Strategiernes sammenstød | Hvorfor tror IBMs administrerende direktør Arvind Krishna ikke på Sam Altmans vision på en billion dollar – AGI på nul til én procent?
Xpert-forhåndsudgivelse
Valg af sprog 📢
Udgivet den: 4. december 2025 / Opdateret den: 4. december 2025 – Forfatter: Konrad Wolfenstein
Strategiernes sammenstød | Hvorfor IBMs administrerende direktør Arvind Krishna ikke tror på Sam Altmans vision på en billion dollar – AGI på nul til én procent? – Billede: Xpert.Digital
Kunstig generel intelligens (AGI) og nådesløs matematik: Hvorfor datacenterboomet aldrig kan betale sig
Den 5-årige dødscyklus: Den undervurderede risiko for Nvidia, Microsoft og andre.
Mens Silicon Valley er opslugt af en hidtil uset investeringsrazzia, med billioner, der strømmer ind i kapløbet om kunstig superintelligens, trækker en af verdens mest erfarne tech-direktører i nødbremsen. IBMs administrerende direktør, Arvind Krishna, advarer: Satsningen betaler sig ikke.
En guldfebermentalitet griber den globale teknologisektor. Virksomheder som Microsoft, Google og Meta overbyder hinanden med investeringer i nye datacentre, drevet af frygten for at blive efterladt i den næste store teknologiske revolution. Visionen er klar: udviklingen af kunstig generel intelligens (AGI), der er lig med eller bedre end menneskelig intelligens. Men midt i denne eufori rejser en stærk stemme sig, ikke fra teknologikritikernes rækker, men fra selve magtens centrum: Arvind Krishna, administrerende direktør for IBM.
I en nøgtern analyse baseret på ren aritmetik afmonterer Krishna den herskende fortælling fra Silicon Valley. Hans advarsel er lige så enkel, som den er skræmmende: Infrastrukturomkostningerne eksploderer, mens hardware bliver forældet hurtigere, end den kan afskrives. Krishna taler om investeringsbeløb på op til otte billioner amerikanske dollars, der ville være nødvendige for at fortsætte den nuværende udvikling af AGI – et beløb, der kunne føre til, at selv verdens rigeste virksomheder økonomisk konkurs, hvis de lovede astronomiske overskud ikke realiseres.
Men Krishnas kritik er ikke begrænset til økonomiske tal. Han sætter spørgsmålstegn ved det teknologiske grundlag for selve hypen. Mens Sam Altman og OpenAI fremstiller superintelligensens ankomst som næsten uundgåelig, sætter Krishna sandsynligheden for at nå dette mål med nutidens storstilede sprogmodelleringsteknologi til et tankevækkende nul til én procent.
Står vi over for den største fejlinvestering i økonomisk historie? Er AI-boomet en boble, der er ved at briste, eller overser skeptikere det transformative potentiale, der ligger ud over balancerne? Den følgende artikel undersøger argumenterne, den ubarmhjertige matematik i datacenterøkonomi og den grundlæggende konflikt mellem visionærerne bag en "alt-eller-intet"-tilgang og fortalerne for pragmatisk realisme.
Relateret til dette:
Hvorfor IBMs administrerende direktør forudsiger afslutningen på det dyreste eksperiment i teknologihistorien
Den globale teknologisektor står muligvis over for en af de største fejlinvesteringer i den økonomiske historie. Mens virksomheder som Microsoft, Amazon, Meta og Google pumper hundredvis af milliarder dollars ind i at opbygge en infrastruktur til kunstig intelligens, stiger en advarende stemme op fra hjertet af IT-branchen. Arvind Krishna, administrerende direktør for IBM og ansat i virksomheden siden 1990, præsenterede en fundamental økonomisk analyse i et interview med The Verges Decoder-podcast i slutningen af november 2025, der kunne knuse euforien omkring kunstig generel intelligens.
Hans udtalelser, der blev offentliggjort den 30. november og 1. december 2025, rammer kernen i en debat, der vinder stigende momentum i bestyrelseslokaler og analytikerkredse. Krishna taler ikke om teoretiske risici eller filosofiske bekymringer, men om konkrete økonomiske umuligheder, der sætter spørgsmålstegn ved den nuværende investeringsmodel i AI-sektoren. Hans beregninger får selv optimistiske brancheobservatører til at tænke sig om, da de er baseret på simpel aritmetik og sunde forretningsprincipper.
Relateret til dette:
Den nådesløse matematik i datacenterøkonomi
Krishna indleder sin analyse med en nøgtern vurdering af den nuværende omkostningssituation. Et datacenter med en kapacitet på én gigawatt medfører kapitaludgifter på 80 milliarder amerikanske dollars efter nutidens standarder. Dette tal inkluderer ikke kun den fysiske infrastruktur og bygninger, men også alt det tekniske udstyr, fra servere og netværkskomponenter til de højt specialiserede grafikprocessorer, der kræves til AI-beregninger.
Teknologibranchen har forpligtet sig til massiv ekspansion i de seneste måneder. Flere virksomheder har offentligt annonceret planer om at bygge mellem 20 og 30 gigawatt yderligere computerkapacitet. Med de nuværende omkostninger pr. gigawatt ville dette resultere i samlede investeringer på mindst 1,5 billioner dollars. Dette beløb svarer omtrent til Teslas nuværende markedsværdi og illustrerer selve omfanget af foretagendet.
Men beregningen bliver endnu mere drastisk, når man ser ambitionerne i lyset af den ønskede kunstige generelle intelligens. Krishna anslår, at vejen til ægte AGI ville kræve cirka 100 gigawatt computerkraft. Dette estimat er baseret på ekstrapolationer af nuværende træningskrav til store sprogmodeller og tager højde for den eksponentielt stigende kompleksitet, der følger med hvert udviklingstrin. Med 80 milliarder dollars pr. gigawatt ville investeringsudgifterne beløbe sig til svimlende otte billioner amerikanske dollars.
