Nvidias VD kritiserar Tyskland: Hur allvarlig är varningen om teknisk eftersläpning?

AI och industri: Varför Tyskland behöver gå snabbare från kunskap till värdeskapande

Jensen Huang, VD för AI-chiptillverkaren Nvidia, ger en skarp bedömning av Tyskland: landet har hamnat långt efter tekniskt. Detta uttalande är skarpt och kommer från en entreprenör som själv tjänar på den globala AI-boomen. Det träffar dock en nerv. Tyskland har fortfarande en stark industriell bas, högpresterande forskning och omfattande teknisk expertis. Samtidigt är det ofta för långsamt att omsätta detta i framgångsrika digitala produkter, skalbara företag och mätbara produktivitetsvinster. Gapet till internationella konkurrenter ökar, särskilt inom AI, programvara, tillväxtkapital och digital infrastruktur.

Det betyder inte att Tyskland är tekniskt färdigt. Snarare står landet inför frågan om hur man ska kombinera sina industriella styrkor med ny digital teknik – till exempel inom robotik, automatiserad tillverkning och så kallad fysisk AI. Samarbete med Nvidia och tyska industripartners skulle kunna hjälpa, men det medför också risker, såsom nya beroenden av enskilda leverantörer. Därför är den avgörande faktorn inte att investera så mycket som möjligt så snabbt som möjligt, utan att på ett tillförlitligt sätt omvandla forskning och pilotprojekt till produktiva tillämpningar. Huangs varning är inte en slutgiltig dom över Tysklands framtid, men det är en anledning att allvarligt granska landets egen implementeringstakt.

Det är inte tänkandet som förlamar Tyskland, utan oförmågan att snabbt omvandla kunskap till mervärde

Nvidias VD Jensen Huangs ovanligt skarpa kritik berör en nerv i den tyska ekonomin, men dess svepande generaliseringar är också överdrivna. Tyskland är varken tekniskt obetydligt eller generellt sett eftersläpande. Landet fortsätter att ha en exceptionellt bred industriell bas, globalt konkurrenskraftiga företag, högpresterande forskningsinstitutioner, en mängd teknisk expertis och en hög täthet av automatiserade produktionsanläggningar. År 2025 kom 24 476 europeiska patentansökningar från Tyskland, vilket behöll sin ledande position i Europa. Med 449 industrirobotar per 10 000 anställda inom tillverkningssektorn har Tyskland också den högsta robottätheten i Europa och en av de högsta i världen.

Huangs varning måste dock tas på allvar ur ett ekonomiskt perspektiv. Tysklands problem ligger mindre i en absolut brist på teknologi än i det växande gapet mellan vetenskaplig och teknisk kapacitet och dess marknadseffektiva implementering. Många företag besitter avancerad expertis inom maskinteknik, automation, material, sensorteknik, produktionsplanering och industriell kvalitetskontroll. Men när det gäller molnplattformar, skalbar programvara, halvledarekosystem, digitala affärsmodeller, storskaliga AI-modeller och högriskfinansiering av tillväxt, flyttas fokus för värdeskapande alltmer utanför Europa. Den avgörande frågan är därför inte om Tyskland fortfarande är innovativt. Det är om landet tillräckligt snabbt kan omsätta sin befintliga innovationskapacitet till produktiva tillämpningar, nya företag, exporterbara plattformar och högre ekonomisk produktivitet totalt sett.

Huangs diagnos är överdriven, men inte ogrundad

Påståendet att ett av de mest tekniskt avancerade länderna har hamnat långt efter fungerar initialt som en provokativ överdrift. Det beskriver inte en fullständig industriell nedgång, utan snarare en relativ förlust av position inom viktiga digitala teknologier. Relativt betyder att Tyskland kan förbättra sin kapacitet och fortfarande hamna efter om andra ekonomier skalar upp sin kapacitet, sina investeringar och sina företag betydligt snabbare. Just denna mekanism formar den globala AI-kapplöpningen. Teknologiska framsteg mäts inte enbart i huruvida ett land bedriver bra forskning eller kan presentera enskilda pilotprojekt. Det avgörande är hur snabbt kapital, datorkraft, data, kvalificerad arbetskraft och entreprenörskap kombineras för att skapa säljbara produkter.

