Projektet ”Shallotpeat” och ”Rough Times”: Sam Altmans interna PM avslöjar OpenAI:s största kris

Och problemet med 650 miljarder dollar: Varför OpenAI är dömt att lyckas

I november 2025 förändrades teknikindustrins tektoniska plattor fundamentalt. Länge ansågs OpenAI vara den oberörbara monarken i den nya AI-åldern – en David som visar Silicon Valleys Goliater hur innovation fungerar. Men denna aura av oövervinnerlighet har börjat spricka. Med lanseringen av Google Gemini 3 och den snabba uppkomsten av Anthropics Claude-modeller har tidvattnet vänt. Det som började som en triumferande marsch mot artificiell superintelligens har nu för OpenAI förvandlats till en existentiell kamp mot teknologisk stagnation och ekonomiska realiteter.

Situationen är paradoxal: OpenAI har aldrig varit mer värdefullt på aktiemarknaden, men dess tekniska ledarskap har aldrig varit mer bräckligt. Medan Sam Altmans företag, med en värdering på 500 miljarder dollar, vågar sig in på territorium som vanligtvis är reserverat för etablerade teknikjättar, finns det en farlig skillnad mellan dess marknadsvärde och dess faktiska intjäningsförmåga. Årliga intäkter på 13 miljarder dollar står i skarp kontrast till massiva förluster och infrastrukturåtaganden på hundratals miljarder dollar. Denna aggressiva tillväxtmodell fungerade så länge OpenAI hade den obestridligt bästa produkten på marknaden. Men just den förutsättningen har nu fallit sönder.

Med Gemini 3 har Google inte bara hunnit ikapp tekniskt, utan har också gått om OpenAI på avgörande områden. Genom återuppkomsten av förberedande utbildning och massiv integration i sitt eget ekosystem visar sökmotorjätten att djupa fickor, proprietär hårdvara och årtionden av erfarenhet av databehandling i slutändan uppväger fördelen med att vara först i branschen. OpenAI:s hastiga strategiska omställning – symboliserad av det interna projektet "Shallotpeat" – är ett erkännande av att deras tidigare satsning på rena "resonemangsmodeller" inte har lönat sig.

Följande artikel analyserar anatomin i detta maktskifte. Den belyser hur tekniska felkalkyler, ekonomiska balansgångar och återuppväckt konkurrens skapar en giftig blandning som kan omdefiniera inte bara framtiden för OpenAI utan även strukturen för hela AI-industrin.

Lämplig för detta:

• Är detta AI-revolutionen? Gemini 3.0 vs. OpenAI: Det handlar inte om den bättre modellen, utan om den bättre strategin.

Den tidigare avantgarden inom artificiell intelligens kämpar för sin framtid – medan Google förändrar maktbalansen med rå teknologisk kraft.

Den globala kapplöpningen om dominans inom artificiell intelligens tog en dramatisk vändning i november 2025. Det som i åratal hade ansetts vara OpenAI:s säkra ledarposition blev inom några månader en osäker defensiv hållning. Lanseringen av Googles Gemini 3 markerade inte bara en teknologisk milstolpe utan utmanade också grundläggande antaganden om arkitekturen på AI-marknaden. I ett internt PM varnade OpenAI:s VD Sam Altman sina anställda för tuffa tider framöver och medgav att Googles senaste framsteg kunde skapa tillfälliga ekonomiska motvindar för företaget. Denna ovanligt uppriktiga bedömning avslöjar bräckligheten i en position som fram till nyligen verkade oöverstiglig.

Omfattningen av denna förändring blir först tydlig inom ramen för sektorns värderingslogik. OpenAI har för närvarande en värdering på cirka 500 miljarder dollar, men genererar endast 13 miljarder dollar i årliga intäkter. Denna extrema skillnad mellan börsvärde och faktiska intäkter baseras på antagandet om exponentiell tillväxt och ihållande teknisk överlägsenhet. Googles Gemini 3 undergräver båda dessa antaganden samtidigt. Modellen överträffar OpenAIs GPT-5.1 i nästan alla standardiserade riktmärken, vilket visar på kapacitet som OpenAI självt fortfarande strävar efter att utveckla.

De ekonomiska konsekvenserna sträcker sig långt bortom kortsiktiga förändringar i marknadsandelar. OpenAI förbrukar ungefär åtta miljarder dollar årligen och redovisade en förlust på fem miljarder dollar förra året. Detta underskott kan bara upprätthållas genom kontinuerliga kapitalinflöden, vilka i sin tur är beroende av investerarnas förtroende för dess tekniska ledarskap. Om det ledarskapet urholkas kollapsar hela finansieringslogiken. Situationen är som ett höghastighetståg som får slut på bränsle samtidigt som det fortfarande färdas med maximal hastighet.

Den primära källan till Sam Altmans interna PM är The Information, en nyhetspublikation specialiserad på teknikbranschen.