Dette investeringstal er dog kun halvdelen af historien. Krishna peger på en faktor, der ofte overses i den offentlige diskurs: kapitalomkostningerne. Med en investering på otte billioner amerikanske dollars ville virksomheder skulle generere cirka 800 milliarder amerikanske dollars i overskud årligt blot for at dække renterne på den investerede kapital. Dette tal forudsætter en konservativ rente på ti procent, hvilket afspejler kapitalomkostningerne, risikopræmier og investorernes forventninger.
Den femårige dødscyklus for AI-hardware
Et afgørende punkt i Krishnas argument drejer sig om levetiden for den installerede hardware. Hele computerkapaciteten skal udnyttes fuldt ud inden for fem år, da den installerede hardware derefter skal bortskaffes og udskiftes. Denne vurdering stemmer overens med observationer fra industrien og er genstand for intens debat i finansielle kredse.
Den velkendte investor Michael Burry, berømt for sine præcise forudsigelser af finanskrisen i 2008, rejste lignende bekymringer i november 2025. Burry argumenterer for, at store teknologivirksomheder overvurderer den faktiske levetid for deres AI-hardware og dermed kunstigt holder deres afskrivninger lave. Han forventer, at grafikprocessorer og specialiserede AI-chips i praksis kun vil forblive økonomisk levedygtige i to til tre år, før de bliver forældede af nyere, mere kraftfulde generationer.
Den hurtige udvikling i halvledersektoren understøtter denne opfattelse. Nvidia, den dominerende leverandør af AI-chips, udgiver nye processorgenerationer cirka hver 12. til 18. måned. Hver generation tilbyder betydelige forbedringer af ydeevnen, hvilket hurtigt gør ældre modeller uøkonomiske. Mens en konventionel server i et datacenter nemt kan bruges i seks år eller mere, gælder der andre regler for AI-specifik hardware.
I praksis er billedet mere nuanceret. Nogle virksomheder har justeret deres afskrivningsperioder. I starten af 2025 forkortede Amazon den forventede levetid for nogle servere fra seks til fem år med henvisning til den accelererede udvikling inden for AI. Denne justering vil reducere virksomhedens driftsindtægter med cirka 700 millioner dollars i 2026. Meta forlængede derimod afskrivningsperioden for servere og netværksudstyr til 5,5 år, hvilket reducerede afskrivningsomkostningerne med 2,9 milliarder dollars i 2025.
Disse forskellige strategier illustrerer, at selv virksomheder, der investerer milliarder i AI-hardware, er usikre på, hvor længe deres investeringer vil forblive økonomisk rentable. Det femårige scenarie, som Krishna beskriver, falder inden for det optimistiske interval af disse estimater. Hvis den faktiske levetid er tættere på de to til tre år, som Burry forudsagde, vil afskrivningsomkostningerne og dermed presset på rentabiliteten stige betydeligt.
Umuligheden af profitable afkast
Forbindelsen mellem disse to faktorer fører Krishna til hans centrale argument. Han mener, at kombinationen af enorme kapitalomkostninger og korte livscyklusser gør det umuligt at opnå et rimeligt investeringsafkast. Med investeringsomkostninger på otte billioner amerikanske dollars og behovet for at generere 800 milliarder amerikanske dollars i årligt overskud blot for at dække kapitalomkostningerne, ville et AI-system skulle generere indtægter i en skala, der langt overstiger, hvad der i øjeblikket synes realistisk.
Til sammenligning havde Alphabet, Googles moderselskab, en samlet omsætning på cirka 350 milliarder dollars i 2024. Selv med en aggressiv vækst på 12 procent om året ville omsætningen stige til omkring 577 milliarder dollars i 2029. Den samlede omsætning, der kræves for at retfærdiggøre investeringer i AI, ville langt overstige dette tal.
OpenAI, virksomheden bag ChatGPT, forudser en årlig omsætning på over 20 milliarder dollars i 2025 og forventer at nå hundredvis af milliarder dollars inden 2030. Virksomheden har underskrevet aftaler til en værdi af cirka 1,4 billioner dollars over de næste otte år. Men selv disse ambitiøse tal rejser spørgsmål. Analytikere hos HSBC forudser, at OpenAI vil pådrage sig 792 milliarder dollars i cloud- og AI-infrastrukturomkostninger mellem udgangen af 2025 og 2030, med samlede forpligtelser til computerkapacitet, der potentielt når op på omkring 1,4 billioner dollars inden 2033.
HSBC-analytikere forudsiger, at OpenAIs kumulative frie pengestrøm vil forblive negativ frem til 2030, hvilket resulterer i et finansieringsunderskud på 207 milliarder dollars. Dette hul skal udfyldes gennem yderligere gæld, egenkapital eller mere aggressiv indtægtsgenerering. Spørgsmålet er ikke kun, om OpenAI kan blive rentabel, men om hele forretningsmodellen, som er afhængig af massive investeringer i datacentre, overhovedet er levedygtig.
Den forsvindende lille sandsynlighed for AGI
Krishna tilføjer en teknologisk dimension til sin økonomiske kritik, der er endnu mere fundamental. Han anslår sandsynligheden for, at nuværende teknologier vil føre til kunstig generel intelligens, til mellem nul og en procent. Denne vurdering er bemærkelsesværdig, fordi den ikke er baseret på filosofiske overvejelser, men snarere på en nøgtern evaluering af de tekniske muligheder og begrænsninger i store sprogmodeller.
Selvom definitionen af AGI er kontroversiel, refererer den i sin kerne til AI-systemer, der kan opnå eller overgå menneskelige kognitive evner på tværs af hele spektret. Dette ville betyde, at et system ikke blot demonstrerer ekspertviden på specifikke områder, men også er i stand til at overføre viden fra et område til et andet, forstå nye situationer, løse problemer kreativt og løbende forbedre sig uden at skulle omskoles til hver ny opgave.
