Tysklands AI-mål till 2030: Arton åtgärder kommer inte att skapa en enda lönsam AI-marknad – Vad företag verkligen behöver

Mer AI, men för liten påverkan? Vad är viktigt nu för Tysklands ekonomi

Tyska regeringens AI-initiativ: Hur finansiering kommer att bli en riktig marknad

Tyskland strävar efter att bli en ledande AI-nation senast 2030. Den tyska regeringen har formulerat 18 viktiga åtgärder och ambitiösa mål för att uppnå detta: AI bör användas betydligt oftare i företag och myndigheter och bidra i större utsträckning till den ekonomiska produktionen. Politiska beslut, finansieringsprogram och ytterligare datacenter garanterar dock inte ekonomisk framgång. Den avgörande faktorn är om företag blir mätbart mer produktiva med AI, om myndigheter bättre kan utföra sina uppgifter och om teknikleverantörer kan utveckla hållbara affärsmodeller från pilotprojekt.

Det är just här utmaningen ligger. Användningen av AI ökar, men det finns ofta ett gap mellan initiala experiment och djupgående integration i arbetsflöden. Små och medelstora företag (SMF) står framför allt inför höga kostnader, begränsade personalresurser och komplexa frågor kring data, säkerhet och teknisk integration. Samtidigt måste regeringen klargöra var den kan agera som en pålitlig kund och supporter – och var nya program bara duplicerar befintliga erbjudanden eller skapar beroenden.

Den här artikeln undersöker Tysklands AI-strategi ur ett ekonomiskt perspektiv: Vad hindrar övergången från tillämpning till värdeskapande? Vilken roll spelar offentlig efterfrågan, europeiska leverantörer och industriella samarbeten? Och hur kan vi avgöra om finansieringsåtgärder faktiskt är effektiva? Den centrala tesen: Framgång beror inte på antalet åtgärder, utan på om de eliminerar specifika flaskhalsar och möjliggör mätbara, hållbara resultat.

Tysklands AI-strategi sätts på ekonomiskt prov: Hur politiska åtgärder skapar konkurrenskraftiga marknader

Tyskland behöver inte den mest omfattande samlingen av AI-program som möjligt. De behöver företag som blir mer produktiva med artificiell intelligens, offentliga institutioner som utför sina uppgifter mer effektivt och teknikleverantörer som utvecklar hållbara affärsmodeller från repeterbara lösningar. Det är just detta som kommer att avgöra om en nationell AI-strategi är ekonomiskt framgångsrik. Antalet politiska åtgärder är inte ett mer tillförlitligt mått på detta än antalet finansierade projekt eller storleken på aviserade datacenter.

Med sin vision att bli en AI-driven nation senast 2030 har den tyska regeringen konsoliderat 18 viktiga tvärdepartementala åtgärder. Bland de offentligt uttalade målen finns att minst 80 procent av stora företag och 55 procent av små och medelstora företag (SMF) ska använda AI. Dessutom ska 90 procent av de federala myndigheterna använda minst en AI-applikation för sina kärnuppgifter. Mer än tio procent av den ekonomiska produktionen ska genereras med hjälp av AI. Dessa mål är ambitiösa. Huruvida de faktiskt beskriver en ekonomisk omvandling beror dock i hög grad på hur användning, värdeskapande och framgång definieras.

Ett företag kan använda en textassistent och därmed betraktas som en AI-användare. Detta betyder inte automatiskt att dess produktionskostnader kommer att minska, dess försäljning kommer att bli mer framgångsrik eller dess innovationstakt kommer att öka. En myndighet kan stödja en enda process med AI medan den stora majoriteten av dess processer förblir oförändrade. Och AI-baserad ekonomisk prestanda kan bara mätas meningsfullt om man gör en åtskillnad mellan AI-leverantörernas intäkter, AI-stödda aktiviteter och det faktiska mervärde som skapas.

Den avgörande ekonomiska frågan är därför inte om Tyskland har vidtagit tillräckligt med åtgärder. Det är om dessa åtgärder åtgärdar rätt flaskhalsar. Dessa inkluderar bristande efterfrågan, otillräckligt bearbetade data, höga integrationskostnader, osäkra affärsmodeller och en alltför långsam övergång från forskningsresultat till säljbara produkter.

En effektiv AI-politik måste hantera dessa problem på olika sätt. Den får varken förklara varje entreprenöriell svårighet som ett argument för finansiering eller förlita sig på antagandet att en marknad utan lämplig infrastruktur och tillförlitliga ramvillkor automatiskt kommer att producera internationellt konkurrenskraftiga leverantörer.

