Vi ger betalande användare mer avancerade AI-modeller. Här är varför.

Jag vill dela med mig av något vi bestämde den här veckan — inte efter att det lanserats, utan medan vi fortfarande bygger det.

Vi ändrar hur AI-modeller fördelas över våra användarnivåer. Betalande användare på MachineTranslation.com kommer snart att få tillgång till mer avancerade AI-modeller från de ledande leverantörerna — OpenAI, Anthropic, Google, DeepSeek och andra. Gratisanvändare kommer att fortsätta att få kapabel, pålitlig översättning — men inte samma modeller. Det glappet är avsiktligt, och jag vill förklara exakt varför vi fattar det här beslutet.

Jag skriver hellre det här nu, medan resonemanget är färskt och beslutet fortfarande är lite rått, än att vänta tills det är lanserat och rama in det som ett polerat tillkännagivande. Den ärliga versionen är mer användbar.

Innehållsförteckning

• Varför vi har funderat på detta ett tag
• Vad som fick oss att ändra oss: Det interna testet
• Den ärliga anledningen till nivåindelning
• Hur detta kommer att se ut för användare
• Vad vi fortfarande håller på att lista ut
• FAQ

Varför vi har funderat på detta ett tag

MachineTranslation.com översätter med 22 AI-modeller samtidigt och använder en konsensusbaserad metod för att presentera det bästa resultatet. Det har alltid varit kärnan i vad vi gör — att inte satsa allt på en modell, utan att jämföra mellan flera och låta resultaten tala för sig själva.

Den obekväma sidan av det tillvägagångssättet är att det gör kvalitetsskillnaderna mellan modeller mycket synliga. Vi ser, varje dag, att inte alla modeller hanterar all text lika bra. Och under lång tid lät vi inte den observationen ändra hur vi tilldelade modeller till användare.

Alla modeller är inte likvärdiga, och vi har data för att bevisa det

För några veckor sedan visade Rachelle (vår AI-chef) oss ett internt verktyg vi hade byggt för att testa översättningskvalitet över flera GPT-modeller samtidigt — inklusive GPT 4.1 nano, GPT 4.1 mini, GPT 5.4 mini och andra. Du matar in samma källtext, och du ser varje modells utdata sida vid sida.

Vad det verktyget omedelbart gör klart är detta: på enkel, kort, vardaglig text är utdata nästan identiska. Du kan verkligen inte motivera ett kvalitetsargument för premiummodeller när det gäller mötet är klockan 15:00.

Men när det gäller något med verklig språklig komplexitet (idiomatiska fraser, domänspecifik terminologi, långa dokument där sammanhanget behöver bäras över tusentals ord) öppnas klyftan mellan modellerna upp, och den öppnas upp på sätt som är professionellt viktiga.

Där modeller på lägre nivå tyst kommer till korta

Detta är den del som jag tror att översättningsbranschen inte talar tillräckligt ärligt om. Modeller på lägre nivå producerar vanligtvis inte uppenbart felaktiga översättningar. De producerar översättningar som låter bra på ytan men innehåller subtila fel som en ämnesexpert (en jurist, en medicinsk expert, en senior lokaliseringschef) skulle upptäcka omedelbart.

En villkorsklausul återgiven med fel betydelse. En juridisk term som betyder något specifikt inom den jurisdiktionen, översatt som dess vardagliga motsvarighet. En registerförskjutning halvvägs igenom ett långt dokument som undergräver hela sakens professionella trovärdighet.

Felet är tyst. Och tysta misslyckanden inom professionell översättning kan vara dyra.

Vad som fick oss att ändra oss: Det interna testet

Vi fattade inte det här beslutet baserat på intuition. Vi körde modellerna mot komplex, idiomatiskt källtext (den typ av innehåll som våra professionella användare faktiskt behöver översatt) och vi lät lingvister utvärdera utdata.

Resultatet var tydligt. Avancerade modeller hanterade nyans, register och domänspecifik terminologi konsekvent bättre. De billigare modellerna var mer än tillräckliga för vardagsbruk. De två användningsfallen kräver verkligen olika verktyg.

Fyra modeller, samma mening, mycket olika resultat

Konversationen detta väckte internt handlade mindre om prissättning och mer om ärlighet. Om vi vet att modellerna presterar olika på professionellt innehåll, och vi vet att våra betalande användare till stor del översätter professionellt innehåll, då är det en björntjänst för båda att ge dem samma modell som en gratisanvändare som översätter ett vardagligt e-postmeddelande.

Den ärliga anledningen till nivåindelning

Ofer (vår VD) uttryckte det rakt på sak i vår interna diskussion:

 Modeller på lägre nivåer medför verkliga kvalitetsrisker för komplex eller idiomatiskt text. Men den större poängen är denna: konsensus är inte bättre än modellerna bakom den. När betalande användare får mer avancerade modeller, får de inte bara bättre individuella resultat — de får en starkare konsensus. Bättre modeller, bättre konsensus, mer tillförlitliga översättningar. Det är vad professionell översättning faktiskt betyder.

Den formuleringen fastnade hos mig. Det är inte bara ett kostnadsargument. Det är ett tydlighetsargument.

Vad premiummodeller faktiskt kostar att driva

Mer kapabla AI-modeller kostar betydligt mer per token att driva. Det är inte en MachineTranslation.com-policy, det är så varje stor AI-leverantör prissätter sina flaggskeppsmodeller. OpenAI, Anthropic, Google och DeepSeek reserverar alla sina senaste, mest kapabla modeller för betalande kunder eftersom dessa modeller är betydligt dyrare att driva. Att köra vår mest avancerade modell för varje gratisöversättning, varje informell fråga, varje förfrågan om vad står det på den här skylten, skulle avsevärt öka våra infrastrukturkostnader.