Krishna argumenterer for, at store sprogmodeller, som danner kernen i den nuværende AI-revolution, har grundlæggende begrænsninger. Disse modeller er baseret på statistiske mønstre i massive tekstdatasæt og kan præstere imponerende i sprogbaserede opgaver. De kan generere sammenhængende tekster, besvare spørgsmål og endda skrive programkode. Men de forstår ikke rigtigt, hvad de laver. De mangler en verdensmodel, et kausalitetsbegreb og en reel evne til abstraktion.
Disse begrænsninger manifesterer sig på flere områder. Sprogmodeller hallucinerer regelmæssigt, hvilket betyder, at de opfinder fakta, der lyder plausible, men er falske. De kæmper med flertrinslogisk ræsonnement og fejler ofte i opgaver, der er trivielle for mennesker, hvis disse opgaver ikke var inkluderet i deres træningsdatasæt. De mangler episodisk hukommelse og kan ikke lære af deres egne fejl uden genoptræning.
Forskere og videnskabsfolk fra forskellige felter deler i stigende grad denne skepsis. Marc Benioff, administrerende direktør for Salesforce, udtrykte lignende skepsis over for AGI i november 2025. I en podcast beskrev han AGI-begrebet som potentielt misvisende og kritiserede teknologibranchen for at være under en slags hypnose med hensyn til AI's forestående muligheder. Benioff understregede, at selvom de nuværende systemer er imponerende, besidder de hverken bevidsthed eller sand forståelse.
Yann LeCun, seniorforsker i AI hos Meta, argumenterer for, at store sprogmodeller aldrig vil føre til AGI, uanset hvor meget de skaleres. Han går ind for alternative tilgange, der går ud over ren tekstforudsigelse, herunder multimodale verdensmodeller, der ikke kun behandler tekst, men også integrerer visuel og anden sensorisk information for at opbygge interne repræsentationer af verden.
Vores amerikanske ekspertise inden for forretningsudvikling, salg og marketing
Vores amerikanske ekspertise inden for forretningsudvikling, salg og marketing - Billede: Xpert.Digital
Branchefokusområder: B2B, digitalisering (fra AI til XR), maskinteknik, logistik, vedvarende energi og industri
Mere information her:
Et tematisk knudepunkt, der tilbyder indsigt og ekspertise:
- Vidensplatform, der dækker globale og regionale økonomier, innovation og branchespecifikke tendenser
- En samling af analyser, indsigter og baggrundsinformation fra vores vigtigste fokusområder
- Et sted for ekspertise og information om aktuelle udviklinger inden for erhvervsliv og teknologi
- Et knudepunkt for virksomheder, der søger information om markeder, digitalisering og brancheinnovationer
AI-boble eller fremtidens motor? Den farlige kløft mellem investeringer, energiforbrug og reel profit
Det nødvendige teknologiske gennembrud
Krishna mener, at opnåelse af AGI vil kræve flere teknologier, end den nuværende tilgang med store sprogmodeller kan tilbyde. Han foreslår, at integration af hård viden med sprogmodeller kan være en levedygtig tilgang. Med hård viden mener han struktureret, eksplicit viden om årsagssammenhænge, fysiske love, matematiske principper og andre former for viden, der går ud over statistiske korrelationer.
Dette perspektiv stemmer overens med forskning inden for neurosymbolsk AI, som søger at kombinere mønstergenkendelsesstyrkerne i neurale netværk med de logiske egenskaber i symbolske AI-systemer. Symbolsk AI, baseret på regler og logisk inferens, var dominerende i AI-forskningens første årtier, men er blevet overhalet af neurale tilgange i de senere år. Hybridisering af begge tilgange kunne teoretisk set producere systemer, der er i stand til både læring og logisk ræsonnement.
Andre lovende forskningsretninger omfatter kropsliggjort kunstig intelligens, hvor systemer lærer gennem interaktion med et fysisk eller simuleret miljø; kontinuerlig læring, hvor systemer kan udvide deres muligheder uden at miste tidligere viden; og iboende motiverede systemer, der udforsker og lærer på egen hånd.
Selv med disse yderligere teknologier forbliver Krishna forsigtig. Hvis han blev spurgt, om denne udvidede tilgang kunne føre til AGI, ville han kun svare med "måske". Denne forsigtighed understreger den usikkerhed, der eksisterer selv blandt eksperter, der har arbejdet med AI i årtier. Udviklingen af AGI er ikke blot et spørgsmål om computerkraft eller datamængde, men kan kræve grundlæggende nye indsigter i selve intelligensens natur.
Relateret til dette:
Paradokset ved produktiv AI i dag
Trods sin skepsis over for AGI og økonomien i massive datacenterinvesteringer er Krishna på ingen måde en AI-pessimist. Tværtimod taler han entusiastisk om nuværende AI-værktøjer og deres indflydelse på erhvervslivet. Han er overbevist om, at disse teknologier vil frigøre produktivitetspotentiale på billioner af dollars i virksomheder.
Denne sondring er central for at forstå hans holdning. Krishna tvivler ikke på værdien af AI i sig selv, men snarere på den økonomiske levedygtighed af den specifikke vej, som industrien har taget. Dagens AI-systemer, især store sprogmodeller, kan allerede muliggøre betydelige produktivitetsgevinster på mange områder uden at kræve otte billioner amerikanske dollars i infrastruktur.
IBM er selv et slående eksempel på disse produktivitetsgevinster. Siden januar 2023 har virksomheden implementeret AI og automatisering i sin egen drift og forventer at opnå produktivitetsgevinster på 4,5 milliarder dollars inden udgangen af 2025. Dette initiativ, som IBM kalder Client Zero, omfattede implementering af hybrid cloud-infrastruktur, AI- og automatiseringsteknologier samt konsulentekspertise på tværs af forskellige forretningsenheder.
