Den store nedlukning: Hvorfor virksomheder vil af med deres AI-agenter – Når AI-agenter koster mere, end de er værd

Når autonome agenter overtager kontrollen, og datacentre bruger mere kapital, end markedet kan tjene

Milliarder investeret uden afkast: AI-agenter skal bevise deres nytteværdi

Kunstig intelligens går ind i en ny fase. Den første fase var domineret af teknologiske gennembrud, spektakulære demonstrationer og udsigten til at gøre vidensarbejde betydeligt mere produktivt. Den anden fase bød på enorme budgetter, der blev investeret i modeller, datacentre, grafikprocessorer, cloudplatforme og indledende virksomhedsapplikationer. Nu begynder den tredje fase: det økonomiske og organisatoriske realitetstjek. Dette vil ikke kun afgøre, hvilke udbydere der overlever, men også om virksomheder rent faktisk vil skabe varig, målbar værdi fra AI eller blot opbygge nye omkostnings-, kontrol- og ansvarsrisici.

To udviklinger fremhæver især dette vendepunkt. På applikationsniveau spreder autonome AI-agenter sig hurtigere, end mange virksomheder kan tilpasse deres governance, adgangsrettigheder, omkostningskontrol og ansvar. Samtidig dukker datacentre og specialiserede cloud-kapaciteter op på infrastrukturniveau i en skala, hvor der i øjeblikket ikke findes et tilstrækkeligt stort og villigt slutmarked til at fungere økonomisk. Dette repræsenterer en konvergens af to forskellige overvurderinger: virksomheder overvurderer den organisatoriske modenhed af autonome systemer på kort sigt, mens investorer og infrastrukturoperatører muligvis overvurderer den hastighed, hvormed AI-efterspørgslen kan omsættes til profitabel omsætning.

Det afgørende spørgsmål er derfor ikke længere, om AI fungerer teknisk set. Det er der, hvor den fungerer pålideligt, kontrollerbart og profitabelt under virkelige forhold. Dette skift ændrer markedets logik. Maksimal autonomi, maksimal modelstørrelse eller maksimal computerkraft alene vil ikke afgøre succes. Konkurrencefordele opstår, hvor teknisk kapacitet kombineres med robust procesdesign, klar ansvarlighed, verificerbare beslutninger, realistiske omkostningsmodeller og differentieret kundeværdi.

Den store desillusionering begynder i virksomhederne

Forudsigelsen om, at mere end 40 procent af agentiske AI-projekter kan blive afbrudt, nedgraderet eller fundamentalt redesignet inden udgangen af ​​2027, bør forstås mindre som en dom over teknologiens langsigtede betydning end som en kritik af dens nuværende implementering. Mange projekter begynder som proof-of-concept-forsøg under kontrollerede forhold. I dette miljø udvælges data, opgaver begrænses, brugerne er velvillige, og fejl har relativt små konsekvenser. Overgangen til produktionsdrift ændrer dog alle parametrene. En agent skal derefter håndtere ufuldstændige data, modstridende regler, ældre systemer, særlige tilfælde, ændrede tilladelser og ansvarsrelaterede beslutninger.

Det er netop ved denne tærskel, at et betydeligt antal teknologiske pilotprojekter mislykkes. En overbevisende demonstrator besvarer spørgsmålet om, hvorvidt en funktion er fundamentalt mulig. Den besvarer ikke, om den kan udføres millioner af gange med acceptable samlede omkostninger, stabil kvalitet og håndterbar risiko. Dette problem forværres med autonome agenter, fordi de ikke kun kan generere indhold, men også uafhængigt kan kalde værktøjer, ændre data, udløse processer og forbinde beslutninger sammen. En fejl er derfor ikke nødvendigvis begrænset til et forkert tekstsvar. Den kan udbrede sig som en fejlagtig ordre, uautoriseret dataadgang, en forkert kundebeslutning eller en ændring af et produktionssystem.

Den forventede projektaflysning er derfor økonomisk plausibel. Stigende omkostninger, uklar forretningsværdi og utilstrækkelig risikokontrol er ikke separate problemer; de forstærker hinanden. Jo mindre pålideligt en agent opererer, desto større er den indsats, der kræves til overvågning, revision og korrigerende handlinger. Jo mere manuel indgriben der er nødvendig, desto mindre er den faktiske produktivitetsgevinst. Jo mindre produktivitetsgevinsten er, desto sværere er det at retfærdiggøre yderligere udgifter til modeller, integrationer, overvågning, sikkerhed og compliance. Et system, der oprindeligt var planlagt til automatisering, kan således skabe et nyt, stort set usynligt lag af manuel overvågning.

Autonomi bliver en ny type omkostning

Omkostningerne ved agentbaseret AI ses ofte for snævert. Virksomheder sammenligner modelpriser eller beregner gebyrer for input- og output-tokens, men dette dækker kun en del af den økonomiske byrde. En agent opdeler ofte en opgave i flere trin, tilgår forskellige systemer, gentager mislykkede forsøg, kontrollerer mellemresultater og vedligeholder længere kontekster. Komplekse arbejdsgange kan derfor kræve betydeligt mere computerkraft end en konventionel chatbot. Dertil kommer udgifter til orkestrering, dataforberedelse, grænseflader, logning, identitetsstyring, sikkerhedskontroller, evaluering og drift af forskellige modeller.