Siffrorna om finansiering illustrerar problemets omfattning. Globalt sett flödade cirka 258,7 miljarder USD i riskkapital till AI-företag år 2025. Av detta gick cirka 194 miljarder USD, eller ungefär 75 procent, till företag i USA. Hela Europeiska unionen bidrog med cirka 15,8 miljarder USD, eller sex procent. Denna skillnad är inte bara en finansiell detalj. Den påverkar var talanger rekryteras, var datacenter byggs, var nya modeller utbildas, var patent kommersialiseras och var unga företag utvecklas till globala plattformsleverantörer.

Huangs kritik drivs dock också av egenintresse. Nvidia gynnas av att regeringar, molnleverantörer och industriföretag köper stora mängder AI-chip, nätverksteknik och programvara så snabbt som möjligt. En VD vars företag säljer kärninfrastrukturen i AI-boomen är inte en neutral observatör av teknikpolitiken. Hans uppmaning till snabbare åtgärder är därför samtidigt en ekonomisk-politisk diagnos och ett säljargument. Detta ogiltigförklarar inte kritiken, men det kräver en mer nykter bedömning. Högre hastighet innebär inte automatiskt större ekonomisk nytta om investeringar görs utan tydliga användningsområden, konkurrens, öppna gränssnitt och tillförlitliga kostnads-nyttoanalyser.

Tyskland är starkt inom teknologi, men svagt inom hastighet

Den tyska innovationsapparaten är inriktad på noggrannhet, säkerhet, teknisk tillförlitlighet och långsiktiga industriella relationer. Denna modell har varit extremt framgångsrik i årtionden. Den är särskilt väl lämpad för branscher där funktionsfel är kostsamma eller farliga, produktcyklerna är långa och kunderna värdesätter pålitlig kvalitet. Inom kemikalier, maskinteknik, fordonsteknik, elektroteknik och industriell automation uppstår ofta konkurrensfördelar från tusentals stegvisa förbättringar. Det tyska systemet kan utveckla, certifiera, tillverka och stödja komplexa fysiska produkter genom internationella servicenätverk.

Digitala marknader följer dock ibland en annan logik. Programvara kan distribueras globalt till låg marginalkostnad. Plattformar blir mer värdefulla i takt med att fler kunder, utvecklare och datakällor läggs till. Snabb marknadsinlärning kan vara viktigare än en tekniskt perfekt initial design. Inom AI utvecklas modeller, verktyg och affärsprocesser kontinuerligt i korta cykler. De som skalar upp tidigt får data, användarupplevelse, utvecklarlojalitet och kapital. Ett system som säkrar beslut i åratal, tolkar finansieringsprogram i detalj och syftar till att minimera varje risk i förväg är strukturellt missgynnat på sådana marknader.

Detta gör Huangs anklagelse om övertänkande förståelig. Den förblir dock ofullständig. Problemet är inte analysen i sig, utan snarare en kombination av långsamma godkännandeprocesser, fragmenterade ansvarsområden, komplicerade finansieringsvillkor, oklara regler, svag administrativ digitalisering, begränsat tillväxtkapital och en företagskultur som ofta straffar misstag hårdare än den belönar lärande. OECD identifierar höga administrativa bördor, kompetensbrist och regulatoriska hinder för konkurrens som skadliga för affärsdynamik, innovation och produktivitetstillväxt. Problemet är därför inte för mycket tänkande, utan snarare brist på beslutsam organisatorisk kapacitet.

Den industriella kärnan är inte en relik, utan Tysklands mest värdefulla AI-fördel

Tyskland bör inte fortsätta den globala AI-kapplöpningen genom att kopiera den amerikanska plattformsmodellen. En direkt kapplöpning om den största universella språkmodellen skulle vara dyr, riskabel och, med tanke på amerikanska företags finansiella makt, bara erbjuda begränsade framgångsmöjligheter. Den strategiska hävstången ligger istället där digitala och fysiska system konvergerar. Det är just här Tyskland har tillgångar som inte kan replikeras på kort sikt: verkliga produktionsanläggningar, processkunskap, industriella data, maskiner, certifieringsexpertis, specialiserade leverantörer och nära relationer mellan tillverkare och företagskunder.

Fysisk AI omfattar system som uppfattar sin omgivning, fattar beslut och styr maskiner eller fordon. Detta inkluderar självlärande robotar, autonoma transportsystem, intelligenta tillverkningsceller, digitala tvillingar, AI-stödd kvalitetskontroll och simuleringsbaserade träningsmiljöer. I dessa tillämpningar är enbart en kraftfull språkmodell otillräcklig. Exakta sensordata, fysisk förståelse, realtidskapacitet, säker styrning, domänkunskap och robust integration i befintliga processer är avgörande. Tysklands industriella struktur är i grunden väl lämpad för detta.