Memorandumet publicerades ursprungligen av The Information den 20 november 2025. Den ursprungliga artikeln har titeln ”Altman Memo Forecasts 'Rough Vibes' Due to Resurgent Google” eller ”OpenAI VD förbereder sig för möjliga ekonomiska motvindar som fångar det återuppväckta Google”.

Informations publicering av meddelandet uppmärksammades därefter av ett flertal andra medier, inklusive:

• Tider i Indien
• Ekonomiska tider
• Outlook Business
• Futurism

Själva promemorian var en intern kommunikation från Sam Altman till OpenAI-anställda och läcktes tydligen till The Information av en källa inom företaget. I promemorian varnade Altman för "tillfälliga ekonomiska motvindar" från Googles framsteg och uppgav att han förväntade sig "tuffa vibbar".

Anatomin bakom ett teknologiskt genombrott

Googles framgång med Gemini 3 bygger på en fundamental omvärdering av en förmodat uttömd utvecklingsmetodik. Förträning, den grundläggande fasen där AI-modeller lär sig från massiva datamängder, ansågs av vissa inom forskarvärlden vara i stort sett uttömd. Skalningsprinciperna, som i åratal hade lovat förutsägbara prestandaförbättringar genom större modeller och mer data, verkade nå sina fysiska och ekonomiska gränser. OpenAI svarade genom att flytta sitt strategiska fokus till så kallade resonemangsmodeller som o1, vilka förbättrar deras prestanda genom längre tanketider under inferens.

Google visade dock att den förmodat dömda processorn fortfarande har avsevärd potential. Demis Hassabis, chef för Google DeepMind, sammanfattade kortfattat denna insikt: Även om det inte längre sker exponentiella prestandasprång från generation till generation, är avkastningen på investeringar i förträning fortfarande exceptionellt god. Gemini 3 Pro uppnår 91,9 procent på GPQA Diamond-riktmärket för vetenskapligt resonemang på doktorsnivå, och överträffar GPT-5.1 med nästan fyra procentenheter. Ännu mer imponerande är dess prestanda inom abstrakt visuellt resonemang: Med 31,1 procent på ARC-AGI-2-riktmärket fördubblar Gemini 3 nästan prestandan jämfört med GPT-5.1 och överträffar sin egen föregångare med mer än sex gånger.

Den ekonomiska betydelsen av denna teknologiska överlägsenhet manifesterar sig i konkreta tillämpningsområden. Inom algoritmisk problemlösning uppnår Gemini 3 Pro ett Elo-betyg på 2439 på LiveCodeBench Pro, nästan 200 poäng över GPT-5.1. Detta är inte ett akademiskt mått, utan en direkt indikator på produktiviteten hos utvecklare som använder dessa modeller. På en marknad där OpenAI genererar 70 procent av sina intäkter från API-åtkomst och företagskunder, leder teknologisk underlägsenhet till omedelbara intäktsförluster.

OpenAIs problem före träning blev uppenbara under utvecklingen av GPT-5, där etablerade skalningsoptimeringar inte längre fungerade. Företaget insåg att traditionella metoder för att förbättra prestanda hade förlorat sin effektivitet. Som svar utvecklade OpenAI GPT-5 med en betydligt mindre budget för träning än GPT-4.5, men kompenserade för detta med intensiv optimering efter träning med hjälp av förstärkningsinlärning. Denna strategi visade sig vara framgångsrik på kort sikt, men skapade en strukturell sårbarhet: OpenAI hade specialiserat sig på en metod som, samtidigt som den genererade innovativa funktioner, försummade den grundläggande modellgrunden.

Den strategiska ompositioneringen och Shallotpeat-projektet

Altmans PM diagnostiserar inte bara problemet utan beskriver även OpenAIs motstrategi. Kärnan är utvecklingen av en ny modell, med kodnamnet Shallotpeat, specifikt utformad för att åtgärda de identifierade bristerna före träning. Själva namnet är programmatiskt: schalottenlök växer dåligt i torvjord, substratet är långt ifrån idealiskt. OpenAI signalerar därmed sitt erkännande av att grunden för dess befintliga modeller har svagheter som inte kan elimineras genom ytoptimering.

Utvecklingen av Shallotpeat är en del av en bredare strategisk omställning. I sitt PM betonar Altman behovet av att fokusera på mycket ambitiösa satsningar, även om detta tillfälligt försätter OpenAI i en nackdel. En av dessa satsningar är automatiseringen av själva AI-forskningen, en metastrategi som syftar till att dramatiskt förkorta utvecklingscyklerna för nya modeller. Detta är inte bara effektivitetsoptimering, utan ett försök att fundamentalt förändra spelplanen: om AI-system kan accelerera sin egen utveckling, kan det minska de strukturella fördelarna för etablerade aktörer med massiva resurser.