De konkrete resultater af denne transformation er imponerende. IBM har implementeret AI-drevne værktøjer i kundeservice, der løser 70 procent af forespørgslerne og forbedrer løsningstiden med 26 procent. På tværs af alle forretningsenheder er cirka 270.000 medarbejdere blevet udstyret med agentiske AI-systemer, der orkestrerer komplekse arbejdsgange og understøtter menneskelige medarbejdere.
Denne type AI-applikation kræver ikke massive nye datacentre, men kan bygge videre på eksisterende infrastruktur. Den fokuserer på specifikke anvendelsesscenarier, hvor AI leverer påviselige forbedringer, snarere end den hypotetiske udvikling af generel intelligens. Dette er kernen i Krishnas argument: Teknologien er værdifuld og transformerende, men den nuværende tilgang med at investere billioner i bestræbelserne på AGI er ikke økonomisk bæredygtig.
Undersøgelser fra McKinsey anslår, at generativ AI har potentiale til at skabe mellem 2,6 billioner og 4,4 billioner dollars i økonomisk værdi årligt på tværs af 63 analyserede use cases. Når man overvejer effekten af at integrere generativ AI i software, der i øjeblikket bruges til andre opgaver, kan dette estimat omtrent fordobles. Disse produktivitetsgevinster kan øge den årlige vækst i arbejdsproduktiviteten med 0,1 til 0,6 procentpoint frem til 2040.
Teknologigiganternes forskellige strategier
Mens Krishna udtrykker sine bekymringer, fordobler andre tech-giganter deres satsning på AI-infrastruktur. De fire stores investeringer illustrerer omfanget af denne investeringscyklus. Microsoft planlægger at bruge omkring 80 milliarder dollars på at bygge AI-aktiverede datacentre i regnskabsåret 2025, hvoraf mere end halvdelen af denne investering er øremærket til USA.
Amazon har annonceret kapitaludgifter på cirka 125 milliarder dollars for 2025, hvoraf størstedelen er øremærket til AI og relateret infrastruktur til Amazon Web Services. Virksomheden har allerede signaleret, at udgifterne vil være endnu højere i 2026. Meta Platforms forventer kapitaludgifter på mellem 70 og 72 milliarder dollars for 2025, en stigning fra det tidligere estimat på 66 til 72 milliarder dollars. For 2026 indikerede virksomheden, at udgifterne ville være betydeligt højere.
Alphabet, Googles moderselskab, forventer kapitaludgifter på mellem 91 og 93 milliarder dollars i 2025, en stigning fra en tidligere prognose på 85 milliarder dollars. Tilsammen planlægger disse fire virksomheder at bruge mellem 350 og 400 milliarder dollars i 2025, mere end det dobbelte af, hvad der blev brugt for to år siden.
Disse massive investeringer finder sted i et miljø, hvor de faktiske indtægter fra AI-tjenester stadig er langt under forventningerne. OpenAI rapporterer en årlig omsætning på over 20 milliarder dollars, men er fortsat urentabel. Microsoft genererer cirka 13 milliarder dollars i årlig AI-omsætning med en vækst på 175 procent i forhold til året før, mens Meta ikke kan rapportere en eneste dollar i direkte AI-omsætning.
Forskellen mellem investeringer og omsætning er slående. Morgan Stanley anslår, at AI-branchen vil bruge cirka tre billioner amerikanske dollars på datacentre inden 2028. Til sammenligning er de nuværende omsætninger ubetydelige. En MIT-undersøgelse fra juli 2025 viste, at cirka 95 procent af de virksomheder, der investerede i AI, ikke tjente penge på teknologien. De samlede udgifter for disse virksomheder anslås til cirka 40 milliarder amerikanske dollars.
De voksende stemmer af skepsis
Krishnas advarsel er en del af et voksende kor af skeptiske stemmer fra forskellige sektorer inden for teknologi- og finansverdenen. Disse bekymringer fokuserer ikke kun på umiddelbare økonomiske fordele, men også på systemiske risici, der opstår som følge af den nuværende investeringsdynamik.
Økonomer påpeger, at AI-sektoren tegnede sig for omtrent to tredjedele af den amerikanske BNP-vækst i første halvdel af 2025. En analyse fra JPMorgan Asset Management viser, at AI-udgifter til datacentre bidrog mere til den økonomiske vækst end det samlede forbrug hos hundredvis af millioner amerikanske forbrugere. Harvard-økonom Jason Furman beregnede, at uden datacentre ville BNP-væksten i første halvdel af 2025 kun have været 0,1 procent.
Denne koncentration af vækst i en enkelt sektor indebærer risici. Daron Acemoglu, økonom ved MIT og nobelprismodtager i økonomi i 2024, argumenterer for, at den faktiske effekt af AI kan være betydeligt mindre, end branchens prognoser antyder. Han anslår, at måske kun fem procent af jobbene vil blive erstattet af AI i de næste ti år, hvilket er langt mindre end de entusiastiske forudsigelser fra nogle teknologiledere.
Bekymringer om en boble forstærkes af flere faktorer. Teknologivirksomheder bruger i stigende grad finansielle instrumenter kendt som special purpose vehicles (SPV'er) til at holde milliarder af dollars i udgifter væk fra deres balancer. Disse Wall Street-finansierede SPV'er fungerer som skuffeselskaber til opførelse af datacentre. Denne praksis rejser spørgsmål om gennemsigtighed og den faktiske risiko, som virksomhederne bærer.
Sundar Pichai, administrerende direktør for Alphabet, beskrev stigningen i AI-investeringer som et ekstraordinært øjeblik i et BBC-interview i november 2025, men anerkendte også en vis irrationalitet i det nuværende AI-boom. Han advarede om, at alle virksomheder ville blive påvirket, hvis AI-boblen skulle briste. Selv Sam Altman, administrerende direktør for OpenAI og en af de mest fremtrædende AI-fortalere, indrømmede i august 2025, at AI muligvis befandt sig i en boble, og sammenlignede markedsforholdene med forholdene under dotcom-boomet og understregede, at mange intelligente mennesker blev for begejstrede for en kerne af sandhed.