Den verkliga skillnaden ligger mellan initial användning och ekonomisk penetration

Tillgänglig affärsdata avslöjar en viktig utveckling: AI är inte längre enbart ett experimentellt ämne i Tyskland. År 2025 använde 26 procent av de undersökta företagen artificiell intelligens. För småföretag med 10 till 49 anställda var siffran 23 procent, för medelstora företag med 50 till 249 anställda var den 36 procent och för stora företag med 250 eller fler anställda var den 57 procent. Dessa siffror avser de statistiskt registrerade storlekskategorierna och kan inte direkt extrapoleras till alla mikroföretag och egenföretagare.

Detta resulterade i en skillnad på 34 procentenheter mellan små och stora företag. Detta är mer ekonomiskt betydelsefullt än att bara titta på den genomsnittliga användningsgraden. Stora företag kan sprida kostnaderna för dataförberedelse, teknisk integration, juridisk granskning och personalutbildning över fler anställda och affärsprocesser. De har också oftare egna IT-avdelningar och tillräckliga finansiella reserver för att testa flera användningsfall.

För ett mindre företag kan samma introduktion till AI innebära en betydligt större organisatorisk börda. Ledningen måste inte bara bedöma tekniken utan också välja leverantörer, förtydliga dataåtkomst och säkerställa säkerheten i löpande processer. Även om en AI-applikation fungerar tekniskt kan implementeringen misslyckas på grund av tidsbrist och oklara ansvarsområden.

Användningstypen är också avgörande. Bland företag som använder AI använde 27 procent tekniken för automatisering av arbetsflöden eller beslutsfattande år 2025. Sex procent använde den för autonom förflyttning av maskiner. Dessa siffror hänvisar uttryckligen till företag som redan använder AI, inte till hela företagspopulationen. De visar att en generell användningsgrad och djup integration i operativa processer är separata begrepp.

Detta tydliggör behovet av ekonomisk-politiska åtgärder: Tyskland måste inte bara introducera fler företag till AI. Det måste underlätta övergången från tillfällig användning till robusta, repeterbara och ekonomiskt relevanta tillämpningar.

Ett textbaserat verktyg kan vara en bra utgångspunkt. Större produktivitetsvinster uppstår dock ofta bara när informationsflöden, ansvarsområden och operativa processer också ändras. Detta andra steg är just det mer krävande, dyrare och mindre bekväma för statistik över politisk framgång.

Varför små initiala budgetar inte finansierar industriell implementering

Diskussionen om lågfinansierade AI-projekt berör ett verkligt kostnadsbesparande problem. Det finns betydande skillnader mellan ett kortfattat introduktionsverktyg och en produktionsklar applikation. En budget på till exempel 2 000 euro kan räcka för en tydligt definierad workshop, en inledande potentialanalys eller upprättandet av ett enkelt standardverktyg. Det är dock inte en realistisk finansieringsram för en skräddarsydd, integrerad lösning med höga säkerhetskrav.

Ett exempel på en beräkning illustrerar kostnadernas omfattning. Om man antar en extern dagskostnad på 1 000 euro täcker en sådan budget två arbetsdagar. Från detta måste förberedelser, samordning, utförande och dokumentation betalas. Detta lämnar lite utrymme för en grundlig processanalys, flera systemintegrationer, en robust testfas och utbildning för olika användargrupper. Denna beräkning är endast i illustrativt syfte och representerar inte ett generellt marknadspris.

Problemet ligger därför inte nödvändigtvis i att det finns små initiala budgetar. Problemet uppstår när ett introduktionsverktyg förväxlas med ett implementeringsverktyg. Den som förväntar sig en omfattande transformation med en liten summa pengar skapar besvikelse på båda sidor: kunden får inte en produktiv lösning, och leverantören kan inte leverera en hållbar tjänst.

En väl utformad supportmodell skulle behöva beakta olika mognadsnivåer. Den första frågan att ta upp är vilket användningsfall som är ekonomiskt vettigt. Detta följs av ett begränsat test med tydligt definierade framgångskriterier. Först därefter bör integration i den löpande verksamheten finansieras. Skalning till ytterligare platser, avdelningar eller kunder är en helt separat uppgift.

Avgörande är vad som händer efter den initiala finansieringen. Ett engångssamråd skapar inte en hållbar marknad på lång sikt. Först när företag är villiga att fortsätta finansiera en lösning med egna resurser kommer det att finnas en tillförlitlig indikation på dess ekonomiska fördelar.