Hur brådskande denna strategi är understryks av OpenAI:s finansiella situation. Företaget måste uppnå lönsamhet senast 2029 för att uppfylla sina infrastrukturåtaganden gentemot Microsoft och andra partners. Dessa åtaganden uppgår till cirka 60 miljarder dollar årligen, jämfört med nuvarande åtaganden för molninfrastruktur som överstiger 650 miljarder dollar under de kommande åren. Skillnaden mellan dessa åtaganden och nuvarande intäkter på 13 miljarder dollar belyser problemets omfattning.

Samtidigt bedriver OpenAI en diversifieringsstrategi för att minska sitt beroende av Microsoft. Partnerskapsjusteringen som tillkännagavs i januari 2025 gör det möjligt för OpenAI, för första gången, att även använda beräkningsresurser från konkurrenter som Oracle. Medan Microsoft behåller förköpsrätten för ny kapacitet har exklusiviteten brutits. För OpenAI innebär detta potentiellt snabbare tillgång till de massiva GPU-kluster som krävs för att träna nya modeller. Stargate-initiativet, ett samarbete mellan OpenAI, Oracle, SoftBank och Microsoft, planerar att investera 500 miljarder dollar i datacenter under fyra år. Den första anläggningen i Abilene, Texas, är redan i drift med Nvidia GB200 GPU-kluster.

Affärsmodellens ekonomiska bräcklighet

Affärsmodellerna för ledande AI-företag bygger på en implicit satsning på nätverkseffekter och teknologiska inlåsningar. OpenAI har följt denna strategi med avsevärd framgång: ChatGPT nådde cirka 700 till 800 miljoner aktiva användare varje vecka i november 2025, vilket är dubbelt så många som i februari. Plattformen bearbetar 2,5 miljarder förfrågningar dagligen och rankas som femte bland de mest besökta webbplatserna världen över. Denna användarbas verkar initialt vara en ointaglig vallgrav, men konverteringsfrekvensen avslöjar en grundläggande svaghet: endast cirka fyra till tio procent av användarna betalar för en prenumeration.

Ekonomisk lönsamhet beror således på två kritiska antaganden: för det första att användarbasen fortsätter att växa exponentiellt, så att även små konverteringsfrekvenser möjliggör absoluta intäktsökningar; för det andra att teknologisk överlägsenhet binder användare till plattformen och att byteskostnaderna till konkurrenter förblir höga. Googles Gemini 3 undergräver båda antagandena. Teknisk paritet, eller till och med underlägsenhet, gör OpenAI till en utbytbar leverantör på en alltmer kommodifierad marknad.

Kostnadsstrukturen förvärrar detta problem. Att träna stora språkmodeller och driftsätta dem kräver massiva datorresurser. OpenAI-projekt beräknar budgetar som överstiger 450 miljarder dollar från 2024 till 2030, med totala åtaganden på cirka 650 miljarder dollar, varav vissa sträcker sig bortom 2030. Dessa investeringar måste motiveras av intäkter, vilka i sin tur beror på marknadsandelar. En ond cirkel uppstår: Om OpenAI förlorar marknadsandelar minskar intäkterna, vilket begränsar dess förmåga att investera ytterligare och därmed ytterligare urholkar dess tekniska konkurrenskraft.

Jämförande analyser illustrerar problemets omfattning. Anthropic, en direkt konkurrent som använder Claude-modellen, värderas för närvarande till 170 miljarder dollar med en beräknad årlig intäkt på 4 miljarder dollar. OpenAI och Anthropic skulle tillsammans behöva uppnå kombinerade intäkter på över 300 miljarder dollar år 2030 för att motivera sina nuvarande värderingar – förutsatt en marginal på fritt kassaflöde på 27 procent, jämförbar med Alphabet eller Microsoft. Som jämförelse förväntas Nvidia, den ledande leverantören av AI-chip, endast generera 350 miljarder dollar i intäkter år 2030.

Google som innehavare av strukturell fördel

Googles position i AI-kapplöpningen skiljer sig fundamentalt från OpenAIs på grund av dess integration i ett etablerat ekosystem med diversifierade intäktsströmmar. Företaget genererar över 300 miljarder dollar i årliga intäkter främst genom reklam och molntjänster, vilket gör att AI-utveckling kan ses som en strategisk investering som inte behöver vara lönsam på kort sikt. Denna finansiella robusthet gör det möjligt för Google att experimentera och investera i områden där renodlade AI-aktörer som OpenAI står inför omedelbar press att generera intäkter.

Distributionsfördelarna är lika betydande. Google integrerar Gemini i sin sökmotor, som bearbetar miljarder sökfrågor dagligen, i Gmail med över 1,5 miljarder användare, i Google Docs, Sheets och hela Workspace-sviten. Denna allestädesnärvaro skapar passiv exponering: användare möter Gemini i sina dagliga digitala arbetsflöden utan att aktivt behöva söka efter AI-verktyg. Även om GPT-5.1 eller Claude Sonnet 4.5 presterar marginellt bättre i specifika riktmärken, placerar Google sin modell framför miljarder ögon.