Utgångspunkten är starkare än vad berättelsen om nedgång antyder. Tyskland är Europas största robotmarknad och hade cirka 278 881 operativa industrirobotar år 2024. Nästan hälften av Västeuropas robotkapacitet installerades i Tyskland. Patentproduktionen är också fortsatt hög, även om tyska patentansökningar hos Europeiska patentverket minskade med 2,2 procent år 2025 jämfört med föregående år. Dessa siffror visar samtidigt styrka och fungerar som en varningssignal: Tyskland har betydande tekniska resurser, men dess fortsatta dynamik är inte en självklarhet.

Den verkliga svagheten ligger mellan pilotprojekt och bred tillämpning

Många AI-initiativ pågår nu i tyska företag. Flaskhalsen uppstår ofta efter det första försöket. Ett pilotprojekt kan lanseras med ett litet team, begränsad data och en hanterbar budget. För produktiv användning krävs dock standardiserad dataåtkomst, IT-säkerhet, operativt ansvar, utbildning, processförändringar, gränssnitt till äldre system och mätbara ekonomiska mål. Många projekt stannar av i denna övergångsfas eftersom tekniska, organisatoriska och juridiska ansvarsområden inte är i linje med varandra.

Implementeringen av AI ger därför en blandad bild. År 2025 använde 26 procent av tyska företag med minst tio anställda minst en AI-teknik. För stora företag med 250 eller fler anställda var denna siffra 57 procent, för företag med 50 till 249 anställda var den 36 procent och för små företag med 10 till 49 anställda var den 23 procent. Tyskland låg därmed över EU-genomsnittet på cirka 20 procent, men betydligt under de europeiska ledarna. Danmark nådde 42 procent, Finland 38 procent och Sverige och Belgien 35 procent vardera.

Bilden är mindre rosenröd för medelstora företag eftersom den även inkluderar mycket små företag. Enligt KfW-data använder 20 procent av medelstora företag AI. De flesta av dessa är lättillgängliga applikationer som naturlig språkbehandling eller textigenkänning. Endast tre procent använder mer sofistikerad dataanalys, och bara en procent använder AI för autonoma maskinrörelser. Applikationer som är särskilt relevanta för industriell produktivitet är därför fortfarande sällsynta.

Dessutom saktar digitaliseringstakten. Endast 30 procent av medelstora företag hade slutfört digitaliseringsprojekt under den granskade perioden. Motsvarande utgifter minskade till 23,8 miljarder euro år 2024, en minskning med 8,1 miljarder euro jämfört med föregående år. Detta är ekonomiskt betydelsefullt eftersom AI inte kan skalas upp på en svag digital grund. Företag behöver rena masterdata, nätverksanslutna maskiner, moderna moln- eller edge-infrastrukturer och digitaliserade arbetsflöden. De som försummar dessa förutsättningar kanske kan demonstrera AI, men kan knappast använda den produktivt.

Små och medelstora företag behöver avkastning, inte tekniskt spektakel

Den politiska debatten fokuserar ofta på storskaliga modeller, superdatorer och miljardinvesteringar. För det typiska medelstora industriföretaget spelar dock andra frågor roll: Minskar en applikation kassationer och driftstopp? Förkortar den utvecklingscyklerna? Avlastar den bördan för knappt kvalificerad arbetskraft? Förbättrar den leveranssäkerheten, energieffektiviteten eller underhållet? Kan den integreras säkert i befintliga maskiner och ERP-system? Kommer data och processkunskap att förbli kontrollerbar? Utan tydliga svar uppfattas AI som ökad komplexitet, inte som ett produktivitetsverktyg.

Därför bör Tysklands AI-strategi fokusera mindre på spektakulära individuella projekt och mer på repeterbara, branschspecifika lösningar. En medelstor maskintillverkare behöver inte en generell modell för varje tänkbar uppgift. Den behöver tillförlitliga system för teknisk dokumentation, offertförberedelse, feldiagnos, design, produktionsplanering och fjärrunderhåll. Ett logistikföretag drar nytta av förbättrad ruttplanering, lagerprognoser, visuell skadedetektering och dynamisk personalhantering. En fordonsleverantör kan använda AI för kvalitetskontroll, materialflöde, simulering och prediktivt underhåll.