Offentligt stöd bör därför inte syfta till att generera så många icke-bindande initiala kontakter som möjligt, utan snarare att underlätta övergången till självfinansierade uppföljningsinvesteringar. Framgången för ett instegsprogram skulle då inte mätas i antalet utfärdade kuponger, utan i produktiva ansökningar, deras fortsatta användning och deras påvisbara bidrag till företagets resultat.

För unga AI-företag är efterfrågan ofta mer värdefull än ytterligare projektfinansiering

För en teknikleverantör är finansiering och kundintäkter fundamentalt olika. Finansiering finansierar specifikt utvecklingsarbete. En betalande kund, å andra sidan, bekräftar att en konkret tjänst ger tillräcklig nytta under verkliga förhållanden.

Denna skillnad påverkar hela affärsmodellen. Återkommande intäkter möjliggör personalplanering, förbättrar förhandlingspositionen med investerare och ger insikter i vilka funktioner kunderna faktiskt behöver. Ett framgångsrikt genomfört utvecklingsprojekt kan vara till hjälp, men en konsekvent använd produkt är den starkare grunden för tillväxt.

Speciellt på AI-marknaden finns det en risk att företag genomför för många individuella demonstrationsprojekt utan att bygga ett skalbart erbjudande. Varje ny kund får sedan en skräddarsydd lösning. Intäkterna kan växa, men personalkostnaderna ökar i samma takt. Företaget förblir ekonomiskt sett en projektdriven tjänsteleverantör, även om det externt presenterar sig som en skalbar mjukvaruleverantör.

Detta är inte i sig dåligt. Specialiserad konsultverksamhet och integration kan också vara värdefulla affärsmodeller. Ur ett ekonomisk-politiskt perspektiv måste man dock tydligt skilja mellan program som finansierar tjänster, skapar en standardiserad produkt eller stöder utvecklingen av en grundläggande teknologi.

För skalbara AI-leverantörer är det särskilt relevant huruvida en lösning kan distribueras till andra kunder med betydligt mindre extra ansträngning. Återanvändbara gränssnitt, standardiserade säkerhetsfunktioner och tydligt definierade driftsmodeller är ofta viktigare i detta avseende än ytterligare en spektakulär demonstration.

En ekonomiskt inriktad AI-politik bör därför inte bara främja utvecklingsverksamhet. Den måste också förbättra förutsättningarna för att pilotkunder ska bli återkommande kunder. Detta inkluderar tydliga krav, tillförlitliga betalningsvillkor, överförbara tekniska standarder och en efterfrågan som inte försvinner när ett program avslutas.

Staten, som ankarkund, måste vara pålitlig utan att skapa nya beroenden

Den tyska regeringen beskriver uttryckligen staten som en potentiell ankarkund för AI-modeller och -applikationer. Detta bygger på en logisk ekonomisk mekanism: Offentliga institutioner behöver högpresterande digitala verktyg, medan unga leverantörer kräver en gedigen efterfrågan, praktisk erfarenhet och referenser. Om båda sidor förs samman effektivt kan en självförstärkande marknad uppstå.

Det räcker dock inte att bara förklara staten som ankarkund. Dess efterfrågan måste vara förutsägbar och ekonomiskt hanterbar för leverantörerna. Om varje institution strävar efter sina egna proprietära tekniska lösningar mångdubblas anpassningskostnaderna. En leverantör kan få enskilda kunder, men inte en skalbar grund.

Gemensamma gränssnitt och återanvändbara komponenter kan mildra detta problem. En lösning för att stödja dokumenthantering bör inte behöva omdesignas helt för varje myndighet. Samtidigt måste olika professionella krav beaktas. Standardisering innebär därför inte att göra alla administrativa processer likadana, utan snarare att skapa gemensamma tekniska grunder.

Staten måste balansera två intressen. Å ena sidan kan det vara fördelaktigt att strategiskt utveckla europeiska leverantörer som seriösa marknadsaktörer. Å andra sidan får detta inte leda till en permanent inköpsgaranti för ekonomiskt eller tekniskt otillräckliga produkter. Ett ursprungsbeslut ersätter inte en prestandautvärdering.

Även en europeisk leverantör kan skapa ett starkt beroende bland sina kunder. Slutna dataformat, svåröverförda anpassningar och oklara bytesmöjligheter förblir problematiska, oavsett företagets plats. Därför kräver en suverän offentlig användning av AI inte bara ett specifikt geografiskt ursprung utan även utbytbarhet och kontroll.

