SV
Öppna Studio
GridGarden Studio
Tips och guider

AI-prisuppskattning från bilder: 3 försök, 1 lösning som fungerar

21 min läsning

AI-prisuppskattning från bilder: 3 försök, 1 lösning som fungerar

Designa din trädgård utifrån ett foto med AI

Beloppen i den här texten är vägledande, inte GridGardens prislista. Aktuella priser för leveranslandet (Sverige) finns på produktsidorna och i Studio.

Kort sagt: AI-visionsmodeller sägs mäta fel i 63 % av fallen. Alla rekommendationer säger ”mät inte utifrån bilder – klassificera i stället”. Vi provade båda. Klassificering innebar att vi måste begränsa vår AI-bildgenerator till en fast katalog, vilket dödade det kreativa resultatet. Så vi hittade en tredje väg: använd själva produkten som måttstock. Varje varv i vårt modulära system är exakt 12 cm. AI:n räknar varven, vi gör matten och du får en prisuppskattning på 5 sekunder för 0,001 $.

Varför säger alla att ”AI kan inte mäta utifrån foton”?

2024 publicerade forskare vid Google SpatialVLM – ett testunderlag som mäter hur väl visuellt-språkliga modeller förstår rumsliga samband. Resultaten var nyktra: när toppmodellerna ombads uppskatta avstånd och mått utifrån foton hamnade de inom rätt intervall (0,5× till 2× av verkligheten) bara 37,2 % av gångerna. Nästan två tredjedelar av uppskattningarna låg mer än dubbelt fel.

En uppföljande studie, SpatiaLab (2026), bekräftade att problemet sitter djupt – tidigare testunderlag överskattade i själva verket hur väl de här modellerna uppfattar rummet. De verkliga siffrorna är sämre.

Grundproblemet kallas monokulär tvetydighet: från en enda 2D-bild utan referenspunkt är det fysiskt omöjligt att återskapa absoluta 3D-mått. En kruka på 30 cm fotograferad på nära håll ser identisk ut med en planteringslåda på 3 m fotograferad på avstånd. Ingen mängd träningsdata ändrar det – det är inte en AI-begränsning, det är geometri.

Och AI-genererade bilder gör det ännu svårare. Riktiga foton bär åtminstone EXIF-metadata (brännvidd, sensorstorlek) som i teorin kan förankra perspektivberäkningar. Genererade bilder har inget av det.

Intressant nog visade forskningen också var flaskhalsen egentligen ligger: i överlämningsproblemet mellan syn och språk. Den visuella kodaren representerar faktiskt rumslig information korrekt internt – men språkmodellen kan inte plocka fram den när den genererar textsvar. Modellen ”ser” måtten mer exakt än den kan ”säga” dem.

Så när vi bestämde oss för att bygga automatiska prisuppskattningar för AI-genererade trädgårdsdesigner var den akademiska samstämmigheten tydlig: mät inte. Klassificera.

Det här gör branschen i stället:

Företag Angreppssätt Mäter utifrån foton?
Zillow Zestimate Klassificerar egenskaper (granit mot laminat), använder jämförbara försäljningsdata Nej – 1M+ träningsexempel, endast klassificering
SimplyWise Klassificerar projekttyp → regionala pristabeller Nej – ±10–15 % noggrannhet, ingen pixelmätning
Hover 8–10 foton → 3D-rekonstruktion + mänsklig kvalitetskontroll Ja – men kräver flera vinklar och tar ~1 timme
AI Garden Planner, Planner 5D m.fl. Endast visualisering – ingen prissättning Ej tillämpligt

Ingen inom AI-trädgårdsdesign (en marknad på 1,72 mdr $ som växer med 21,4 % per år) erbjuder prisuppskattningar utifrån genererade designer. Inte en enda konkurrent. Vi bestämde oss för att försöka ändå.

Letar du efter en färdig odlingslåda? Se odlingslåda I eller bläddra bland alla odlingslådor i Brick Premium.

Så genererar vår AI trädgårdsdesigner (och varför det gör prissättningen svår)

Innan vi går in på prissättningen hjälper det att förstå vad vi prissätter. Vår AI-trädgårdsdesigner låter användare ladda upp ett foto av sin faktiska trädgård. AI:n genererar sedan en fotorealistisk visualisering av hur ytan kan se ut med modulära odlingslådor.

