Anthropic slår larm: Hemligheten med billig AI – betalar amerikanska konkurrenter det verkliga priset för Kinas tekniska underverk?

Hemlig datavidarebefordran: Hur billiga AI-tjänster lurar sina kunder och utnyttjar konkurrenter

Supermakternas AI-krig: När den billigaste utmanaren i hemlighet använder den dyraste rivalens tjänster för beräkningar

Den globala kapplöpningen om dominans inom artificiell intelligens utkämpas alltmer bakom stängda dörrar med hänsynslösa taktiker. I centrum för den senaste kontroversen står allvarliga anklagelser från det amerikanska företaget Anthropic mot lovande kinesiska AI-utvecklare som DeepSeek, Alibaba och Moonshot AI. Istället för att enbart förlita sig på sina egna innovationer påstås dessa företag i hemlighet och omfattande ha åtkomst till den ledande amerikanska AI-modellen Claude för att utvinna värdefull träningsdata, kognitiva processer och förmågor. Särskilt explosivt är påståendet att i vissa fall genuina, och ibland mycket känsliga, kundförfrågningar till och med påstås ha i smyg omdirigerats till de amerikanska konkurrenterna.

Dessa anklagelser ifrågasätter i grunden det mycket omtalade kinesiska "AI-prismiraklet". Är de extremt lågpriserbjudandena från Fjärran Östern verkligen resultatet av överlägsen mjukvaruarkitektur och effektivitet – eller är de åtminstone delvis baserade på en uppenbar kostnadsförskjutning? Det som börjar som en rent teknisk tvist håller på att utvecklas till en mycket komplex ekonomisk och säkerhetsmässig fråga. Det visar varför företag måste vara mycket mer kritiska när de upphandlar AI-modeller i framtiden: de som matar in sina data i ogenomskinliga och dolda leveranskedjor riskerar mycket mer än de någonsin skulle kunna spara genom låga tokenpriser.

Det dolda priset för billig AI: En teknologisk kritik blir en ekonomisk fråga

Anthropics anklagelser mot flera kinesiska AI-företag går långt utöver en typisk tvist mellan konkurrenter. I grund och botten handlar frågan inte bara om enskilda leverantörer har brutit mot användarvillkoren eller olagligt använt tredjepartsmodeller som lärare. Den avgörande frågan är om en del av den förvånansvärt låga kostnaden för kinesisk AI är baserad på en kostnadsstruktur där dyr forskning, modellträning, säkerhetsåtgärder och datorkraft delvis finansieras av amerikanska konkurrenter. Om denna misstanke bekräftas skulle den observerade priskonkurrensen inte enbart vara ett resultat av ökad effektivitet. Det skulle, åtminstone delvis, vara en form av kostnadsförskjutning.

Enligt Anthropic har sju AI-labb baserade i Kina sedan februari 2026 identifierats som att ha genomfört storskaliga försök att utvinna funktioner från Claude-modellen. Dessa labb inkluderar Alibaba, Moonshot AI, DeepSeek, Zhipu (eller Z.ai), Xiaomi, SenseTime och MiniMax. Aktiviteterna skilde sig enligt uppgift avsevärt åt. I vissa fall skickades massiva mängder artificiell intelligens till Claude för att samla in högkvalitativa resonemangs- och problemlösningsmönster. I andra fall vidarebefordrade kinesiska tjänster påstås ha verkliga kundförfrågningar till Claude utan någon urskiljbar information och presenterat sina svar som sina egna. Denna andra metod är särskilt problematisk ur både ett ekonomiskt och dataskyddsperspektiv eftersom den kombinerar modellträning, hemlig datainsamling och bearbetning av verkliga kunddata.

De bevis som hittills finns tillgängliga kommer dock huvudsakligen från Anthropic självt. Företaget innehar interna loggar, kontomönster, betalningsinformation, tekniska signaturer och nätverksdata som utomstående inte helt kan verifiera. Samtidigt är Anthropic en part i intensiv global konkurrens och har ett betydande ekonomiskt intresse av att begränsa konkurrenternas användning av sina modeller. En opartisk analys måste därför undvika två fel: Den får varken i förtid behandla anklagelserna som bevisad teknikstöld eller avfärda dem enbart på grund av avsändarens egenintresse. Det som är viktigt är vilka tekniska observationer som är rimligt dokumenterade, vilka slutsatser som dras av dem och var tillskrivning, avsikt och faktisk användning av de erhållna uppgifterna förblir oklara.

Storleksordningen förändrar bedömningen

Siffrorna som Anthropic citerar tyder inte på isolerade experiment. Det största komplexet tillskrivs operatörer associerade med Alibaba. Mellan maj och juli 2026 sägs mer än 151 miljoner interaktioner med Claude ha ägt rum, ibland nästan tre miljoner per dag. Mer än 3 500 konton som klassificerats som bedrägerier påstås ha använts. Det primära målet var att få fram detaljerade lösningar och tankeprocesser för krävande uppgifter inom mjukvaruutveckling, logiskt resonemang, systemprogrammering och långvariga agentprocesser. Om denna tillskrivning är korrekt utgör den industriell datainsamling och inte normal produktanvändning.

