DA
Åbn Studio
GridGarden Studio
Tips og guides

AI-prisoverslag ud fra billeder: 3 forsøg, 1 løsning der virker

22 min. læsning

AI-prisoverslag ud fra billeder: 3 forsøg, 1 løsning der virker

Design din have ud fra et foto med AI

Beløb i denne tekst er vejledende, ikke GridGardens prisliste. Aktuelle priser for leveringslandet (Danmark) findes på produktsiderne og i Studio.

Kort fortalt: AI-synsmodeller tager angiveligt fejl ved målinger 63 % af gangene. Alle bedste praksisser siger: »mål ikke ud fra billeder — klassificér i stedet«. Vi prøvede begge dele. Klassificering betød, at vi skulle låse vores AI-billedgenerator til et fast katalog, hvilket dræbte det kreative output. Så vi fandt en tredje vej: brug selve produktet som lineal. Hvert lag i vores modulsystem er præcis 12 cm. AI'en tæller lag, vi regner, og du får et prisoverslag på 5 sekunder for $0,001.

Hvorfor siger alle, at »AI ikke kan måle ud fra fotos«?

I 2024 udgav forskere hos Google SpatialVLM — en benchmark, der tester, hvor godt vision-sprogmodeller forstår rumlige forhold. Resultaterne var nedslående: Når modellerne skulle anslå afstande og mål ud fra fotos, ramte de bedste modeller inden for det rigtige interval (0,5× til 2× af virkeligheden) kun i 37,2 % af tilfældene. Næsten to tredjedele af skønnene var mere end dobbelt så forkerte.

En opfølgende undersøgelse, SpatiaLab (2026), bekræftede, at problemet stikker dybt — tidligere benchmarks overvurderede faktisk, hvor godt disse modeller opfatter rum. De reelle tal er værre.

Det grundlæggende problem kaldes monokulær tvetydighed: Ud fra ét enkelt 2D-billede uden et referencepunkt er det fysisk umuligt at genskabe absolutte 3D-mål. En potte på 30 cm, fotograferet tæt på, ser identisk ud med en plantekasse på 3 m, taget på afstand. Ingen mængde træningsdata ændrer det — det er ikke en begrænsning ved AI, det er geometri.

Og AI-genererede billeder gør det endnu sværere. Rigtige fotos har i det mindste EXIF-metadata (brændvidde, sensorstørrelse), som i teorien kunne forankre perspektivberegninger. Genererede billeder har intet af det.

Interessant nok viste forskningen også, hvor flaskehalsen egentlig ligger: overgangsproblemet mellem syn og sprog. Den visuelle encoder repræsenterer faktisk rumlig information korrekt internt — men sprogmodellen kan ikke trække den ud, når den genererer tekstsvar. Modellen »ser« målene mere præcist, end den kan »sige« dem.

Så da vi besluttede at bygge automatiske prisoverslag til AI-genererede havedesigns, var den akademiske konsensus klar: Mål ikke. Klassificér.

Her er, hvad branchen gør i stedet:

Virksomhed Tilgang Måler ud fra fotos?
Zillow Zestimate Klassificerer egenskaber (granit mod laminat), bruger data om sammenlignelige salg Nej — 1 mio.+ træningseksempler, kun klassificering
SimplyWise Klassificerer projekttype → regionale pristabeller Nej — ±10-15 % nøjagtighed, ingen pixelmåling
Hover 8-10 fotos → 3D-rekonstruktion + kvalitetskontrol af mennesker Ja — men kræver flere vinkler og tager ca. 1 time
AI Garden Planner, Planner 5D osv. Kun visualisering — ingen priser Ikke relevant

Ingen i markedet for AI-havedesign ($1,72 mia., voksende med 21,4 % CAGR) tilbyder prisoverslag ud fra genererede designs. Ikke en eneste konkurrent. Vi besluttede at prøve alligevel.

Leder du efter et færdigt højbed? Se I-formet højbed eller se alle Brick Premium-højbede.