De ekonomiska effekterna uppstår från tusentals sådana tillämpningar. De ökar inte bara effektiviteten hos enskilda företag utan kan också mildra den demografisk drivna arbetskraftsbristen. Avgörande är att AI kompletterar befintliga anställda, tillgängliggör processkunskap och minskar rutinuppgifter. En strategi som enbart fokuserar på att ersätta arbete skulle generera motstånd och resultera i förlust av värdefull erfarenhetskunskap. Ett framgångsrikt genomförande kräver därför planering av teknik, utbildning och organisationsutveckling tillsammans.

Nvidia-partnerskapet är både en möjlighet och ett beroende

Det planerade samarbetet mellan den tyska regeringen, Nvidia och tyska industripartners fokuserar på två nyckelområden: utveckling av högpresterande AI-modeller för industriella tillämpningar och etablering av grunden för fysisk AI, särskilt för robotutbildning och autonoma fordon. Investeringar på hundratals miljoner euro planeras, främst för datorkapacitet och modellutbildning. Förutom chips kommer Nvidia även att bidra med specialiserad ingenjörspersonal. Bland deltagande företag finns Siemens, Audi och Black Forest Labs.

Denna strategi är i princip rimlig. Tyskland kan bara använda sin industriella databas om tillräcklig datorkraft, programvaruverktyg och expertis finns tillgänglig. Samarbete kan förkorta utvecklingstider, underlätta tillgången till modern infrastruktur och sammanföra företag som skulle vara för små eller för långsamma på egen hand. Det kan också skicka en signal om att industriell AI inte behandlas som ett nischforskningsområde, utan som en ekonomisk-politisk prioritet.

Samtidigt uppstår en strategisk motsägelse. Tyskland vill stärka sin digitala suveränitet, men för att göra det förlitar man sig på tekniken från ett amerikanskt företag som dominerar marknaden för AI-acceleratorer. I denna miljö kan suveränitet inte betyda fullständigt autarki. Under överskådlig framtid kommer Tyskland varken att tillverka alla relevanta chips självt eller kontrollera hela moln- och mjukvarustacken. En mer realistisk metod är nivåindelad suveränitet: företag måste kunna byta leverantör, använda öppna gränssnitt, kontrollera känsliga data, utveckla modeller självständigt och driva kritiska system även under förändrade geopolitiska eller kommersiella förhållanden.

Ett partnerskap med Nvidia är därför fördelaktigt om det bygger upp kapacitet och främjar konkurrens. Det skulle vara problematiskt om offentliga medel i första hand subventionerade försäljningen av en enda leverantör och skapade varaktiga beroenden av proprietär hårdvara och mjukvara. Finansieringsvillkoren bör därför garantera interoperabilitet, öppna standarder, transparenta prestationsindikatorer och tillgång för små och medelstora företag. Lika viktigt är en arkitektur som inte utesluter europeiska chiptillverkare, molnföretag, forskningsinstitutioner och projekt med öppen källkod.

Den kvasi-interna lösningen: Hur Xpert.Digital stänger operativa luckor inom B2B-marknadsföring och -försäljning – Smart Content-Driven Business - Bild: Xpert.Digital

Xpert.Digital är en datadriven B2B-branschhubb som leds av Konrad Wolfenstein . Företaget fungerar som en extern, nästan intern lösning för industriella partners och täcker operativa luckor inom marknadsföring, innehåll och försäljning – utan att kräva ytterligare resurser från kundsidan.

Mer information här:

• Den kvasi-interna lösningen: Hur Xpert.Digital stänger operativa luckor inom B2B-marknadsföring och -försäljning – Smart Content-Driven Business

Öppna industriella modeller kan göra suveränitet praktisk

Projektet Sovereign Open Source Foundation Models, eller Soofi förkortat, syftar till att utveckla högpresterande öppna AI-modeller som kan tränas, drivas och kontrolleras i Tyskland. Projektet kopplar samman forskningsinstitutioner, universitet och AI-företag och använder Deutsche Telekoms industriella AI-moln. Den första finansieringsfasen stöddes med 20 miljoner euro.

Den öppna metoden är strategiskt relevant eftersom industriella användare har andra krav än privata användare av fritt tillgängliga chattrobotar. De behöver transparenta modeller, kontrollerbara dataflöden, långsiktigt underhåll och anpassningsförmåga till specialiserad terminologi, standarder och processer. Öppna modellvikter ensamma löser dock inte dessa problem. Högkvalitativa träningsdata, transparenta licenser, kraftfulla verktyg, säkerhetsrevisioner, hållbar finansiering och en aktiv utvecklargemenskap är avgörande.