Viktigare är att det skulle innebära att korssubventionera användningsfall med låg komplexitet med den beräkningsbudget vi behöver för att upprätthålla kvaliteten för professionella som översätter tekniska dokument på 10 000 ord. Det är inte en hållbar eller förnuftig fördelning.

Varför det inte tjänar någon att låtsas att alla nivåer är lika

Det finns en version av detta beslut som är rent merkantilistisk – ta mer betalt, ge mer, enkelt. Det är faktiskt inte det som driver det.

Det som driver det är att vi har byggt en plattform som verkligen kan synliggöra kvalitetsskillnader mellan AI-modeller. Vi har de interna verktygen för att se dessa skillnader tydligt. Att välja att ignorera den synligheten när vi utformar våra användarnivåer skulle vara en form av oärlighet, att låtsas att klyftan inte existerar när vi har bevis för att den gör det.

Gratisanvändare förtjänar att veta vad de får. Betalande användare förtjänar att veta att de får något meningsfullt annorlunda. Och skillnaden är inte bara tillgång till mer avancerade modeller, det är tillgång till ett starkare samförstånd byggt från dessa modeller. Det är tillförlitlighetssignalen som ingen enskild AI kan tillhandahålla.

Hur detta kommer att se ut för användare

Vi arbetar fortfarande med implementeringsdetaljerna, så jag vill vara försiktig med att inte lova för mycket specifika detaljer. Men här är riktningen.

Där gratistjänsten förblir stark

Översättningar med gratisplanen kommer att fortsätta använda kapabla AI-modeller. För de flesta vardagliga översättningsuppgifter (korta meddelanden, avslappnad läsning, grundläggande korrespondens) kommer gratisanvändare att få korrekta, tillförlitliga resultat. Det ändras inte.

Den kostnadsfria nivån finns eftersom vi anser att språk inte ska vara en barriär, och vi kommer inte att backa från det.

Där betalande användare får ett försprång

Skillnaden kommer att vara mest märkbar på:

För professionella användare som arbetar inom någon av dessa kategorier kommer modellnivån att göra en verklig skillnad. Det är precis för dem som våra betalplaner är byggda för.

Och eftersom SMARTs konsensus är byggd från dessa mer avancerade modeller, får betalande användare inte bara bättre individuella resultat — de får mer tillförlitlig AI-översättning, genererad av de senaste modellerna som arbetar tillsammans.

Vad vi fortfarande håller på att lista ut

Jag vill vara ärlig med att detta inte är helt löst än.

Vi håller fortfarande på att fastställa den exakta modellallokeringen — vilka modeller som finns på vilken nivå, och hur vi kommunicerar det tydligt till användare inuti produkten. Vi arbetar med betalväggslogiken för att säkerställa att upplevelsen blir sömlös, inte störande. Och vi funderar noga på hur vi ska presentera information om modellkvalitet för användare på ett sätt som är genuint användbart snarare än bara ett marknadsföringspåstående.

Det finns också en verklig fråga vi brottas med: hur hjälper vi en gratisanvändare att, i stunden, förstå när de har stött på ett användningsfall där en uppgradering skulle förbättra deras resultat på ett meningsfullt sätt? Det är en UX-utmaning lika mycket som en produktutmaning, och vi har inte hela svaret än.

Jag kommer att skriva om hur det här landar när det är live. För närvarande är detta tanken.

Om du är en betalande användare och vill ge din syn på vad som är viktigast för dig när det gäller modellkvalitet, är jag genuint intresserad. Skicka ett meddelande via MachineTranslation.coms kontaktsida.

Vanliga frågor

1. Varför ändrar MachineTranslation.com hur modeller allokeras?

Eftersom vår interna testning visade en betydande kvalitetsskillnad mellan modellnivåer vid professionella översättningsuppgifter. Vi byggde ett verktyg för att jämföra flera AI-modeller samtidigt, och datan visade tydligt: avancerade modeller hanterar komplext, idiomatiskt och domänspecifikt innehåll betydligt bättre. Nivåförändringen återspeglar den verkligheten ärligt. Den större fördelen för betalande användare är att SMART-konsensusen är byggd från mer avancerade modeller, vilket innebär att tillförlitlighetssignalen i sig är starkare.

2. Kommer översättningar i gratisplanen att bli sämre när detta lanseras?

Nej. Användare av gratisplanen kommer att fortsätta få dugliga, korrekta översättningar för vardagliga användningsområden. Förändringen är att betalande användare kommer att uppgraderas till mer avancerade modeller, inte att gratisanvändare kommer att nedgraderas.

3. Vilka typer av översättning drar mest nytta av premium AI-modeller?

Juridiska, finansiella, medicinska, tekniska och långa dokument — och allt innehåll i mindre vanliga språkpar där träningsdata är tunnare. För korta, enkla, vardagliga texter är skillnaden mellan modellnivåerna minimal. Den större fördelen för betalande användare är att SMART-konsensus är byggt från mer avancerade modeller, vilket innebär att tillförlitlighetssignalen i sig är starkare.

4. När går detta live?

Vi bygger det nu. Jag kommer att lägga upp en uppdatering när den skickas, inklusive hur upplevelsen ser ut i produkten och vad den tidiga datan visar.

5. Hur bestämmer MachineTranslation.com vilken AI-modell som är bäst för en given text?

Vi kör flera modeller samtidigt och använder en konsensusbaserad poängsättningsmetod för att utvärdera resultaten. Vårt interna jämförelseverktyg låter oss testa kvalitet över modellnivåer på samma källtext, det var det som låg till grund för detta nivåindelningsbeslut. Du kan lära dig mer om hur MachineTranslation.com.com:s konsensussystem fungerar.‎