Moonshot AI påstås ha genererat mer än 23 miljoner interaktioner under samma period. Särskilt allvarligt är anklagelsen att Kimi vidarebefordrade nästan 300 000 genuina kundförfrågningar till Claude inom tio dagar. Detta påstås ha uppnåtts med hjälp av ett nätverk av 5 380 artificiella konton, främst verksamma från Singapore och Japan. DeepSeek tillskrivs mer än 12,1 miljoner interaktioner inom 14 dagar. Zhipu sägs ha rensat hundratusentals tankespår och integrerat flera miljoner interaktioner i en bearbetnings- och träningspipeline. Xiaomi är kopplat till mer än 400 000 förfrågningar via mer än 1 500 konton. Mindre exakta siffror är offentligt tillgängliga för SenseTime och MiniMax, men Anthropic beskriver också användningen av mellanhänder, proxytjänster eller specialskapade åtkomststrukturer i dessa fall.

Ekonomiskt sett är det inte bara det absoluta antalet frågor som spelar roll, utan även deras sammansättning. Miljontals slumpmässiga svar har begränsat värde för utbildning. Data blir högkvalitativa när uppgifter utformas specifikt, lösningar utvärderas, fel korrigeras och komplexa tankeprocesser rekonstrueras. En högpresterande lärarmodell kan således ta över en betydande del av det arbete som en utvecklare annars skulle behöva sina egna experter, utarbetade datapipelines och omfattande beräkningstester för. Tröskeln för ett enda svar kan verka låg. Men i en systematiskt kurerad samling kan detta resultera i en strategisk datamängd som märkbart förbättrar kvaliteten på en konkurrents modell för utvalda färdigheter.

Den stora datamängden ger dock inte avgörande bevis för dess senare användning i en specifik modell. Serverloggar kan visa att konton åtkom till Claude på ett iögonfallande sätt, avlyssnade svar eller vidarebefordrade verkliga konversationer. Svårare är att bevisa vilken organisation som utövade den slutgiltiga kontrollen, vilken specifik modell som tränades med informationen och hur betydande den mätbara prestandavinsten var. Speciellt med kapslade tjänsteleverantörer, återförsäljare, stulna inloggningsuppgifter och internationella proxynätverk förblir tillskrivning ett sannolikhetsutlåtande. Volymerna stärker misstanken om organiserad aktivitet, men de ersätter inte en oberoende teknisk eller rättslig granskning.

Destillation är inte automatiskt bedrägeri

Modelldestillation är en etablerad metod inom maskininlärning. En stor, kraftfull lärarmodell genererar svar, utvärderingar eller sannolikhetsfördelningar, som sedan används för att träna en mindre studentmodell. Studentmodellen är avsedd att ta över så många av funktionerna som möjligt, men kräver mindre minne, energi och bearbetningstid i drift. Denna process är vanlig inom ett företag. Den kan också vara legitim mellan olika företag om licenser, kontrakt eller uttryckliga behörigheter finns på plats.

Metoden blir problematisk på grund av hur den erhålls. Om åtkomstregler kringgås med hjälp av falska konton, stulna kreditkort, komprometterade programmeringsnycklar, falska identiteter eller tekniska lösningar, är det inte längre en neutral träningsmetod. Destillation blir då sammanflätad med bedrägeri och potentiellt med kontraktsbrott, bedrägeri, illojal konkurrens eller missbruk av någon annans åtkomstdata. Ännu allvarligare är den hemliga vidarebefordran av riktiga kundkonversationer. I det här fallet använder leverantören inte bara en konkurrent som träningsmodell utan får i praktiken deras datorkraft som en osynlig underleverantör, vilket exponerar sina kunder för en okänd mottagare av deras data.

Denna distinktion är viktig eftersom den generella termen "stöld" kan vara för bred ur ett juridiskt perspektiv. I en typisk destillationsattack kopieras inte en modell som en fil. Dess vikter stjäls inte nödvändigtvis. Istället observerar angriparen systematiskt beteendet hos ett system som är tillgängligt via ett gränssnitt och använder denna information för att träna en annan modell. Ekonomiskt kan detta liknas vid att tillägna sig dyrt utvecklade funktioner. Juridiskt sett gäller dock olika instrument: avtalsrätt, skydd av affärshemligheter, databrottslagstiftning, dataskyddslagstiftning, konkurrensrätt och potentiellt patenträtt. Upphovsrätt ensam ger ofta inte ett tydligt svar eftersom rent maskingenererade resultat inte automatiskt anses vara skyddade mänskliga verk, och studentmodellen kan ha en annan teknisk arkitektur.

Den lämpliga skiljelinjen går därför inte mellan destillation och icke-destillation, utan mellan auktoriserad och hemlig användning. Lika avgörande är omfattningen, avsikten att vilseleda, säkerhets kringgående, kommersiellt syfte och ursprunget för de data som används. Att sudda ut dessa distinktioner riskerar att skapa regleringar som hindrar legitim forskning och effektiv modellkomprimering utan att effektivt stoppa riktat industriellt missbruk.

Affärsmodellen bakom prismiraklet

Konkurrensen mellan amerikanska och kinesiska AI-leverantörer reduceras ofta till frågan om vem som kan träna en liknande kraftfull modell billigare. Denna uppfattning är för förenklad. Den totala kostnaden för en AI-modell i frontlinjen omfattar forskning, personal, datainsamling, rengöring, experiment, misslyckade träningskörningar, hårdvara, datacenter, energi, finansiering, säkerhetsrevisioner, produktutveckling, försäljning och löpande inferens. En publicerad siffra för en slutlig träningskörning representerar bara ett segment av detta system.