Sådan genererer vores AI havedesigns (og hvorfor det gør prisfastsættelse svær)

Før vi går i dybden med priserne, hjælper det at forstå, hvad vi prisfastsætter. Vores AI-havedesigner lader brugerne uploade et foto af deres rigtige have. AI'en genererer derefter en fotorealistisk visualisering af, hvordan området kan se ud med modulære højbede.

Billedet gennemgår faktisk en pipeline i tre trin, før det renderes:

  1. Agent 1 — arkitekt uden kendskab til mærket (Gemini Flash). Tager brugerens vision, tæthed og årstid. Designer en sammenhængende havescene som JSON — liste over elementer, beplantningens karakter, stemning og stil. Denne agent kender ikke vores produkt, så den falder ikke tilbage på »højbede overalt«. Bed om en eng med vilde blomster, og du får en eng med vilde blomster. Bed om en lounge under en pergola, og du får en lounge under en pergola.
  2. Agent 2 — kategoriserer med kendskab til mærket (Gemini Flash). Læser sceneplanen og afgør, hvilke elementer der er Brick-kompatible (højbede, bænke, lave mure, plantekasser, trapper — ja; pergola, espalier, træer — nej). Vælger 0–2 produktreferencefotos fra en pulje på tre, afhængigt af hvilke Brick-elementer der indgår. Bygger den endelige billedprompt med et betinget Brick-afsnit, der kun optræder, når brick_count > 0.
  3. Billedgenerator (Gemini Pro-billedmodel). Modtager den endelige prompt + 0–2 referencefotos. Renderer den fotorealistiske have.

Denne opdeling har betydning for prisfastsættelsen. En anmodning om »vild eng« ender med nul Brick-konstruktioner og nul referencefotos — der er intet at prisfastsætte. En »terrasseret køkkenhave med krydderurter og en bænk« ender med to referencefotos og et fuldt Brick-afsnit i prompten. Den efterfølgende prisberegner udløses kun, når scenen faktisk indeholder Brick-kompatible konstruktioner; scener med kun beplantning returnerer korrekt €0 og ingen tilbuds-e-mail.

Inden for den ramme har AI'en stadig kreativ frihed på alt andet — hvor mange konstruktioner, hvor de placeres, hvilke former de får, og hvordan de forholder sig til den eksisterende have. En L-form rundt om et træ? En bænk integreret i en støttemur? En trappe, der følger en skråning? Det er helt op til modellen.

Brugerne styrer en tæthedsskyder (0-100), der svarer til cirka 0-20 konstruktioner. Ved tæthed 25 får du en naturalistisk have med nogle få diskrete bede, der ligger mellem vilde blomster. Ved tæthed 80 får du et fuldt organiseret udeliv med tydelige zoner, der er forbundet af stier. AI'en vælger, hvilke typer konstruktioner der giver mening i scenen.

Den kreative frihed er hele pointen med værktøjet. Ingen vil have en konfigurator, der hver gang giver de samme tre rektangulære bede. Men den skaber et grundlæggende prisproblem: Hvert genereret billede er unikt. Der er ingen foruddefineret stykliste. Ingen liste over varenumre. Bare et fotorealistisk billede af konstruktioner i træ, der kan være alt fra en enkelt plantekasse til en omfattende have med flere zoner.

Så hvordan prisfastsætter man noget, der ikke findes endnu, ud fra et billede, der blev genereret for 5 sekunder siden?

Forsøg nr. 1: Bed bare AI om målene

Vores første tilgang var den mest naive: Giv Gemini 2.5 Pro det genererede havebillede og bed den anslå målene i meter.

// The prompt we shipped to production
You are an expert at estimating dimensions of garden structures
from photographs.