Teknologisk vertikal integration förstärker dessa fördelar. Google utvecklar sina egna AI-chip med hjälp av TPU:er (Tensor Processing Units), kontrollerar hela molninfrastrukturen och förfogar över unika utbildningsresurser som förvärvats genom årtionden av datainsamling. Denna kontroll över hela värdekedjan minskar kostnader och möjliggör optimeringar som inte är tillgängliga för tredjepartsleverantörer. Som en Reddit-kommentator kortfattat uttryckte det: Google kontrollerar hårdvaran, datacentren, distributionskanalerna och själva informationen.

Historiska föregångare varnar för att överskatta tidigt marknadsledarskap. Internet Explorer dominerade webbläsarmarknaden i slutet av 1990-talet med över 90 procents marknadsandel och ansågs oöverstiglig, men marginaliserades inom ett decennium av tekniskt överlägsna alternativ. Yahoo och AOL, en gång synonyma med internetåtkomst, ersattes av Google och andra. Fördelar med att vara först på teknikmarknader visar sig ofta vara tillfälliga om strukturella nackdelar som bristande vertikal integration eller finansiell bräcklighet inte kan övervinnas.

Investerarperspektivet och värderingsrisker

OpenAIs värdering på 500 miljarder dollar representerar en av de mest extrema skillnaderna mellan nuvarande vinster och börsvärde i teknikbranschens historia. Denna värdering innebär en intäktsmultipel på cirka 38, medan etablerade teknikjättar handlas till multiplar mellan 5 och 15. Motiveringen för denna premie vilar på antagandet att OpenAI kommer att ta en oproportionerligt stor andel av den framväxande AI-marknaden.

Detta antagande utmanas alltmer av empirisk utveckling. Den senaste finansieringsrundan i mars 2025, som värderade OpenAI till 300 miljarder dollar, övertecknades fem gånger. Den efterföljande rundan i november, som höjde värderingen till 500 miljarder dollar, samlades främst in genom sekundärförsäljning av befintliga aktier, inte genom nya kapitalinjektioner. Detta signalerar ett skifte i stämningen: tidiga investerare utnyttjar möjligheter till partiell realisering, medan nya investerare är mindre villiga att bidra med ytterligare primärkapital.

Jämförelsen med dotcom-bubblan är oundviklig. Sam Altman har själv offentligt sagt att han förväntar sig en AI-bubbla, där han jämför marknadsförhållandena med dotcom-boomen och varnar för överdriven investeraraufori. Samtidigt förutspår han biljoner dollar i utgifter för datacenterexpansion och svarar på ekonomers oro genom att uppmana alla att helt enkelt låta OpenAI göra sitt. Denna retorik påminner om hybrisen i slutet av 1990-talet, då grundläggande värderingsfrågor avfärdades med hänvisningar till ett nytt paradigm.

Analytiker från Reuters och andra institutioner har beräknat att OpenAI och Anthropic skulle behöva uppnå sammanlagda årliga intäkter på över 300 miljarder dollar år 2030 för att motivera sina kombinerade värderingar. Detta skulle innebära att de två företagen tillsammans skulle behöva generera nästan lika mycket intäkter som Nvidia, den obestridda marknadsledaren inom AI-chip. Med tanke på den intensifierade konkurrensen från Google, Microsoft, Meta och många andra aktörer framstår detta scenario som alltmer osannolikt.

Situationen förvärras av utvecklingen på den bredare AI-marknaden. En studie från MIT tyder på att 95 procent av företagen inte ser mätbar avkastning på sina investeringar i generativ AI. Detta resultat utlöste en betydande teknikutförsäljning i november, där Nvidia föll med 3,5 procent och Palantir med nästan 10 procent. Marknaderna reagerar med ökande nervositet på alla indikationer på att den utlovade avkastningen från AI inte materialiseras.

Vår amerikanska expertis inom affärsutveckling, försäljning och marknadsföring - Bild: Xpert.Digital

Branschfokus: B2B, digitalisering (från AI till XR), maskinteknik, logistik, förnybar energi och industri

Mer om detta här:

• Xpert Business Hub

Ett ämnesnav med insikter och expertis:

• Kunskapsplattform om global och regional ekonomi, innovation och branschspecifika trender
• Insamling av analyser, impulser och bakgrundsinformation från våra fokusområden
• En plats för expertis och information om aktuell utveckling inom näringsliv och teknologi
• Ämnesnav för företag som vill lära sig om marknader, digitalisering och branschinnovationer

Renässansen av förträningseran och algoritmiska genombrott

Googles framgång med Gemini 3 markerar en rehabilitering av förberedande träning som en primär källa till prestationsvinster. Denna utveckling motsäger berättelser som hade förkunnat slutet för skalning. Verkligheten är mer nyanserad: Även om förberedande träning inte längre ger exponentiella språng, är systematiska, betydande förbättringar fortfarande möjliga när rätt metoder används.

