Bakom de glödande rubrikerna brottas AI-branschen med grundläggande frågor om innovationstakt, kapitalets hållbarhet och de allt mer skilda vägarna för modellutvecklare respektive applikationsbyggare.
Branschens tysta vändpunkt
Artificiell intelligens har vuxit i en aldrig tidigare skådad takt under de senaste tre åren. Sedan lanseringen av ChatGPT har konsumentanvändningen slagit rekord, jättar från OpenAI till Google har presenterat modeller i snabb följd, och Fortune 500-bolag har placerat AI i kärnan av sina affärsprocesser. Ändå brottas branschen i dag, bakom de glödande rubrikerna, med en i grunden annan fråga:
Har verklig innovation fortfarande starkt momentum, eller ser vi en enorm maskin slå i osynliga gränser?
För att besvara den frågan på rätt sätt behöver vi se ekosystemet genom två tydliga linser:
Primärmarknad: Företag som utvecklar grundmodeller som GPT-4, Claude och Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Sekundärmarknad: Företag som tar dessa modeller och bygger lösningar för verkliga användarproblem: Perplexity, Cursor, Notion AI, Replit.
Även om båda marknaderna finns inom samma bransch är deras dynamik, kostnadsstrukturer, riskprofiler och tillväxtförväntningar i grunden olika. Den spänning vi ser i dag uppstår just ur denna divergens.
Naturliga gränser för modellutveckling börjar träda fram
Fyra grundläggande faktorer har format utvecklingen av stora språkmodeller under de senaste fem åren:
- Modellstorlek (antal parametrar)
- Träningsdata (kvalitet och mångfald)
- Beräkningskraft (GPU/TPU-kapacitet)
- Träningstekniker (transformerarkitekturer, uppmärksamhetsmekanismer)
Från 2018 till 2023 skalades dessa fyra faktorer i samma riktning, vilket skapade enorma språng. Det är så vi gick från GPT-2 till GPT-4, från BERT till PaLM. Den här kurvan kommer dock inte att fortsätta i all oändlighet. Träningsdata är nu branschens mest kritiska flaskhals.
Högkvalitativa, mångsidiga och originella datapooler skapade av människor är begränsade. Du tränar på Wikipedia, du tränar på arXiv, du tränar på GitHub: och sedan då? Kostnaderna inom det här området stiger exponentiellt på grund av upphovsrättsfrågor, avtal om dataägande och åtkomstbegränsningar. Du sluter avtal med Reddit, förhandlar med Stack Overflow, möter stämningar från The New York Times. Att öka modellstorleken är fortfarande tekniskt genomförbart, men datasidan skapar ett naturligt tak.
Det är därför branschen har flyttat sitt fokus från modellstorlek till effektivitet. Chain-of-thought-resonemang, reinforcement learning from human feedback (RLHF), mer effektiva samplingstekniker, mixture-of-experts (MoE)-arkitekturer: allt detta är en del av den här omvandlingen.
Den här utvecklingen är betydelsefull, men inte hållbar på egen hand. För vid någon punkt når även effektivitetsvinster mättnad. Branschen börjar inse att innovation inom grundmodeller har gått in i en fas som är långsammare och dyrare.
Press på kapitalflöden och växande skörhet
I takt med att de tekniska begränsningarna blir påtagliga har tillväxten på kapitalsidan blivit ännu mer riskfylld.
Företag som bygger grundmodeller bygger upp enorma beräkningsinfrastrukturer och lägger aggressiva bud i kampen om talanger. Dessa utgifter sker innan starka intäktsbaser har etablerats. OpenAI:s årliga beräkningskostnader uppgår till miljardbelopp. Anthropic får investeringar på flera miljarder från Microsoft. Google avsätter en separat budget för DeepMind.
Miljarder investerade i datacenter, fleråriga GPU-kontrakt, astronomiska löner till namn som Ilya Sutskever: allt detta blåser upp företagens kostnadssidor dramatiskt.
Den här bilden visar att primärmarknaden bygger på en ekonomiskt mycket skör skalningsmodell. Kostnadsstrukturen för modellinnovation överstiger vida intäktstillväxten.
Det tysta uppsvinget för applikationslagret
Medan primärmarknaden är under press utvecklas sekundärmarknaden med en relativt sund tillväxtkurva. Dessa företag tar grundmodeller och omvandlar dem till verkliga användningsfall.