For EACH distinct wooden structure you can identify
(raised beds, benches, walls, stairs, planters),
estimate its dimensions in meters:
- length_m: the longest horizontal dimension
- width_m: the shorter horizontal dimension (depth)
- height_m: the vertical dimension

Return JSON:
{ "structures": [
    { "type": "raised_bed",
      "length_m": 2.0, "width_m": 1.0, "height_m": 0.6 }
]}

Prisfastsættelsen var ligetil geometri — beregn den synlige vægflade og gang med €125/m²:

// Wall area calculation per structure type:
// raised_bed: 2 × (length + width) × height
// wall: 2 × length × height
// stairs: length × height × 1.5
const wallArea = 2 * (s.length_m + s.width_m) * s.height_m;
const price = wallArea * 125; // EUR per m²

Det virkede. Bedre, end vi havde forventet. Et bed, der i virkeligheden var 1,8 m langt, kom tilbage som 1,4 m eller 2,2 m — de enkelte mål var upræcise, men geometrien udlignede det: Når længden blev overvurderet, blev højden typisk undervurderet. Prisoverslaget endte inden for ±20-25 % af virkeligheden. For et gratis, øjeblikkeligt overslag ud fra et AI-genereret billede føltes det overraskende brugbart.

Modellen var særligt god til at tælle konstruktioner — hvis billedet viste 3 højbede og en bænk, fandt den som regel 3 højbede og en bænk. Den forstod, hvordan vores Brick-system ser ud. Målene var upræcise, men genkendelsen af konstruktionerne var solid.

Men så læste vi forskningen. SpatialVLM's nøjagtighed på 37,2 %. Googles egen dokumentation, der advarer mod rumlig måling ud fra enkeltbilleder. Stack Overflow-tråde fulde af »det her er grundlæggende umuligt«. Vi blev skræmte.

»Det kan ikke virke på lang sigt,« sagde vi til os selv. »Vi er bare heldige. Lad os gøre det på den rigtige måde — den måde, alle anbefaler.«

Forsøg nr. 2: Den »rigtige« måde — klassificering efter katalog

Den anbefalede tilgang er klar: Mål ikke, klassificér. Find ud af, hvilken type konstruktion det er, placér den i en størrelseskategori, og slå en fast pris op. Ingen måling, ingen tvetydighed. Det er det, Zillow gør. Det er det, SimplyWise gør. Det er det, forskningen siger, man skal gøre.

Ideen var enkel:

// Classify structure type + size → fixed price lookup
const PRICE_TABLE = {
  raised_bed: { small: 50, medium: 100, large: 180 },
  wall:       { small: 25, medium: 50,  large: 90 },
  bench:      { small: 30, medium: 60,  large: 100 },
  stairs:     { small: 45, medium: 90,  large: 140 },
  planter:    { small: 15, medium: 30,  large: 55 }
};

Men vi løb ind i et problem, vi ikke havde forudset — og det havde intet at gøre med AI'ens nøjagtighed.

Vores AI-havedesigner genererer kreative designs. En bruger uploader et foto af sin have, og Gemini Imagen skaber en unik visualisering med modulære højbede, der er arrangeret, så de passer til netop det rum. De konstruktioner, den genererer, er varierede — L-former, kurver der følger en havesti, bede integreret i skråninger, bænke forbundet med højbede, trinvise opstillinger, der udvisker grænsen mellem »trappe« og »mur«.

For at få klassificering efter katalog til at virke, skulle vi have begrænset billedgeneratoren. »Generér kun disse 5 typer. Generér kun disse 3 størrelser. Hold alt rektangulært.« Det ville have gjort prisfastsættelsen nøjagtig — men det ville have dræbt det, der gør værktøjet værdifuldt: de kreative, personlige designs.

Vi stod over for en grundlæggende afvejning: nøjagtig prisfastsættelse mod kreativ frihed i genererede billeder.

Og selv da vi prøvede at få klassificeringen til at virke uden at begrænse generatoren, var resultaterne dårlige:

  • »Lille/mellem/stor« betød intet for modellen. Uden et referenceobjekt i billedet var det samme bed »lille« i én analyse og »stort« i den næste. Der er intet fysisk ankerpunkt for de ord — »mellem« er et sprogligt begreb og ikke en måling.
  • Kreative konstruktioner passer ikke i pæne kategorier. Er et L-formet bed ét »stort« højbed eller to »mellemstore«? Er en bænk integreret i et højbed en »bænk« eller en del af bedet? Kategorierne var for stive til det, generatoren faktisk producerede.
  • Vi opdagede, at vi tilføjede nødløsninger. En rabat for overtælling (-15 % for hver konstruktion ud over 3, fordi modellen hallucinerede ekstra). Et trin til omklassificering. En tabel til manuel tilsidesættelse. Hver nødløsning var et tegn på, at tilgangen ikke passede til vores brug.

