AI’s tyngdepunkt flytter sig – og det samme gør pengene

Forestil dig et AI-drevet servicecenter for en af verdens største bilproducenter. Systemet virker smukt. Øjeblikket et køretøj kører ind i hallen, har AI-mekanikeren allerede lavet sin hjemmearbejde, ved at gennemgå enorme mængder af køretøjsdata for at fremhæve den eksakte servicekonfiguration, der er nødvendig.

Dette elegante edge-applikation tog en lille hær af ingeniører tre år at udvikle. Den kørte på 10 forhandlere.

Når tiden kom til at skala det op til 12.000 lokaliteter, opdagede teamet, hvad hver virksomhed, der implementerer edge-AI, til sidst lærer: At bygge applikationen er den lette del. At skala den op til tusinder af lokaliteter kræver infrastruktur, som størstedelen af branchen stadig er i gang med at finde ud af.

Denne kløft mellem at bygge noget smart og faktisk implementere det, hvor forretningen sker, er den definerende udfordring for AI lige nu. Og det ændrer, hvor den næste bølge af teknologiinvesteringer er på vej.

THE CLOUD BET IS CHANGING

I omtrent 20 år har enterprise software-playbogen været enkel: Flyt alt ind i skyen. Centraliser data og applikationer og kontrol. Det fungerede brillant til at styre arbejdsprocesser, og investorer belønnede det rigeligt.

Men økonomien ændrer sig. SaaS-omgangsmultiples, som toppede nær 18-20 gange under pandemien, er faldet til niveauer, der ikke er set siden 2016. Medianomsætningsvækst for offentlige SaaS-virksomheder faldt til omkring 12% i slutningen af 2025. Investorer har stadig ikke mistet interessen for software, men de er begyndt at stille en hårdere spørgsmål: Hvor genererer AI faktisk afkast?

Stadig mere er svaret ikke i skyen.

THE INTELLIGENCE TRAP

Den globale AI-investering forventes at nå 2,5 billioner dollars ved udgangen af 2026. De fire største amerikanske tech-virksomheder alene er på vej til at bruge cirka 725 milliarder dollars på kapitaludgifter i år, en stigning på 77% i forhold til sidste år, og den største enkeltårlige infrastruktur-opbygning i teknologiens historie. Denne pengestrøm flyder overvældende ind i cloud-infrastruktur for at understøtte datacentre, GPU’er og træningskluster.

Men det meste af verdens operationelle data genereres ikke i datacentre. Det genereres i butikslokaler, på fabriksgulve, på olieboringer, inde på hospitaler, på skibe og over energinet. I disse miljøer skal beslutninger træffes på millisekunder, og det er ikke muligt at sende data til en fjern server.

Jeg ser dette konstant i mit arbejde med virksomheder. Et olie- og gas-selskab bruger måneder på at bygge en prædictiv model til brøndoptimering, pakker det derefter ind i en enorm datafil, sender det til en fjern lokalitet og håber, det virker. En detailhandler udvikler AI til lagerstyring, men opdager derefter, at at rulle det ud over tusinder af butikker er et helt andet problem end at bygge modellen selv.

Intelligensen er effektivt fanget i skyen. Den fysiske verden venter ikke på en tur-retur.

WHERE THE MONEY IS ACTUALLY GOING

Jensen Huang kalder det “fysisk AI“. Qualcomm (QCOM ) rammer det som AI på kanten, der bliver essentiel. Når de to virksomheder, der forstås at forstå AI-hardware-økonomi bedre end nogen andre, begge peger i samme retning, er det værd at lægge mærke til.

Dette skift sker allerede på jorden. Virksomheder over olie og gas, bilindustri, detailhandel og industri-sektorer kører allerede AI-arbejdsbyrde på kanten. De ved, at AI på kanten fungerer, men kæmper med, hvordan de skal skala det op. At styre tusinder af installationer over diverse hardware og miljøer og opdatere modeller på feltet uden at forstyrre operationer præsenterer en enorm udfordring.

Investeringssagen er enkel: Når AI skal operere autonomt – inspicere produkter på en fabrik, styre energiudgang på en vindmølle, koordinere autonome systemer over et logistiknetværk – skal det køre, hvor handlingen sker.

FROM APPLICATIONS TO AGENTS

Der sker en anden ændring under infrastruktur-historien, og det kan vise sig at være endnu vigtigere.

Agenter ændrer den traditionelle rigiditet af enterprise-applikationer. En agent er ikke statisk kode, der gør noget. Det er et system, der kan resonere, fortolke ustruktureret data og træffe beslutninger uden at være eksplicit programmeret for hvert scenarie. I stedet for at bygge en tilpasset applikation til at overvåge kvalitet på en fabrik, deployerer du en agent, der fortolker videostrømme, identificerer fejl og markerer problemer, samtidig med at det tilpasser sig, efterhånden som betingelserne ændrer sig. I stedet for at kode en prædictiv vedligeholdelsessystem fra scratch for hver enkelt udstyrs-type, deployerer du en resonansmodel, der behandler sensor-data og træffer beslutninger i realtid.

Hvor det tidligere tog år og hold af udviklere at bygge edge-applikationer, kan agenter sammenfalte denne tidsramme dramatisk.

WHY THIS ISN’T SIMPLE

Men som i de fleste tilfælde er djævlen i detaljerne. Når en personlig AI-agent begår en fejl, sender det en akavet e-mail. Når en industriel agent begår en fejl, kan det lukke en produktionslinje eller skabe en sikkerhedsrisiko. Den samme kvalitet, der gør AI-agenter fleksible og kraftfulde, er præcis det, der gør virksomheder forsigtige med at implementere dem i sikkerhedskritiske miljøer.

IP-følsomheden alene er overvældende. Et energiservice-selskab, der har brugt et årti på at samle operationel data for at bygge en autonom optimeringssystem, har skabt noget, der ikke kan erstattes. Hvis denne agent bliver kompromitteret, kan en konkurrent effektivt erhverve årtiers institutionel viden på en enkelt nat. EU’s Cyber Resilience Act og udviklende NIST-rammer er på vej til at adresse disse risici, men teknologi-infrastrukturen til at gennemtvinge sikkerhedsforanstaltninger på kanten bliver stadig bygget.

Sikkerhed og governance er ikke funktioner for AI på kanten. De er fundamentet.

THE NEXT INFRASTRUCTURE BUILDOUT

Hver større æra af computing er defineret af en infrastruktur-opbygning. PC-æraen byggede lokale netværk og skriveborde. Cloud-æraen byggede datacentre og SaaS-platforme. AI-æraen bygger infrastrukturen til at køre intelligens i den fysiske verden.

De virksomheder og investorer, der erkender dette skift tidligt, vil blive positioneret for det næste årti. Det betyder ikke kun at investere i AI-kapacitet, men i orkestreringen, sikkerheden og implementerings-infrastrukturen, der omdanner en kapabel model til et pålideligt industriel system.

Værdien ligger ikke i den næste chatbot eller den næste cloud-vært-model. Det ligger i infrastrukturen, der gør AI operationel i stor skala på fabrikken, oliefeltet, detailhandelsnetværket og overalt, hvor den fysiske verden genererer data, der ikke kan vente.

Et eller andet sted lige nu står en anden virksomhed, hvor den bilproducent stod, med en brillant applikation, der kører på en håndfuld lokaliteter, og stirrer ud i kløften mellem pilot og skala. De, der brobygger denne kløft, vil bygge de konkurrencemæssige volde for det næste årti.