KI’s trillion-dollars problem

Da vi går inn i 2025, står kunstig intelligens-sektoren ved et kritisk vendepunkt. Mens industrien fortsatt tiltrekker seg utenforstående investeringer og oppmerksomhet – spesielt innen generativ KI-landskap – tyder flere underliggende markedsdynamikker på at vi er på vei mot en stor endring i KI-landskapet i året som kommer.

Basert på min erfaring med å lede en KI-startup og observere industrens raske utvikling, tror jeg at dette året vil bringe mange grunnleggende endringer: fra store konseptmodeller (LCM) som forventes å dukke opp som alvorlige konkurrenter til store språkmodeller (LLM), til oppblomstringen av spesialisert KI-hardware, til at de store teknologiselskapene begynner å bygge ut KI-infrastruktur som endelig vil sette dem i stand til å konkurrere med startupene som OpenAI og Anthropic – og kanskje sogar sikre deres KI-monopol til slutt.

Unik utfordring for KI-selskaper: Verken programvare eller hardware

Det grunnleggende problemet ligger i hvordan KI-selskaper opererer i et tidligere usett mellomrom mellom tradisjonelle programvare- og hardware-bedrifter. I motsetning til rene programvareselskaper som primært investerer i menneskelig kapital med relativt lave driftskostnader, eller hardware-selskaper som gjør langvarige kapitalinvesteringer med klare veier til avkastning, står KI-selskaper overfor en unik kombinasjon av utfordringer som gjør deres nåværende finansieringsmodeller usikre.

Disse selskapene krever massive forhåndskapitalutgifter for GPU-kluster og infrastruktur, og bruker 100-200 millioner dollar årlig bare på datatjenester. Likevel, i motsetning til hardware-selskaper, kan de ikke forkorte disse investeringene over lengre perioder. I stedet opererer de på komprimerte to-års sykluser mellom finansieringsrunder, hver gang de må demonstrere eksponentiell vekst og banebrytende ytelse for å rettferdiggjøre deres neste vurderingsøkning.

LLM’s differensieringsproblem

En bekymringsverdig trend kommer i tillegg til denne strukturelle utfordringen: den raske konvergensen av store språkmodell-kapasiteter (LLM). Startup-selskaper, som den franske enhjørningen Mistral AI og andre, har demonstrert at åpne modeller kan oppnå ytelse som er sammenlignbar med deres lukkede motparter, men den tekniske differensieringen som tidligere berettiget himmelsk høye vurderinger blir stadig vanskeligere å opprettholde.

Med andre ord, mens hver ny LLM skryter av imponerende ytelse basert på standard-benchmark, skjer det ikke noen betydelig endring i den underliggende modellarkitekturen.

Gjeldende begrensninger i dette domenet stammer fra tre kritiske områder: data-tilgjengelighet, da vi nå er tomme for høykvalitets treningmateriale (som bekreftet av Elon Musk nylig); kureringmetoder, da de alle adopterer lignende menneske-tilbakemeldings-tilnærminger pioneerert av OpenAI; og komputasjonsarkitektur, da de avhenger av samme begrensede gruppe spesialiserte GPU-hardware.

Hva som kommer frem er en mønster hvor gevinstene stadig kommer fra effisiens i stedet for skala. Selskaper fokuserer på å komprimere mer kunnskap inn i færre token og utvikle bedre ingeniørartefakter, som for eksempel gjenvinningssystemer som graf RAG (gjenvinning-forsterket generering). I realiteten nærmer vi oss en naturlig platå hvor kasting av flere ressurser mot problemet gir avtagende avkastning.

På grunn av den utenforstående innovasjonstakten i de siste to årene, skjer denne konvergensen av LLM-kapasiteter raskere enn noen hadde forventet, og skaper en kappløp mot tiden for selskaper som har samlet inn midler.

Basert på de siste forskningstrendene, er den neste fronten for å løse dette problemet oppblomstringen av store konseptmodeller (LCM) som en ny, banebrytende arkitektur som konkurrerer med LLM i deres kjerneområde, som er naturlig språkforståelse (NLP).

Teknisk sett vil LCM ha flere fordeler, inkludert potensialet for bedre ytelse med færre iterasjoner og evnen til å oppnå lignende resultater med mindre lag. Jeg tror disse neste generasjons LCM vil bli utviklet og kommersialisert av spin-off-lag, de berømte ‘ex-big tech’-maverickene som grunnlegger nye startup-selskaper for å lede denne revolusjonen.

Monetiserings-tidslinjemisforhold

Komprimeringen av innovasjons-sykluser har skapt et annet kritisk problem: misforholdet mellom tid-til-marked og bærekraftig monetisering. Mens vi ser en utenforstående hastighet i vertikaliseringsprosessen av KI-applikasjoner – med for eksempel stemme-KI-agenter som går fra konsept til inntekts-genererende produkter på bare måneder – maskerer denne raske kommersialiseringen en dypere problem.

Vurdér dette: et KI-startup som er verdsatt til 20 milliarder dollar i dag, vil sannsynligvis måtte generere rundt 1 milliard dollar i årlig inntekt innen 4-5 år for å rettferdiggjøre å gå offentlig til en rimelig multiplikator. Dette krever ikke bare teknisk eksellense, men også en dramatisk transformasjon av hele forretningsmodellen, fra R&D-fokusert til salgs-drevet, samtidig som man opprettholder innovasjonstakten og håndterer enorme infrastrukturkostnader.