Det mest kända exemplet är DeepSeek V3. För dess officiella träningskörning rapporterades 2,788 miljoner timmar på Nvidia H800-processorer, vilket resulterade i beräkningskostnader på cirka 5,576 miljoner dollar. Denna siffra var spektakulärt låg och bidrog avsevärt till berättelsen om att kinesiska laboratorier kunde replikera amerikanska toppmodeller med en bråkdel av resurserna. Den utesluter dock uttryckligen tidigare arkitekturtester, dataarbete, personal, infrastruktur, hårdvaruinköp och misslyckade experiment. Siffran må vara korrekt och tekniskt imponerande för den framgångsrika slutkörningen, men den återspeglar inte de totala utvecklingskostnaderna.

Detta betyder inte att kinesisk effektivitet bara är en illusion. DeepSeek, Alibaba, Moonshot och andra leverantörer har visat verkliga framsteg inom lean-arkitekturer, aktiverat individuella modellkomponenter, förstärkningsinlärning, dataförberedelse och effektiv användning av begränsad hårdvara. Konkurrenstryck, en stor pool av högkvalificerade ingenjörer, lägre arbetskraftskostnader inom vissa funktioner, statligt stödd infrastruktur och ett konsekvent fokus på öppna modellvikter kan verkligen minska kostnaderna. Amerikanska leverantörer använder också syntetisk träningsdata, lär sig av tillgänglig forskning och destillerar sina egna modeller. Den relevanta frågan är därför inte om kinesiska modeller är innovativa, utan snarare vilken andel av deras kostnadsfördelar som härrör från deras egen innovation, strukturella lägesfördelar, aggressiva prissättningsstrategier och potentiellt externt finansierad kapacitetsutvinning.

När en leverantör får dyra svar från en konkurrent via bedrägliga konton uppstår flera snedvridningar. Lärarleverantören bär kostnaderna för forskning och infrastruktur, medan utvecklaren av studentmodellen endast ådrar sig kostnaderna för åtkomst eller kringgående. Om dessutom verkliga kundförfrågningar dirigeras till den utländska modellen kan den kinesiska leverantören tillfälligt undvika sina egna inferenskostnader samtidigt som den samlar in data för utbildning. Ett lågt slutkundspris skulle då inte vara en ren produktivitetsindikator, utan delvis ett resultat av icke redovisade initiala kostnader som konkurrenten ådrar sig. Ekonomiskt sett liknar detta en tillverkare som erbjuder en lågprisprodukt eftersom utveckling, kvalitetskontroll och en del av produktionen omedvetet bärs av en konkurrent.

Den verkliga flaskhalsen är högkvalitativa träningsdata

I den offentliga debatten dominerar datorkraften. Modern AI kräver kraftfulla chips, stor lagringskapacitet, snabba nätverk och enorma mängder energi. Men med den ökande tillgången på effektiva arkitekturer håller flaskhalsen på att förskjutas. Högkvalitativa data för komplex resonemang, programmering, verktygsanvändning och flerstegsuppgifter blir strategiskt mer värdefulla. Även om det öppna internet tillhandahåller stora mängder text, erbjuder det inte automatiskt tillförlitliga lösningar på utmanande problem.

Frontiermodeller är därför inte bara produkter, utan även maskiner för att generera ny träningsdata. De kan utforma uppgifter, formulera lösningar, jämföra alternativa tillvägagångssätt, upptäcka fel, tillhandahålla bedömningar och konvertera data till standardiserade format. Den som får tillgång till en sådan modell i massor köper inte bara textutdata. De får tillgång till en kondenserad form av andras forsknings- och träningsresultat. Tankespår är särskilt värdefulla eftersom de kan förmedla till studentmodellen inte bara resultatet, utan också en reproducerbar struktur för problemlösningsprocessen.

Metoderna som beskrivs av Anthropic verkar därför syfta till mer än bara vanliga svar. De inkluderar fasta extraktionsinstruktioner utformade för att avslöja detaljerade interna lösningsmönster, samt metoder för att rekonstruera, rensa och utvärdera tankeprocesser över flera sessioner. Claude användes till och med enligt uppgift i vissa fall för att förbereda tidigare förvärvad Claude-data för att träna en annan modell. Lärarmodellen skulle då samtidigt ha fungerat som datakälla, redigerare, kvalitetskontrollverktyg och verktygsutvecklare.

Detta har långtgående konsekvenser för industrin. Att skydda en AI-modell kan inte begränsas till modellvikter och datacenter. Programmeringsgränssnittet är också en strategisk tillgång och en potentiell felpunkt för kapacitet. Traditionella volymgränser är knappast tillräckliga när tusentals konton genererar små individuella volymer och distribuerar sina förfrågningar över länder, betalningsmetoder och mellanhänder. Leverantörer måste känna igen beteendemönster, likheter mellan uppgifter, tidsmässig samordning och tekniska fingeravtryck. Samtidigt får de inte avskräcka legitima stora kunder med överdrivna kontroller.