Bilden går faktiskt genom en pipeline i tre steg innan den renderas:

  1. Agent 1 – varumärkesoberoende arkitekt (Gemini Flash). Tar emot användarens vision, täthet och årstid. Utformar en sammanhängande trädgårdsscen som JSON – elementlista, planteringskaraktär, stilkänsla. Agenten har ingen kunskap om vår produkt, så den faller inte tillbaka på ”odlingslådor överallt”. Be om en äng med vilda blommor och du får en äng med vilda blommor. Be om en pergolalounge och du får en pergolalounge.
  2. Agent 2 – varumärkesmedveten kategoriserare (Gemini Flash). Läser scenplanen och avgör vilka element som är Brick-kompatibla (odlingslådor, bänkar, låga murar, planteringslådor, trappor – ja; pergola, spaljé, träd – nej). Väljer 0–2 referensfoton av produkten ur en pool på tre, beroende på vilka Brick-element som finns. Bygger den slutliga bildprompten med ett villkorligt Brick-stycke som bara visas när brick_count > 0.
  3. Bildgenerator (Gemini Pro-bildmodell). Tar emot den slutliga prompten + 0–2 referensfoton. Renderar den fotorealistiska trädgården.

Den här uppdelningen spelar roll för prissättningen. En begäran om ”vild äng” slutar med noll Brick-konstruktioner och noll referensfoton – det finns inget att prissätta. En ”terrasserad köksträdgård med örter och en bänk” slutar med två referensfoton och ett fullständigt Brick-stycke som läggs in i prompten. Prisuppskattaren längre ner i flödet aktiveras bara när scenen faktiskt innehåller Brick-kompatibla konstruktioner; scener med enbart växter returnerar korrekt 0 € och inget offertmejl.

Inom den ramen har AI:n ändå kreativ frihet i allt annat – hur många konstruktioner, var de placeras, vilka former de får och hur de förhåller sig till den befintliga trädgården. En L-form som sluter sig runt ett träd? En bänk integrerad i en stödmur? En trappa som följer en sluttning? Allt är upp till modellen.

Användarna styr ett täthetsreglage (0–100) som motsvarar ungefär 0–20 konstruktioner. Vid täthet 25 får du en naturlig trädgård med några diskreta lådor inbäddade bland vilda blommor. Vid täthet 80 får du ett fullt organiserat utomhusrum med tydliga zoner förbundna av gångar. AI:n väljer vilka typer av konstruktioner som passar scenen.

Den kreativa friheten är hela poängen med verktyget. Ingen vill ha en konfigurator som ger samma tre rektangulära lådor varje gång. Men den skapar ett grundläggande prissättningsproblem: varje genererad bild är unik. Det finns ingen fördefinierad materialförteckning. Ingen artikellista. Bara en fotorealistisk bild av träkonstruktioner som kan vara allt från en enda planteringslåda till en utarbetad trädgård med flera zoner.

Så hur prissätter man något som inte finns ännu, utifrån en bild som genererades för 5 sekunder sedan?

Försök #1: Fråga bara AI:n om måtten

Vårt första angreppssätt var det mest naiva: ge Gemini 2.5 Pro den genererade trädgårdsbilden och be den uppskatta måtten i meter.

// Prompten vi släppte i produktion
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 }
]}

Prissättningen var okomplicerad geometri – räkna ut synlig väggyta och multiplicera med 125 €/m²:

// Beräkning av väggyta per konstruktionstyp:
// 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 fungerade. Bättre än vi väntat oss. En låda som i verkligheten var 1,8 m lång kom tillbaka som 1,4 m eller 2,2 m – de enskilda måtten var oprecisa, men geometrin kompenserade: när längden överskattades tenderade höjden att underskattas. Prisuppskattningen hamnade inom ±20–25 % av verkligheten. För en gratis, omedelbar uppskattning utifrån en AI-genererad bild kändes det förvånansvärt användbart.

Modellen var särskilt hyfsad på att räkna konstruktioner – om bilden visade 3 odlingslådor och en bänk hittade den i allmänhet 3 odlingslådor och en bänk. Den förstod hur vårt Brick-system ser ut. Måtten var luddiga, men upptäckten av konstruktioner var stabil.