Endnu mere betydningsfulde er indirekte omkostninger. Disse omfatter den tid, som specialister bruger på at gennemgå resultater, løse fejl, implementere yderligere interne kontroller, tilbyde træning, udføre juridiske gennemgange og tilpasse arbejdsgange. Hvis en agent udfører en opgave for blot et par cent, men resultatet kræver regelmæssig gennemgang af en kvalificeret person, bliver modelprisen praktisk talt meningsløs som målestok. Det, der betyder noget, er de samlede procesomkostninger for hver korrekt udført opgave. Dette skal også omfatte gentagelser, konsekvenserne af fejl, undtagelser og omkostningerne ved menneskeligt tilsyn.

Det faktum, at kun 21 procent af de adspurgte IT-chefer har fuldstændig gennemsigtighed i omkostningerne til deres AI-agenter og AI-arbejdsbyrder, afslører en fundamental mangel på kontrol. Uden at allokere omkostninger efter use case, forretningsenhed og proces er det umuligt at vurdere de økonomiske fordele eller styre et pålideligt budget. Risikoen er, at AI-udgifterne vil vokse decentralt på tværs af cloud-konti, softwareabonnementer og afdelingsbudgetter, mens central IT kun ser en del af de samlede omkostninger. Regningen dukker derefter først op med forsinkelse, når forbruget, datamængden og antallet af agenter allerede er steget markant.

For at kunne foretage en korrekt evaluering skal virksomheder derfor gå fra kun at overveje de tekniske forbrugsomkostninger til en omfattende værdimodel. Omkostningerne pr. vellykket procesafslutning, antallet af korrekt gennemførte sager uden menneskelig indgriben, fejl- og gentagelsesraterne, gennemløbstiden, kontrolindsatsen og den faktiske realiserede økonomiske fordel bør alle måles. Først når disse målinger forbliver stabile over en længere periode, kan det vurderes, om en agent bør skaleres. Autonomi er ikke et mål i sig selv, men snarere en investeringsvariabel: den er kun økonomisk rentabel, hvis de yderligere fordele opvejer de øgede kontrol- og fejlrisici.

Shadow IT får agentur

Udbredelsen af ​​AI-agenter ændrer det klassiske problem med skygge-IT. Tidligere anskaffede afdelinger uautoriseret software eller lagrede data i ukontrollerede tjenester. I dag kan medarbejdere hurtigt oprette deres egne agenter, der tilgår virksomhedsdata og uafhængigt udfører handlinger. En undersøgelse af 685 virksomheds-CIO'er afslørede, at 84 procent rapporterer, at medarbejdere udvikler AI-agenter hurtigere, end IT kan implementere passende styringsregler. Problemet ligger derfor ikke kun i et stigende antal applikationer, men også i et stigende antal digitale aktører.

Disse aktører besidder ofte tekniske identiteter, API-nøgler, servicekonti eller delegerede brugerrettigheder. Dette skaber en ny klasse af ikke-menneskelige identiteter, der i mange organisationer ikke er underlagt de samme regler som medarbejdere. 59 procent af de adspurgte organisationer har endnu ikke fuldt integreret AI-agenter i deres eksisterende politikker for identitets- og adgangsstyring. Samtidig rapporterer 72 procent en mellemstor til stor forskel mellem den adgang, en agent teoretisk set har tilladelse til at have, og den adgang, organisationen rent faktisk kan påvise.

Økonomisk set er denne kløft særligt farlig, fordi den forskyder den forventede balance mellem effektivitet og risiko. En agent kan handle døgnet rundt og med høj hastighed. Netop den egenskab, der lover produktivitet, øger omfanget af skaden i tilfælde af en fejl. Brede tilladelser, langvarige adgangsnøgler og utilstrækkelig logføring kan føre til, at en enkelt forkert beslutning gentages systematisk. De marginale omkostninger ved endnu en forkert handling er næsten nul for agenten, mens de deraf følgende omkostninger for virksomheden akkumuleres.

Konsekvensen er klar: Enhver produktiv agent har brug for en formel identitet, et dokumenteret formål, en ansvarlig menneskelig ejer og begrænsede privilegier. Adgang bør gives i henhold til princippet om mindst mulig privilegium, være tidsbegrænset og løbende overvåget. Især følgehandlinger skal godkendes af mennesker før udførelse. Centraliserede nedlukningsmekanismer er lige så vigtige, så agenter ikke møjsommeligt skal deaktiveres individuelt i flere systemer i tilfælde af en funktionsfejl. Selvom disse foranstaltninger kan reducere hastigheden på kort sigt noget, øger de det samlede systems skalerbarhed ved at begrænse skader, usikkerhed og regulatorisk friktion.

Ansvar uden egentlig kontrol

Den organisatoriske spænding afsløres i en global undersøgelse af 3.200 IT-chefer. 88 procent observerer, at den operationelle implementering af AI skrider hurtigere frem end tilpasningen af ​​governance. Samtidig antager 90 procent, at central IT vil blive holdt ansvarlig for sikkerheds- eller compliance-fejl, selvom de værktøjer, der forårsager dem, blev anskaffet uafhængigt af andre forretningsenheder. Dette skaber en kløft mellem beslutningskompetence og ansvarlighed.

En sådan struktur skaber perverse incitamenter. Forretningsenheder opnår den kortsigtede fordel ved hurtig eksperimentering, mens en betydelig del af risikoen forbliver hos IT, databeskyttelse, informationssikkerhed og administration. Central IT kan blive en flaskehals, hvis den skal godkende hver ansøgning individuelt. Men hvis den helt opgiver kontrollen, opstår et komplekst landskab af modeller, agenter, dataadgange og kontrakter. Begge yderpunkter er ineffektive. En rent centraliseret tilgang kvæler innovation, mens en fuldstændig decentraliseret tilgang multiplicerer risici og dobbeltarbejde.