Hemlig vidarebefordran förstör förtroendemodellen

Den allvarligaste aspekten av anklagelserna gäller inte immateriella rättigheter, utan kunddata. Enligt Anthropic mottog Claude bland annat inspelningar från närheten av kinesiska militärbaser, intern programkod från stora kinesiska företag, information om övervakningssystem, strategisk projektinformation och giltiga åtkomstuppgifter till en rysk statlig databas. De berörda användarna trodde påstås att de arbetade med Kimi, DeepSeek eller en tjänst baserad på dessa tekniker. Om denna redogörelse är korrekt var de omedvetna om den faktiska tekniska tjänsteleverantören, platsen och behandlingsreglerna.

Detta bryter mot en grundläggande princip för digital upphandling. Företag och myndigheter väljer inte en AI-leverantör enbart baserat på svarskvalitet och pris. De utvärderar också juridisk jurisdiktion, datalagringsplats, underleverantörer, datalagringsperioder, kryptering, utbildningsanvändning, myndigheters åtkomsträttigheter och ansvar. En hemlig överföring gör denna utvärdering värdelös. Även en formellt lokal eller nationell leverantör kan då överföra känsliga uppgifter till en utländsk plattform, precis vad kunden ville undvika.

Detta fall visar också att datahemvist och modellsuveränitet inte garanteras enbart av en produkts gränssnitt. Ett kinesiskt namn, ett lokalt användargränssnitt eller ett kontrakt med en regional återförsäljare bevisar inte att inferensen sker inom det utlovade systemet. Samma risk finns även utanför Kina. Alla AI-mellanhänder kan dynamiskt skicka frågor till förändrade modeller om tekniska och avtalsenliga kontroller saknas. Detta skapar en flerskiktad leveranskedja för kunder, vars verkliga struktur ofta förblir osynlig.

Ekonomiskt sett kan en till synes billig tjänst förvandlas till en produkt med betydande dolda risker. En enda läcka av åtkomstuppgifter, källkod eller konfidentiell projektinformation kan utplåna åratal av kostnadsbesparingar. Särskilt för industriföretag, försvarsleverantörer, energileverantörer, logistiknätverk och offentliga institutioner måste den förväntade skadan vägas in i den totala kostnaden. Den relevanta jämförelsen är inte priset per miljon tokens, utan priset per tillförlitligt löst uppgift, plus kostnader för integration, kontroll, dataskydd och riskhantering.

Hanterad AI-plattform - Bild: Xpert.Digital

Här får du lära dig hur ditt företag kan implementera skräddarsydda AI-lösningar snabbt, säkert och utan höga inträdesbarriärer.

En hanterad AI-plattform är din heltäckande och bekymmersfria lösning för artificiell intelligens. Istället för att behöva hantera komplex teknik, dyr infrastruktur och långa utvecklingsprocesser får du en färdig lösning skräddarsydd efter dina behov från en specialiserad partner – ofta inom bara några dagar.

De viktigaste fördelarna i korthet:

⚡ Snabb implementering: Från idé till färdig applikation på dagar, inte månader. Vi levererar praktiska lösningar som skapar omedelbart mervärde.

🔒 Maximal datasäkerhet: Dina känsliga uppgifter stannar hos dig. Vi garanterar säker och korrekt behandling utan att dela data med tredje part.

💸 Ingen ekonomisk risk: Du betalar bara för resultat. Höga initiala investeringar i hårdvara, mjukvara eller personal elimineras helt.

🎯 Fokusera på din kärnverksamhet: Koncentrera dig på det du gör bäst. Vi tar hand om hela den tekniska implementeringen, driften och underhållet av din AI-lösning.

📈 Framtidssäkert och skalbart: Din AI växer med dig. Vi säkerställer kontinuerlig optimering och skalbarhet, och anpassar modellerna flexibelt till nya krav.

Mer information här:

• Hanterad AI-plattform

Billiga tokens garanterar inte automatiskt billiga resultat

Listpriset för en modell är lätt jämförbart och har därför en marknadspåverkan. Det säger dock lite om kostnadseffektiviteten hos ett komplett arbetsflöde. En billigare modell kan generera högre kostnader, missbruka verktyg oftare, kräva ytterligare kontroller eller bara lösa en uppgift efter flera försök. En dyrare modell kan vara billigare totalt sett för komplexa uppgifter om den använder färre tokens, färre iterationer och mindre mänsklig intervention.

För företag bör kostnadsredovisning därför baseras på nivån på den lösta uppgiften. För en programmeringsassistent är faktorer som felfrekvens, testtäckning, tid till accepterad ändring och kodgranskningsarbete avgörande. För en forskningsmodell är källkvalitet, fullständighet, felfrekvens och redaktionell omkostnad avgörande. Inom kundtjänst måste lösningsfrekvens, samtalslängd, eskaleringar och regulatoriska fel beaktas. Tokenpriset är bara en av flera faktorer att beakta.

Detta perspektiv sätter både den kinesiska prisfördelen och försvaret av amerikanska premiumleverantörer i perspektiv. Billiga kinesiska modeller kan verkligen vara överlägsna för höga volymer och tillräckligt standardiserade uppgifter. Öppna modellvikter möjliggör också drift på intern infrastruktur, finare anpassning och undvikande av löpande användningsavgifter. Omvänt kan kraftfullare slutna modeller uppnå en högre framgångsgrad för svåra uppgifter, vilket resulterar i lägre totalkostnader. Därför finns det ingen enskild vinnare, utan snarare varierande ekonomiska fördelar beroende på arbetsbelastning, kvalitetskrav och riskprofil.

