Mega-modeller er ikke årsaken til beregningskrisen

Hver gang en ny AI-modell utgis – GPT-oppdateringer, DeepSeek, Gemini – gaper folk på den reneste størrelsen, kompleksiteten og stadig mer, beregningsbehovet til disse mega-modellene. Antakelsen er at disse modellene definerer ressursbehovene til AI-revolusjonen.

Den antakelsen er feil.

Ja, store modeller er beregningshungrende. Men den største belastningen på AI-infrastrukturen kommer ikke fra en håndfull mega-modeller – det kommer fra den stille spredningen av AI-modeller over industrier, hver av dem tilpasset spesifikke anvendelser, hver forbruker beregning i en utenkelig skala.

Til tross for den potensielle vinner-tar-alt konkurranse som utvikler seg blant LLM-ene, er AI-landskapet som helhet ikke sentralisert – det fragmenteres. Hver bedrift bruker ikke bare AI – de trener, tilpasser og distribuerer private modeller tilpasset deres behov. Det er den sistnevnte situasjonen som vil skape en infrastruktur-etterfragekurve som skytjenesteleverandører, bedrifter og myndigheter ikke er klar for.

Vi har sett dette mønsteret før. Skytjenester konsoliderte ikke IT-arbeidsbelastninger; det skapte en spredt hybridøkosystem. Først var det server-sprening. Så VM-sprening. Nå? AI-sprening. Hver bølge av databehandling ledet til spredning, ikke forenkling. AI er ikke forskjellig.

AI-sprening: Hvorfor fremtiden for AI er en million modeller, ikke en

Finans, logistikk, cybersikkerhet, kundeservice, FoU – hver har sin egen AI-modell optimalisert for sin egen funksjon. Organisasjoner trener ikke en AI-modell for å styre hele deres virksomhet. De trener tusener. Det betyr flere treningscykler, mer beregning, mer lagringsbehov og mer infrastruktur-sprening.

Dette er ikke teoretisk. Selv i industrier som tradisjonelt er forsiktige med teknologi-tilpasning, akselerer AI-investeringene. En McKinsey-rapport fra 2024 fant at organisasjoner nå bruker AI i gjennomsnitt tre forretningsfunksjoner, med produksjon, leverandørkjede og produktutvikling i spissen (McKinsey).

Helsevesenet er et primært eksempel. Navina, en startup som integrerer AI i elektroniske helsejournaler for å fremheve kliniske innsikter, har nettopp samlet inn 55 millioner dollar i serie C-finansiering fra Goldman Sachs (Business Insider). Energi er ikke forskjellig – industrilederne har lansert Open Power AI Consortium for å bringe AI-optimisering til nett- og anleggsdrift (Axios).

Beregningsspenningen ingen snakker om

AI bryter allerede tradisjonelle infrastrukturmodeller. Antakelsen om at skytjenester kan skaleres uendelig for å støtte AI-vækst er dødsfeil. AI skalerer ikke som tradisjonelle arbeidsbelastninger. Etterfragekurven er ikke gradvis – den er eksponentiell, og hyperskalerte er ikke med.

• Kraftbegrensninger: AI-spesifikke datasentre bygges nå rundt krafttilgjengelighet, ikke bare nettverksbaker.
• Nettverksflaskehalser: Hybride IT-miljøer blir ustyrlige uten automatisering, som AI-arbeidsbelastninger bare vil forverre.
• Økonomisk press: AI-arbeidsbelastninger kan forbruke millioner på en enkelt måned, og skaper finansiell uforutsigbarhet.

Datasentre står allerede for 1% av verdens elektrisitetsforbruk. I Irland forbruker de nå 20% av nasjonalnettet, en andel som forventes å øke betydelig innen 2030 (IEA).

Legg til det nærmende presset på GPU-er. Bain & Company advarte nylig om at AI-vækst setter scenen for en halvleder-mangel, drevet av eksplosiv etterspørsel etter datasenter-graderte chip (Bain).

I mellomtiden vokser AI-s bærekraftsproblem. En analyse fra 2024 i Sustainable Cities and Society advarer om at omfattende tilpasning av AI i helsevesenet kan øke sektorens energiforbruk og karbonutslipp betydelig, med mindre det kompenseres av målrettede effektivitetsforbedringer (ScienceDirect).

AI-sprening er større enn markedet – det er et spørsmål om statsmakt

Hvis du tror AI-sprening er et bedriftsproblem, tenk igjen. Den største driveren av AI-fragmentisering ikke er private sektoren – det er myndigheter og militær forsvar, som distribuerer AI i en skala som ingen hyperskalerte eller bedrift kan matche.

Den amerikanske regjeringen alene har distribuert AI i over 700 anvendelser over 27 etater, som dekker etterretningsanalyse, logistikk og mer (FedTech Magazine).

Canada investerer opp til 700 millioner dollar for å utvide nasjonal AI-beregningsevne, og lanserer en nasjonal utfordring for å styrke suveren datasenter-infrastruktur (Innovation, Science and Economic Development Canada).

Og det er økende krav om et “Apollo-program” for AI-infrastruktur – som understreker AI-s opphøyning fra kommersiell fordel til nasjonal imperativ (MIT Technology Review).

Militær AI vil ikke være effektiv, koordinert eller optimalisert for kostnader – det vil bli drevet av nasjonal sikkerhetsmandater, geopolitisk hastighet og behovet for lukkede, suverene AI-systemer. Selv om bedrifter holder tilbake AI-sprening, hvem skal si til myndighetene at de skal sakke ned?

For når nasjonal sikkerhet er på spill, stopper ingen for å spørre om kraftnettet kan håndtere det.