En samlet styringsmodel er derfor nødvendig. Centrale funktioner definerer bindende tekniske og organisatoriske retningslinjer, leverer godkendte platforme og overvåger identiteter, omkostninger og kritiske aktiviteter. Forretningsenheder kan udvikle og drive applikationer inden for denne ramme, men skal dokumentere fordele, datakilder, risici og ansvarlige personer. Dette holder beslutninger så tæt som muligt på den daglige drift, mens fælles standarder forhindrer, at hvert team skal løse de samme sikkerheds- og integrationsproblemer gentagne gange.

Det personlige pres på IT-chefer demonstrerer, hvor drastisk AI har udviklet sig fra et innovationsemne til en karriere- og governancefaktor. 76 procent af de adspurgte IT-chefer mener, at deres position er i fare, hvis deres virksomhed ikke formår at opnå målbare forretningsresultater med AI inden udgangen af ​​2027. Dette pres kan fremskynde fornuftig prioritering, men det indebærer også risiko for hektisk skalering. Dem, der er under pres for kortsigtet succes, prioriterer måske synlige implementeringstal frem for robuste procesforbedringer. Den paradoksale konsekvens ville være, at selve presset for hurtigt at demonstrere et investeringsafkast øger sandsynligheden for dyre fejl.

Når controlleren selv bliver en omkostningsfaktor

Indledende erfaringer fra styring og revision tyder på, at risiciene ikke blot er teoretiske. I en undersøgelse af 417 fagfolk inden for styring, risiko, compliance og revision rapporterede 34 procent, at deres organisation havde handlet baseret på en unøjagtig agentbeslutning. 30 procent observerede utilsigtede handlinger, 25 procent en kontrolfejl og 24 procent konsekvenser for kunder. I 20 procent af tilfældene kom to agenter i konflikt med hinanden. Næsten halvdelen af ​​medarbejderne krævede mere tid til at gennemgå og korrigere AI-resultater end før.

Disse data skal fortolkes med forsigtighed, fordi undersøgelser afspejler deltagernes opfattelser og oplevelser, ikke automatisk hyppigheden af ​​alle fejl i det samlede marked. Ikke desto mindre afslører de et klart mønster: virksomheder delegerer beslutningskompetence til agenter, før processer, data og kontrolsystemer er designet til denne form for autonomi. Kunstig intelligens gør ikke automatisk en dårlig proces god. Den kan blot gøre den hurtigere, mere uigennemsigtig og mere udbredt.

Den ekstra revisionsindsats er særligt relevant ud fra et økonomisk perspektiv. Automatisering begrundes normalt med argumentet om reducerede personaleomkostninger. Men hvis kvalificerede specialister løbende skal kontrollere resultater, afklare undtagelser og rekonstruere agentbeslutninger, flytter arbejdet sig blot. Det forsvinder ikke, men bevæger sig snarere fra den faktiske behandling til overvågning og fejlfinding. Disse aktiviteter kan være mere krævende og dyre end den oprindelige proces, fordi de kræver teknisk, faglig og regulatorisk ekspertise på samme tid.

Det betyder ikke, at menneskeligt tilsyn i sagens natur er uøkonomisk. I højrisikoområder er det uundværligt. Det afgørende punkt er at afstemme kontrolintensiteten med den potentielle skade. En agent, der kategoriserer interne dokumenter, kræver andre godkendelser end et system, der initierer betalinger, forbereder personalebeslutninger eller ændrer kundekonti. Virksomheder bør derfor give autonomi i etaper. Jo mere irreversibel en handling er, jo mere følsomme dataene er, og jo større den potentielle eksterne påvirkning er, desto strengere skal de forudgående godkendelser, logføringen og de uafhængige revisioner være.

Teststier er ved at blive en del af den økonomiske infrastruktur

To tredjedele af IT-chefer er usikre på, om de kan give en tilsynsmyndighed en komplet og detaljeret redegørelse for en agents beslutning. Dette er mere end blot et compliance-problem. Manglende sporbarhed øger omkostningerne ved hver hændelse, fordi årsager er sværere at fastslå, berørte processer er vanskeligere at isolere, og modforanstaltninger er langsommere at implementere. Uden robuste optegnelser kan en virksomhed næppe bevise, at en agent handlede inden for deres beføjelser, eller at en ansvarlig person intervenerede passende.

Reviderbarhed skal derfor forstås som en produktiv infrastruktur, ikke som et dokumentationskrav, der tilføjes med tilbagevirkende kraft. Agentens identitet, den anvendte model og softwareversion, de tilgåede datakilder, de tilgængelige tilladelser, de mellemliggende trin, eksterne værktøjskald, godkendelser og det endelige resultat bør alle registreres. Lige så vigtigt er evnen til teknisk at reproducere en proces eller i det mindste plausibelt rekonstruere den. Med probabilistiske modeller er nøjagtig replikering ikke altid mulig, men de relevante input, konfigurationer og beslutningsstier skal bevares.