Anklagelserna mot kinesiska leverantörer ändrar inte denna logik, men de ökar testkraven. En lågkostnadsmodell måste inte bara visa att den är billig och effektiv. Leverantören måste kunna förklara på ett rimligt sätt hur modellen tränades, vilka tredjepartsmodeller eller dataleverantörer som var inblandade, hur kundförfrågningar behandlas och om svaren dynamiskt hämtas från tredje part. Bristande transparens är inte ett abstrakt ryktesproblem, utan en kostnadsfaktor, eftersom företag behöver ytterligare tester, isolerade miljöer och avtalsenliga skyddsåtgärder.

Det rättsliga ramverket släpar efter marknaden

Den juridiska bedömningen av obehörig destillation är mindre enkel än vad den moraliska formuleringen inom teknologisk konkurrens kan antyda. Användarvillkor från amerikanska AI-leverantörer förbjuder vanligtvis användningen av deras medel för att bygga konkurrerande modeller. Den som använder gränssnittet via sina egna konton och som har godkänt dessa regler kan i princip hållas kontraktuellt ansvarig för en överträdelse. Situationen blir mer komplex när skalbolag, mellanhänder, stulna konton eller flerskiktade proxynätverk används. I sådana fall måste det fastställas vilken part som var bunden av vilket avtal och i vilket land anspråk kan göras gällande.

Upphovsrätt erbjuder endast begränsat skydd. Modellvikter består av numeriska parametrar, och maskingenererade svar skyddas inte automatiskt av upphovsrätt utan tillräcklig mänsklig kreativ insats. På samma sätt är det inte samma sak att förvärva en färdighet som programmering eller logiskt resonemang som att kopiera upphovsrättsskyddat material. Affärshemligheter kan vara mer effektiva om konfidentiell teknisk information erhålls på olagliga sätt. Ett offentligt tillgängligt gränssnitt gör det dock svårt att skilja mellan tillåten observation, reverse engineering och olaglig kringgående.

Bedrägliga betalningsmetoder, stulna nycklar, falska identiteter och kringgående av tekniska lås kan utgöra självständiga rättsliga överträdelser. Dataskyddslagstiftningen blir relevant så snart verkliga kundkonversationer delas med tredje part utan tillräcklig information eller rättslig grund. När det gäller militära, statliga eller infrastrukturella data spelar även exportkontroller, säkerhetsklassificeringar och nationella säkerhetsföreskrifter in. En enda incident kan därför påverka flera rättsområden och rättssystem samtidigt.

Den politiska frestelsen är att täppa till dessa kryphål med omfattande förbud. Detta medför risker. Alltför breda regleringar kan hindra forskning, interoperabilitet, säkerhetsrevisioner och konkurrens mellan mindre leverantörer. Alltför restriktiva regleringar skulle knappt täcka industriell utvinning. En mer förnuftig strategi vore ett nivåindelat system som tydligt skiljer mellan auktoriserad intern destillation, vetenskaplig forskning, kommersiell användning och vilseledandebaserad massutvinning. Avgörande faktorer bör inkludera samtycke, omfattning, kringgåendesmetoder, syfte och potentiella risker för de inblandade uppgifterna.

Exportkontroller skapar nya marknader för kringgående

Konflikten är nära kopplad till amerikanska restriktioner för högpresterande chips. Washington har i åratal försökt begränsa Kinas tillgång till särskilt kraftfull AI-hårdvara. År 2026 justerades policyn delvis. Vissa chips kan godkännas från fall till fall under strikta villkor, medan särskilt kraftfulla system och olika vidareleveranser fortfarande är starkt begränsade. Samtidigt förtydligades reglerna för att även gälla kinesiskkontrollerade företag som verkar utanför Kina.

Sådana kontroller ökar kostnaden för direkt datorkraft men eliminerar inte behovet av den. De skapar incitament för att erhålla datorkapacitet via utländska datacenter, mellanhänder, molntjänster, stulna nycklar eller tillgång till färdiga modeller. Det ekonomiska trycket skiftar således från hårdvaruupphandling till åtkomstarbitrage. Ett företag som inte kan få tag på tillräckligt med avancerade chip kan försöka köpa de funktioner som byggs på dessa chip via ett amerikanskt programmeringsgränssnitt eller olagligt stjäla dem.

Detta utgör en strategisk paradox. Ju mer USA skyddar sin hårdvara och sina toppmodeller, desto mer värdefulla blir kringgående nätverk. Samtidigt kan en fullständig exkludering av kinesiska användare minska amerikanska leverantörers syn på den faktiska efterfrågan och främja en grå marknad för återförsäljare. Omvänt underlättar alltför öppen åtkomst storskalig datautvinning och kan exponera känsliga funktioner. Effektiv politik måste därför beakta hårdvara, molnberäkningskraft, modellåtkomst, identitetsverifiering och internationella partners tillsammans.

En rent nationell lösning räcker knappast. Proxynätverk använder länder med god infrastruktur, enkel företagsbildning och internationella betalningssystem. Om Singapore, Japan, Sydostasien eller europeiska platser används som transitpunkter behöver leverantörer och myndigheter gemensamma minimistandarder för identitetsverifiering, rapportering av komprometterade nycklar och utredning av misstänkta åtkomstmönster. Det är viktigt att förhindra att vanliga utvecklare utsätts för generell misstanke om sitt ursprung. Riskbaserad kontroll är mer komplex än ett block av länder, men mer ekonomiskt och juridiskt hållbar.