Kerneproblemet: Prisfastsættelse efter katalog forudsætter et katalog. Det virker for Zillow, fordi huse har kendte typer (bungalow, kolonialstil, split-level) med årtiers data om sammenlignelige salg. Det virker for SimplyWise, fordi byggeprojekter svarer til standardiserede kategorier. Vores AI genererer hver gang unikke designs — der er intet katalog at klassificere efter.

Vi lancerede aldrig den version. I stedet gik vi tilbage til det, der faktisk virkede — måling — men med en afgørende indsigt.

Forsøg nr. 3: Lad produktet være linealen

Forskningen havde ret i én ting: Du kan ikke genskabe absolutte mål ud fra et enkelt billede uden et referencepunkt. Men den tog fejl i én antagelse — at der ikke findes et referencepunkt.

Vores produkt har en indbygget lineal.

Brick-modulsystemet bruger planker af lærk, der er 120 mm høje og 60 mm tykke. Når de stables vandret, danner hver planke ét synligt lag — et tydeligt bånd på 12 cm i hvert genereret billede. Det er en fysisk konstant for produktet. Den er den samme i hvert billede, hvert design, hver vinkel. Og billedgeneratoren kender den allerede — Agent 2 indsætter »tykke planker (120 mm høje × 60 mm tykke), stablet vandret med fuger forskudt række for række som murværk« i hver prompt, hvor der indgår Brick-konstruktioner, så plankerne renderes ensartet.

Med V1 spurgte vi: »Hvor mange meter lang er dette bed?« — et spørgsmål, der kræver, at man løser problemet med monokulær tvetydighed.

Med V3 spørger vi: »Hvor mange planklag kan du se, og hvor mange gange længere er væggen end dens højde?« — spørgsmål, der kun kræver optælling og skøn af et forhold. Begge dele er noget, synsmodeller er gode til.

// The actual prompt in production (v3)
SCALE REFERENCE: Each horizontal plank layer = exactly 12cm
(0.12m) tall. Count layers to get the height, then estimate
length relative to the known height.

MEASURE each structure:
- layers: count visible horizontal plank layers (each = 12cm)
- length_ratio: how many times longer the wall is vs its height
- visible_faces: how many wall faces are visible

VERIFY: Typical gardens have 2-5 structures.
If you found >6, you likely overcounted.

Return JSON:
{"structures": [
  {"reasoning": "4 horizontal layers visible, wall extends
    about 3.5x the height, front and side visible",
   "type": "raised_bed",
   "layers": 4,
   "length_ratio": 3.5,
   "visible_faces": 2}
]}

Prismotoren står for regnestykket:

const LAYER_HEIGHT_M = 0.12;
const PRICE_PER_M2 = 120;
const PRICE_PER_STAIR_STEP_M = 58;  // stairs price separately

function calculatePrice(s) {
  const height = s.layers * LAYER_HEIGHT_M;
  // 4 layers = 0.48m

  if (s.type === 'stairs') {
    // Stairs: per-step × width, not m² — vertical rises break the wall math
    const width = s.length_ratio * LAYER_HEIGHT_M;
    return Math.round(s.layers * width * PRICE_PER_STAIR_STEP_M);
    // fx 6 trin × 1.2 m × pris pr. meter trin
  }

  const length = height * s.length_ratio;
  // 0.48m × 3.5 = 1.68m

  if (s.type === 'wall') {
    // Single-face wall — no opposite face, no sides
    return Math.round(length * height * PRICE_PER_M2);
    // 1.68 × 0.48 × €120 = €97
  }