Staten skulle vara en bra ankarkund om den ställer höga, realistiska krav, använder framgångsrika lösningar på ett tillförlitligt sätt och samtidigt säkerställer att det är tekniskt möjligt att byta leverantör vid ett senare tillfälle. Detta skapar efterfrågan utan att offra konkurrens och innovationstryck.

Mistral är en hoppfull fyrbåk för Europa, men inte en fullständig suveränitetsstrategi

Mistral exemplifierar frågan om huruvida Europa kan bygga sina egna högpresterande AI-leverantörer. Företaget utvecklar modeller och kombinerar dem i allt högre grad med erbjudanden för företagsanvändning. Tillsammans med SAP arbetar man på en suverän AI-plattform för europeiska företagskunder. Detta syftar till att konsolidera modellutveckling, företagsprogramvara och kontrollerbara driftsmiljöer.

Ur ett ekonomiskt perspektiv är denna koppling rimlig. En kraftfull modell ensam löser inte ett affärsproblem. Det kräver tillgång till relevant data, integration med befintlig programvara och tydliga regler för behörigheter, loggning och ansvar. En etablerad leverantör av företagsprogramvara kan erbjuda betydligt bättre marknadstillträde i detta avseende än en isolerad modellleverantör.

Det vore dock riskabelt att likställa europeisk AI-suveränitet med ett enskilt företags framgång. En nationellt eller europeiskt gynnad leverantör kan vara strategiskt viktig, men det förblir ett företag med sina egna ekonomiska intressen, tekniska begränsningar och finansiella risker.

Dessutom består ett AI-system av flera lager. Även en europeisk modell kan tränas på icke-europeisk hårdvara, vara beroende av specifika acceleratorchips eller fungera via en infrastruktur vars väsentliga komponenter kontrolleras utanför Europa. Suveränitet är därför inte en binär egenskap.

Snarare bör det mätas utifrån de befintliga beroendena, vilka av dessa som är ekonomiskt acceptabla, och för vilka kritiska funktioner det fortfarande finns alternativ tillgängliga. En europeisk modell ökar valmöjligheterna. Den eliminerar dock inte automatiskt alla andra beroenden.

Den objektivt motiverade ståndpunkten är därför: Europa bör utveckla och driftsätta högpresterande leverantörer som Mistral som ett verkligt konkurrenskraftigt alternativ. Samtidigt behövs flera leverantörer, öppna driftsalternativ och möjligheter till teknisk byte. Ett legitimt industripolitiskt intresse bör inte leda till en ny strategi med en enda leverantör.

Industriell AI vinner framträdande där den löser konkreta processproblem

Tysklands industriella bas erbjuder en avgörande utgångspunkt för ekonomiskt relevant AI. Fördelen ligger dock inte bara i överflödet av maskiner. Den ligger i samspelet mellan expertis, processförståelse, kundrelationer, tekniska data och många års erfarenhet av komplexa system.

Samarbetet mellan Airbus och Mistral illustrerar denna logik. De identifierade tillämpningsområdena inkluderar industriella processer, teknisk dokumentation, teknik, design och AI-stödd assistans under utvecklings-, test- och certifieringsfaser. Detta är inte en enda, generell tillämpning, utan snarare en rad distinkta uppgifter, var och en med sina egna specifika kvalitets- och säkerhetskrav.

Särskilt intressanta är uppgifter där specialister lägger mycket tid på att söka efter, sammanställa och verifiera information. Även om snabbare utvärdering av tekniska dokument inte automatiskt leder till en ny produkt, kan det påskynda utvecklingsarbetet och frigöra knapp expertkapacitet för mer krävande uppgifter.

Detsamma gäller för intralogistik. En AI-applikation kan strukturera felrapporter, konsolidera underhållsinformation eller stödja analysen av återkommande anläggningsproblem. Fördelen beror då mindre på imponerande talbehandlingskapacitet än på kvaliteten på anslutningen till verkliga anläggnings- och processdata.

Olika tekniska uppgifter måste hållas separerade. En språkmodell kan vara till hjälp för dokumentation och kunskapsåtkomst. För direkt styrning av en maskin eller ett säkerhetskritiskt beslut måste olika krav uppfyllas. Inte alla industriella AI-applikationer är ett generativt språksystem.

Befintliga partnerskap mellan industriföretag, mjukvaruleverantörer och modellutvecklare kan därför vara mer värdefulla än ett ytterligare, abstrakt finansieringsprogram. Deras effektivitet måste dock mätas genom konkreta resultat. En välkänd företagsgrupp är inte i sig ett bevis på en fungerande lösning.