Marknadsvärdet för amerikanska AI-laboratorier står på spel

Amerikanska frontierföretag rättfärdigar höga värderingar och massiva investeringar med tekniska fördelar, datafördelar och stordriftsfördelar. Detta antagande sätts under press när konkurrenter erbjuder jämförbara funktioner snabbt och till betydligt lägre priser. Investerare måste sedan avgöra om de höga utgifterna skapar en varaktig skyddande barriär eller bara finansierar forskning vars resultat snabbt sprids till den bredare marknaden genom publikationer, personalomsättning, öppna gränssnitt och destillation.

Anthropics anklagelser är därför också ett budskap till investerare. Om kinesiska konkurrenter har vunnit en del av sin konkurrensfördel genom obehörig användning av amerikanska modeller, framstår deras kostnadsfördel som mindre bevis på fundamentalt överlägsen kapitalproduktivitet. Samtidigt kan Anthropic förklara varför höga säkerhets-, forsknings- och infrastrukturkostnader är nödvändiga. Företaget försvarar inte bara tekniska regleringar, utan också investeringsmodellen för sluten frontforskning.

Denna kommunikation löser dock inte det ekonomiska problemet. Inte ens framgångsrika försvar hindrar kapacitet från att bli billigare och mer utbytbar på lång sikt. Kostnaden för en given modellkvalitet har fallit dramatiskt de senaste åren. Modellarkitekturer blir effektivare, chips kraftfullare, öppen forskning sprids och kunder kan distribuera förfrågningar mellan flera leverantörer. En affärsmodell baserad enbart på exklusiv modellintelligens kommer därför sannolikt att utsättas för ihållande marginalpress.

Mer varaktiga konkurrensfördelar ligger sannolikt i företagsintegration, tillförlitliga agentsystem, säkerhet, ansvarsskyldighet, branschspecifika data, verktygskedjor och distributionsåtkomst. En modell kan kopieras eller approximeras; en plattform som är djupt integrerad i affärsprocesser, med granskningsmekanismer, auktoriseringssystem och långvariga kundrelationer, är svårare att ersätta. Anklagelserna avslöjar således både Anthropics styrka och svaghet: Claude är uppenbarligen tillräckligt värdefull för att användas i stor utsträckning som lärare, men just denna användbarhet gör en del av dess fördel överförbar.

Kinesiska leverantörer riskerar sin största fördel

Kinesiska AI-företag har internationellt gynnats av konkurrenskraftiga priser, öppna modellvikter, snabb produktutveckling och ökad teknisk kvalitet. Dessa erbjudanden är särskilt attraktiva för utvecklare, mindre företag och länder som inte vill förlita sig helt på amerikanska plattformar. Öppen tillgänglighet förbättrar också anpassningsförmågan och den lokala kontrollen. Detta har skapat en allvarlig motvikt till den slutna plattformsmodellen hos amerikanska leverantörer.

De metoder som beskrivs kan undergräva denna fördel. Om företagskunder måste frukta att förfrågningar kommer att vidarebefordras till okända tredjepartsmodeller förlorar leverantören inte bara sitt rykte, utan också trovärdigheten för sina påståenden om datalagring, suveränitet och säkerhet. För reglerade branscher är detta en fråga om överlevnad. En modell kan vara tekniskt utmärkt och ändå uteslutas från upphandlingsprocesser om dess ursprung och bearbetning inte är granskningsbar.

Strategin med öppna vikter äventyras också av svepande anklagelser. Öppna vikter är inte synonymt med olaglig destillation. De kan härledas från proprietär forskning, licensierad data och legitima utbildningsmetoder. Men om öppna kinesiska modeller i allmänhet framställs som hemliga kopior, kommer det politiska trycket för förbud och restriktioner att öka i västländer. Ansedda kinesiska leverantörer skulle därför ha ett egenintresse av oberoende granskningar, transparent utbildningsdokumentation och en tydlig separation från tredjepartsleverantörer, proxytjänster och interna pipelines.

Hittills har den offentliga debatten ofta saknat ett detaljerat tekniskt motutlåtande från de anklagade företagen. Tystnad är inte bevis på skuld, men det minskar möjligheten till en balanserad bedömning. Ett kraftfullt svar skulle behöva förklara kontorelationer, dataflöden, användningen av externa routingtjänster, utbildningsmetoder och hanteringen av kundernas samtycke. Generella förnekelser skulle knappast räcka med tanke på den mängd data som det handlar om.

Europa är fångat mellan beroende och möjlighet

För Europa är denna konflikt inte en avlägsen tvist mellan Washington och Peking. Europeiska företag använder amerikanska modeller, undersöker kinesiska system med öppna vikter och utvecklar samtidigt sina egna statliga erbjudanden. De är därför kunder, integratörer, dataleverantörer och potentiella mellanhänder. Varje eskalering av konflikten skulle omedelbart kunna förändra priser, tillgänglighet och regulatoriska risker.