  // raised_bed / planter / bench — closed box, perimeter × height
  const depth = height * (s.depth_ratio || 1.0);
  const perimeter = 2 * (length + depth);
  const totalM2 = perimeter * height;
  // 2 × (1.68 + 0.48) × 0.48 = 2.07 m²

  return Math.round(totalM2 * PRICE_PER_M2);
  // 2.07 × €120 = €249
}

En note om regnestykket ovenfor: Den oprindelige V3 blev lanceret med faceArea × visible_faces — som kun talte de vægflader, der var synlige på fotoet. I produktion opdagede vi, at den systematisk undertalte med 20–50 % på lukkede kasselignende konstruktioner, fordi den ignorerede bagvæggen og den ene side. V3.2 erstattede den med en omkredsbaseret formel til lukkede kasser, en enkel længde×højde til vægge med én flade og en formel pr. trin til trapper. Trapper krævede deres eget spor, fordi optælling af lag bryder sammen ved lodrette stigninger — en trappes »vægareal« er meningsløst; man betaler for blokke pr. trin og ikke for synlige flader.

Hvorfor det virker, hvor V1 og V2 ikke gjorde:

  • Optælling er noget, synsmodeller er gode til. Vandrette linjer i stablede plankekonstruktioner er visuelle træk med høj kontrast og gentagelse. At tælle adskilte lag er grundlæggende anderledes end at anslå »hvor mange meter« — det er mønstergenkendelse og ikke rumlig ræsonnement.
  • Forhold er nemmere end absolutte værdier. »Denne væg er cirka 3,5 gange længere, end den er høj« er en visuel vurdering af proportioner. Modellen behøver ikke kende den absolutte størrelse — kun formen. Det omgår helt den monokulære tvetydighed.
  • Skalareferencen er reel. 12 cm pr. lag er ikke en antagelse — det er en produktionsspecifikation, der er indbygget i både det fysiske produkt og billedgenereringens prompt. AI'en »kender« plankens tykkelse, fordi den genererede billedet med den begrænsning.
  • Den kreative frihed bevares. I modsætning til V2's katalogtilgang begrænser vi ikke, hvilke konstruktioner generatoren kan skabe. L-former, kurver, integrerede bænke — alt er muligt. Metoden med optælling af lag virker på enhver form, fordi den måler synlig vægflade og ikke foruddefinerede kategorier.
  • AI'en observerer, koden regner. Vi delte opgaven op i det, AI er god til (visuel mønstergenkendelse), og det, kode er god til (regning). Ingen af dem tager den andens job. Feltet reasoning tvinger modellen til at beskrive, hvad den ser, før den giver tal, hvilket afslører dårlige skøn i loggene og holder outputtet jordnært.

Hvad ændrede sig mellem tilgangene

V1: Direkte måling V2: Klassificering efter katalog V3: Optælling af lag
Hvad vi spørger AI om »Hvor mange meter?« »Hvilken type og størrelse?« »Hvor mange lag? Hvilket forhold?«
Ankerpunkt Ingen (gætteri) Fast katalog (begrænsende) Planklag på 12 cm (fysisk)
Kreativ frihed Fuld Begrænset (kræver foruddefinerede typer) Fuld
Nøjagtighed ±20-25 % (uforudsigelig) Uensartet (aldrig lanceret) ±20 % (forudsigelig)
Prisinterval ±20 % symmetrisk Fast opslag (intet interval) ±20 % symmetrisk
Model Gemini 2.5 Pro (~$0,005) Gemini 2.5 Flash (~$0,001) Gemini 2.5 Flash (~$0,001)
Status Virkede, men droppet efter forskningen Aldrig lanceret — for begrænsende I produktion

En note om prisintervallet. Vi viser ±20 % omkring det centrale skøn — et bevidst bredt bånd, der afspejler den reelle usikkerhed ved at måle ud fra ét foto. Et bed med 4 lag kan komme tilbage som 3 eller 5 lag; et længdeforhold på 3,0 kan være 2,5 eller 3,5. Regnestykket ganger fejlene, så den ærlige kommunikation er »et sted mellem X og Y« og ikke et enkelt tal med falsk præcision. Når et menneskeligt tilbudsteam overtager fra overslaget, lander det typisk inden for båndet.