Gemini 3:s arkitektur integrerar flera algoritmiska innovationer. Modellen använder en expertmixstruktur utvecklad av Jeff Dean, chefsforskare på Google DeepMind. Denna arkitektur aktiverar bara en bråkdel av parametrarna för varje fråga, vilket möjliggör effektivitet samtidigt som hög kapacitet bibehålls. Gemini 3 visar också kapacitet inom multimodal integration som sträcker sig bortom enkel text-till-bild-översättning och inkluderar komplexa visuella resonemangsuppgifter.

Gemini 3:s Deep Think-läge representerar Googles svar på OpenAI:s resonemangsmodeller. Istället för att behandla förträning och resonemang som konkurrerande paradigm integrerar Google båda. Deep Think uppnår 41 procent på Humanitys Last Exam-riktmärke utan hjälpmedel och 45,1 procent på ARC-AGI-2 med kodkörning. Dessa resultat visar att dikotomin mellan förträning och beräkning vid testtid är en falsk dikotomi: optimala system kombinerar båda metoderna.

Betydelsen av detta fynd för konkurrensdynamiken kan inte nog betonas. OpenAI hade specialiserat sig på testtidsberäkning eftersom skalning före träning inte längre fungerade. Google visar nu att förträning fortfarande har potential om det hanteras på rätt sätt. Det betyder att OpenAI inte bara har halkat efter tekniskt, utan också strategiskt förlitat sig på en metod som visar sig vara ofullständig.

Demis Hassabis formulerade denna integrerade vision i flera intervjuer. Han betonar att vägen till artificiell generell intelligens kräver flera innovationer, inte bara skalning. Dessa innovationer inkluderar agentsystem som kan spåra komplexa uppgifter över längre perioder, världsmodeller som utvecklar interna representationer av den fysiska verkligheten och meta-inlärningsfunktioner som gör det möjligt för system att generalisera från ett begränsat antal exempel. Google investerar systematiskt i alla dessa områden, medan OpenAI främst har fokuserat på resonemang.

Lämplig för detta:

• AI-strategier i en global jämförelse: En jämförelse (USA vs. EU vs. Tyskland vs. Asien vs. Kina)

Resonemangsmodellernas roll och deras begränsningar

OpenAIs o1-modell och dess efterföljare representerar ett grundläggande paradigmskifte inom AI-utveckling. Istället för att i första hand skala upp genom större modeller och mer träningsdata investerar dessa system beräkningstid under inferens för att utveckla längre resonemangskedjor. Denna metod har uppnått imponerande framgångar inom specifika områden, särskilt matematik, kodning och formell logik, där verifierbara resultat fungerar som feedback.

Begränsningarna med denna metod blir dock alltmer uppenbara. En studie av Apple-forskare visade att resonemangsmodeller presterar dramatiskt sämre när problemen modifieras, även om det är marginellt. Att ändra siffror eller namn i enbart matematiska problem leder till märkbara prestandaförluster. Ännu allvarligare: Att lägga till logiskt irrelevant men ytligt sett trovärdig information orsakade prestandaminskningar på 17,5 procent för o1-preview, 29,1 procent för o1-mini och upp till 65,7 procent för modeller med lägre prestanda.

Dessa resultat tyder på att resonemangsmodeller faktiskt inte utvecklar generella problemlösningsstrategier, utan främst replikerar inlärda mönster. De beter sig som studenter som har memorerat specifika typer av problem men misslyckas när de ställs inför något varierande formuleringar. Detta är inte bara en akademisk kritik, utan har omedelbara praktiska konsekvenser: I verkliga tillämpningar som involverar komplexa, mångfacetterade problem utan standardiserade formuleringar förblir dessa system opålitliga.

Kostnadsstrukturen för resonemangsmodeller förvärrar deras begränsningar. Till skillnad från traditionella modeller, där förträning är den mest beräkningsintensiva fasen, är detta förhållande omvänt för resonemangsmodeller. Efterträning och inferens blir den dominerande kostnadsfaktorn, vilket gör skalning ekonomiskt utmanande. OpenAI måste lägga betydligt mer beräkningskraft för varje o1-fråga än för jämförbara GPT-4-frågor, utan att användarna är villiga att betala proportionellt mer.

Googles integration av resonemangsfunktioner i modeller optimerade för förträning skulle kunna visa sig vara en överlägsen metod. Gemini 3 med Deep Think uppnår jämförbar eller bättre resonemangsprestanda än o1, men är byggd på en starkare grund. Detta tyder på att den optimala arkitekturen inte använder resonemang som en ersättning för förträning, utan snarare som ett komplement till en robust basmodell.

Konkurrensdynamik och Anthropics upphämtning

Anthropics Claude-familj, särskilt Sonnet 4.5, etablerar sig som en seriös tredje kraft i AI-konkurrensen. Claude Sonnet 4.5 uppnådde 77,2 procent på SWE-bench Verified Benchmark för verkliga programvaruproblem, vilket gör den till den ledande modellen inom detta kritiska applikationsområde. Med parallell testtidsberäkning ökar denna prestanda till 82 procent, en nivå som varken GPT-5.1 eller Gemini 3 kan matcha.

