Mega Modellen Zijn Niet de Kern van de Compute Crisis

Elke keer als een nieuw AI-model wordt gelanceerd – GPT-updates, DeepSeek, Gemini – zijn mensen onder de indruk van de enorme omvang, complexiteit en steeds vaker de compute-honger van deze mega-modellen. De veronderstelling is dat deze modellen de resourcingbehoeften van de AI-revolutie definiëren.

Die veronderstelling is onjuist.

Ja, grote modellen zijn compute-hongerig. Maar de grootste belasting op de AI-infrastructuur komt niet van een handvol mega-modellen – het komt van de stille proliferatie van AI-modellen in verschillende industrieën, elk aangepast voor specifieke toepassingen, elk consumeert compute op een ongekende schaal.

Ondanks de potentiële winnaar-neemt-alles-competitie die zich ontwikkelt onder de LLM’s, centraliseert de AI-landschap niet – het fragmenteert. Elk bedrijf gebruikt niet alleen AI – ze trainen, personaliseren en implementeren privé-modellen aangepast aan hun behoeften. Het is de laatste situatie die een infrastructuur-vraagcurve zal creëren die cloud-aanbieders, ondernemingen en overheden niet klaar voor zijn.

We hebben dit patroon eerder gezien. Cloud heeft IT-werklasten niet geconsolideerd; het heeft een uitgebreid hybride ecosysteem gecreëerd. Eerst was het server-sprawl. Toen VM-sprawl. Nu? AI-sprawl. Elke golf van computing leidde tot proliferatie, niet tot vereenvoudiging. AI is geen uitzondering.

AI-sprawl: Waarom de Toekomst van AI een Miljoen Modellen Is, Niet Eén

Financiën, logistiek, cybersecurity, klantenservice, R&D – elk heeft zijn eigen AI-model geoptimaliseerd voor zijn eigen functie. Organisaties trainen niet één AI-model om hun hele operatie te regelen. Ze trainen duizenden. Dat betekent meer trainingscycli, meer compute, meer opslagvraag en meer infrastructuursprawl.

Dit is geen theorie. Zelfs in industrieën die traditioneel voorzichtig zijn met technologie-adoptie, versnelt AI-investering. Een rapport van McKinsey uit 2024 vond dat organisaties nu AI gebruiken in gemiddeld drie bedrijfsfuncties, met manufacturing, supply chain en productontwikkeling als leiders (McKinsey).

Gezondheidszorg is een voorbeeld. Navina, een startup die AI integreert in elektronische gezondheidsrecords om klinische inzichten te bieden, heeft zojuist 55 miljoen dollar aan serie C-financiering ontvangen van Goldman Sachs (Business Insider). Energie is geen uitzondering – industrieleiders hebben de Open Power AI Consortium gelanceerd om AI-optimalisatie te brengen naar grid- en plantoperaties (Axios).

De Compute-Strain die Niemand Bespreekt

AI breekt traditionele infrastructuurmodellen al. De veronderstelling dat cloud oneindig kan schalen om AI-groei te ondersteunen is doodsbang. AI schaalt niet zoals traditionele workloads. De vraagcurve is niet geleidelijk – het is exponentieel, en hyperscalers houden niet gelijke tred.

• Stroombeperkingen: AI-specifieke datacenters worden nu gebouwd rond stroombeschikbaarheid, niet alleen netwerkbackbones.
• Netwerkknelpunten: Hybride IT-omgevingen worden onbeheersbaar zonder automatisering, die AI-werklasten alleen maar zal verergeren.
• Economische Druk: AI-werklasten kunnen miljoenen in één maand verbruiken, waardoor financiële onvoorspelbaarheid ontstaat.

Datacenters verbruiken al 1% van het wereldwijde elektriciteitsverbruik. In Ierland verbruiken ze nu 20% van het nationale net, een aandeel dat naar verwachting aanzienlijk zal stijgen tegen 2030 (IEA).

Voeg daarbij de dreigende druk op GPUs. Bain & Company waarschuwde onlangs dat AI-groei het toneel zet voor een tekort aan halfgeleiders, aangedreven door explosieve vraag naar datacenter-kwaliteit chips (Bain).

Ondertussen groeit het duurzaamheidsprobleem van AI. Een analyse uit 2024 in Sustainable Cities and Society waarschuwde dat de bredere adoptie van AI in de gezondheidszorg het energieverbruik en de koolstofemissies van de sector aanzienlijk kan verhogen, tenzij het wordt gecompenseerd door gerichte efficiëntie (ScienceDirect).

AI-sprawl Is Groter dan de Markt – Het Is een Kwestie van Staatsmacht

Als je denkt dat AI-sprawl een bedrijfsprobleem is, denk dan nog eens. De meest significante drijver van AI-fragmentatie is niet de private sector – het zijn overheden en militaire defensie-agentschappen, die AI op een schaal implementeren die geen hyperscaler of onderneming kan evenaren.

De Amerikaanse overheid alleen heeft AI geïmplementeerd in meer dan 700 toepassingen in 27 agentschappen, waaronder inlichtingsanalyse, logistiek en meer (FedTech Magazine).

Canada investeert tot 700 miljoen dollar om de binnenlandse AI-compute-capaciteit uit te breiden, met een nationale uitdaging om soevereine datacenter-infrastructuur te versterken (Innovation, Science and Economic Development Canada).

En er zijn steeds meer oproepen voor een “Apollo-programma” voor AI-infrastructuur – het benadrukt de verheffing van AI van commercieel voordeel tot nationaal imperatief (MIT Technology Review).

Militaire AI zal niet efficiënt, gecoördineerd of geoptimaliseerd zijn voor kosten – het zal worden aangedreven door nationale veiligheidsmandaten, geopolitieke urgentie en de noodzaak voor gesloten, soevereine AI-systemen. Zelfs als ondernemingen AI-sprawl intomen, wie gaat de overheden vertellen om te vertragen?

Want wanneer nationale veiligheid op het spel staat, stopt niemand om te vragen of het stroomnet het aankan.