Ekonomisk framgång beror också på om ett forskningsprojekt ger upphov till ett robust ekosystem. En modell har bara ekonomiskt värde när företag använder den produktivt, tjänsteleverantörer utvecklar applikationer och kvalificerade arbetstagare kan arbeta med den. Tidigare har Tyskland ofta finansierat demonstratorer och forskningskonsortier utan att producera hållbart skalbara produkter. Därför bör Soofi inte primärt mätas utifrån antalet publicerade modeller. Viktigare är industriell användning, mätbara produktivitetsvinster, antalet aktiva utvecklare, integration i företagsprogramvara, exportbarhet och minskning av ensidiga beroenden.

Kapitalet avgör vilka innovationer som ska förverkligas

Tysklands finansieringsproblem börjar inte med grundandet av företag, utan ofta med deras tillväxt. Vetenskaplig expertis, statliga program och finansiering i tidigt skede finns tillgänglig. Men när ett företag behöver flera hundra miljoner euro för att bygga upp datorkapacitet, expandera internationellt eller massproducera industriell hårdvara, blir den inhemska kapitalmarknaden snabbt otillräcklig. Vid den tidpunkten tar utländska investerare över en stor del av finansieringen, eller så flyttar framgångsrika företag sin verksamhet till USA.

Den tyska riskkapitalmarknaden visar framsteg. År 2025 investerades cirka 7,2 miljarder euro i tyska startups. Av detta gick cirka 2,9 miljarder euro till AI-företag, ungefär två femtedelar av den totala volymen och en rekordhög volym för Tyskland. Ändå låg den totala tyska riskkapitalvolymen, mätt som andel av den ekonomiska produktionen, något under EU-genomsnittet på 0,18 procent, på 0,16 procent. Särskilt i jämförelse med USA är omfattningen fortfarande liten.

Problemet är inte bara mängden kapital, utan även dess struktur. AI, robotteknik, halvledare och industriella djupteknologiska företag kräver långa utvecklingscykler, höga initiala investeringar och investerare med teknisk expertis. Det bankcentrerade europeiska finansiella systemet är mindre lämpat för immateriella, osäkra och långsiktiga investeringar. Europeiska centralbanken påpekar att de europeiska riskkapital- och privata kreditmarknaderna är för ytliga för att tillräckligt finansiera omfattningen av AI-möjligheten.

Effektiva strategier måste därför mobilisera privat tillväxtkapital, inte ersätta det med offentligt kapital. Pensionsfonder, försäkringsbolag, familjekontor och industriella investerare skulle kunna delta mer i europeiska tillväxtfonder, förutsatt att regleringar, riskdelning och incitament utformas på lämpligt sätt. Offentliga medel bör inte användas för att socialisera förluster över hela linjen. De kan dock strukturera risker genom ankarinvesteringar, garantier och gemensamma fonder på ett sådant sätt att privata aktörer investerar. Avgörande är att kapital måste allokeras baserat på teknisk kvalitet och marknadsmöjligheter, inte politisk synlighet.

Reglering är inte fienden, men dess implementering kan hämma innovation

Kontrasten mellan amerikansk innovation och europeisk reglering är ofta förenklad. Tillförlitliga regler kan bygga förtroende, skydda investeringar och begränsa risker. Särskilt inom industri, medicin, mobilitet och kritisk infrastruktur är säkerhet, ansvar och dataskydd inte sekundära frågor. Ett felaktigt rekommendationssystem är irriterande; ett felaktigt styrsystem för maskiner eller fordon kan äventyra människor och orsaka betydande skador.

Problemet uppstår när reglerna är oklara, motsägelsefulla eller administrativt svåra att hantera. Stora företag kan bygga upp specialiserade avdelningar för juridik, dataskydd och efterlevnad. Småföretag och startups står inför samma osäkerheter med betydligt färre anställda. Som ett resultat kan reglering oavsiktligt stärka etablerade leverantörers marknadsposition. Det är inte förekomsten av regler, utan snarare de höga fasta kostnaderna för regelefterlevnad, som då blir hindret för inträde.

Tyskland behöver därför snabbare och mer kompetenta strukturer för godkännande och rådgivning. Företag bör tidigt kunna få bindande information om de krav som gäller för ett specifikt användningsfall. Standardiserade testprocedurer, regulatoriska testmiljöer och ömsesidigt erkända certifieringar kan minska tid och kostnader. Lika viktigt är digitaliseringen av den offentliga förvaltningen. Det verkar motsägelsefullt att uppmuntra företag att investera i AI medan myndighetsprocesser fortsätter att präglas av pappersarbete, medieavbrott och flera datainmatningar.