Men sedan läste vi forskningsrapporterna. SpatialVLM:s träffsäkerhet på 37,2 %. Googles egen dokumentation som varnar för rumslig mätning utifrån enstaka bilder. Stack Overflow-trådar fulla av ”det här är i grunden omöjligt”. Vi blev skrämda.

”Det här kan inte fungera i längden”, sa vi till oss själva. ”Vi har bara tur. Låt oss göra det på rätt sätt – som alla rekommenderar.”

Försök #2: Det ”riktiga” sättet – katalogklassificering

Den rekommenderade metoden är tydlig: mät inte, klassificera. Identifiera vilken typ av konstruktion det är, placera den i en storlekskategori, slå upp ett fast pris. Ingen mätning, ingen tvetydighet. Det är vad Zillow gör. Det är vad SimplyWise gör. Det är vad forskningen säger att man ska göra.

Idén var enkel:

// Klassificera konstruktionstyp + storlek → uppslag av fast pris
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 stötte på ett problem vi inte hade förutsett – och det hade ingenting med AI:ns noggrannhet att göra.

Vår AI-trädgårdsdesigner genererar kreativa designer. En användare laddar upp ett foto av sin trädgård och Gemini Imagen skapar en unik visualisering med modulära odlingslådor arrangerade för att passa just den ytan. Konstruktionerna den genererar är varierade – L-former, kurvor som följer en trädgårdsgång, lådor integrerade i sluttningar, bänkar kopplade till odlingslådor, terrasserade arrangemang som suddar ut gränsen mellan ”trappa” och ”mur”.

För att katalogklassificering skulle fungera hade vi behövt begränsa bildgeneratorn. ”Generera bara dessa 5 typer. Bara dessa 3 storlekar. Håll allt rektangulärt.” Det hade gjort prissättningen exakt – men det hade dödat det som gör verktyget värdefullt: de kreativa, personliga designerna.

Vi stod inför en grundläggande avvägning: exakt prissättning mot kreativ frihet i genererade bilder.

Och även när vi försökte få klassificeringen att fungera utan att begränsa generatorn blev resultaten dåliga:

  • ”Liten/Medel/Stor” betydde ingenting för modellen. Utan ett referensobjekt i bilden var samma låda ”liten” i en analys och ”stor” i nästa. Det finns ingen fysisk förankring för de orden – ”medel” är ett språkligt begrepp, inte ett mått.
  • Kreativa konstruktioner passar inte i prydliga kategorier. Är en L-formad låda en ”stor” odlingslåda eller två ”medelstora”? Är en bänk integrerad i en odlingslåda en ”bänk” eller en del av lådan? Kategorierna var för stela för det generatorn faktiskt skapade.
  • Vi började lägga till lappningar. Ett rabattavdrag för överräkning (-15 % för varje konstruktion över 3, eftersom modellen hallucinerade extra). Ett omklassificeringssteg. En tabell för manuella åsidosättanden. Varje lappning var ett tecken på att angreppssättet inte passade vårt användningsfall.

Kärnproblemet: katalogprissättning förutsätter en katalog. Det fungerar för Zillow eftersom hus har kända typer (ranchhus, kolonialhus, souterränghus) med decennier av jämförbara försäljningsdata. Det fungerar för SimplyWise eftersom byggprojekt motsvarar standardiserade kategorier. Vår AI genererar unika designer varje gång – det finns ingen katalog att klassificera mot.

Vi släppte aldrig den här versionen. I stället gick vi tillbaka till det som faktiskt fungerade – mätning – men med en avgörande insikt.

Försök #3: Låt produkten vara måttstocken

Forskningen hade rätt i en sak: man kan inte återskapa absoluta mått från en enda bild utan referenspunkt. Men den hade fel i ett antagande – att det inte finns någon referenspunkt.

Vår produkt har en inbyggd måttstock.

Det modulära Brick-systemet använder lärkplankor som är 120 mm höga och 60 mm tjocka. När de staplas horisontellt bildar varje planka ett synligt varv – ett tydligt band på 12 cm i varje genererad bild. Det är en fysisk konstant för produkten. Den är densamma i varje bild, varje design, varje vinkel. Och bildgeneratorn känner redan till den – Agent 2 lägger in ”thick planks (120mm tall × 60mm thick), stacked horizontally with joints offset row by row like brickwork” i varje prompt där Brick-konstruktioner förekommer, så att plankorna renderas konsekvent.