Fra genereret billede til prisoverslag på 5 sekunder

Her er, hvad der sker, efter at en bruger har genereret et havedesign:

For registrerede brugere udløses prisoverslaget automatisk — ingen knap at trykke på. Det genererede billede ændres til 1024 px og sendes til en anden AI-model (Gemini 2.5 Flash, konfigureret til visuel analyse ved temperatur 0,2 for deterministisk optælling). Det er et andet modelkald end det, der genererede billedet — generatoren skaber, analysatoren måler.

Analysatoren returnerer en JSON med sin begrundelse for hver konstruktion: »4 vandrette lag synlige, væggen strækker sig cirka 3,5× højden, forside og side synlige.« Vores kode ganger lag med 0,12 m, anvender forholdet, beregner m² og lægger det hele sammen.

Resultatet vises direkte under det genererede billede — et grønt panel med en tabel, der opdeler hver konstruktion. Hver række viser: konstruktionstype, mål (højde × længde), synlige flader, vægareal i m² og anslået pris. Totalen viser X.XX m² × €120/m² med prisintervallet i stor skrift. Ingen sort boks — brugerne kan se præcis, hvordan overslaget er beregnet, og selv vurdere, om antallet af lag ser rigtigt ud.

Samtidig kommer der en e-mail med den samme opdeling plus havebilledet. Hvis brugeren ikke svarer inden for 3 dage, følger én enkelt påmindelse: »Tænker du stadig på din have?« med en knap, der med ét klik beder om et præcist tilbud fra et menneske. Hele kæden — billedgenerering til prisoverslag til e-mail — koster under $0,01.

Økonomien: $0,135 pr. billede, $0,001 pr. pristilbud

At bygge et AI-drevet værktøj er én ting. At gøre det økonomisk bæredygtigt er noget andet. Sådan ser tallene faktisk ud.

Billedgenerering koster $0,134 pr. billede. Vi bruger Geminis Pro-billedmodel — det dyreste trin. Vi prøvede den billigere Flash-model tidligt. Outputkvaliteten var ikke god nok: Teksturer så flade ud, træets årer var uensartede, og Brick-plankernes proportioner drev. For et værktøj, hvor den visuelle kvalitet er produktet, var det ikke en afvejning værd at spare 60 % på genereringen og få billeder, der ikke ser overbevisende ud. Kun Pro, ingen fallback.

Prisoverslag koster $0,001 pr. tilbud. Her er regnestykket omvendt — vi bruger Gemini 2.5 Flash til den visuelle analyse. At tælle planklag og anslå proportioner kræver ikke den samme model, som genererer fotorealistiske billeder. Flash klarer optælling pålideligt til en brøkdel af prisen. At vælge den rette model til hver opgave — Pro, hvor kvaliteten tæller, Flash, hvor nøjagtigheden af en bestemt snæver opgave tæller — er forskellen på et bæredygtigt og et ubæredygtigt produkt.

En typisk brugersession ser sådan ud:

Trin Model Pris
Generér havedesign (første gratis uden registrering) Gemini Pro (billede) $0,268
Prisoverslag Gemini 2.5 Flash (syn) $0,001
Prisberegning + e-mail Node.js (intet API-kald) $0,000
I alt pr. session ~$0,27

Dit første AI-design er gratis uden registrering. Flere designs kræver registrering og betales med kreditter.

Selve prisoverslaget er altid gratis — ved $0,001 pr. tilbud ville det koste mere i tabt engagement at lægge det bag en betalingsmur, end det sparer i API-gebyrer. Og prisregnestykket (lag × 0,12 m × forhold × flader × €120/m²) kører helt i vores egen kode uden API-kald. Når Gemini Flash har returneret antallet af lag, er alt andet deterministisk regning.

