AI-sentrum er i ferd med å endre seg, og pengene følger med

Tenk deg et AI-drevet service-senter for en av verdens største bilprodusenter. Systemet fungerer flott. Øyeblikket bilen kjører inn i hallen, har AI-mekanikeren allerede gjort sin hjemmelige oppgave, og har gått gjennom mengder av bildata for å finne frem til den eksakte servicen den trenger.

Dette elegante edge-applikasjonen tok en liten hær av ingeniører tre år å utvikle. Den kjørte på 10 forhandlere.

Når tiden kom til å skala det opp til 12 000 lokasjoner, oppdaget teamet hva hver entreprise som deployer edge-AI til slutt lærer: å bygge applikasjonen er den enkle delen. Å skala det opp til tusenvis av lokasjoner krever infrastruktur som størsteparten av industrien fortsatt prøver å finne ut.

Dette gapet mellom å bygge noe smart og faktisk deployere det der bedriftene skjer, er den avgjørende utfordringen for AI nå. Og det endrer hvor den neste bølgen av teknologi-investeringer er på vei.

SKY BET ER I FERD MED Å ENDRE SEG

I omtrent 20 år har entreprise-programvare-spillet vært enkelt: flytt alt til skyen. Sentralisere data og applikasjoner og kontroll. Det fungerte strålende for å håndtere arbeidsflyter, og investorer belønnet det riktignok.

Men økonomien endrer seg. SaaS-omsetningsmultipler, som toppet nær 18-20 ganger under pandemien, har bosatt seg på nivåer som ikke er sett siden 2016. Median omsetningsvekst for offentlige SaaS-selskaper falt til rundt 12% mot slutten av 2025. Investorer har fortsatt ikke mistet interessen for programvare, men de har begynt å stille en hardere spørsmål: hvor genererer AI faktisk avkastning?

Større og større deler av svaret er ikke i skyen.

INTELLIGENS-FELLEN

Global AI-investering er projektert til å nå 2,5 billioner dollar mot slutten av 2026. De fire største teknologiselskapene i USA alene er på vei til å bruke rundt 725 milliarder dollar på anleggsmidler i år, opp 77% fra året før, og den største enkeltårs-infrastruktur-utbyggingen i teknologiens historie. Denne pengene flyter overveldende inn i sky-infrastruktur for å støtte data-sentre, GPU-er og treningskluster.

Men størsteparten av verdens operative data genereres ikke i data-sentre. Det genereres i butikker, på fabrikkgulv, på olje-borer, inne i sykehus, på skip og over energinett. I disse miljøene må avgjørelsene skje på millisekunder, og å sende data til en fjerntliggende server er ikke mulig.

Jeg ser dette hele tiden i mitt arbeid med bedrifter. Et olje- og gass-selskap som har brukt måneder på å bygge en prediktiv modell for brønn-optimisering, pakker det inn i en stor datafil, sender det til en fjern lokalitet og håper det fungerer. En detaljisten utvikler AI for lagerstyring, bare for å oppdage at å rulle det ut over tusenvis av butikker er et helt annet problem enn å bygge modellen selv.

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

HVOR PENGENE FAKTISK ER PÅ VEI

Jensen Huang kaller det “fysisk AI“. Qualcomm rammer det som AI på kanten blir essensielt. Når de to selskapene som uten tvil forstår AI-hardware-økonomi bedre enn noen andre, peker i samme retning, er det verdt å lytte til.

Dette skiftet skjer allerede på bakken. Bedrifter over olje og gass, bil, detaljhandel og industri-sektorer kjører allerede AI-arbeidsbelastninger på kanten. De vet at AI på kanten fungerer, men sliter med å skala det opp. Å håndtere tusenvis av deployeringer over diverse maskinvare og miljø, og å oppdatere modeller i feltet uten å forstyrre operasjonene, presenterer en enorm utfordring.

Investeringssaken er enkel: når AI må operere autonomt – inspisere produkter på en fabrikk-gulv, håndtere energi-utgang på en vind-park, koordinere autonome systemer over et logistikk-nettverk – må det kjøre der handlingen skjer.

FRA APPLIKASJONER TIL AGENTER

Det skjer en annen endring under infrastruktur-historien, og det kan vise seg å være like viktig.

Agenter endrer den tradisjonelle stivheten i entreprise-applikasjoner. En agent er ikke statisk kode som gjør en ting. Det er et system som kan resonere, tolke ustrukturert data og handle uten å være eksplisitt programmert for hver scenario. I stedet for å bygge en skreddersydd applikasjon for å overvåke kvalitet på en fabrikk-gulv, deployerer du en agent som tolker video-strømmer, identifiserer feil og flagger problemer, samtidig som den tilpasser seg når forholdene endrer seg. I stedet for å kode en prediktiv vedlikeholds-system fra scratch for hver utstyr-type, deployerer du en resonnerende modell som prosesserer sensor-data og tar avgjørelser i sanntid.

Hvor det en gang tok år og lag med utviklere å bygge edge-applikasjoner, kan agenter kollapse denne tidsrammen dramatisk.

HVORFOR DETTE IKKE ER ENKELT

Men som i de fleste tilfeller, er djevelen i detaljene. Når en personlig AI-agent gjør en feil, sender det en awkvard e-post. Når en industriell agent gjør en feil, kan det stanse en produksjonslinje eller skape en sikkerhetsrisiko. Den samme kvaliteten som gjør AI-agenter fleksible og kraftfulle, er akkurat det som gjør bedrifter forsiktige med å deployere dem i sikkerhetskritiske miljøer.

IP-sensitiviteten alene er overveldende. Et energi-tjenesteselskap som har brukt et tiår på å samle operativ data for å bygge en autonom boring-optimiseringssystem, har skapt noe uerstattelig. Hvis denne agenten blir kompromittert, kan en konkurrent effektivt tilegne seg år med institusjonell kunnskap over natten. EU-s Cyber Resilience Act og utviklende NIST-rammeverk er i ferd med å håndtere disse risikoene, men teknologi-infrastrukturen for å håndheve retningslinjer på kanten er fortsatt under bygging.

Sikkerhet og styring er ikke funksjoner for AI på kanten. De er grunnlaget.

DEN NÆRSTE INFRATRUKTUR-UTBYGGINGEN

Hver større epoke av datamaskin-bruk er definert av en infrastruktur-utbygging. PC-epoken bygde lokale nettverk og skrivebord. Sky-epoken bygde data-sentre og SaaS-plattformer. AI-epoken bygger infrastrukturen for å kjøre intelligens i den fysiske verden.

Selskapene og investorene som erkjenner denne endringen tidlig, vil bli plassert for det neste tiåret. Det betyr ikke bare å investere i AI-kapasitet, men i orkestrering, sikkerhet og deployerings-infrastruktur som gjør en kapabel modell til et pålitelig industrielt system.

Verdien ligger ikke i den neste chatboten eller den neste sky-baserte modellen. Den ligger i infrastrukturen som gjør AI operativt i skala på fabrikken, olje-feltet, detaljhandels-nettverket og overalt ellers den fysiske verden genererer data som ikke kan vente.

Noen steder nå står et annet selskap der bilprodusenten stod, med en strålende applikasjon som kjører på en håndfull steder, og stirrer på gapet mellom pilot og skala. De som broer dette gapet, vil bygge de konkurrerende vollene for det neste tiåret.