Med V1 hade vi frågat: ”Hur många meter lång är den här lådan?” – en fråga som kräver att man löser problemet med monokulär tvetydighet.

Med V3 frågar vi: ”Hur många plankvarv ser du, och hur många gånger längre är väggen än den är hög?” – frågor som bara kräver räkning och uppskattning av ett förhållande. Båda är saker som visionsmodeller gör bra.

// Den faktiska prompten i produktion (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}
]}

Prismotorn gör aritmetiken:

const LAYER_HEIGHT_M = 0.12;
const PRICE_PER_M2 = 120;
const PRICE_PER_STAIR_STEP_M = 58;  // trappor prissätts separat
function calculatePrice(s) {
  const height = s.layers * LAYER_HEIGHT_M;
  // 4 layers = 0.48m
  if (s.type === 'stairs') {
    // Trappor: per steg × bredd, inte m² — vertikala höjdskillnader förstör väggberäkningen
    const width = s.length_ratio * LAYER_HEIGHT_M;
    return Math.round(s.layers * width * PRICE_PER_STAIR_STEP_M);
    // e.g. 6 steps × 1.2 m × price per metre of step
  }
  const length = height * s.length_ratio;
  // 0.48m × 3.5 = 1.68m
  if (s.type === 'wall') {
    // Mur med en yta — ingen motsatt yta, inga sidor
    return Math.round(length * height * PRICE_PER_M2);
    // 1.68 × 0.48 × €120 = €97
  }
  // raised_bed / planter / bench — sluten låda, omkrets × höjd
  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 kommentar om matematiken ovan: den ursprungliga V3 levererades med faceArea × visible_faces – som bara räknade de väggytor som syns på fotot. I produktion upptäckte vi att det systematiskt underskattade med 20–50 % för lådliknande konstruktioner eftersom det ignorerade bakväggen och en sida. V3.2 ersatte det med en omkretsbaserad formel för slutna lådor, en enkel längd×höjd för murar med en yta och en formel per steg för trappor. Trappor behövde ett eget spår eftersom varvräkning inte fungerar på vertikala höjdskillnader – en trapps ”väggyta” är meningslös; du betalar för block per steg, inte för synliga ytor.

Varför det här fungerar där V1 och V2 inte gjorde det:

  • Att räkna är något visionsmodeller gör bra. Horisontella linjer i staplade plankkonstruktioner är högkontrasterande, repetitiva visuella drag. Att räkna avgränsade varv är i grunden något annat än att uppskatta ”hur många meter” – det är mönsterigenkänning, inte rumsligt resonemang.
  • Förhållanden är lättare än absoluta värden. ”Den här väggen är ungefär 3,5 gånger längre än den är hög” är en visuell proportionsbedömning. Modellen behöver inte känna till den absoluta storleken – bara formen. Det kringgår den monokulära tvetydigheten helt.
  • Skalreferensen är verklig. 12 cm per varv är inget antagande – det är en tillverkningsspecifikation som finns inbyggd i både den fysiska produkten och bildgenereringsprompten. AI:n ”känner till” plankans tjocklek eftersom den genererade bilden med det villkoret.
  • Den kreativa friheten bevaras. Till skillnad från V2:s katalogmetod begränsar vi inte vilka konstruktioner generatorn kan skapa. L-former, kurvor, integrerade bänkar – allt går. Varvräkningen fungerar på vilken form som helst eftersom den mäter synlig väggyta, inte fördefinierade kategorier.
  • AI:n observerar, koden räknar. Vi delade upp uppgiften i det AI gör bra (visuell mönsterigenkänning) och det kod gör bra (aritmetik). Ingen gör den andras jobb. Fältet reasoning tvingar modellen att beskriva vad den ser innan den anger siffror, vilket synliggör dåliga uppskattningar i loggarna och håller resultaten jordnära.

