Bag de strålende overskrifter kæmper AI-branchen med grundlæggende spørgsmål om fremdriften i innovationen, kapitalens bæredygtighed og de stadig mere forskellige veje, som modeludviklere og applikationsudviklere følger.
Branchens stille vendepunkt
Kunstig intelligens er vokset i et hidtil uset tempo de seneste tre år. Siden lanceringen af ChatGPT har forbrugernes brug af teknologien slået rekorder, giganter fra OpenAI til Google har annonceret modeller i hastig rækkefølge, og Fortune 500-virksomheder har gjort AI til en central del af deres forretningsprocesser. Men i dag kæmper branchen bag de strålende overskrifter med et grundlæggende anderledes spørgsmål:
Går den reelle innovation stadig fremad i højt tempo, eller ser vi en enorm maskine støde mod usynlige grænser?
For at besvare spørgsmålet ordentligt må vi betragte økosystemet fra to forskellige perspektiver:
Primært marked: Virksomheder, der udvikler grundmodeller som GPT-4, Claude og Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Sekundært marked: Virksomheder, der bruger disse modeller til at udvikle løsninger på reelle brugerproblemer: Perplexity, Cursor, Notion AI, Replit.
Selvom begge markeder hører til i samme branche, er deres dynamik, omkostningsstrukturer, risikoprofiler og vækstforventninger grundlæggende forskellige. Den spænding, vi ser i dag, udspringer netop af disse forskelle.
Naturlige grænser for modeludvikling begynder at vise sig
Fire grundlæggende faktorer har formet udviklingen af store sprogmodeller gennem de seneste fem år:
- Modelstørrelse (antal parametre)
- Træningsdata (kvalitet og variation)
- Beregningskraft (GPU/TPU-kapacitet)
- Træningsteknikker (transformerarkitekturer, attention-mekanismer)
Fra 2018 til 2023 blev alle fire faktorer skaleret op i samme retning og skabte enorme fremskridt. Sådan gik vi fra GPT-2 til GPT-4 og fra BERT til PaLM. Men denne kurve vil ikke fortsætte i det uendelige. Træningsdata er nu branchens mest kritiske flaskehals.
Der er kun begrænsede mængder originale, menneskeskabte data af høj kvalitet og med stor variation. Du træner på Wikipedia, du træner på arXiv, du træner på GitHub: hvad så? Omkostningerne på dette område stiger eksponentielt på grund af ophavsretlige problemer, aftaler om dataejerskab og adgangsbegrænsninger. Du indgår aftaler med Reddit, forhandler med Stack Overflow og bliver sagsøgt af The New York Times. Det er stadig teknisk muligt at øge modellernes størrelse, men datagrundlaget sætter et naturligt loft.
Derfor har branchen flyttet fokus fra modelstørrelse til effektivitet. Chain-of-thought-ræsonnement, forstærkningslæring baseret på menneskelig feedback (RLHF), mere effektive samplingteknikker og mixture-of-experts-arkitekturer (MoE): alt dette er en del af denne omstilling.
Disse fremskridt er betydelige, men kan ikke i sig selv opretholde udviklingen. På et tidspunkt når også effektivitetsgevinsterne et mætningspunkt. Branchen er begyndt at erkende, at innovationen inden for foundation-modeller er gået ind i en langsommere og dyrere fase.
Pres på kapitalstrømmene og voksende skrøbelighed
Efterhånden som de teknologiske grænser bliver mærkbare, er væksten på kapitalsiden blevet endnu mere risikofyldt.
Virksomheder, der udvikler foundation-modeller, bygger enorme infrastrukturer til beregning og giver aggressive tilbud i kampen om talenterne. Disse udgifter afholdes, før virksomhederne har etableret et solidt indtægtsgrundlag. OpenAI's årlige omkostninger til beregningskraft løber op i milliarder. Anthropic modtager investeringer på milliarder fra Microsoft. Google afsætter et særskilt budget til DeepMind.
Milliarder investeret i datacentre, flerårige GPU-kontrakter og astronomiske lønninger til navne som Ilya Sutskever: alt dette får virksomhedernes udgifter til at vokse dramatisk.
Dette billede viser, at primærmarkedet bygger på en økonomisk meget skrøbelig skaleringsmodel. Omkostningsstrukturen for modelinnovation overstiger langt vækstraterne for omsætningen.
Applikationslagets stille fremmarch
Mens primærmarkedet er under pres, følger sekundærmarkedet en relativt sund vækstkurve. Disse virksomheder tager foundation-modeller og omsætter dem til konkrete anvendelser.