I denne sammenhengen vil de nye LCM-fokuserte startup-selskaper som vil oppstå i 2025, være i bedre posisjon til å samle inn midler, med lavere initialverdier som gjør dem mer attraktive mål for investorer.

Hardware-mangel og nye alternativer

La oss se nærmere på infrastruktur. I dag kjøper hver ny GPU-kluster selv før den er bygget av de store aktørene, og tvinger mindre spillere til å enten binde seg til langvarige kontrakter med skytjenesteleverandører eller risikere å bli lukket ute av markedet helt.

Men her er hva som er virkelig interessant: mens alle slåss om GPU-er, har det vært en fascinerende skift i hardware-landskapet som fortsatt er relativt oversett. Den nåværende GPU-arkitekturen, kalt GPGPU (General Purpose GPU), er usedvanlig ineffektiv for hva de fleste selskaper faktisk trenger i produksjon. Det er som å bruke en supercomputer til å kjøre en kalkulator-app.

Dette er hvorfor jeg tror at spesialisert KI-hardware vil være den neste store skiftet i vår industri. Selskaper som Groq og Cerebras (CBRS ) bygger inferens-spesifikke hardware som er 4-5 ganger billigere å operere enn tradisjonelle GPU-er. Ja, det er en høyere ingeniørkostnad oppfront, men for selskaper som kjører store skala-inferens-arbeidsbelastninger, er effisiens-gevinstene klare.

Data-tetthet og oppblomstringen av mindre, smartere modeller

Flytting til den neste innovasjonsfronten i KI vil sannsynligvis kreve ikke bare større beregningskraft – spesielt for store modeller som LCM – men også rikere, mer omfattende datasett.

Interessant nok er det at mindre, mer effektive modeller begynner å utfordre større modeller ved å kapitalisere på hvor tett de er trent på tilgjengelige data. For eksempel opererer modeller som Microsofts FeeFree eller Googles Gema2B med langt færre parametre – ofte rundt 2 til 3 milliarder – og likevel oppnår ytelsesnivåer som er sammenlignbare med mye større modeller med 8 milliarder parametre.

Disse mindre modellene er stadig mer konkurransedyktige på grunn av deres høye data-tetthet, som gjør dem robuste til tross for deres størrelse. Denne skiftningen mot kompakte, men kraftfulle modeller, stemmer overens med de strategiske fordelene selskaper som Microsoft (MSFT ) og Google har: tilgang til massive, diverse datasett gjennom plattformer som Bing og Google Søk.

Denne dynamikken avdekker to kritiske “kriger” som utvikler seg i KI-utvikling: en over beregningskraft og en annen over data. Mens beregningsressurser er essensielle for å drive grensene, blir data-tetthet like viktig. Selskaper med tilgang til enorme datasett er unikt posisjonert til å trene mindre modeller med enestående effisiens og robusthet, og konsoliderer deres dominans i det utviklende KI-landskapet.

Hvem vil vinne KI-krigen?

I denne sammenhengen liker alle å spekulere på hvem i det nåværende KI-landskapet som er best posisjonert til å komme ut som vinner. Her er noen tanker.

Store teknologiselskaper har forhåndskjøpt hele GPU-kluster før de er bygget, og skaper en knapphetssituasjon for mindre spillere. Oracles bestilling på over 100 000 GPU-er og lignende trekk fra Meta og Microsoft eksemplifiserer denne trenden.

Etter å ha investert hundrevis av milliarder i KI-initiativer, trenger disse selskapene tusenvis av spesialiserte KI-ingeniører og forskere. Dette skaper en utenforstående etterspørsel etter talent som bare kan tilfredsstilles gjennom strategiske oppkjøp – sannsynligvis resulterende i at mange startup-selskaper blir absorbert i de kommende månedene.

Mens 2025 vil bli brukt på stor skala R&D og infrastruktur-utbygging for disse aktørene, vil de i 2026 være i en posisjon til å slå til som aldri før, takket være utenforstående ressurser.

Dette betyr ikke at mindre KI-selskaper er dømt – langt ifra. Sektoren vil fortsette å innovere og skape verdi. Noen nøkkel-innovasjoner i sektoren, som LCM, er sannsynligvis å bli ledet av mindre, nye aktører i året som kommer, sammen med Meta, Google/Alphabet (GOOG ) og OpenAI med Anthropic, som alle arbeider på spennende prosjekter for øyeblikket.

Likevel er vi sannsynligvis å se en grunnleggende omstrukturering av hvordan KI-selskaper finansieres og vurderes. Etterhvert som venture-kapital blir mer diskriminerende, må selskaper demonstrere klare veier til bærekraftige enhetsøkonomier – en spesiell utfordring for åpne kildekode-forretninger som konkurrerer med godt ressurserte proprietære alternativer.

For åpne kildekode KI-selskaper spesifikt, kan veien fremover kreve fokus på spesifikke vertikale applikasjoner hvor deres gjennomsiktighet og tilpasningsmuligheter gir klare fordeler over proprietære løsninger.