Anthropics strategiska fokus på säkerhet och anpassning skapar en nisch med en specifik betalningsvilja. Företag inom hårt reglerade sektorer som finans, sjukvård och cybersäkerhet prioriterar i allt högre grad modeller som påvisbart integrerar robusta säkerhetsmekanismer. Claude Sonnet 4.5 uppnår 98,7 procent på säkerhetsriktmärken och visar minskade tendenser till inställsamhet, bedrägeri, maktsökande och vanföreställningar. Dessa egenskaper är inte bara marknadsföringsfunktioner utan tar itu med verkliga farhågor hos företagskunder.

Claude Sonnet 4.5:s förmåga att hantera komplexa, flerstegs resonemangs- och kodkörningsuppgifter i mer än 30 timmar positionerar den som en idealisk modell för autonoma agenter. Detta är en snabbt växande marknad där AI-system oberoende hanterar utökade arbetsflöden. OpenAI och Google konkurrerar båda inom detta segment, men Anthropic har fått en fördel genom tidig specialisering.

Claudes prissättning återspeglar denna positionering. Med tre dollar per miljon input-tokens och 15 dollar per miljon output-tokens befinner Claude sig i mellanprissegmentet, billigare än GPT-5.1 för många användningsområden, men dyrare än vissa open source-alternativ. Denna prisstruktur antyder Anthropics strategi: inte massmarknad genom låga priser, utan premiumsegment genom överlägsen kvalitet och säkerhet.

Anthropics värdering på 170 miljarder dollar, med en prognostiserad årlig intäkt på 4 miljarder dollar, verkar mindre extrem än OpenAIs multipelvärdering, men är fortfarande ambitiös. Investerarlogiken skiljer sig: Anthropic positionerar sig som ett uppköpsmål eller en långsiktig aktör på en oligopolmarknad, inte som en marknadsdominant. Denna mer blygsamma ambition skulle paradoxalt nog kunna visa sig vara mer hållbar än OpenAIs allt-eller-inget-strategi.

Databrist och syntetiska lösningar

En grundläggande utmaning för alla AI-utvecklare är den ökande bristen på högkvalitativ träningsdata. Epoch AI uppskattar att modeller för närvarande tränas med 4,6 till 17,2 biljoner tokens. Majoriteten av fritt tillgänglig internettext har redan konsumerats. Framtida prestandaförbättringar kan inte längre uppnås främst genom att enbart öka storleken på träningsdataset, utan kräver högre kvalitet eller mer diversifierad data.

Syntetiska data, det vill säga träningsinnehåll genererat av AI-system, diskuteras som en potentiell lösning. Tillvägagångssättet är i sig paradoxalt: modeller ska tränas på data genererade av tidigare modeller. Detta medför risk för modellkollaps, där fel och fördomar förstärks över generationer. Noggrant kurerade syntetiska datamängder med mångfald och kvalitetskontroller kan dock generera sällsynta edgefall som inte förekommer i naturliga data.

Google har strukturella fördelar inom datainsamling genom sin sökmotor, Gmail, YouTube, Google Maps och ett flertal andra tjänster som kontinuerligt producerar färsk, mångsidig, mänskligt genererad data. Dessa dataflöden är inte bara omfattande utan också longitudinellt strukturerade, vilket gör det möjligt att identifiera tidsmässiga mönster och utvecklingar. OpenAI saknar jämförbara datakällor, som i allt högre grad förlitar sig på partnerskap med utgivare, licensavtal med medieföretag och generering av syntetisk data.

Den rättsliga situationen förvärrar denna asymmetri. Flera stämningar från förlag och författare mot OpenAI för upphovsrättsintrång kan begränsa åtkomsten till historisk data och göra framtida scraping-aktiviteter juridiskt riskabla. Google kan hävda att crawlning av webbplatser för sökindexering är en etablerad, juridiskt sund praxis som gynnar AI-utvecklingen. Denna rättsliga osäkerhet innebär ytterligare risker för OpenAI som etablerade teknikjättar inte bär i samma utsträckning.

Superintelligens som en långsiktig satsning

Altmans PM betonar upprepade gånger behovet av att bibehålla fokus på att uppnå superintelligens, trots kortsiktigt konkurrenstryck. Denna retorik är strategisk: den rättfärdigar nuvarande investeringar och förluster genom att peka på transformativa vinster i framtiden. Superintelligens hänvisar till hypotetiska AI-system som överträffar mänsklig intelligens inom alla relevanta områden och potentiellt kan accelerera sin egen utveckling.

Expertuppskattningar för tidpunkten för denna utveckling varierar avsevärt. Analyser av över 8 500 förutsägelser tyder på en median mellan 2040 och 2045 för uppnåendet av artificiell generell intelligens, föregångaren till superintelligens. Några framstående röster, såsom Dario Amodei från Anthropic och Elon Musk, förutspår betydligt tidigare datum, i vissa fall så tidigt som 2026 till 2029. Sam Altman själv har utsett 2029 som ett måldatum.