Udfordringen stiger i systemer med flere agenter. Når flere agenter fordeler opgaver, gensidigt gennemgår resultater eller sekventielt ændrer forskellige virksomhedssystemer, opstår der en kæde af distribueret ansvar. En fejl kan opstå som følge af samspillet mellem flere tilsyneladende plausible delbeslutninger. Konventionelle kontrolsystemer, der undersøger individuelle brugerhandlinger eller isolerede softwaretransaktioner, er utilstrækkelige til dette. Virksomheder har brug for kontinuerlig overvågning af hele proceskæden.

Udviklingen inden for lovgivning intensiverer dette pres for at handle. Den europæiske lovgivningsramme for kunstig intelligens, databeskyttelsesforordninger og branchespecifikke tilsynsforpligtelser øger kravene til risikostyring, dokumentation og menneskeligt tilsyn. Databeskyttelsesmyndigheder uden for Den Europæiske Union er også mere opmærksomme på, hvordan automatiserede systemer behandler personoplysninger. Den økonomiske konklusion er, at governance ikke er et ekstra omkostningscenter, der kan tilføjes efter vellykket skalering. Det er en forudsætning for at sikre, at skalering er juridisk kompatibel og bæredygtig.

AI-risici rykker op i den øverste gruppe

I en undersøgelse af 1.330 bestyrelsesmedlemmer og ledende medarbejdere rangerer nye risici som følge af introduktionen af ​​AI fra 2027 og fremefter allerede som nummer to blandt kortsigtede forretningsrisici, direkte efter cybertrusler. Denne rangering viser, at AI ikke længere ses som et isoleret IT-initiativ. Det påvirker driftsstabilitet, regulering, databeskyttelse, tredjeparter, personale, omdømme og kapitalallokering samtidig.

AI- og cyberrisici bør ikke analyseres separat. Agenter øger den digitale angrebsflade, fordi de kræver adgang til data, applikationer og værktøjer. Angribere kan forsøge at manipulere input, få agenter til at udføre uautoriserede handlinger eller misbruge deres legitimationsoplysninger. Samtidig kan en korrekt autentificeret agent selv udføre risikable handlinger, hvis dens mål er forkert defineret, dens kontekst manipuleret, eller dens tilladelser er for brede. Traditionel IT-sikkerhed adresserer derfor kun en del af problemet. Ud over at afgøre, om en aktør er autoriseret til at få adgang til data, er det afgørende at vurdere, om den tilsigtede handling er tilladt og passende i den specifikke kontekst.

Dette indebærer udvidet ansvar for virksomhedsledelsen. De behøver ikke at forstå alle modeller teknisk, men de skal sikre, at der findes klare ejerskabsregler, risikoklassificeringer, eskaleringsprocedurer og økonomiske mål for centrale AI-applikationer. Tilsyn kan ikke begrænses til antallet af igangsatte projekter eller budgettets størrelse. Afgørende er det, at der er behov for pålidelig information om, hvilke processer der automatiseres på en produktiv måde, hvilke data der påvirkes, hvor ofte menneskelig indgriben er nødvendig, hvilken potentiel skade der er mulig, og om de forventede fordele rent faktisk realiseres.

Xpert.Digital er et datadrevet B2B-industricenter ledet af Konrad Wolfenstein . Virksomheden fungerer som en ekstern, nærmest intern løsning for industrielle partnere og lukker operationelle huller i marketing, indhold og salg – uden at kræve yderligere ressourcer fra klientsiden.

Mere information her:

• Den nærmest interne løsning: Hvordan Xpert.Digital lukker operationelle huller i B2B-marketing og -salg – Smart Content-Driven Business

Et kapitalproblem vokser under softwaren

Mens virksomheder kæmper med at kontrollere deres agenter, udvider teknologibranchen det fysiske fundament for AI i et hidtil uset omfang. Investeringer på næsten en billion amerikanske dollars i AI-infrastruktur forventes i 2026. Mellem 2027 og 2030 kan yderligere seks billioner amerikanske dollars blive tilføjet. Disse beløb strømmer ind i datacentre, grafikprocessorer (GPU'er), netværksteknologi, lagring, køling, strømforsyninger og jord. Denne udvidelse følger forventningen om, at behovet for at træne og køre AI-modeller vil vokse betydeligt i årenes løb.

Vækst alene garanterer dog ikke et tilstrækkeligt investeringsafkast. Operatører af AI-datacenter skal generere en samlet omsætning på cirka 8,5 billioner dollars inden 2030 for at dække annoncerede investeringer, finansieringsomkostninger og et antaget investeringsafkast på 12 procent. Potentielt henførbare omsætninger fra virksomheder og forbrugere inden for AI anslås til maksimalt 3,6 billioner dollars for samme periode. Selvom disse tal er behæftet med betydelig usikkerhed på grund af deres lange prognosehorisont, er forskellens størrelse bemærkelsesværdig.

Det ville dog være forkert at sammenligne investeringer og AI-indtægter direkte. Datacentre har en levetid, der strækker sig over flere år, infrastrukturen kan håndtere forskellige arbejdsbyrder, og nogle af de økonomiske fordele tilfalder brugervirksomhederne snarere end infrastrukturoperatøren. Desuden kan faldende computeromkostninger generere ny efterspørgsel. Ikke desto mindre er det centrale budskab stadig gyldigt: Markedet skal ikke kun vokse kraftigt, men også producere monetariserbare applikationer exceptionelt hurtigt for alle planlagte kapaciteter for at opnå det forventede afkast.