- Perplexity: Gentænker søgeoplevelsen
- Cursor & Replit: Forandrer kodningsprocessen
- Notion AI: Gør produktivitetsværktøjer intelligente
- Dvina: Opretter forbindelse til 120+ applikationer, så hele det digitale liv kan administreres fra ét intelligent lag
Disse virksomheders fordel er, at de er tættest på brugeren. Den reelle værdi opstår direkte i brugeroplevelsen. Søgning, kodning, indholdsproduktion, produktivitet og informationsbehandling: alle disse områder giver mulighed for skalerbare og forståelige indtægtsmodeller.
Derfor er mange producenter af foundation-modeller begyndt at bevæge sig over i applikationslaget. OpenAI gjorde ChatGPT til et produkt, Anthropic gjorde Claude til et tilbud til forbrugere, og Google integrerede Gemini. Strategien med vertikal integration har hurtigt bredt sig.
Men denne strategi har haft bivirkninger: Omkostningerne ved opkøb er eksploderet, og værdiansættelserne på sekundærmarkedet er blevet pustet op. At sekundærmarkedet — det eneste område, der kan generere omsætning — er blevet så dyrt, øger kapitalrisikoen i sektoren yderligere.
Historiske cyklusser og det, der adskiller situationen i dag
Kunstig intelligens har tidligere oplevet to store nedture: i slutningen af 1970'erne og begyndelsen af 1990'erne. Disse perioder havde høje forventninger, et lavt innovationstempo og en svindende investeringslyst til fælles.
Situationen i dag er anderledes. Den tekniske innovation fortsætter, men der bliver længere mellem gennembruddene. Kapitalstrømmene vokser derimod i et hidtil uset omfang. Sam Altman taler om en fond til beregningskraft på $7 billioner, og Elon Musk hælder milliarder i xAI.
Derfor er det, vi oplever, ikke en klassisk "AI-vinter". Det er snarere en periode med skrøbelighed drevet af kapitalallokering: værdiansættelserne pustes op, omkostningerne vokser stadig hurtigere, men innovationstempoet lever ikke op til forventningerne.
Den nye æra: Ikke større modeller, men smartere tilgange vil vinde
Den mest afgørende forskel i dag er denne: Det handler ikke længere om at skabe endnu større modeller ved at tilføje flere parametre.
Den virkelige transformation vil ske på disse områder:
- Øget parametereffektivitet
- Højere kvalitet med mindre modeller
- Udvikling af nye træningsteknikker
- Mere strategisk og effektiv brug af data
- Radikal reduktion af træningsomkostningerne
Et af de mest opsigtsvækkende eksempler fra den seneste tid var DeepSeek. Denne kinesiske startup udviklede en model, der præsterede på GPT-4-niveau, men med langt lavere træningsomkostninger. Mixture-of-experts-arkitektur, parameteroptimering og træningsteknikker med fokus på effektivitet. Markedet reagerede kraftigt.
Efter DeepSeeks annoncering faldt NVIDIAs markedsværdi med 600 milliarder dollars på en enkelt dag. Det viste, at investorer nu ikke kun følger kapløbet om større modeller, men også kapløbet om effektivitet og innovation inden for arkitektur.
Men selv det er stadig ikke nok. Hvis sektoren skal tage et reelt spring fremad, vil det ske gennem nye arkitektoniske paradigmer. Noget, der rækker ud over transformerarkitekturen. Måske neuromorfisk computing, måske hybridmodeller eller måske en helt anden ramme for læring.
Den slags radikale transformationer kommer typisk ikke fra store virksomheder. De går forsigtigt frem på grund af presset fra deres størrelse, infrastrukturomkostninger og virksomhedernes risikostyring. Reelle gennembrud opstår ofte hos små, aggressive, risikovillige og ambitiøse startups.
Dagens AI-økosystem venter sandsynligvis på netop sådan en omvæltning.
Konklusion: Tilgangen vinder – ikke ressourcerne
AI-sektoren bevæger sig i dag mellem to spændingsfelter: På den ene side en strategi for skalering af modeller, der nærmer sig sine grænser; på den anden side voksende kapitalrisici og et marked for applikationer, der hurtigt stiger i værdi.
Dette billede viser, at det grundlæggende problem nu er tilgangen, ikke kapaciteten. Morgendagens vindere bliver ikke dem, der bygger større modeller, men dem, der udvikler smartere metoder. Effektivitet, nye arkitekturdesign og optimerede træningsteknikker er ved at blive sektorens egentlige skillelinje.
Det afgørende i fremtiden bliver kvaliteten af tilgangen, ikke styrken af ressourcerne. Og sandsynligheden for, at visionære startups snarere end store virksomheder vil sætte dette skifte i tilgang i gang, er ganske høj.