Relateret til dette:
Energiproblemet som en begrænsende faktor
Et andet fundamentalt problem, som Krishna ikke eksplicit adresserer, men som er implicit i hans omkostningsberegninger, vedrører energiforsyning. Et datacenter på 100 gigawatt ville kræve cirka 20 procent af USA's samlede elproduktion. Dette er ikke en triviel udfordring, men en potentiel flaskehals, der kan bringe hele visionen i fare.
Det Internationale Energiagentur forudser, at den globale elforbrug fra datacentre kan mere end fordobles inden 2030, fra cirka 415 terawatt-timer i 2024 til mellem 900 og 1.000 terawatt-timer. Kunstig intelligens kan tegne sig for 35 til 50 procent af datacentres elforbrug inden 2030. I USA forventes elforbruget fra datacentre at stige fra 35 gigawatt til 78 gigawatt inden 2035, hvilket repræsenterer 8,6 procent af landets elforbrug.
Denne efterspørgsel kommer på et tidspunkt, hvor mange lande forsøger at dekarbonisere deres elnet og øge andelen af vedvarende energi. Udfordringen er, at datacentre kræver en konstant strømforsyning 24 timer i døgnet, 365 dage om året. Dette gør overgangen til vedvarende energi mere kompleks, da vind- og solenergi er intermitterende og kræver lagringsløsninger eller backupkapacitet.
CO2-udledningen fra datacentre forventes at stige fra 212 millioner tons i 2023 til potentielt 355 millioner tons i 2030, selvom dette tal varierer betydeligt afhængigt af hastigheden af rene energiløsninger og effektivitetsforbedringer. En enkelt AI-genereret billedgenereringsproces forbruger lige så meget strøm som at oplade en smartphone fuldt ud. Behandling af en million tokens producerer lige så meget kuldioxid som en benzindrevet bil, der kører 8 til 32 kilometer.
Generativ AI kræver omtrent syv til otte gange mere energi end traditionelle computerbelastninger. Træning af store AI-modeller kan forbruge lige så meget elektricitet som hundredvis af husstande over flere måneder. Denne energiintensitet betyder, at selv hvis de økonomiske ressourcer til at bygge massive datacentre var tilgængelige, ville den fysiske infrastruktur til at drive disse faciliteter muligvis ikke være klar i tide.
Relateret til dette:
Alternative teknologiske veje og deres betydning
Debatten omkring begrænsningerne ved storskala sprogmodeller har ført til øget forskningsindsats inden for alternative områder. Kvanteberegninger ses af nogle som et potentielt gennembrud, der kan overvinde nuværende begrænsninger. I oktober 2025 afslørede Google sin Willow-kvantechip, som opnåede en verificerbar kvantefordel. Dette var en milepæl, der overskred grænserne for klassisk fysik og åbnede nye muligheder inden for områder som medicin, energi og kunstig intelligens.
Kvantecomputere fungerer efter helt andre principper end klassiske computere. De bruger kvantebits, eller qubits, som kan eksistere i flere tilstande samtidigt, hvilket muliggør parallelle beregninger i en skala, der er umulig med konventionelle systemer. Kvantecomputere står dog over for betydelige udfordringer, især dekohærens, som påvirker qubits' stabilitet.
Nylige gennembrud inden for qubit-stabilisering tyder på, at skalerbare kvantecomputere kan blive en realitet inden for de næste par år. Virksomheder som PsiQuantum planlægger at sætte kvantecomputere, der er 10.000 gange større end Willow, i drift inden udgangen af dette årti – computere, der er store nok til at håndtere vigtige spørgsmål om materialer, medicin og naturens kvanteaspekter.
Konvergensen af kvantecomputere og kunstig intelligens kunne teoretisk set åbne op for nye muligheder. Kvantealgoritmer er blevet mere end 200 gange bedre i simuleringen af vigtige lægemidler og materialer. Nogle spekulerer i, at kombinationen af AGI og kvantecomputere kan være mulig inden for et til to år, efterfulgt af kunstig superintelligens inden for fem år.
Andre lovende forskningsretninger omfatter optiske computerarkitekturer, der bruger lys i stedet for elektricitet til at drive chips. En arkitektur kaldet Parallel Optical Matrix-Matrix Multiplication, der blev afsløret i november 2025, kunne eliminere en af de største flaskehalse i den nuværende AI-udvikling. I modsætning til tidligere optiske metoder udfører den flere tensoroperationer samtidigt med en enkelt laserpuls, hvilket kan øge behandlingshastigheden betydeligt.
IBMs strategiske positionering
Krishnas position er særligt interessant set i lyset af IBMs strategi. I de senere år har IBM bevidst flyttet sit fokus væk fra en ren hardware- og infrastrukturforretning og hen imod virksomhedssoftware, cloud-tjenester og konsulentvirksomhed. Virksomheden solgte store dele af sin traditionelle IT-forretning fra og koncentrerede sig i stedet om hybride cloud-løsninger og AI-applikationer til virksomheder.
Denne strategiske retning adskiller sig fundamentalt fra tilgangene hos Microsoft, Amazon, Google og Meta, som alle investerer kraftigt i at opbygge deres egen infrastruktur. IBM fokuserer i stedet på at hjælpe virksomheder med at implementere AI på deres egne præmisser, med gennemsigtighed, valgfrihed og fleksibilitet. Denne filosofi afspejler en overbevisning om, at ikke alle virksomheder vil bruge en enkelt offentlig cloud, og at især regulerede brancher og virksomheder uden for USA vil foretrække hybride tilgange.