Vad som förändrades mellan angreppssätten

V1: Direkt mätning V2: Katalogklassificering V3: Varvräkning
Vad vi frågar AI:n ”Hur många meter?” ”Vilken typ och storlek?” ”Hur många varv? Vilket förhållande?”
Förankringspunkt Ingen (gissning) Fast katalog (begränsande) Plankvarv på 12 cm (fysiskt)
Kreativ frihet Full Begränsad (kräver fördefinierade typer) Full
Noggrannhet ±20–25 % (oförutsägbar) Inkonsekvent (aldrig släppt) ±20 % (förutsägbar)
Prisintervall ±20 % symmetriskt Fast uppslag (inget intervall) ±20 % symmetriskt
Modell Gemini 2.5 Pro (~0,005 $) Gemini 2.5 Flash (~0,001 $) Gemini 2.5 Flash (~0,001 $)
Status Fungerade, men övergavs efter forskning Aldrig släppt – för begränsande I produktion

En kommentar om prisintervallet. Vi visar ±20 % runt den centrala uppskattningen – ett medvetet brett band som speglar den verkliga osäkerheten i att mäta utifrån ett enda foto. En låda med 4 varv kan komma tillbaka som 3 eller 5 varv; ett längdförhållande på 3,0 kan vara 2,5 eller 3,5. Matematiken multiplicerar de felen, så det ärliga budskapet är ”någonstans mellan X och Y”, inte ett enda siffervärde med falsk precision. När ett mänskligt offertteam tar över från uppskattningen hamnar det vanligtvis inom bandet.

Från genererad bild till prisuppskattning på 5 sekunder

Så här går det till efter att en användare genererat en trädgårdsdesign:

För registrerade användare utlöses prisuppskattningen automatiskt – inget knapptryck behövs. Den genererade bilden skalas ner till 1024 px och skickas till en andra AI-modell (Gemini 2.5 Flash, konfigurerad för visuell analys vid temperatur 0,2 för deterministisk räkning). Det är ett annat modellanrop än det som genererade bilden – generatorn skapar, analysatorn mäter.

Analysatorn returnerar en JSON med sitt resonemang för varje konstruktion: ”4 horisontella varv synliga, väggen sträcker sig ungefär 3,5× höjden, framsida och sida synliga.” Vår kod multiplicerar varven med 0,12 m, tillämpar förhållandet, räknar ut m² och summerar allt.

Resultatet visas direkt under den genererade bilden – en grön panel med en tabell som specificerar varje konstruktion. Varje rad visar: konstruktionstyp, mått (höjd × längd), synliga ytor, väggyta i m² och uppskattat pris. Totalen visar X.XX m² × €120/m² med prisintervallet i stor text. Ingen svart låda – användarna kan se exakt hur uppskattningen räknades fram och själva bedöma om varvantalet ser rätt ut.

Samtidigt kommer ett mejl med samma specifikation plus trädgårdsbilden. Om användaren inte svarar inom 3 dagar följer en enda påminnelse: ”Funderar du fortfarande på din trädgård?” med en knapp för att med ett klick begära en exakt offert från en människa. Hela kedjan – bildgenerering till prisuppskattning till mejl – kostar under 0,01 $.

Ekonomin: 0,135 $ per bild, 0,001 $ per prisoffert

Att bygga ett AI-drivet verktyg är en sak. Att göra det ekonomiskt hållbart är en annan. Så här ser siffrorna faktiskt ut.

Bildgenerering kostar 0,134 $ per bild. Vi använder Geminis Pro-bildmodell – den dyraste nivån. Vi provade den billigare Flash-modellen tidigt. Bildkvaliteten räckte inte: texturerna såg platta ut, trämaserningen var inkonsekvent, plankproportionerna i Brick driftade. För ett verktyg där visuell kvalitet är produkten var det inte en avvägning värd att göra att spara 60 % av genereringskostnaden och få bilder som inte ser övertygande ut. Endast Pro, ingen reservlösning.

Prisuppskattning kostar 0,001 $ per offert. Här är kalkylen den omvända – vi använder Gemini 2.5 Flash för den visuella analysen. Att räkna plankvarv och uppskatta proportioner kräver inte samma modell som genererar fotorealistiska bilder. Flash hanterar räkneuppgifter pålitligt till en bråkdel av kostnaden. Att välja rätt modell för varje uppgift – Pro där kvaliteten spelar roll, Flash där träffsäkerheten i en specifik, snäv uppgift spelar roll – är skillnaden mellan en hållbar och en ohållbar produkt.

En typisk användarsession ser ut så här:

Steg Modell Kostnad
Generera trädgårdsdesign (första gratis utan registrering) Gemini Pro (bild) 0,268 $
Prisuppskattning Gemini 2.5 Flash (vision) 0,001 $
Prisberäkning + mejl Node.js (inget API-anrop) 0,000 $
Totalt per session ~0,27 $

Din första AI-design är gratis utan registrering. Fler designer kräver registrering och betalas med krediter.