Denne situation er udfordrende. Mange af nutidens AI-applikationer reducerer omkostninger eller forbedrer eksisterende produkter, men genererer ikke automatisk yderligere indtægter svarende til de underliggende infrastrukturinvesteringer. Derudover kan produktivitetsgevinster fordeles mellem udbydere og kunder. Intens konkurrence presser priserne ned, open source-modeller sænker adgangsbarrierer, og mere effektive modeller reducerer beregningskravene pr. opgave. Selvom dette er gavnligt for den samlede økonomi, kan det have en negativ indvirkning på rentabiliteten for de enkelte datacenteroperatører.

Afskrivningstiden tikker hurtigere end efterspørgslen

AI-hardware adskiller sig fra langvarig basisinfrastruktur i sine korte innovationscyklusser. Nye generationer af acceleratorer tilbyder ofte betydeligt mere ydeevne eller bedre energieffektivitet. Som følge heraf kan ældre hardware miste økonomisk værdi, selvom den stadig fungerer teknisk. En operatør skal derfor tjene sin investering ind så hurtigt som muligt gennem høj udnyttelsesgrad og attraktive priser. Hvis efterspørgslen ikke lever op til forventningerne, kommer bogførte værdier og finansieringsmodeller under pres.

I 2030 kan AI-aktiver til en værdi af cirka 3,5 billioner dollars være i risiko for værdiforringelse; i 2032 kan dette tal stige til mere end 4 billioner dollars. En værdiforringelse betyder ikke, at serverne fysisk forsvinder. Det indikerer snarere, at de forventede fremtidige pengestrømme ikke længere retfærdiggør aktivets regnskabsmæssige værdi. For operatører med høj gearing kan dette stramme kreditforholdene, udhule egenkapitalen og gøre yderligere investeringer vanskeligere.

Dynamikken ligner tidligere infrastrukturcyklusser. Nye grundlæggende teknologier udløser ofte ekspansion, hvilket i første omgang skaber overkapacitet. Jernbaner, telekommunikationsnetværk og fiberoptik har gennemgået sammenlignelige faser. Noget af den investerede kapital gik tabt, mens den lettilgængelige og billige infrastruktur senere muliggjorde nye forretningsmodeller. Derfor kan to udsagn være sande samtidig: AI kan udløse en dybtgående økonomisk transformation, og alligevel kan en betydelig del af nutidens investorer stadig opnå utilstrækkelige afkast.

For den samlede økonomi behøver en markedskorrektion ikke at være udelukkende negativ. Nedskrivninger og konkurser kan sænke omkostningerne ved computerkraft og give mere effektive købere adgang til infrastruktur. Virksomheder kan drage fordel af lavere priser, selvom de oprindelige investorer lider tab. Situationen bliver problematisk, når overinvesteringer er knyttet til høj gæld, langsigtede energikontrakter eller regionalt koncentreret kapacitet. I sådanne tilfælde kan korrektioner påvirke banker, energileverandører, ejendomsmarkeder og lokale offentlige budgetter.

Neoclouds mellem vækst og selektion

De mest sårbare er specialiserede neocloud-udbydere, der leverer computerkraft til AI-arbejdsbelastninger. Deres fordel ligger i deres høje niveau af teknisk specialisering, hurtige adgang til efterspurgte grafikprocessorer og ofte mere fleksible tilbud end store, bredt diversificerede cloud-virksomheder. Virksomheder som CoreWeave og Nebius eksemplificerer dette segment. Det adresserbare marked for AI-optimerede Infrastructure-as-a-Service-tilbud kan vokse fra 66 milliarder dollars i 2027 til 174 milliarder dollars i 2030. Dette ville være en imponerende stigning, men det er muligvis stadig ikke nok til rentabelt at udnytte den samtidigt opbyggede kapacitet.

Forudsigelsen om, at mere end 80 procent af neoclouds kan ophøre med uafhængig drift inden 2030, indebærer ikke nødvendigvis en fuldstændig forsvinden af ​​deres computerressourcer. Konkurser, opkøb, fusioner, langsigtede partnerskaber eller integration i større platforme er alle muligheder. Den underliggende økonomiske faktor er betydelig konsolidering. Udbydere uden gunstig finansiering, en sikker energiforsyning, høj udnyttelsesgrad og et klart differentieret serviceudbud vil have svært ved at forblive uafhængige.

Forretningsmodellen er skrøbelig af flere årsager. For det første kræver den enorme forudgående investeringer i hurtigt aldrende hardware. For det andet kan kundebasen være koncentreret, hvilket betyder, at tabet af selv et par store kunder kan ændre kapacitetsudnyttelsen drastisk. For det tredje står neoclouds mellem chipproducenter og kunder uden nødvendigvis at have samme niveau af forhandlingsstyrke. For det fjerde kan hyperscalere konkurrere med omfattende platformtjenester, global infrastruktur og eksisterende kunderelationer. For det femte truer prispresset, efterhånden som mere kapacitet bliver tilgængelig, eller forretningsmodeller bliver mere effektive.

Ikke alle neoclouds er derfor ens. De, der har størst sandsynlighed for at overleve, er udbydere med strukturelle fordele: langsigtet adgang til billigere energi, især høj teknisk udnyttelse, adgang til knap kapital, specialiserede tjenester eller en stærk position i specifikke regioner og regulerede industrier. Suveræn, nationalt eller europæisk kontrolleret infrastruktur kan også være en differentierende faktor, hvis kunder prioriterer databeskyttelse, dataopbevaring og strategisk uafhængighed frem for den laveste pris.