Krishnas kritik af de massive infrastrukturinvesteringer kan derfor også forstås som et implicit forsvar for IBMs tilgang. Hvis jagten på AGI gennem billioner af dollars i datacenterinvesteringer faktisk ikke er økonomisk rentabel, så ville dette bekræfte IBMs strategi om at fokusere på specifikke, værdiskabende use cases, der kan bygge videre på eksisterende eller moderat udvidet infrastruktur.
Samtidig er IBM stærkt involveret i områder som kvantecomputere, der potentielt kan repræsentere den næste teknologiske bølge. Virksomheden investerer betydeligt i udviklingen af kvantecomputere og arbejder på partnerskaber med andre teknologivirksomheder for at fremme denne teknologi. Dette tyder på, at Krishna ikke er imod innovation eller ambitiøse teknologiske mål, men snarere imod en specifik tilgang, som han anser for økonomisk uholdbar.
🎯🎯🎯 Drag fordel af Xpert.Digital's omfattende, femdobbelte ekspertise i én omfattende servicepakke | BD, R&D, XR, PR & optimering af digital synlighed
Drag fordel af Xpert.Digital's omfattende, femdobbelte ekspertise i en omfattende servicepakke | R&D, XR, PR & optimering af digital synlighed - Billede: Xpert.Digital
Xpert.Digital besidder dybdegående viden på tværs af forskellige brancher. Dette giver os mulighed for at udvikle skræddersyede strategier, der er præcist afstemt med kravene og udfordringerne i dit specifikke markedssegment. Ved løbende at analysere markedstendenser og overvåge brancheudviklingen kan vi handle proaktivt og tilbyde innovative løsninger. Kombinationen af erfaring og ekspertise skaber merværdi og giver vores kunder en afgørende konkurrencefordel.
Mere information her:
Produktivitet ja, AGI nej: Hvorfor målrettede AI-projekter kan være mere rentable end megamodeller
Perspektivet for OpenAI-lederskab
Krishnas skepsis står i direkte kontrast til de offentlige udtalelser fra Sam Altman, administrerende direktør for OpenAI. Altman har gentagne gange understreget, at OpenAI er parat til at foretage massive investeringer for at opnå AGI. Virksomheden har indgået aftaler på i alt cirka 1,4 billioner dollars over de næste otte år, herunder betydelige aftaler med Oracle, Broadcom og andre partnere.
Altman forudsiger, at OpenAI vil opnå en årlig omsætning på hundredvis af milliarder af amerikanske dollars inden 2030. Denne fremskrivning er baseret på antagelsen om, at efterspørgslen efter AI-tjenester vil vokse eksponentielt i takt med at systemerne bliver mere kraftfulde. OpenAIs forretningsmodel afhænger af, at virksomheder og enkeltpersoner er villige til at betale betydelige summer for adgang til avancerede AI-funktioner.
Krishna udtalte i podcasten, at han forstår Altmans perspektiv, men ikke deler det. Dette er en bemærkelsesværdig diplomatisk måde at udtrykke det på, der antyder, at han respekterer OpenAIs vision, men gør fundamentalt forskellige antagelser om dens teknologiske gennemførlighed og økonomiske levedygtighed. Krishna besvarer spørgsmålet om, hvorvidt OpenAI kan generere et afkast af sine investeringer, med et klart "nej".
Denne uenighed repræsenterer en fundamental konflikt i teknologibranchen mellem dem, der tror på en nært forestående transformativ AGI og er parate til at investere astronomiske summer, og dem, der er mere skeptiske og foretrækker en trinvis, mere økonomisk bæredygtig tilgang.
Relateret til dette:
Afskrivningspolitikkens og regnskabsstandardernes rolle
Debatten omkring den faktiske levetid for AI-hardware rejser grundlæggende spørgsmål om regnskabsføring og gennemsigtighed. Den måde, virksomheder afskriver deres aktiver på, påvirker direkte deres rapporterede overskud og dermed aktiekurser og værdiansættelser.
Michael Burry argumenterer for, at store teknologivirksomheder overvurderer levetiden for deres AI-chips for at holde afskrivningerne lave og oppuste profitterne. Hvis Meta for eksempel bruger 5 milliarder dollars på et nyt Nvidia Blackwell-serverrack i 2025 og afskriver det over 5,5 år, vil de årlige afskrivningsomkostninger blive fordelt over cirka 909 millioner dollars. Men hvis den faktiske levetid kun er tre år, burde den årlige afskrivning være omkring 1,67 milliarder dollars – en betydelig forskel.
Burry anslår, at disse forlængede levetider kan øge profitten for flere store virksomheder med i alt 176 milliarder dollars mellem 2026 og 2028. Nvidia bestred disse påstande i et internt notat i november 2025 og argumenterede for, at hyperscalere afskriver GPU'er over en periode på fire til seks år baseret på den faktiske levetid og brugstendenser. Virksomheden påpegede, at ældre GPU'er, såsom A100, der blev udgivet i 2020, fortsat bruges med høje udnyttelsesgrader og bevarer en betydelig økonomisk værdi.
Virkeligheden ligger sandsynligvis et sted midt imellem. GPU'er kan ganske vist fungere fysisk i mere end tre år, men deres økonomiske værdi kan falde hurtigt, efterhånden som nyere, mere effektive modeller kommer på markedet. En nøglefaktor er værdikaskaden: ældre GPU'er, der ikke længere er optimale til træning af de nyeste modeller, kan stadig være nyttige til inferensopgaver og kørsel af allerede trænede modeller. De kan også bruges til mindre krævende applikationer eller sælges på sekundære markeder.
Disse nuancer gør en klar vurdering vanskelig. CoreWeave, en AI-fokuseret cloud-udbyder, forlængede afskrivningsperioden for sine GPU'er fra fire til seks år i januar 2023. Kritikere ser denne beslutning som et forsøg på kunstigt at forbedre rentabiliteten. Fortalere argumenterer derimod for, at den faktiske brug af hardwaren retfærdiggør længere perioder.
