværs af modelniveauer på den samme kildetekst, og det er det, der ligger til grund for denne niveauinddeling. Du kan få mere at vide om, hvordan MachineTranslation.com.com-konsensussystemet fungerer.‎