Energi och datorkraft är en del av industripolitiken

AI-modeller och simuleringar kräver betydande datorkraft. För Tyskland kommer därför inte bara antalet datacenter att vara avgörande, utan även deras kostnader, nätanslutningar, energiförsörjning och genomförbarhet. Höga elpriser, långa nätanslutningsprocesser och lokala tillståndsfrågor kan hämma digitala investeringar, liksom brist på kapital. Datorinfrastruktur är inte ett abstrakt moln; det består av byggnader, chips, kylsystem, kraftledningar, transformatorer och kvalificerad personal.

En industripolitisk strategi måste integrera datacenter med energi-, nät- och värmepolitik. Platser bör etableras där förnybar energiproduktion, högpresterande nät, användbar spillvärme och dataanslutningar effektivt kan kombineras. Flexibel lasthantering kan bidra till att anpassa elefterfrågan till tillgången på förnybar energi. Utnyttjande av spillvärme är särskilt attraktivt ur ett tekniskt och ekonomiskt perspektiv när lämpliga värmenät och kontinuerliga konsumenter finns. Men generella löften är otillräckliga; varje projekt kräver realistisk infrastruktur och ekonomiska genomförbarhetsstudier.

Samtidigt får datorkraft inte bli ett självmål. Att köpa tusentals acceleratorer genererar inte automatiskt produktivitet. Utan datakvalitet, kvalificerad personal, programvara och konkreta tillämpningar förblir dyra anläggningar underutnyttjade. Offentlig finansiering bör därför kopplas till användning, åtkomst och mätbara resultat. Universitet, startups och små och medelstora företag behöver transparenta åtkomstmodeller, medan industriella användare kräver tillförlitlig kapacitet och dataskyddsgarantier.

Talangen finns där, men systemet utnyttjar den inte konsekvent

Tyskland har starka tekniska universitet, forskningsinstitutioner och dubbla yrkesutbildningssystem. Den höga nivån av patentaktivitet och industriell automation skulle inte vara möjlig utan denna grund. Trots detta upplever många sektorer brist på mjukvaruutvecklare, dataingenjörer, elspecialister och experter inom robotik, halvledare och AI-drift. Demografiska förändringar intensifierar konkurrensen om kvalificerad arbetskraft.

Lösningen är inte bara att utbilda fler datavetare. Industriell AI kräver tvärvetenskapliga team. Maskiningenjörer behöver förstå data- och modellbegränsningar; mjukvaruutvecklare behöver processkunskap; yrkesverksamma måste kunna använda, övervaka och förbättra system. Vidareutbildning är därför en strategisk produktionsfaktor. Den bör vara mer i linje med verkliga arbetsflöden och inte bara fokusera på allmänna AI-grunder.

Internationell talang är också avgörande. Snabbare visum, administrativa tjänster på engelska, tillförlitligt erkännande av examina och attraktiva karriärvägar kan förbättra Tysklands position. Samtidigt måste forskare och entreprenörer ges bättre möjligheter att bygga företag inifrån universiteten. Tekniköverföring får inte misslyckas på grund av utdragna förhandlingar om patent, aktieinnehav och nyttjanderätter.

Tyskland behöver inte en kopia av Silicon Valley

Kravet på snabbare framsteg är ofta kopplat till en önskan att anamma amerikansk praxis. Detta skulle vara strategiskt kortsiktigt. Tysklands styrka ligger inte i en kulturell kopia av Silicon Valley, utan i kombinationen av industriellt djup, teknisk tillförlitlighet och digital skalbarhet. En tysk eller europeisk modell kan kombinera strängare säkerhetsstandarder, medbestämmande och dataskydd med snabb innovation om processerna är tydligt strukturerade och möjliggör beslutsamma åtgärder.

Tyskland bör i detta avseende skilja mellan tre nivåer. Fullständigt oberoende är orealistiskt för grundläggande AI-modeller och chips; partnerskap och diversifierade leveranskedjor är nödvändiga här. För industrimodeller, simuleringssystem och branschspecifika plattformar finns det realistiska möjligheter till internationellt ledande erbjudanden. När det tillämpas inom fabriker, logistik, energi, mobilitet och administration kan Tyskland uppnå produktivitetsvinster särskilt snabbt.

Detta fokus förhindrar att knappa resurser fördelas symboliskt. Inte varje land behöver sin egen universella toppmodell. Tyskland behöver dock tillräcklig inhemsk expertis, datorkraft och öppen teknik för att kunna testa, anpassa och vid behov ersätta utländska system. Teknologisk suveränitet är därför inte autarki, utan snarare strategisk förmåga.