De sociale og politiske dimensioner
Debatten omkring AI-investeringer har også en politisk og social dimension. David Sacks, venturekapitalist og rådgiver i Det Hvide Hus om kryptovalutaer og AI, advarede i november 2025 om, at en vending af AI-investeringsboomet ville risikere en recession. Hans formuleringer antyder, at økonomien er blevet så afhængig af AI-investeringer, at en standsning eller en betydelig opbremsning ville have betydelige makroøkonomiske konsekvenser.
Denne afhængighed rejser spørgsmålet om, hvorvidt samfundet har manøvreret sig selv i en situation, hvor det er tvunget til at fortsætte med at investere, uanset dets økonomiske levedygtighed, blot for at undgå et pludseligt chok. Dette ville være en klassisk bobledynamik, hvor rationelle økonomiske overvejelser overskygges af frygten for konsekvenserne af en bristende boble.
Koncentrationen af investeringer og ressourcer på AI rejser også spørgsmål om alternativomkostninger. De billioner, der strømmer ind i AI-datacentre, kunne teoretisk set bruges til andre samfundsmæssige prioriteter, lige fra forbedring af uddannelsessystemer og udbygning af vedvarende energi til afhjælpning af infrastrukturunderskud. Begrundelsen for denne massive ressourceallokering afhænger af, om de lovede fordele rent faktisk realiseres.
Samtidig har AI allerede påviseligt positive effekter. I Tyskland rapporterer to tredjedele af virksomhederne ifølge en IBM-undersøgelse fra november 2025 betydelige produktivitetsstigninger gennem AI. De områder med de største AI-relaterede produktivitetsstigninger omfatter softwareudvikling og IT, kundeservice og automatisering af forretningsprocesser. Cirka en femtedel af virksomhederne i Tyskland har allerede nået deres ROI-mål gennem AI-drevne produktivitetsinitiativer, og næsten halvdelen forventer et investeringsafkast inden for tolv måneder.
Disse tal viser, at AI faktisk skaber økonomisk værdi, men de understøtter også Krishnas argument om, at denne værdi ikke nødvendigvis stammer fra forfølgelsen af AGI med investeringer på billioner af dollars, men snarere fra mere målrettede, specifikke anvendelser.
Det historiske perspektiv på teknologiske forandringer
For at sætte den nuværende situation i perspektiv er det nyttigt at overveje historiske paralleller. Dotcom-boomet i slutningen af 1990'erne citeres ofte som en advarende fortælling. På det tidspunkt strømmede enorme summer penge ind i internetvirksomheder, baseret på den berettigede tro på, at internettet ville være transformerende. Mange af disse investeringer viste sig at være vildledende, og da boblen bristede i 2000, blev billioner i markedsværdi udslettet.
Ikke desto mindre viste den underliggende teknologi sig at være virkelig transformerende. Virksomheder som Amazon og Google, der overlevede krisen, blev de dominerende kræfter i den globale økonomi. Den infrastruktur, der blev bygget under højkonjunkturen, inklusive den fra konkursramte virksomheder, dannede fundamentet for den digitale økonomi i de følgende årtier. I den forstand kan man argumentere for, at selv overdrevne investeringer i AI-infrastruktur kan være gavnlige i det lange løb, selvom mange af de nuværende aktører går konkurs.
En central forskel ligger dog i kapitalintensiteten. Førstegenerations internetvirksomheder kunne skalere med relativt lave investeringer, når den grundlæggende infrastruktur var på plads. En hjemmeside eller onlinetjeneste kunne, når den var udviklet, nå ud til millioner af brugere med minimale meromkostninger. AI, især som den praktiseres i øjeblikket, følger ikke dette mønster. Enhver forespørgsel til en stor sprogmodel medfører betydelige beregningsomkostninger. Skalering af AI-tjenester kræver proportionelle stigninger i infrastruktur, hvilket fundamentalt ændrer økonomien.
En anden historisk sammenligning er udviklingen af elektricitet. Da elektrisk energi først blev tilgængelig, tog det årtier for virksomheder at lære at redesigne deres produktionsprocesser for fuldt ud at udnytte de nye muligheder. I starten erstattede fabrikker simpelthen dampmaskiner med elmotorer, men beholdt ellers deres gamle layout og processer. De reelle produktivitetsgevinster kom først, da ingeniører og ledere lærte at designe fabrikker fra bunden og udnytte fleksibiliteten ved elektrisk energi.
Det samme kan gælde for AI. Nuværende applikationer er måske kun et lille eksempel på, hvad der er muligt, og reelle forandringer kommer måske ikke, før organisationer lærer at reorganisere sig fundamentalt for at udnytte AI-kapaciteter. Dette ville tage tid, muligvis år eller årtier, og det er uklart, om den nuværende investeringsdynamik har råd til den tålmodighed.
Fremtiden for AI-udvikling
Trods al skepsis og advarsler vil udviklingen af AI fortsætte. Spørgsmålet er ikke, om AI er vigtig, men hvilken vej der er den mest lovende og økonomisk bæredygtige. Krishnas intervention kan forstås som en bøn om en revurdering af strategien, ikke som en opfordring til at stoppe AI-forskningen.
Den mest sandsynlige udvikling er en diversificering af tilgange. Mens nogle virksomheder vil fortsætte med at investere kraftigt i skalering af store sprogmodeller, vil andre udforske alternative veje. Neurosymbolske tilgange, multimodale systemer, kropsliggjort intelligens, kontinuerlig læring og andre forskningsretninger vil blive forfulgt parallelt. Gennembrud inden for hardware, fra kvanteberegning til optiske computerarkitekturer og neuromorfiske chips, kan ændre ligningen.
En nøglefaktor vil være den faktiske markedsaccept. Hvis virksomheder og forbrugere er villige til at betale betydelige summer for AI-tjenester, kan selv de høje infrastrukturomkostninger retfærdiggøres. Indtil videre er dette dog stort set et åbent spørgsmål. ChatGPT og lignende tjenester har tiltrukket millioner af brugere, men villigheden til at betale betydelige beløb for dem er begrænset. De fleste brugere benytter gratis eller stærkt subsidierede versioner.