Den europeiska möjligheten ligger inte i att helt kopiera den amerikanska eller kinesiska metoden. Ett trovärdigt marknadssegment kan uppstå genom verifierbara dataflöden, lokal implementering, valfrihet i modeller och kontraktuellt garanterad icke-användning av kunddata. Särskilt små och medelstora företag (SMF) behöver inte alltid världens mest kraftfulla modell. De behöver ett tillräckligt bra system som integreras i befintliga processer, har förutsägbara kostnader och skyddar konfidentiell information.

För att uppnå detta måste europeiska leverantörer och integratörer göra sina leveranskedjor transparenta. Det bör vara tekniskt verifierbart vilken modell som behandlar en begäran, i vilken jurisdiktion behandlingen sker och om en reserv till en tredjepartsleverantör är möjlig. Loggar bör dokumentera modellidentifierare, region, tid och policy utan att innehållet i onödan dupliceras. Avtal måste tydligt reglera obehörig vidarebefordran, utbildning med kunddata och byte av underleverantörer.

Europa kan också främja oberoende revisionsstandarder. En revision bör inte bara begära utbildningsdata, vilket ofta är svårt att helt redovisa. Den kan undersöka nätverksbeteende, faktureringsflöden, modellfingeravtryck, likheter i svar, åtkomstkontroller och faktisk prestanda i testmiljöer. Sådana bevis skulle kunna bli en konkurrensfördel. Förtroende skulle då inte bara vara ett marknadsföringspåstående, utan en mätbar produktegenskap.

Företagskunder behöver omvärdera sina upphandlingsstrategier

Den viktigaste praktiska konsekvensen är att modellval inte längre kan behandlas som en enkel prestandajämförelse. Ett företag bör skilja mellan modellutvecklaren, inferensoperatorn, mellanhanden, integratorn och potentiella alternativa modeller. Dessa roller kan innehas av en enda leverantör, men det behöver de inte. Särskilt billiga tjänster bör uppge om de använder sina egna datorresurser eller vidarebefordrar förfrågningar till olika plattformar.

Avtal bör innehålla ett uttryckligt förbud mot obehörig vidarebefordran. Underleverantörer, regioner och modeller som används måste specificeras. Ändringar bör kräva kundens godkännande, åtminstone för konfidentiella eller reglerade data. Lika viktiga är datalagringsperioder, uteslutning av utbildning med input och output, rapporteringsskyldigheter vid komprometterade åtkomstuppgifter och verifierbara tekniska loggar.

Ur teknisk synvinkel rekommenderas en nivåindelad arkitektur baserad på skyddskrav. Offentligt innehåll och icke-kritiska uppgifter med hög volym kan köras på kostnadseffektiva modeller. Konfidentiell utvecklingsdata, personlig information och strategiska dokument hör hemma i kontrollerade miljöer med en fast modell, tydligt definierad region och begränsad lagring. Mycket känslig information bör minimeras ytterligare, pseudonymiseras eller behandlas helt lokalt. Inget modellpris rättfärdigar att åtkomstuppgifter, fullständiga kundregister eller oersättlig immateriell egendom ofiltrerade till ett overifierat gränssnitt.

Kostnads-nyttoanalysen måste inte bara beakta tokenpriser utan även framgångsgrader, handläggningstid, mänsklig tillsyn, risk för fel, leverantörsbyte, efterlevnad och potentiella skador. En lågkostnadsleverantör kan vara det bästa valet för standardiserade uppgifter, medan ett dyrare system är mer ekonomiskt för komplexa agentprocesser. Flermodellstrategier kan minska beroenden men öka kraven på routing, övervakning och dataskydd. Därför bör det lägsta listpriset aldrig vara den enda avgörande faktorn vid tilldelning av ett kontrakt.

Skyddsåtgärder förändrar produktekonomin

Anthropic säger att de svarar med kontoavstängningar, förbättrad upptäckt av extraktionsmönster, identitetsverifiering och strängare gränser för detaljerade tankespår. Sådana åtgärder kan göra missbruk dyrare, men de har också biverkningar. Strängare granskningar ökar friktionen och kostnaderna för legitima utvecklare. Mindre synliga tankeprocesser försvårar felsökning, vetenskaplig utvärdering och sofistikerade företagsapplikationer. Aggressiva volymgränser kan hindra stora kunder eller driva dem till konkurrenter.

Detta skapar en klassisk säkerhetskonflikt. En öppen, lättillgänglig modell maximerar användning och marknadspenetration men underlättar extraktion. En mycket begränsad modell skyddar kapacitet bättre men förlorar en del av sitt plattformsvärde. Den ekonomiskt optimala lösningen ligger sannolikt i nivåindelad åtkomst. Verifierade företag och forskningsinstitutioner skulle kunna beviljas högre gränser och mer omfattande funktioner, medan anonyma eller misstänkta konton skulle möta större restriktioner.

Tekniska vattenstämplar och modellfingeravtryck kan också hjälpa, men de erbjuder inte ett fullständigt skydd. En elevmodell kan omformulera svar, blanda data och lägga till sina egna träningssteg. Ju mer den avviker från lärarmodellen, desto svårare blir den att upptäcka. Försvarsmekanismer måste därför rikta in sig på åtkomstpunkten, inte bara på den färdiga konkurrentmodellen. Identitet, betalningsmetoder, nätverksmönster, distribution av förfrågningar och innehållslikhet ger tillsammans en mer robust bild än en enda signal.