Dessutom bör ett framgångsrikt industriellt ekosystem inte bara omfatta stora företag. Specialiserade medelstora företag, integratörer och mindre mjukvaruföretag måste ha tillgång till gränssnitt och marknader. Annars kommer slutna plattformar att uppstå, vars fördelar bara kommer att nå en begränsad utsträckning över hela ekonomin.

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

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

Mer information här:

• Expertföretagsnav

Ett tematiskt nav som erbjuder insikter och expertis:

• Kunskapsplattform som täcker globala och regionala ekonomier, innovation och branschspecifika trender
• En samling analyser, insikter och bakgrundsinformation från våra viktigaste fokusområden
• En plats för expertis och information om aktuell utveckling inom näringsliv och teknologi
• En knutpunkt för företag som söker information om marknader, digitalisering och branschinnovationer

Produktivitetsvinsten uppstår först efter avdrag för alla merkostnader

Många AI-diskussioner fokuserar enbart på den tid som sparas under bearbetningen. Detta är otillräckligt för en ekonomisk utvärdering. Den avgörande frågan är vilken nytta som återstår efter att alla ytterligare kostnader och risker beaktats.

Ett förenklat exempel illustrerar skillnaden. Ett företag med 100 anställda sparar tio minuter per person och dag genom att använda den här applikationen. Med 220 arbetsdagar motsvarar detta cirka 3 667 timmar per år. Om man antar en total kostnad på 50 euro per timme resulterar detta i ett beräknat potentiellt tidsvärde på cirka 183 000 euro årligen.

Denna tidsmängd leder dock inte automatiskt till ytterligare vinst eller motsvarande besparingar i betalningstransaktioner. Om de frigjorda minuterna är utspridda över många uppgifter kan de bara delvis användas produktivt. Dessutom tillkommer licenskostnader, implementeringskostnader, support- och övervakningskostnader.

Om man antar att årliga driftskostnader är 60 000 euro och att endast hälften av den beräknade tidspotentialen faktiskt realiseras, skulle den årliga nyttan, före beaktande av initiala implementeringskostnader, vara cirka 31 500 euro. Detta exempel är avsiktligt hypotetiskt för att illustrera hur avsevärt en initialt imponerande bruttosiffra kan förändras vid närmare granskning.

I kvalitetskritiska uppgifter kostar fel inte bara tid. Felaktig teknisk information kan utlösa omarbetning, förseningar eller ansvarsrisker. Omvänt kan förbättrad feldetektering skapa betydande fördelar som inte omedelbart kan kvantifieras på några minuter.

Företag behöver därför en utvärdering som kombinerar tid, kvalitet, hastighet och risk. Meningsfulla mätvärden inkluderar till exempel en process handläggningstid, antalet nödvändiga korrigeringar, utnyttjandet av knapp kompetens eller kostnaden per behandlat ärende.

Politiska program bör stödja detta perspektiv istället för att belöna den högsta möjliga teoretiska besparingspotentialen. Det ekonomiskt avgörande är inte hur snabbt en AI genererar en design, utan hur effektiv hela processen blir, vilket leder till ett användbart resultat.

Europeiskt samarbete är en fråga om skala, inte en diplomatisk konkurrens

Sammanställningen av en starkare inriktning mot Frankrike och samarbete med Kanada är alltför förenklad om den uppfattas som det enda alternativet. Den tyska regeringen nämner både europeiska förmågor och internationella partnerskap som komponenter i sin strategi. I detta sammanhang framhävs bland annat samarbete med Kanada och stöd för LawZero inom säkerhetsinriktad AI-utveckling.

Ur ett ekonomiskt perspektiv måste varje partnerskap utvärderas utifrån dess specifika bidrag. Frankrike är en naturlig partner för Tyskland i byggandet av en större europeisk marknad och i samarbetet med europeiska modellleverantörer. Kanada kan bidra med ytterligare expertis inom vissa forsknings- och teknikområden.

Den relevanta frågan är därför inte vilket land som får mest politisk uppmärksamhet. Det är om samarbete öppnar upp för tillgång till teknik, kvalificerad arbetskraft, kunder eller kompletterande kunskap. Ett partnerskap utan operativa kopplingar förblir symboliskt. Ett mindre men produktivt samarbete kan å andra sidan generera mätbara fördelar.

Samtidigt bör internationellt samarbete inte dölja det faktum att Europa måste lösa sina egna storleksproblem. Olika tekniska krav och separata nationella marknader kan innebära att en europeisk leverantör måste göra betydande anpassningar för varje ny kundgrupp.