I virksomhedssektoren er situationen noget anderledes. Her er der en påviselig betalingsvillighed for AI-løsninger, der løser specifikke forretningsproblemer. Microsoft rapporterer om stærk vækst i sine AI-tjenester til virksomheder. Spørgsmålet er, om disse indtægtsstrømme kan vokse hurtigt nok til at retfærdiggøre de massive investeringer.
Relateret til dette:
Resultater fra en flerdimensionel analyse
De bekymringer, som Arvind Krishna rejste i Decoder-podcasten, berører kernen i et af de mest betydningsfulde økonomiske og teknologiske satsninger i historien. Hans argument er baseret på sunde økonomiske principper og teknisk forståelse. Kombinationen af enorme kapitalomkostninger, korte hardwarelevetider og den lave sandsynlighed for, at nuværende teknologier fører til AGI (Automated Generating Intelligence), udgør et overbevisende argument imod den nuværende investeringsstrategi.
Samtidig er Krishnas holdning ikke uden modargumenter. Fortalere for massive investeringer i AI vil hævde, at transformative teknologier ofte kræver enorme startinvesteringer, at omkostningerne pr. computerenhed falder løbende, at nye forretningsmodeller vil dukke op, som endnu ikke er forudsigelige, og at risikoen for at sakke bagud i en potentielt verdensændrende teknologi er større end den økonomiske risiko ved overdrevne investeringer.
Sandheden ligger sandsynligvis et sted mellem disse yderpunkter. AI er utvivlsomt en vigtig og transformerende teknologi, der vil skabe betydelig økonomisk værdi. Nuværende sprogmodeller og AI-applikationer demonstrerer allerede imponerende muligheder og driver målbare produktivitetsgevinster på mange områder. Samtidig er ideen om, at blot at opskalere nuværende tilgange vil føre til kunstig generel intelligens, i stigende grad kontroversiel, selv blandt førende AI-forskere.
Den økonomiske analyse taler for sig selv. Den store størrelse af de nødvendige investeringer og behovet for at generere enorme overskud på kort tid udgør en hidtil uset udfordring. Selv om Krishnas beregninger er bare tilnærmelsesvis nøjagtige, er det svært at forestille sig, hvordan den nuværende investeringsstrategi kan være bæredygtig.
Dette betyder dog ikke nødvendigvis, at katastrofen er nært forestående. Markederne har evnen til at tilpasse sig. Investeringsstrømme kan ændre sig, forretningsmodeller kan udvikle sig, og teknologiske gennembrud kan fundamentalt ændre økonomien. Teknologihistorien er fuld af eksempler, hvor indledende skepsis blev modbevist, og tilsyneladende umulige udfordringer blev overvundet.
Det, der synes sandsynligt, er en periode med konsolidering og revurdering. De nuværende vækstrater i AI-investeringer kan ikke fortsætte i det uendelige. På et tidspunkt vil investorer og virksomhedsledere ønske at se bevis for faktiske afkast. Virksomheder, der kan levere overbevisende use cases og påviselig økonomisk værdi, vil trives. Andre bliver muligvis nødt til at justere deres strategier eller forlade markedet.
Krishnas indgriben tjener som en vigtig advarsel om at udvise forsigtighed i et miljø præget af eufori og trangen til at følge med. Hans årtiers erfaring i teknologisektoren og hans position i spidsen for en af verdens ældste og mest etablerede IT-virksomheder giver vægt til hans ord. Tiden vil vise, om han har ret. Hvad der dog er sikkert, er, at de spørgsmål, han rejser, skal tages alvorligt og diskuteres grundigt, før der hældes billioner mere i en strategi, hvis succes langt fra er garanteret.
En ny dimension af digital transformation med 'Managed AI' (kunstig intelligens) - Platform & B2B-løsning | Xpert Consulting
En ny dimension af digital transformation med 'Managed AI' (kunstig intelligens) – Platform & B2B-løsning | Xpert Consulting - Billede: Xpert.Digital
Her lærer du, hvordan din virksomhed kan implementere skræddersyede AI-løsninger hurtigt, sikkert og uden høje adgangsbarrierer.
En administreret AI-platform er din altomfattende og bekymringsfri løsning til kunstig intelligens. I stedet for at skulle håndtere kompleks teknologi, dyr infrastruktur og langvarige udviklingsprocesser, får du en færdiglavet løsning skræddersyet til dine behov fra en specialiseret partner – ofte inden for få dage.
De vigtigste fordele på et overblik:
⚡ Hurtig implementering: Fra idé til brugsklar applikation på dage, ikke måneder. Vi leverer praktiske løsninger, der skaber øjeblikkelig merværdi.
🔒 Maksimal datasikkerhed: Dine følsomme data forbliver hos dig. Vi garanterer sikker og kompatibel behandling uden at dele data med tredjeparter.
💸 Ingen økonomisk risiko: Du betaler kun for resultater. Store forudgående investeringer i hardware, software eller personale elimineres fuldstændigt.
🎯 Fokuser på din kerneforretning: Koncentrer dig om det, du er bedst til. Vi tager os af hele den tekniske implementering, drift og vedligeholdelse af din AI-løsning.
📈 Fremtidssikret og skalerbar: Din AI vokser med dig. Vi sikrer løbende optimering og skalerbarhed og tilpasser modellerne fleksibelt til nye krav.
Mere information her:
Din globale marketing- og forretningsudviklingspartner
☑️ Vores forretningssprog er engelsk eller tysk
☑️ NYT: Korrespondance på dit modersmål!
Konrad Wolfenstein
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 eller blot ringe til mig på +49 89 89 674 804 ( München) . Min e-mailadresse er: [email protected]
Jeg glæder mig til vores fælles projekt.