Den ekonomiska relevansen av denna debatt ligger i värderingslogiken: Om superintelligens är uppnåelig inom fem år och OpenAI förblir ledande i dess utveckling, rättfärdigar detta nästan vilken nuvarande värdering som helst. Men om superintelligens ligger 20 år bort eller OpenAI inte förblir ledande, kollapsar grunden för värderingen. Investerare satsar således inte bara på teknologi, utan också på specifika tidslinjer och marknadspositioner i hypotetiska framtidsscenarier.

Automatiseringen av AI-forskning, vilket Altman identifierar som ett centralt fokus, skulle kunna förkorta dessa tidslinjer. System som oberoende genererar hypoteser, designar experiment, tränar modeller och tolkar resultat skulle dramatiskt öka utvecklingshastigheten. Google DeepMind arbetar med liknande metoder, särskilt genom att integrera AlphaGo-liknande planeringsalgoritmer i språkmodeller. Frågan är inte om sådana meta-AI-system kommer att utvecklas, utan vem som kommer att implementera dem först.

Marknadsstruktur och oligopolbildning

AI-marknaden utvecklas snabbt till ett oligopol med tre till fem dominerande aktörer. OpenAI, Google, Anthropic, Microsoft och Meta besitter de finansiella resurserna, den tekniska talangen och infrastrukturen för att ligga i framkant av konkurrensen. Inträdesbarriärerna är nu oöverkomliga: Att utbilda en toppmodern modell kostar flera hundra miljoner dollar, kräver tillgång till tusentals banbrytande grafikprocessorer och kräver team av toppforskare.

Öppen källkodsmodeller som Metas Llama, Mistral eller Allen AI:s Olmo erbjuder alternativ för specifika användningsfall, men ligger efter proprietära frontmodeller i absolut prestanda. Deras betydelse ligger främst i att demokratisera AI-funktioner för utvecklare utan massiva budgetar och i att skapa konkurrenstryck som dämpar API-åtkomstpriserna.

Kina utvecklar samtidigt sitt eget oberoende AI-ekosystem med företag som Alibaba Qwen, Baidu Ernie, ByteDance och andra aktörer. Dessa modeller når alltmer paritet med västerländska system, men är delvis separerade från den globala marknaden genom olika regelverk, begränsad tillgång till banbrytande chips på grund av exportkontroller och språkbarriärer. Den geopolitiska dimensionen av AI-utvecklingen kan leda till parallella, regionalt dominerande ekosystem, liknande det fragmenterade internet.

För OpenAI innebär detta oligopol att marginella positioner inte är stabila. Antingen etablerar sig företaget hållbart som ett av få ledande system, eller så förpassas det till en andra nivå från vilken befordran är praktiskt taget omöjlig på grund av kapitalintensiteten. Investerare förstår denna dynamik, vilket förklarar den extrema värderingsvolatiliteten: Med binära utfall omvärderas sannolikheter kontinuerligt, och små förändringar i sannolikhetsbedömningen leder till stora värderingsförskjutningar.

Vertikal integration som ett strategiskt imperativ

Microsofts licensiering av OpenAIs chip- och systemdesign-IP i november 2025 signalerar en strategisk omstrukturering. Avtalet ger Microsoft omfattande tillgång till OpenAIs proprietära chipdesignportfölj och kan avsevärt förkorta Microsofts utvecklingscykler för nästa generations AI-processorer. Detta är en del av en bredare trend mot vertikal integration, där ledande molnleverantörer strävar efter att få större kontroll över sina hårdvarugrunder.

Google har utvecklat TPU:er i åratal och därmed kontrollerat hela stacken från kisel till mjukvara. Amazon utvecklar sina egna Trainium- och Inferentia-chip. Microsoft investerar kraftigt i sina egna AI-acceleratorer. Denna övergång mot anpassad kisel återspeglar insikten att generella GPU:er är suboptimala för specifika AI-arbetsbelastningar. Specialiserade chip kan uppnå storleksordningar bättre effektivitet för specifika operationer, vilket minskar kostnader och ökar prestanda.

OpenAI saknar denna vertikala integration. Företaget förlitar sig på externa chipleverantörer, främst Nvidia, och använder molninfrastruktur från Microsoft, Oracle och andra. Dessa beroenden skapar kostnadsnackdelar och strategiska sårbarheter. Partnerskapet med Microsoft för IP-licensiering skulle kunna vara ett första steg mot att täppa till detta gap, men att utveckla egen hårdvara tar år och kräver expertis som OpenAI fortfarande behöver bygga upp.

De ekonomiska konsekvenserna är betydande. Modelloperatörer med egen hårdvarukontroll kan minska sina kostnader med flera storleksordningar, vilket möjliggör mer aggressiva prissättningsstrategier eller alternativt säkra högre marginaler. Google kan potentiellt erbjuda Gemini till priser där OpenAI ådrar sig förluster eftersom Google dramatiskt kan minska sina kostnader genom TPU-användning. Detta är inte en teoretisk möjlighet, utan en praktisk verklighet som redan påverkar marknadsdynamiken.