Hyperskalere køber sig tid

Store cloud- og teknologivirksomheder har en afgørende fordel i forhold til specialiserede udbydere: De finansierer udvidelsen af ​​AI fra brede og profitable forretningsområder. Cloudplatforme, reklame, handel, softwareabonnementer, sociale netværk og eksisterende virksomhedstjenester genererer indtægtsstrømme, der kan understøtte investeringer over længere perioder. Dette gør det muligt for Amazon, Google, Microsoft, Meta og andre store udbydere bedre at modstå en periode med lave direkte AI-afkast.

Diversificering eliminerer dog ikke problemet med investeringsafkast. Selv store virksomheder skal på lang sigt forklare, hvordan deres investeringer skaber værdi. De har simpelthen mere tid og yderligere monetiseringskanaler. AI kan øge eksisterende cloud-brug, forbedre reklameprodukter, fastholde kunder på platforme, accelerere udviklingsprocesser og forsvare andre forretningsområder. Derfor fremgår nogle af fordelene ikke som separat rapporterede AI-indtægter. Disse strategiske bivirkninger gør en direkte sammenligning med neoclouds, hvis økonomiske succes i højere grad afhænger af udlejning af computerkraft, vanskelig.

Hyperskaleres markedsstyrke kan vokse yderligere som følge af konsolideringen. Når mindre udbydere forlader markedet, tilegner store platforme sig kunder, kvalificerede medarbejdere og attraktivt værdsat infrastruktur. Dette kan øge stordriftsfordelene, men også forværre afhængigheder. Virksomheder og regeringer skal derfor afveje effektivitet mod modstandsdygtighed. En stærkt koncentreret infrastruktur er ofte billigere på kort sigt, men kan påvirke prisfastsættelse, innovationsveje og digital suverænitet på lang sigt.

Dette skaber et strategisk dilemma for Europa. Det er energi- og kapitalintensivt at opbygge sine egne AI-kapaciteter, mens amerikanske og asiatiske udbydere allerede har betydelige stordriftsfordele. Blot at kopiere hyperskalere ville næppe være lovende. En mere fornuftig tilgang er at fokusere på specifikke industrielle applikationer, pålidelige dataområder, regulerede sektorer, energieffektivitet, europæiske sprog og tekniske modeller samt suveræne driftsløsninger. Den økonomiske begrundelse skal stamme fra differentierede fordele, ikke fra et forsøg på vilkårligt at efterligne globale kapacitetskapløb.

Seks billioner dollars er ikke en efterspørgselsprognose

En anden model illustrerer omfanget af udfordringen. Hvis de årlige udgifter til AI-infrastruktur forventes at nå op på cirka 1,5 billioner dollars inden 2031, og investeringer forventes at tegne sig for cirka en fjerdedel af branchens omsætning, vil det globale AI-marked skulle generere næsten 6 billioner dollars årligt. Eksisterende forbruger- og virksomhedsapplikationer kan bidrage med mellem 1,2 og 1,8 billioner dollars heraf. Dette ville efterlade et hul på cirka 4,2 billioner dollars, som skal udfyldes af nye markeder.

Dette tal på seks billioner amerikanske dollars bør forstås som en økonomisk hindring, ikke en pålidelig indtægtsprognose. Tallet beskriver den størrelsesorden, der ville være nødvendig for bæredygtigt at finansiere ekspansionen under visse afkast- og investeringsantagelser. Det forudsiger ikke, at denne indtægt rent faktisk vil blive genereret. Denne sondring er afgørende, fordi store potentielle markedsvolumener ofte behandles som forventede indtægter i teknologidebatter.

Yderligere vækstmarkeder omfatter AI-drevet søgning og annoncering, autonome køretøjer, lastbiler og droner, industriel automatisering, robotteknologi, digitale tvillinger, lægemiddeludvikling, medicinske tjenester, materialeforskning og energi. Autonome systemer forventes at have et potentiale på omkring 400 milliarder amerikanske dollars, mens fysisk AI, der omfatter simuleringer, digitale tvillinger og robotteknologi, anslås til cirka 900 milliarder amerikanske dollars. Disse områder har betydelig økonomisk værdi, men udvikler sig langsommere end rent softwarebaserede produkter. De kræver hardware, myndighedsgodkendelser, sikkerhedstest, integration i fysiske processer og ofte nye ansvarsbestemmelser.

Tidsforskellen er derfor potentielt vigtigere end det langsigtede markedspotentiale. Selv hvis robotteknologi og industriel AI genererer enorme indtægter, skal de skaleres hurtigt nok til at retfærdiggøre nutidens investeringer. Datacentre, chips og finansieringsomkostninger afholdes øjeblikkeligt; nye fysiske applikationer tager ofte år at nå udbredt markedsmodning. En fundamentalt sund fremtidsforventning kan derfor stadig blive en dårlig investering, hvis prisen, finansieringsstrukturen eller timingen er forkert.

Fysisk AI vil bestemme anden halvdel af boomet

Succeserne med generativ AI har hidtil fokuseret stærkt på digitalt vidensarbejde. Tekster, billeder, softwarekode, forskning og kundekommunikation kan relativt hurtigt integreres i eksisterende applikationer. Den potentielle omsætning fra disse markeder er betydelig, men næppe tilstrækkelig i sig selv til at retfærdiggøre alle planlagte infrastrukturinvesteringer. Den næste vækstfase skal derfor udvides dybere ind i den fysiske økonomi.