- Perplexity: Omformar sökupplevelsen
- Cursor & Replit: Förändrar kodningsprocessen
- Notion AI: Gör produktivitetsverktyg intelligenta
- Dvina: Kopplar upp sig mot 120+ applikationer för att hantera hela digitala liv från ett enda intelligent lager
Dessa företags fördel är att de står närmast användaren. Det verkliga värdet uppstår direkt i användarupplevelsen. Sök, kodning, innehållsskapande, produktivitet, informationsbearbetning: alla dessa områden erbjuder skalbara och begripliga intäktsmodeller.
Det är därför många producenter av grundmodeller har börjat röra sig mot applikationslagret. OpenAI gjorde ChatGPT till en produkt, Anthropic förvandlade Claude till ett konsumenterbjudande, Google integrerade Gemini. Strategin med vertikal integration har spridit sig snabbt.
Men den här strategin har orsakat bieffekter: anskaffningskostnaderna har skjutit i höjden, värderingarna på sekundärmarknaden har blåsts upp. Att sekundärmarknaden — det enda område som kan generera intäkter — har blivit så dyr förstärker ytterligare kapitalrisken i sektorn.
Historiska cykler och det som skiljer dagens läge
Artificiell intelligens har upplevt två stora nedgångar tidigare: slutet av 1970-talet och början av 1990-talet. Det dessa perioder hade gemensamt var höga förväntningar, låg innovationstakt och ett investeringsintresse som försvann.
Dagens situation är annorlunda. Den tekniska innovationen fortsätter, men takten i genombrotten saktar in. Kapitalflödet växer däremot i en aldrig tidigare skådad skala. Sam Altman talar om en compute-fond på 7 biljoner dollar, Elon Musk pumpar in miljarder i xAI.
Det vi upplever är därför inte en klassisk "AI-vinter". Det är snarare en period av skörhet driven av kapitalallokering: värderingarna blåses upp, kostnaderna accelererar, men innovationstakten motsvarar inte förväntningarna.
Den nya eran: Det är inte större modeller, utan smartare angreppssätt som kommer att vinna
Den viktigaste skillnaden i dag är denna: Det som spelar roll nu är inte att skapa ännu större modeller genom att lägga till fler parametrar.
Den verkliga omvandlingen kommer att ske inom dessa områden:
- Öka parametereffektiviteten
- Uppnå högre kvalitet med mindre modeller
- Utveckla nya träningstekniker
- Använda data mer strategiskt och effektivt
- Radikalt sänka träningskostnaderna
Ett av de mest slående exemplen på senare tid var DeepSeek. Denna kinesiska startup utvecklade en modell som presterar på GPT-4-nivå: men med betydligt lägre träningskostnader. Mixture-of-experts-arkitektur, parameteroptimering, effektivitetsfokuserade träningstekniker. Marknaden reagerade kraftigt.
Efter DeepSeeks tillkännagivande föll NVIDIAs börsvärde med 600 miljarder dollar på en enda dag. Det visade att investerare nu följer inte bara kapplöpningen mot större modeller, utan också kapplöpningen mot effektivitet och arkitektonisk innovation.
Men inte heller detta räcker. Om sektorn ska uppleva ett verkligt språng kommer det att ske genom nya arkitektoniska paradigm. Något bortom transformerarkitekturen. Kanske neuromorfisk databehandling, kanske hybridmodeller, eller kanske ett helt annat ramverk för lärande.
Den här typen av radikala omvandlingar kommer vanligtvis inte från stora företag. De agerar försiktigt på grund av trycket från sin storlek, infrastrukturkostnader och företagsmässig riskhantering. Verkliga genombrott uppstår ofta ur små, aggressiva, risktoleranta och ambitiösa startups.
Dagens AI-ekosystem väntar sannolikt på just en sådan omvälvning.
Slutsats: Det är inte resurserna, utan angreppssättet, som kommer att vinna
AI-sektorn pendlar i dag mellan två spänningar: Å ena sidan en strategi för modellskalning som närmar sig sina gränser, å andra sidan växande kapitalrisker och en applikationsmarknad som snabbt stiger i värde.
Den här bilden visar att det grundläggande problemet nu handlar om angreppssätt, inte kapacitet. Morgondagens vinnare kommer inte att vara de som bygger större modeller, utan de som bygger smartare metoder. Effektivitet, nya arkitektoniska designer och optimerade träningstekniker håller på att bli sektorns verkliga skiljelinje.
Det som kommer att vara avgörande i framtiden är kvaliteten på angreppssättet, inte styrkan i resurserna. Och sannolikheten är ganska hög att det blir visionära startups, snarare än stora företag, som initierar denna förändring i angreppssätt.
