AI:s tyngdpunkt förskjuts, och så gör också pengarna

Tänk dig en AI-aktiverad serviceanläggning för en av världens största biltillverkare. Systemet fungerar perfekt. Så fort en bil kommer in i hallen har AI-mekanikern redan gjort sitt jobb, genom att gå igenom mängder av fordonsdata för att hitta den exakta servicekonfiguration som behövs.

Denna eleganta edge-applikation tog en liten armé av ingenjörer tre år att utveckla. Den körde på 10 återförsäljare.

När det var dags att skala upp den till 12 000 platser upptäckte teamet vad varje företag som distribuerar edge-AI så småningom lär sig: att bygga applikationen är den lätta delen. Att skala upp den till tusentals platser kräver infrastruktur som större delen av branschen fortfarande försöker förstå.

Det gap som finns mellan att bygga något smart och faktiskt distribuera det där affärer sker är den avgörande utmaningen för AI just nu. Och det förändrar var den nästa vågen av teknikutveckling är på väg.

MOLNETSATSÄTTNINGEN FÖRÄNDRADES

Under ungefär 20 år var företagsprogramvarans spelplan enkel: flytta allt till molnet. Centralisera data och applikationer och kontroll. Det fungerade utmärkt för att hantera arbetsflöden, och investerare belönade det rikligt.

Men ekonomin förändras. SaaS-omsättningsmultiplar, som nådde nära 18-20 gånger under pandemin, har sjunkit till nivåer som inte setts sedan 2016. Median omsättningsväxt för offentliga SaaS-företag sjönk till cirka 12 % i slutet av 2025. Investorer har fortfarande inte förlorat intresse för programvara, men de har börjat ställa en svårare fråga: var genererar AI faktiskt avkastning?

Alltmer pekar det mot att svaret inte ligger i molnet.

INTELLIGENSSÄTTNINGEN

Den globala AI-investeringen förväntas nå 2,5 biljoner dollar i slutet av 2026. De fyra största amerikanska tech-företagen ensamma förväntas spendera cirka 725 miljarder dollar på kapitalutgifter i år, en ökning med 77 % jämfört med föregående år, och den största enskilda årsinfrastrukturbyggnationen i teknikens historia. Detta kapital flyter överväldigande in i molninfrastruktur för att stödja datacenter, GPU:er och träningskluster.

Men det mesta av världens operativa data genereras inte i datacenter. Det genereras i butiker, på fabriksgolven, på oljeplattformar, inom sjukhus, på fartyg och över energinät. I dessa miljöer måste beslut fattas på millisekunder och att skicka data till en avlägsen server är helt enkelt inte möjligt.

Jag ser detta konstant i mitt arbete med företag. Ett olje- och gasföretag kommer att spendera månader på att bygga en prediktiv modell för brunnsoptimering, sedan paketera den i en stor datafil, skicka den till en avlägsen plats och hoppas att den fungerar. En detaljhandlare kommer att utveckla AI för lagerhantering, men sedan upptäcka att att rulla ut det över tusentals butiker är ett helt annat problem än att bygga modellen själv.

Intelligensen hålls effektivt fången i molnet. Den fysiska världen väntar inte på en tur och retur.

VAR PENGARNA VERKLIGEN GÅR

Jensen Huang kallar det “fysisk AI“. Qualcomm rammer in det som AI på kanten som blir avgörande. När de två företagen som förstår AI-hårdvaruekonomin bättre än någon annan pekar i samma riktning, är det värt att uppmärksamma.

Denna förändring sker redan på marken. Företag inom olje- och gas-, bil-, detaljhandels- och industriella sektorer kör redan AI-arbetsbelastningar på kanten. De vet att AI på kanten fungerar, men kämpar med hur man ska skala upp det. Att hantera tusentals distributioner över diverse hårdvara och miljöer, och uppdatera modeller på fältet utan att störa verksamheten, presenterar en enorm utmaning.

Investeringsscenariot är enkelt: när AI behöver fungera autonomt – inspektera produkter på en tillverkningslinje, hantera energiutmatning på en vindkraftpark, koordinera autonoma system över ett logistiknät – behöver det köras där handlingen sker.

FRÅN APPLIKATIONER TILL AGENTER

Det sker en annan förändring under infrastrukturhistorien, och den kan visa sig vara ännu viktigare.

Agenter förändrar den traditionella stelheten hos företagsapplikationer. En agent är inte statisk kod som gör en sak. Det är ett system som kan resonera, tolka ostrukturerad data och vidta åtgärder utan att vara explicit programmerat för varje scenario. Istället för att bygga en skräddarsydd applikation för att övervaka kvalitet på en tillverkningslinje, distribuerar du en agent som tolkar videoströmmar, identifierar defekter och flaggar problem, allt medan den anpassar sig efter förändrade förhållanden. Istället för att koda en prediktiv underhållssystem från scratch för varje utrustningstyp, distribuerar du en resonemodell som bearbetar sensordata och fattar beslut i realtid.

Där det tidigare tog år och team av utvecklare att bygga edge-applikationer, kan agenter kollapsa den tidsramen dramatiskt.

VARFÖR DETTA INTE ÄR ENKELT

Men som i de flesta fall ligger djävulen i detaljerna. När en personlig AI-agent gör ett misstag, skickar den ett besvärligt e-postmeddelande. När en industriell agent gör ett misstag, kan det stänga av en produktionslinje eller skapa en säkerhetsrisk. Den kvalitet som gör AI-agenter flexibla och kraftfulla är exakt det som gör företag försiktiga med att distribuera dem i säkerhetskritiska miljöer.

Enbart IP-känsligheten är häpnadsväckande. Ett energitjänstföretag som har tillbringat ett decennium med att samla in operativ data för att bygga ett autonomt borrningsoptimeringssystem, har skapat något som inte kan ersättas. Om den agenten blir komprometterad, kan en konkurrent effektivt förvärva år av institutionell kunskap över en natt. EU:s Cyber Resilience Act och utvecklande NIST-ramverk rör sig för att hantera dessa risker, men teknikutvecklingen för att bygga skyddsvallar på kanten håller fortfarande på att byggas.

Säkerhet och styrning är inte funktioner för AI på kanten. De är grunden.

NASTA INFRASTRUKTURBYGGNAD

Varje större era av datoranvändning har definierats av en infrastrukturbyggnad. PC-eran byggde lokala nätverk och skrivbord. Molneran byggde datacenter och SaaS-plattformar. AI-eran bygger infrastrukturen för att köra intelligens i den fysiska världen.

Företagen och investerarna som känner till denna förändring tidigt kommer att vara positionerade för det kommande decenniet. Det innebär inte bara att investera i AI-förmåga, utan i orkestreringen, säkerheten och distributionsinfrastrukturen som förvandlar en kapabel modell till ett tillförlitligt industriellt system.

Värdet ligger inte i nästa chatbot eller nästa molnbaserad modell. Det ligger i infrastrukturen som gör AI operativt i stor skala i fabriken, oljefältet, detaljhandelsnätverket och överallt annars den fysiska världen genererar data som inte har råd att vänta.

Någonstans just nu står ett annat företag där biltillverkaren stod, med en briljant applikation som körs på ett fåtal platser, och stirrar på klyftan mellan pilot och skala. De som överbryggar den klyftan kommer att bygga de konkurrenskraftiga vallgravarna för det kommande decenniet.