Vi optimerer også inputomkostningerne i hvert trin. Fotos, som brugerne uploader, forbehandles med Sharp — ændres til maks. 2048 px og strippes for EXIF-data, før de rammer API'et. Til analyse af pristilbud komprimeres det genererede billede yderligere til 1024 px JPEG. En lille pulje af produktreferencefotos er cachet lokalt, og Agent 2 vælger 0–2 af dem pr. scene (ikke altid vedhæftet — scener med kun eng får nul referencer). Genereringsprompten holdes under 150 ord — over 200 begynder billedmodellen at ignorere dele af instruktionen.

Forretningsmodellen: Vi taber penge på generering. Det er pointen.

Lad os være ærlige om økonomien. De fleste brugere bruger deres gratis design og køber aldrig kreditter. De få, der køber kreditter, kommer ikke i nærheden af at dække de samlede API-omkostninger for alle brugere. På ren genereringsindtjening kører vi med tab.

Det er med vilje. AI-havedesigneren er ikke et produkt — den er en tragt.

Det får vi faktisk ud af en bruger, der genererer et havedesign og oplyser sin e-mail:

  • En varm lead med købsintention. Den, der uploader et foto af sin have, genererer et design med højbede og gennemgår et prisoverslag, er ikke en tilfældig besøgende. Vedkommende overvejer aktivt et haveprojekt. Det er kvalitativt anderledes end en, der har klikket på en annonce.
  • Et personligt prisanker. Brugeren har nu et konkret tal i hovedet — »min have vil koste omkring €350«. Det er langt mere effektivt end en generisk produktside med priser pr. planke.
  • Et billede, de allerede er forelsket i. De har selv genereret designet. De valgte tæthed, stil og arrangement. Der er en følelse af ejerskab i det billede, som intet katalogfoto kan matche.

E-mailforløbet forstærker det. Umiddelbart efter at have genereret et design modtager brugeren en e-mail med pristilbud, hvor det havebillede, de har lavet, er indlejret — det konkrete design, de skabte, ikke et stockfoto. E-mailen indeholder en opdeling pr. konstruktion (type, vægareal, anslået pris) og en tydelig knap til at bede om et præcist tilbud fra et menneske.

Hvis de ikke svarer inden for tre dage, kommer der én enkelt påmindelse: »Tænker du stadig på din have?« — samme billede, samme prisinterval, samme knap med ét klik. Kun én påmindelse og ikke en drypkampagne. Vi vil gerne hjælpe og ikke irritere.

Under det genererede design på hjemmesiden er der altid to CTA'er: et link til 3D-konfiguratoren, hvor de kan angive præcise mål, og et link til at se e-shoppen. Rejsen fra »jeg undrer mig over, hvordan min have kunne se ud« til »jeg konfigurerer min bestilling« kan ske i én enkelt session.

Om privatlivet: Indsendelse af e-mail ledsages altid af et link til vores privatlivspolitik og en tydelig note om, at brugerne når som helst kan afmelde sig. E-mailen med pristilbud er transaktionel — brugeren har udtrykkeligt bedt om et prisoverslag. Markedsføringsmails (nyhedsbrev) kræver et separat, udtrykkeligt samtykke i en afkrydsningsboks. Vi gemmer kun det, der er nødvendigt: e-mail, sprog, designbilledet og prisopdelingen. Overholdelse af GDPR er ikke bare et lovkrav — det er den eneste måde at opbygge tillid hos folk, der giver dig deres kontaktoplysninger sammen med et foto af deres hjem.

Den større lektie: Bed AI om at observere og ikke om at svare

Fejlen i V1 var ikke at bruge AI til rumlige opgaver — det var at bede modellen om at give det endelige svar direkte. »Hvor mange meter lang er den her?« kræver, at modellen løser monokulær tvetydighed, omsætter visuelle træk til fysiske enheder og giver et kalibreret tal. Det er tre svære problemer stablet oven på hinanden.