Själva prisuppskattningen är alltid gratis – vid 0,001 $ per offert skulle en betalvägg kosta mer i förlorat engagemang än den sparar i API-avgifter. Och prismatematiken (varv × 0,12 m × förhållande × ytor × 120 €/m²) körs helt i vår kod utan några API-anrop. När Gemini Flash väl har returnerat varvantalen är allt annat deterministisk aritmetik.

Vi optimerar också indatakostnaderna i varje steg. Foton som användare laddar upp förbehandlas med Sharp – skalas ner till max 2048 px och rensas från EXIF-data innan de når API:et. Vid analys för prisofferter komprimeras den genererade bilden ytterligare till 1024 px JPEG. En liten pool med produktreferensfoton cachas lokalt och Agent 2 väljer 0–2 av dem per scen (bifogas inte alltid – scener med bara äng får noll referenser). Genereringsprompten hålls under 150 ord – över 200 börjar bildmodellen ignorera delar av instruktionen.

Affärsmodellen: vi förlorar pengar på genereringen. Det är poängen.

Låt oss vara ärliga om ekonomin. De flesta användare använder sin kostnadsfria design och köper aldrig krediter. De få som köper krediter täcker inte på långa vägar de totala API-kostnaderna för alla användare. På ren genereringsintäkt går vi med förlust.

Det är avsiktligt. AI-trädgårdsdesignern är ingen produkt – den är en tratt.

Det här får vi faktiskt av en användare som genererar en trädgårdsdesign och anger sin e-postadress:

  • En het lead med köpavsikt. Någon som laddar upp ett foto av sin trädgård, genererar en design med odlingslådor och går igenom en prisuppskattning är ingen tillfällig besökare. Hen överväger aktivt ett trädgårdsprojekt. Det är kvalitativt något annat än någon som klickat på en annons.
  • Ett personligt prisankare. Användaren har nu en konkret siffra i huvudet – ”min trädgård skulle kosta ungefär 350 €”. Det är mycket effektivare än en allmän produktsida med plankpriser per del.
  • En bild de redan har blivit kära i. De genererade designen själva. De valde täthet, stil och arrangemang. Det finns ett ägandeskap i den bilden som inget katalogfoto kan matcha.

E-postsekvensen förstärker detta. Direkt efter att en design genererats får användaren ett mejl med prisofferten och trädgårdsbilden inbäddad – den specifika design de skapade, inte ett stockfoto. Mejlet innehåller en specifikation per konstruktion (typ, väggyta, uppskattat pris) och en tydlig knapp för att begära en exakt offert från en människa.

Om de inte svarar inom tre dagar kommer en enda påminnelse: ”Funderar du fortfarande på din trädgård?” – samma bild, samma prisintervall, samma knapp med ett klick. Bara en påminnelse, inte en droppkampanj. Vi vill vara hjälpsamma, inte irriterande.

Under den genererade designen på webbplatsen finns alltid två uppmaningar: en länk till 3D-konfiguratorn där man kan specificera exakta mått, och en länk för att bläddra i e-shopen. Vägen från ”jag undrar hur min trädgård kan se ut” till ”jag konfigurerar min beställning” kan avverkas i en enda session.

Om integritet: när en e-postadress lämnas åtföljs det alltid av en länk till vår integritetspolicy och en tydlig notering om att användare kan avsluta prenumerationen när som helst. Prisofferten via mejl är transaktionell – användaren har uttryckligen begärt en prisuppskattning. Marknadsföringsmejl (nyhetsbrev) kräver en separat, uttrycklig ruta som måste kryssas i. Vi lagrar bara det som behövs: e-postadress, språk, designbilden och prisspecifikationen. GDPR-efterlevnad är inte bara ett lagkrav – det är det enda sättet att bygga förtroende hos människor som ger dig sina kontaktuppgifter tillsammans med ett foto av sitt hem.

Den större lärdomen: be AI:n observera, inte svara

Misstaget i V1 var inte att använda AI för rumsliga uppgifter – det var att be modellen producera det slutliga svaret direkt. ”Hur många meter lång är den här?” kräver att modellen löser monokulär tvetydighet, omvandlar visuella drag till fysiska enheter och producerar ett kalibrerat tal. Det är tre svåra problem staplade på varandra.