För ett växande AI-företag är en verkligt användbar europeisk marknad därför ofta viktigare än ytterligare ett politiskt samarbetsramverk. Gemensamma krav, överförbara bevis och kompatibla infrastrukturer kan möjliggöra skalning utan att helt eliminera nationella särdrag.

En smart strategi kombinerar därför två nivåer: Den samlar europeisk efterfrågan och kapacitet där storlek är avgörande, samtidigt som den förblir öppen för internationella partners som erbjuder konkreta tekniska komplement. Öppenhet och strategiskt oberoende utesluter inte ömsesidigt, så länge beroenden bedöms medvetet.

Chipexpertis kräver specialiserad infrastruktur och en tydlig arbetsfördelning

Önskan om större oberoende inom AI-chip är förståelig. Den blir dock oprecis så snart chipdesign, halvledarforskning, tillverkning och drift av AI-datacenter behandlas som en enda uppgift.

Ett chip måste designas. Dess design kräver lämpliga verktyg och tekniska grunder. Tillverkning kräver i sin tur specialiserad utrustning, material och processer. Till detta kommer lagring, paketeringsteknik och integration i kompletta datorsystem. Framsteg på en nivå kompenserar inte automatiskt för saknade funktioner på andra.

Det belgiska forskningscentret imec är ett viktigt europeiskt nav i detta sammanhang. NanoIC-pilotlinjen är kopplad till en planerad gemensam investering på 2,5 miljarder euro och är bland annat avsedd att ge företag, startups, universitet och design- och systemleverantörer tillgång till avancerad teknik och prototyputveckling.

I februari 2026 öppnade imec ytterligare 2 000 kvadratmeter renrumsyta som en del av denna expansion. Projektet är uttryckligen organiserat på europeisk nivå och inkluderar partneranläggningar, bland annat Fraunhofer i Tyskland. Tyskland är också en av de deltagande finansieringsstaterna. Därför återspeglar inte uppfattningen att nationell forskning och ökad användning av imec i grunden är alternativa tillvägagångssätt denna sammankoppling på ett adekvat sätt.

Ett ekonomiskt förnuftigt tillvägagångssätt är en arbetsdelning där specialiserad, storskalig infrastruktur används på ett koncentrerat sätt samtidigt som den möjliggör bred tillgång för forskning och företag. Att bygga dyra anläggningar på flera platser parallellt kan vara ineffektivt. Omvänt är spjutspetsinfrastruktur av liten nytta om mindre företag inte har praktisk tillgång till den.

De rätta frågorna är därför: Vilka kompetenser saknas egentligen? Var finns redan internationellt relevanta styrkor? Hur får unga företag tillgång till designverktyg, testanläggningar och tillverkningspartners? Och vilka tillämpningar motiverar de avsevärda utvecklingskostnaderna på lång sikt?

En lovande halvledarstrategi behöver prioriteringar. Den behöver inte representera varje steg i värdekedjan helt nationellt, utan snarare säkra kritisk kompetens och skapa tillförlitlig tillgång till kompletterande kompetenser.

Forskning är oumbärlig, men dess finansiering kräver andra framgångsmått

Kritik av långdragna forskningsprojekt har en giltig poäng när den fokuserar på bristande relevans och otydlig användning av offentliga medel. Det vore dock felaktigt att dra slutsatsen att vetenskaplig utbildning i sig är mindre värdefull än direkt företagsfinansiering.

Forskning och entreprenöriell utveckling fyller olika funktioner. Grundforskning kan generera kunskap vars ekonomiska tillämpning initialt är öppen. Ett marknadsorienterat utvecklingsprojekt, å andra sidan, bör mycket mer exakt kunna förklara vilket problem som löses och hur en senare användning kan se ut.

Att utvärdera båda med samma mätvärde skulle vara ett misstag. Om varje forskningsprojekt bedömdes enbart utifrån kortsiktiga intäkter skulle långsiktiga kunskapsmöjligheter gå förlorade. Omvänt, om varje tillämpningsorienterat projekt utvärderades enbart utifrån vetenskapliga publikationer, skulle ekonomisk lönsamhet förbli sekundär.

Kvaliteten på en person eller ett projekt kan inte på ett tillförlitligt sätt härledas från vilken typ av universitet man gått på eller ett enskilt betyg. För industriell AI kan praktisk erfarenhet, systematisk testning och en god förståelse för tillämpningsområdet vara lika viktigt som teoretisk kunskap på hög nivå.