Detta ökar de löpande säkerhetskostnaderna för leverantörer. I det långa loppet kommer dessa kostnader att återspeglas i API-priser, avtalsvillkor och åtkomstbegränsningar. Obehörig datautvinning belastar därför inte bara den berörda leverantören. Det kan göra åtkomsten dyrare för alla kunder och minska öppenheten i hela AI-ekosystemet. Den till synes fria överföringen av funktioner genererar samhällskostnader i form av ökad övervakning och minskad tillgänglighet.

En nykter bedömning av anklagelserna

Flera delar av presentationen är tekniskt och ekonomiskt rimliga. Stora nätverk av artificiella konton, samordnade extraktionsinstruktioner, höga interaktionsvolymer och återkommande åtkomstmönster kan generellt observeras på plattformssidan. Motivet är också förståeligt: ​​Högkvalitativa tanke- och lösningsspår kan påskynda utvecklingen av konkurrerande modeller, medan exportkontroller och höga beräkningskostnader ökar incitamentet att kringgå dem. Dessutom skulle den beskrivna vidarebefordran av verkliga kundförfrågningar vara en effektiv metod för att samtidigt erhålla inferenskraft och träningsdata.

Flera viktiga frågor kvarstår dock obesvarade. Allmänheten har inte fullständig tillgång till Anthropics rådata. Den exakta kopplingen mellan enskilda konton och företagsledningen kan variera avsevärt och involvera anställda, tjänsteleverantörer, återförsäljare eller komprometterade åtkomstpunkter. Inte varje vidarebefordrad förfrågan resulterade nödvändigtvis i en utbildningsuppsättning. Teknisk likhet innebär inte automatiskt organisatorisk kontroll. Dessutom har omfattningen av den ekonomiska skadan ännu inte kvantifierats oberoende.

Anthropic har också ett strategiskt incitament att beskriva konflikten som en fråga om nationell säkerhet och industriellt missbruk. Även om detta kan vara objektivt motiverat, stärker det samtidigt sin egen position gentemot regeringar, investerare och konkurrenter. Omvänt skulle det vara lika själviskt att avfärda anklagelserna enbart som amerikansk protektionism. Bedrägliga konton, stulna inloggningsuppgifter och hemlig delning av kunddata skulle vara problematiskt oavsett de inblandades nationalitet.

Det berättigade perspektivet ligger därför någonstans mellan alarmism och att tona ner problemet. De publicerade siffrorna är tillräckligt allvarliga för att kräva oberoende utredningar, tekniska motbevis och mer rigorösa företagsrevisioner. De motiverar dock ännu inte en generell bedömning av hela den kinesiska AI-industrin. Kinas kostnadsfördelar härrör sannolikt från en kombination av genuin innovation, lägre kostnader, aggressiv prissättning, statlig industripolitik, öppna modeller och, i vissa fall, potentiellt olaglig kapacitetsutvinning. Endast en nyanserad analys kan göra denna komplexa blandning rättvisa.

AI-konkurrensen blir en fråga om kostnadstransparens

Den avgörande ekonomiska konflikten handlar inte om huruvida kinesiska eller amerikanska modeller är fundamentalt bättre. Det handlar om vilka kostnader som görs transparenta och vem som bär dem. Amerikanska frontier-leverantörer investerar enorma summor i datacenter, forskning och säkerhet, och försöker få tillbaka dessa utgifter genom premiumpriser, plattformslåsning och långsiktiga kontrakt. Kinesiska leverantörer förlitar sig oftare på låga priser, transparenta vikter och snabb implementering. Båda modellerna kan vara innovativa, men båda skapar incitament för att strategiskt visa sina kostnader.

Amerikanska företag har ett egenintresse av att behandla all obehörig kunskapsöverföring som ett intrång i immateriella rättigheter. Kinesiska konkurrenter gynnas av berättelsen om att ha uppnått jämförbar prestanda genom överlägsen effektivitet. Investerare tenderar i sin tur att övertolka individuella utbildningsmått eller riktmärken. En sund värdering kräver fullständiga systemkostnader, verifierbar datakälla, kostnad per löst uppgift och beaktande av säkerhetsrisker.

Om de allvarligaste anklagelserna skulle bekräftas, skulle en del av det kinesiska prismirakelet verkligen vara felprissatt. Inte för att kinesiska ingenjörer har misslyckats med att göra oberoende framsteg, utan för att vissa leverantörer har flyttat forsknings-, inferens- och datakostnader till en konkurrent och risker för sina egna kunder. Marknadspriset skulle då vara lägre än de totala samhälls- och driftskostnaderna.

Om viktiga attributioner skulle visa sig vara överdrivna eller felaktiga, skulle amerikanska leverantörer behöva acceptera att deras försprång krymper snabbare än väntat och att höga utgifter inte automatiskt skapar varaktig marknadsmakt. I båda fallen kvarstår samma lärdom: Den globala AI-marknaden behöver större teknisk verifierbarhet. Inte den mest högljudda nationella berättelsen, utan det transparenta ursprunget till kompetens, data och datorkraft bör avgöra vilka företag, regeringar och investerare litar på.

Konrad Wolfenstein

Jag skulle gärna fungera som din personliga rådgivare.

Du kan kontakta mig på wolfenstein∂xpert.digital eller

Ring mig bara på +49 7348 4088 965 .

LinkedIn