V3 bryter ner det i delar. ”Hur många horisontella varv?” är en räkneuppgift – en av de mest pålitliga sakerna visionsmodeller gör. ”Hur många gånger längre än hög?” är en proportionsuppskattning – också pålitlig, eftersom förhållanden är skalinvarianta. Omvandlingen från varv till meter och från förhållanden till absoluta mått är deterministisk kod med en känd fysisk konstant.

Samma princip gäller utanför vårt användningsfall:

  • Fråga inte ”hur hög är den här byggnaden?” – fråga ”hur många våningar?” och multiplicera med standardvåningshöjd.
  • Fråga inte ”hur bredd är det här rummet?” – fråga ”hur många plattor på tvären?” och multiplicera med plattstorleken.
  • Fråga inte ”hur långt är det här staketet?” – fråga ”hur många stolpar?” och multiplicera med standardavståndet.

Om din produkt eller scen innehåller något upprepat, synligt, måttmässigt konsekvent element har du redan en måttstock. Du behöver inte att AI:n mäter – du behöver bara att den räknar.

Prova själv

Ladda upp ett foto av din trädgård, låt AI:n utforma den med modulära odlingslådor och få en omedelbar prisuppskattning. Hela processen tar ungefär 30 sekunder. Din första design och dess prisuppskattning är gratis, ingen registrering behövs.

Få en prisuppskattning på 30 sekunder

Ladda upp ett foto → AI skapar din trädgårdsdesign → omedelbar prisspecifikation.

Prova AI-trädgårdsdesignern Eller använd 3D-konfiguratorn

Vanliga frågor

Hur exakta är AI-genererade prisuppskattningar utifrån trädgårdsbilder?

Vårt system uppnår en noggrannhet på cirka ±20 % runt den centrala uppskattningen. Vi visar intervallet öppet så att användarna ser ärlig osäkerhet i stället för enstaka siffror med falsk precision – offerter från vårt team hamnar vanligtvis inom det bandet.

Vilken AI-modell används för prisuppskattningen?

Vi använder Googles Gemini 2.5 Flash för visuell analys. Varje uppskattning kostar ungefär 0,001 $ (en tiondels cent). Vi bytte från den dyrare Gemini 2.5 Pro efter att ha sett att Flash presterar likvärdigt för vårt specifika användningsfall att räkna konstruktionsvarv.

Kan AI verkligen mäta mått utifrån ett enda foto?

Inte direkt – forskning visar att AI-visionsmodeller mäter absoluta mått fel i 63 % av fallen. Vårt angreppssätt kringgår det genom att använda produktens egen struktur (plankvarv på 12 cm) som inbyggd skalreferens. AI:n räknar varv och uppskattar proportioner, sedan gör vår kod matten.

Varför inte använda GPT-4 Vision i stället för Gemini?

Gemini Flash är ungefär 4× billigare med likvärdig prestanda i rumsligt resonemang för vårt specifika användningsfall. Eftersom vi gör ett API-anrop per uppskattning spelar kostnaden per anrop roll – vid 0,001 $ styck kan vi erbjuda obegränsat många gratis uppskattningar.

Kan det här angreppssättet fungera för andra produkter?

Ja – om din produkt har något känt, synligt, måttmässigt konsekvent drag som syns i bilderna. Tegelvarv i murverk, golvplattor, standardmått på virke, betongblock – allt med ett fast verkligt mått som AI kan räkna kan fungera som skalreferens.

Är prisuppskattningen en bindande offert?

Nej, det är en vägledande uppskattning som hjälper dig att planera. Du kan begära en exakt offert med ett klick – en människa granskar designen och ger ett exakt pris inom 24 timmar.

Från artikel till trädgård

Designa en odlingslåda för din egen tomt.

I Studio anger du längd och höjd och ser odlingslådan i 3D med pris direkt. Har du ett foto av din trädgård? AI ritar in odlingslådor i den och räknar ut priset.

  1. Plantomt och odlingslådor
  2. 3Dsamma sak i 3D
  3. Varukorgvarje del med pris
  4. Monteringsanvisninglager för lager

Ingen registrering, ingen installation · körs i webbläsaren

Trädgårdsplan i GridGarden Studio

GridGarden Studio

Börja designa gratis