V3 deler det op i dele. »Hvor mange vandrette lag?« er en optælling — en af de mest pålidelige ting, synsmodeller gør. »Hvor mange gange længere end høj?« er et skøn af proportioner — også pålideligt, fordi forhold er uafhængige af skala. Omregningen fra lag til meter og fra forhold til absolutte mål er deterministisk kode med en kendt fysisk konstant.

Det samme princip gælder uden for vores brugstilfælde:

  • Spørg ikke »hvor høj er den bygning?« — spørg »hvor mange etager?« og gang med standardhøjden pr. etage.
  • Spørg ikke »hvor bredt er det rum?« — spørg »hvor mange fliser på tværs?« og gang med flisestørrelsen.
  • Spørg ikke »hvor langt er det hegn?« — spørg »hvor mange stolper?« og gang med standardafstanden.

Hvis dit produkt eller din scene indeholder et gentaget, synligt og dimensionelt ensartet element, har du allerede en lineal. Du har ikke brug for, at AI'en måler — du har bare brug for, at den tæller.

Prøv det selv

Upload et foto af din have, lad AI'en designe den med modulære højbede, og få et øjeblikkeligt prisoverslag. Hele processen tager cirka 30 sekunder. Dit første design og dets prisoverslag er gratis, uden registrering.

Få et prisoverslag på 30 sekunder

Upload et foto → AI genererer dit havedesign → øjeblikkelig prisopdeling.

Prøv AI-havedesigneren Eller brug 3D-konfiguratoren

Ofte stillede spørgsmål

Hvor nøjagtige er AI-genererede prisoverslag ud fra havebilleder?

Vores system opnår en nøjagtighed på cirka ±20 % omkring det centrale skøn. Vi viser intervallet tydeligt, så brugerne ser ærlig usikkerhed i stedet for enkelte tal med falsk præcision — tilbud fra mennesker i vores team lander typisk inden for det bånd.

Hvilken AI-model bruges til prisoverslaget?

Vi bruger Googles Gemini 2.5 Flash til den visuelle analyse. Hvert overslag koster cirka $0,001 (en tiendedel af en cent). Vi skiftede fra den dyrere Gemini 2.5 Pro, efter at vi fandt ud af, at Flash yder sammenligneligt til vores specifikke brug, hvor vi tæller konstruktive lag.

Kan AI virkelig måle mål ud fra ét foto?

Ikke direkte — forskning viser, at AI-synsmodeller tager fejl af absolutte mål 63 % af gangene. Vores tilgang omgår det ved at bruge produktets egen struktur (planklag på 12 cm) som indbygget skalareference. AI'en tæller lag og anslår proportioner, og derefter regner vores kode.

Hvorfor ikke bruge GPT-4 Vision i stedet for Gemini?

Gemini Flash er cirka 4× billigere med sammenlignelig ydeevne i rumlig ræsonnement til vores specifikke brug. Da vi laver ét API-kald pr. overslag, har prisen pr. kald betydning — ved $0,001 pr. stk. kan vi tilbyde ubegrænsede gratis overslag.

Kan denne tilgang bruges til andre produkter?

Ja — hvis dit produkt har et kendt, synligt og dimensionelt ensartet træk, der optræder i billeder. Murstenslag i murværk, gulvfliser, standardbredder på tømmer, betonblokke — alt med en fast dimension i den virkelige verden, som AI kan tælle, kan fungere som skalareference.

Er prisoverslaget et bindende tilbud?

Nej, det er et vejledende overslag, der skal hjælpe dig med at planlægge. Du kan bede om et præcist tilbud med ét klik — et menneske gennemgår designet og giver en præcis pris inden for 24 timer.

Fra artikel til have

Design et højbed til din egen grund.

I Studio vælger du længde og højde og ser højbedet i 3D med prisen med det samme. Har du et foto af din have? AI tegner højbede ind i det og beregner prisen.

  1. Plangrund og bede
  2. 3Ddet samme i 3D
  3. Kurvhver del med pris
  4. Vejledninglag for lag

Ingen tilmelding, ingen installation · kører i din browser

Haveplan i GridGarden Studio

GridGarden Studio

Begynd at designe gratis