Det ekonomiska måttet kallas produktivitet

Det avgörande testet är inte antalet AI-strategier, datacenter eller konferenser, utan snarare produktivitetsutvecklingen. Tysklands reala ekonomiska produktion växte endast med 0,2 procent år 2025. Inom tillverkningssektorn minskade det prisjusterade bruttoförädlingsvärdet för tredje året i rad, med 1,3 procent år 2025. Särskilt fordons- och maskintekniksektorerna mötte ökat globalt konkurrenstryck. Mot denna bakgrund är industriell AI inte ett prestigeprojekt, utan ett potentiellt instrument för att stabilisera värdeskapande och intäkter.

Effekten kommer dock inte att ske automatiskt. Företag behöver omforma processer, omfördela uppgifter och utbilda sina anställda. Att bara tillämpa AI på befintliga ineffektiva arbetsflöden kan bara leda till digitalisering av slöseri. Produktivitetsvinster uppstår när teknik kombineras med organisationsförändringar. Detta inkluderar tydligare ansvarsområden, bättre data, snabbare beslutsfattande och en vilja att eliminera processer som inte längre tjänar ett syfte.

KfW (Tyska utvecklingsbanken) har därför rätt i att Tyskland inte behöver bli världsmästare i att utveckla de största modellerna på kort sikt, utan snarare det ledande tillämpningslandet för AI inom industri och små och medelstora företag. Detta perspektiv är mer ekonomiskt övertygande än en ren symbolisk kapplöpning om modellstorlek. Det får dock inte fungera som en ursäkt för att avstå från inhemsk forskning, öppna modeller och infrastruktur. Ett rent tillämpningsorienterat land skulle vara beroende av priser, regleringar och produktbeslut från utländska plattformsleverantörer.

Det som är viktigt nu i den ekonomiska politiken

Tyskland behöver en implementeringsagenda med ett fåtal verifierbara prioriteringar. För det första måste den digitala infrastrukturen i små och medelstora företag (SMF) förbättras. Finansieringsprogrammen bör gemensamt stödja investeringar i datakvalitet, gränssnitt, moln- och edge-system, cybersäkerhet och vidareutbildning. För det andra behövs branschspecifika AI-plattformar som gör det möjligt för företag att använda modeller, datarum och testmiljöer utan att behöva bygga varje teknisk komponent själva.

För det tredje bör staten agera som en krävande första kund. Offentlig upphandling kan ge unga företag referenser och möjligheter till skalning om processerna blir snabbare och mer innovationsvänliga. För det fjärde måste tillväxtfinansiering och exitmarknader utökas så att framgångsrika teknikföretag kan stanna kvar och expandera i Europa. För det femte behöver kritisk AI-infrastruktur öppna gränssnitt, möjligheten att byta leverantör och tydlig datakontroll.

För det sjätte bör verkliga laboratorier för robotteknik, autonoma system och industriell AI utökas avsevärt. Företag måste kunna testa teknik under kontrollerade förhållanden innan alla regulatoriska frågor är slutgiltigt lösta. För det sjunde bör varje större offentlig investering i AI utvärderas baserat på konkreta resultat: produktiva användare, kapacitetsutnyttjande, privata uppföljningsinvesteringar, kostnadsminskningar, nya produkter, export och tid till marknaden.

Det viktigaste är dock institutionell förändring. Ansvar måste konsolideras, deadlines göras bindande och besluten transparenta. Tyskland saknar inte strategidokument. Vad man saknar är organisationer som tar ansvar, kan avsluta projekt om de inte fungerar och snabbt kan replikera framgångsrika metoder.

Motargumentet: Tyskland är inte för långsamt för att det tänker för mycket

Huangs kritik innehåller en giltig observation, men en förenklad förklaring. Tyskland har inte hamnat på efterkälken tekniskt sett för att ingenjörer, företag eller myndigheter i sig är alltför noggranna. Noggrannhet är fortfarande en konkurrensfördel i många industriella tillämpningar. Landet hamnar på efterkälken där noggrannhet blir en ursäkt för oklara ansvarsområden, bristande prioriteringar och oändlig samordning.

Det vore lika fel att behandla varje reglering som ett hinder för innovation och varje snabb investering som framsteg. Den globala AI-boomen innehåller överdrifter, felinvesteringar och höga koncentrationsrisker. Hårdvara åldras snabbt, affärsmodeller är ibland oklara och fördelarna med generativ AI överskattas inom vissa områden. Tyskland bör därför inte blint spendera miljarder bara för att visa beslutsamhet.