Det verkliga problemet ligger ofta i övergångarna. Forskningsresultat måste stabiliseras tekniskt, översättas till produkter och kopplas till verkliga kundkrav. Detta arbete är varken klassisk grundforskning eller rutinmässig försäljning. Det kräver andra färdigheter och ofta även olika finansiering.

En balanserad politik bör därför skydda vetenskaplig kvalitet samtidigt som kunskapsöverföring tas på allvar. Gemensamma projekt med tydliga ansvarsområden, utbyte av tillfällig personal mellan forskning och industri, och transparent hantering av nyttjanderätter kan vara viktigare än en annan organisatorisk finansieringsnivå.

Ett AI-säkerhetsinstitut måste ta itu med samhällsrisker, inte tränga undan befintliga marknader

Den tyska regeringen tilldelar det tyska AI-säkerhetsinstitutet (AISI) en analytisk och operativ funktion. Det är inte avsett att vara en tillsynsmyndighet, utan snarare ett kompetenscentrum för teknikanalys, riskbedömning och strategisk rådgivning. Detta inkluderar situationsmedvetenhet och tidig varningsinformation avseende samhälle, ekonomi och nationell säkerhet.

Denna ansvarsfördelning är avgörande för ekonomisk utvärdering. Ett mandat för offentlig säkerhet skiljer sig från testning av en specifik företagsprodukt. Systemrisker, nya attackvektorer eller säkerhetsrelevant utveckling kan kräva insikter som ingen enskild privat klient helt skulle finansiera.

Det finns en berättigad anledning till statliga ingripanden här. Om många intressenter gynnas av förbättrad riskbedömning, men ingen vill bära hela kostnaden, kan en offentlig institution fylla ett gap i tjänsterna.

Situationen är annorlunda för standardiserade testtjänster som är skräddarsydda för tydligt definierade kundbehov. I dessa fall kan privata test- och konsulttjänster vara fördelaktiga. En statlig institution bör inte duplicera dessa aktiviteter utan påvisbart mervärde.

Den praktiska utmaningen ligger därför i en exakt arbetsfördelning. Myndigheter skulle kunna undersöka övergripande risker, vidareutveckla testmetoder och göra resultaten tillgängliga. Privata leverantörer skulle sedan kunna bygga vidare på denna grund för att erbjuda specifika revisioner, implementeringsstöd och återkommande inspektioner.

Det är också viktigt att undvika dubbelarbete. Om företag upprepade gånger måste producera nästan identisk dokumentation för olika kunder och institutioner uppstår extra kostnader utan motsvarande ökad säkerhet. Erkända och överförbara resultat skulle vara mer ekonomiskt värdefulla än ett växande antal separata testprocesser.

Ett säkerhetsinstitut är därför varken automatiskt nödvändigt eller automatiskt överflödigt. Dess användbarhet beror på om det fyller en tydligt definierad lucka, om dess resultat är praktiskt tillämpbara och om dess uppgifter förblir åtskilda från befintliga marknadserbjudanden.

Mer datorkraft behövs, men ännu inte en affärsmodell

Den tyska regeringen siktar på att åtminstone fördubbla den totala datacenterkapaciteten i Tyskland till 2030 och att fyrdubbla kapaciteten för AI och högpresterande datoranvändning. Detta åtgärdar en viktig flaskhals i infrastrukturen. Ytterligare kapacitet representerar dock initialt en tillgång och garanterar ännu inte ekonomisk framgång.

För användarna är det viktiga om datorkraft finns tillgänglig till rimliga priser, med lämpliga verktyg och under de erforderliga driftsförhållandena. En medelstor maskintillverkare behöver inte nödvändigtvis direkt tillgång till ett stort utbildningssystem. De kan behöva en pålitlig och prisvärd miljö för en specialiserad tillämpning.

Utbildning och löpande drift måste också skiljas åt. Utveckling av en stor modell kan kräva enorma datorresurser. Däremot kan en snävt definierad affärsapplikation ibland köras med en mindre modell. Vilken arkitektur som är ekonomiskt hållbar beror på uppgiften, arbetsbelastningen och kvalitetskraven.

Därför bör kapacitetsplanering kopplas till en realistisk efterfrågeanalys. Faktorer att beakta inkluderar elförsörjning, nätanslutningar, kylning, tillgänglig kvalificerad personal och takten i den tekniska förändringen. En anläggning kan vara tekniskt effektiv men ändå fungera ineffektivt om dess utnyttjandegrad förblir för låg.