Fysisk AI forbinder læringssystemer med maskiner, køretøjer, produktionsfaciliteter og virkelige miljøer. I fabrikker kan digitale tvillinger simulere nye produktionsprocesser, før dyrt udstyr modificeres. Robotter kan reagere mere fleksibelt på skiftende emner. I logistikcentre kan materialestrømme, ordreplukning og autonom transport koordineres. I bilindustrien kan udviklingstider reduceres, mens autonome systemer muliggør nye tjenester. Den økonomiske værdi stammer ikke kun fra reducerede personaleomkostninger, men også fra øget fabrikstilgængelighed, lavere skrotrater, hurtigere fabriksopstart og nye produkter.

Dette repræsenterer en strategisk mulighed, især for Tyskland og Europa. Deres industrielle base, procesviden, specialiserede maskinproducenter og komplekse forsyningskæder tilbyder værdifulde data og anvendelsesområder. Denne fordel opstår dog ikke automatisk. Mange industrielle data er fragmenterede, proprietære eller utilstrækkeligt strukturerede. Virksomheder skal modernisere deres dataarkitekturer, standardisere grænseflader og digitalt kortlægge operationel viden. Uden dette grundlag vil fysisk AI forblive begrænset til demonstratorer.

Monetisering adskiller sig også fra typisk cloud-software. Industrivirksomheder forventer påviselig pålidelighed, lange livscyklusser og klar ansvarlighed. De accepterer ikke et permanent eksperimentelt miljø i sikkerhedskritiske processer. Derfor skal udbydere levere robuste, integrerede systemer, der kombinerer modeller, sensorer, kontrolsystemer, cybersikkerhed og vedligeholdelse. Det er netop her, et marked for specialiserede europæiske udbydere kan udvikle sig, et marked der er mindre fokuseret på maksimal modelstørrelse og mere på domæneekspertise, integration og tillid.

Den fælles kerne i begge kriser

Problemerne med AI-agenter og neoclouds synes i første omgang at være adskilte. På den ene side er der forretningsprocesser, governance og fejlbehæftede beslutninger; på den anden side datacentre, finansiering og afskrivninger. I virkeligheden er begge baseret på den samme økonomiske misforståelse: at teknisk kapacitet næsten automatisk vil omsættes til rentable, skalerbare fordele.

Med agenter forveksles et vellykket pilotprojekt ofte med produktionsmodenhed. Med infrastruktur sidestilles hurtigt voksende computerbehov med tilstrækkelig betalingsvillighed og et bæredygtigt investeringsafkast. I begge tilfælde overses de mellemliggende faser ofte. Mellem modelydelse og forretningsfordele ligger datakvalitet, procesredesign, integration, sikkerhed, menneskeligt tilsyn og accept. Mellem computerkapacitet og investorafkast ligger udnyttelse, prisfastsættelse, energiomkostninger, hardwareældning, finansiering og konkurrence.

Denne konklusion argumenterer ikke imod kunstig intelligens. Den argumenterer for en mere professionel kapitalallokering. Teknologiske revolutioner forløber sjældent lineært. Overdrivelser finansierer eksperimenter og infrastruktur, men fører efterfølgende til korrektion og konsolidering. Vinderne er ikke nødvendigvis de virksomheder, der investerer først eller mest. Ofte er det dem, der sejrer, der styrer omkostningerne fornuftigt, lærer af tidlige fejl og afstemmer deres tilbud med den faktiske betalingsvillighed.

Hypen skal omsættes til sund forretningspraksis

Virksomheder bør kun implementere AI-agenter, hvor der findes en klart defineret proces, pålidelige data og en målbar målmåling. Udgangspunktet bør ikke være der, hvor den størst mulige autonomi kan demonstreres. Den afgørende faktor er, hvor en specifik flaskehals kan elimineres, en leveringstid reduceres, kvaliteten forbedres eller yderligere indtægter genereres. For hver use case bør det inden starten fastlægges, hvilke omkostninger og fejlrater der er acceptable, og under hvilke betingelser projektet vil blive stoppet.

Implementeringen bør ske i etaper. I starten kan en agent give forslag, derefter handle under menneskelig godkendelse, og først efter stabil ydeevne kan den autonomt udføre begrænsede opgaver. Disse modenhedsniveauer muliggør separat overvågning af fordele og risici. Et system, der i forvejen ikke genererer nogen målbar værdi som assistent, vil ikke blive økonomisk levedygtigt blot ved at få tildelt flere privilegier.

Parallelt hermed kræves en central opgørelse. Virksomheder skal vide, hvilke agenter der findes, hvilke modeller de bruger, hvilke systemer de tilgår, og hvem der er ansvarlig. Omkostninger bør allokeres til individuelle processer og forretningsenheder. Kritiske handlinger kræver godkendelsestærskler, og enhver produktionsapplikation har brug for en fungerende nedlukningsmekanisme. Governance bør ikke ses som et stift dokument; det skal være teknisk integreret i platforme, identiteter, protokoller og udviklingsprocesser.

Indkøb er også under forandring. Kontrakter med AI- og cloududbydere bør indeholde bestemmelser om dataforbrug, modelændringer, logadgang, sikkerhedshændelser, ydeevne, ansvar og skiftmuligheder. Virksomheder skal undgå at gøre kerneprocesser afhængige af en enkelt udbyder, hvis priser, modeller eller forretningsstrategi kan ændres med kort varsel. Hvor det er muligt, øger modulære arkitekturer og udskiftelige modeller forhandlingsstyrken.