Det bättre svaret på Huangs fråga är: Tyskland måste agera snabbare, men inte vårdslöst. Landet måste utnyttja sin industriella styrka istället för att imitera amerikanska plattformsstrategier. Landet måste utnyttja utländsk teknologi utan att bli helt beroende av enskilda leverantörer. Landet måste främja öppna modeller utan att blanda ihop forskningsprojekt med fungerande marknader. Och det måste utforma regelverk på ett sådant sätt att säkerhet inte uppnås på bekostnad av stagnation.

Varningen måste bli en produktiv chock

Den skarpa kritiken från Nvidias VD kan vara användbar om den inte urartar till sårade känslor eller frenetisk aktivism. Tysklands tekniska situation är allvarligare än vad försäkringarna antyder, men bättre än domedagsberättelsen. Landet har fortfarande industriella, vetenskapliga och tekniska tillgångar av exceptionellt värde. Samtidigt riskerar dessa styrkor att minska i betydelse om programvara, data, chips, plattformar och tillväxtkapital permanent koncentreras någon annanstans.

Det planerade samarbetet inom industriell och fysisk AI skulle kunna vara ett viktigt steg. Dess framgång beror dock inte på de deltagande företagens framträdande roll eller mängden aviserade investeringar. Det avgörande är om medelstora och stora företag kan utveckla produktiva applikationer snabbare, om kunskap och mervärde genereras i Tyskland, och om beroendet av enskilda leverantörer förblir hanterbart.

Tyskland står därför inte inför ett val mellan att tänka och att handla. Landet måste tänka bättre, besluta tydligare och genomföra snabbare. Dess industriella försprång finns fortfarande kvar, men det är inte en permanent besittning. I en fas av accelererad teknologisk förändring förlorar ett land inte sin position bara när dess fabriker stänger. Det förlorar den så snart andra använder samma teknik för att skapa nya produkter, företag och produktivitetsvinster snabbare.

Huangs vädjan bör därför varken behandlas som en objektiv bedömning eller som enbart en provokation. Det är en skarp beskrivning av ett verkligt ekonomiskt problem: Tyskland besitter kunskap, kapital, företag och talang, men kombinerar dessa resurser för långsamt. Om Förbundsrepubliken kopplar samman sin industriella bas med skalbar AI, modern infrastruktur, tillväxtkapital och avgörande institutioner, kan den spela en ledande roll i nästa teknologiska våg. Om den återigen främst tillkännager program, fördelar ansvar och hanterar risker, kommer en relativ eftersläpning att förvandlas till en strukturell nedgång.

Från synlighet till förtroende: Din skalbara väg med Xpert.Digital - Bild: Xpert.Digital

Inom industriell B2B uppstår sällan hållbara affärsrelationer över en natt. De utvecklas steg för steg – genom synlighet, professionell relevans, återkommande kontaktpunkter och växande förtroende. Xpert.Digitals 4-stegsmodell adresserar just detta: Den erbjuder en strukturerad väg som börjar med en hanterbar ingångspunkt och kan utvecklas till djupare samarbete inom affärsutveckling vid behov.

Istället för att förlita sig på högljudda marknadsföringslöften sätter den här modellen relationen i förgrunden. Företag börjar med tydligt definierade, lättberäknade mått och bestämmer sedan, baserat på egen erfarenhet, hur långt de vill utöka samarbetet. En nyckelfaktor för denna ostörda förtroendeskapande process: Plattformen undviker helt irriterande reklam, så det redaktionella fokuset ligger enbart på företagens expertis.

Mer information här:

• Från synlighet till förtroende: Din skalbara väg med Xpert.Digital

☑️ Vårt affärsspråk är engelska eller tyska

☑️ NYTT: Korrespondens på ditt modersmål!

Konrad Wolfenstein

Jag och mitt team står gärna till er förfogande som er personliga rådgivare.

Du kan kontakta mig genom att fylla i kontaktformuläret här [email protected]:eller helt enkelt ringa mig på +49 7348 4088 965. Min e-postadress är

Jag ser fram emot vårt gemensamma projekt.

☑️ Stöd till små och medelstora företag inom strategi, konsultation, planering och implementering

☑️ Skapande eller omstrukturering av den digitala strategin och digitaliseringen

☑️ Utökning och optimering av internationella säljprocesser

☑️ Globala och digitala B2B-handelsplattformar

☑️ Pionjär inom affärsutveckling / marknadsföring / PR / mässor