Från Netscape och Yahoo till OpenAI: Upprepar sig historien?

Utvecklingen under 2025 markerar slutet på en era av obestridligt ledarskap från enskilda pionjärer inom AI-sektorn. OpenAI:s position som en avgörande aktör i den generativa AI-revolutionen utmanas fundamentalt av teknologisk paritet, de strukturella nackdelarna hos etablerade teknikjättar och finansiell bräcklighet. Företaget står inför utmaningen att hantera samtidiga kriser: att hinna ikapp Google tekniskt, säkerställa ekonomisk hållbarhet trots massiva förluster, strategiskt ompositionera sig på en konsoliderande marknad och hantera den operativa komplexiteten i snabb tillväxt.

Googles framgång med Gemini 3 visar att på teknikintensiva marknader erbjuder resursdjup, vertikal integration och tålmodigt kapital ofta strukturella fördelar jämfört med agil innovation. Förmågan att absorbera förluster i åratal medan produkter mognar och stordriftsfördelar realiseras är en ovärderlig fördel. OpenAI och liknande renodlade AI-företag måste uppnå lönsamhet inom tidsramar som dikteras av investerarnas förväntningar, medan Google kan experimentera tills lösningarna verkligen är marknadsklara.

Framtiden för AI-marknaden kommer sannolikt att präglas av ett oligopol med tre till fem dominerande leverantörer, som var och en upptar olika strategiska nischer. Google som en vertikalt integrerad generalist med överlägsen distribution, Microsoft som en företagsfokuserad integratör, Anthropic som en säkerhets- och anpassningsspecialist och Meta som en öppen källkodsförespråkare för utvecklarekosystem. OpenAI:s framtida position i denna konstellation är fortfarande osäker och beror kritiskt på om Shallotpeat-projektet åtgärdar de identifierade bristerna i förberedande utbildning och om företaget kan etablera en hållbar konkurrensfördel utöver sitt historiska varumärkesledarskap.

För investerare, företagskunder och teknologer innebär denna omställning en omvärdering av risker och möjligheter. Antagandet att tidiga marknadsledare kommer att försvara sina positioner visar sig alltmer tvivelaktigt. Hastigheten i den tekniska förändringen, kapitalintensiteten i spetsforskning och kraften i etablerade distributionskanaler skapar en dynamik där strukturella fördelar ofta är viktigare än historiskt innovationsledarskap. De kommande åren kommer att visa om agila pionjärer har resurserna och den strategiska visionen för att stå emot teknikjättarnas överväldigande makt, eller om historien om Netscape, Yahoo och andra tidiga internetpionjärer kommer att upprepa sig i AI-eran.

En ny dimension av digital transformation med 'Managed AI' (Artificial Intelligence) – Plattform & B2B-lösning | Xpert Consulting - Bild: Xpert.Digital

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

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

De viktigaste fördelarna i korthet:

⚡ Snabb implementering: Från idé till operativ tillämpning på dagar, inte månader. Vi levererar praktiska lösningar som skapar omedelbart värde.

🔒 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 hanterar 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 om detta här:

• Den hanterade AI-lösningen - Industriella AI-tjänster: Nyckeln till konkurrenskraft inom tjänste-, industri- och maskintekniksektorerna

☑ Vårt affärsspråk är engelska eller tyska

☑ Nytt: korrespondens på ditt nationella språk!

Konrad Wolfenstein

Jag är glad att vara tillgänglig för dig och mitt team som personlig konsult.

Du kan kontakta mig genom att fylla i kontaktformuläret eller helt enkelt ringa mig på +49 89 674 804 (München) . Min e -postadress är: Wolfenstein ∂ xpert.digital

Jag ser fram emot vårt gemensamma projekt.

☑ SME -stöd i strategi, rådgivning, planering och implementering

☑ skapande eller omjustering av den digitala strategin och digitaliseringen

☑ Expansion och optimering av de internationella försäljningsprocesserna

☑ Globala och digitala B2B -handelsplattformar

☑ Pioneer Business Development / Marketing / PR / Measure

Dra nytta av Xpert.Digitals omfattande, femfaldiga expertis i ett heltäckande tjänstepaket | FoU, XR, PR och optimering av digital synlighet - Bild: Xpert.Digital

Xpert.Digital har djup kunskap i olika branscher. Detta gör att vi kan utveckla skräddarsydda strategier som är anpassade efter kraven och utmaningarna för ditt specifika marknadssegment. Genom att kontinuerligt analysera marknadstrender och bedriva branschutveckling kan vi agera med framsyn och erbjuda innovativa lösningar. Med kombinationen av erfarenhet och kunskap genererar vi mervärde och ger våra kunder en avgörande konkurrensfördel.

Mer om detta här:

• Använd 5 -Fold -kompetensen hos Xpert.digital i ett paket - från 500 €/månad