For infrastrukturinvestorer er det kunden, der tæller, ikke chippen

For datacentre og neoclouds er adgang til nuværende hardware alene ikke nok til en levedygtig forretningsmodel. Investorer bør primært undersøge kvaliteten og varigheden af ​​efterspørgslen. Langtidskontrakter er kun værdifulde, hvis kunderne er kreditværdige, og minimumskravene til køb rent faktisk kan opfyldes. Lige så vigtige er energipriser, netværksforbindelser, køling, udnyttelsesmønstre, refinansieringsmuligheder og restværdien af ​​ældre hardware.

Særlig forsigtighed tilrådes, når væksten i vid udstrækning finansieres af yderligere gæld, og den forventede kapacitetsudnyttelse er baseret på et lille antal kunder. Et fald i efterspørgslen kan derefter samtidig påvirke omsætning, aktivværdi og finansieringskapacitet. Stressscenarier bør kombinere lavere priser, forsinket idriftsættelse, faldende kapacitetsudnyttelse, accelereret hardwareældning og højere kapitalomkostninger. Kun når en forretningsmodel forbliver levedygtig, selv under mindre gunstige forudsætninger, er investeringsafkastet pålideligt.

For specialiserede udbydere fører vejen fra udskiftelighed gennem differentiering. Dette inkluderer højeffektive datacentre, suveræne europæiske driftsmodeller, branchespecifikke platforme, garanteret dataopbevaring, integrerede sikkerhedstjenester eller en tæt forbindelse mellem infrastruktur og applikationsekspertise. Efterhånden som udbuddet stiger, bliver ren kapacitet en handelsvare. Tillid, integration og påviselig ydeevne forbliver derimod mindre udbredt.

Den kommende oprydning er ikke enden på AI

De forventede projektaflysninger og den potentielle konsolidering af neoclouds er ikke en modbevisning af kunstig intelligens. De er snarere typiske for overgangen fra en teknologidrevet ekspansionsfase til et marked, hvor investeringsafkast, pålidelighed og institutionel modenhed er altafgørende. En stor del af de tidlige projekter vil forsvinde, fordi de var dårligt definerede, dårligt integrerede eller økonomisk uholdbare. Samtidig vil succesfulde applikationer trænge dybere ind i kerneprocesserne.

Infrastrukturaktiver bliver ikke bare værdiløse. Computerkapacitet kan stadig bruges efter afskrivninger, opkøb eller lavere priser. For brugerne kan markedskonsolidering endda være fordelagtig, hvis konkurrence og overkapacitet reducerer omkostningerne. Fordelingen af ​​overskud ændrer sig dog: kunder og senere købere kan drage fordel, mens tidlige aktie- og gældsinvestorer bærer nogle af tabene.

Den mest sandsynlige udviklingsvej er derfor hverken et fuldstændigt kollaps af AI-forventningerne eller en gnidningsløs fortsættelse af boomet. En tostrenget udvikling er mere sandsynlig. Højkvalitets, klart kontrollerede applikationer vil fortsætte med at vokse og blive standard forretningsinfrastruktur. I modsætning hertil vil udifferentierede agentprojekter, dårligt sikrede forretningsmodeller og overprissatte kapaciteter komme under pres. Markedet adskiller teknologiske muligheder fra økonomisk levedygtighed.

Den virkelige AI-revolution begynder ikke med den næste spektakulære model, men med den nøgterne evne til at omsætte teknologi til pålidelig værdiskabelse. Virksomheder, der styrer omkostninger, kontrol og fordele i fællesskab, vil komme stærkere ud af denne korrektion. De, der skalerer autonomi uden ansvar eller computerkraft uden profitabel efterspørgsel, finansierer derimod primært den næste bølge af afskrivninger.

Inden for industriel B2B opstår bæredygtige forretningsrelationer sjældent natten over. De udvikles trin for trin – gennem synlighed, professionel relevans, tilbagevendende kontaktpunkter og voksende tillid. Xpert.Digitals 4-trinsmodel adresserer netop dette: Den tilbyder en struktureret vej, der starter med et håndterbart indgangspunkt og kan udvikle sig til et dybere samarbejde inden for forretningsudvikling, hvis det er nødvendigt.

I stedet for at stole på højlydte marketingløfter sætter denne model relationen i forgrunden. Virksomheder starter med klart definerede, let beregnelige målinger og beslutter derefter, baseret på deres egen erfaring, hvor langt de vil udvide samarbejdet. En nøglefaktor for denne uforstyrrede tillidsopbyggende proces: Platformen undgår fuldstændigt irriterende reklamer, så det redaktionelle fokus forbliver udelukkende på virksomhedernes ekspertise.

Mere information her:

• Fra synlighed til tillid: Din skalerbare vej med Xpert.Digital

☑️ Vores forretningssprog er engelsk eller tysk

☑️ NYT: Korrespondance på dit modersmål!

 

Jeg og mit team er glade for at stå til rådighed for dig som din personlige rådgiver.

Du kan kontakte mig ved at udfylde kontaktformularen her wolfenstein@xpert.digital:eller blot ringe til mig på +49 7348 4088 965. Min e-mailadresse er

Jeg glæder mig til vores fælles projekt.

 

 

☑️ SMV-support inden for strategi, rådgivning, planlægning og implementering

☑️ Oprettelse eller omlægning af den digitale strategi og digitalisering

☑️ Udvidelse og optimering af internationale salgsprocesser

☑️ Globale og digitale B2B-handelsplatforme

☑️ Pioner inden for forretningsudvikling / marketing / PR / messer