Omvänt skulle det vara lika problematiskt att vänta med att investera tills varje framtida tillämpning är säker. Infrastruktur måste ofta byggas innan den fulla efterfrågan är tillgodosedd. Därför är flexibla koncept, olika användningsmodeller och en transparent fördelning av investeringsrisk avgörande.

Det ekonomiska riktmärket bör inte enbart vara installerad kapacitet. Lika relevanta är faktisk användning, kostnad per meningsfull datoruppgift, tillgänglighet och åtkomst för mindre företag. Infrastruktur blir bara en konkurrensfördel när den möjliggör produktiva aktiviteter som annars inte skulle äga rum eller skulle försämras avsevärt.

Bra AI-policy behöver färre symboliska siffror och bättre effektdata

De aviserade målen utgör en grund för politisk styrning. De medför dock risken att lätt mätbara aktiviteter förväxlas med faktiska resultat.

En användningsgrad indikerar initialt hur utbredd en teknik är. Den förklarar inte hur intensivt den används eller om investeringen lönar sig. Antalet finansierade företag beskriver ett programs räckvidd. Den bevisar ännu inte att dessa företag skulle ha klarat sig sämre utan finansiering.

Denna ytterligare effekt är avgörande. Om ett företag finansierar en redan planerad investering enbart med offentliga medel kan resultatet bli en ren och oväntad vinst. Men om stödet möjliggör ett ekonomiskt hållbart genomförande som annars skulle ha misslyckats på grund av en tydlig flaskhals, kan det skapa ett verkligt mervärde.

En tillförlitlig bedömning skulle därför behöva definiera de förväntade förändringarna innan ett program ens påbörjas. För ett initialt program skulle detta kunna vara den efterföljande självfinansierade användningen. För industriella tillämpningar kan fokus ligga på genomloppstider, kvalitetsförbättringar eller en lägre felfrekvens. För infrastruktur skulle tillgänglighet och utnyttjande vara viktiga faktorer.

Målet på mer än tio procent av AI-baserad ekonomisk produktion kräver också en transparent definition. Om varje AI-stödd aktivitet inkluderas fullt ut kommer resultatet att skilja sig från att endast beakta det skapade mervärdet. Utan en tydlig definition skulle mätvärdet vara politiskt imponerande men analytiskt svagt.

Ett bra rapporteringssystem bör därför kombinera ett fåtal meningsfulla nyckeltal (KPI:er) med transparenta metoder. Detta inkluderar även misslyckade projekt och avslutade initiativ. En strategi där varje program fortsätter oavsett resultat misslyckas med att lära av sina egna erfarenheter.

Politiskt ansvar visas genom genomförandekompetens och tydligt ansvar

Generell kritik av generationer räcker inte för att förklara problemen med AI-politiken. Teknologisk kompetens kan inte tillförlitligt bestämmas utifrån ålder. Unga beslutsfattare kan argumentera ytligt, medan erfarna ledare effektivt kan hantera förändring.

Den viktigare frågan är vilka kompetenser som ligger till grund för politiska beslut och vem som ansvarar för resultaten. AI-policy kräver teknisk kunskap, förståelse för operativa processer och förmågan att prioritera under osäkerhet.

Ekonomin bör inte behandlas som en monolitisk enhet. Modellleverantörer, molnföretag, integratörer, industriella konglomerat och små användare har alla olika intressen. Ett program som är attraktivt för en leverantör är inte nödvändigtvis fördelaktigt för ekonomin som helhet.

Nära engagemang från företag är därför nödvändigt, men det ersätter inte oberoende bedömning. Annars finns det en risk för politik som skyddar befintliga affärsmodeller istället för att stärka konkurrens och produktivitet.

Den tyska regeringen föreställer sig att dess AI-arbetsgrupp fortsätter att hantera genomförandet av åtgärderna och möts minst kvartalsvis på statssekreterarnivå. Huruvida detta resulterar i en effektiv hantering beror inte på mötesfrekvensen, utan på beslutsbefogenheter, bindande ansvar och förmågan att faktiskt undanröja hinder.

I detta sammanhang innebär ansvar också att prioritera trots motstånd. Inte alla bra idéer kan finansieras samtidigt. Inte alla befintliga institutioner behöver en ny AI-uppgift. Och inte alla program som startas förtjänar att fortsätta på obestämd tid.

En hållbar strategi kombinerar marknadsöppning, specialisering och konsekvent urval

Ur ett ekonomiskt perspektiv bör Tysklands AI-politik kombinera tre olika uppgifter.

För det första måste det underlätta en bred användning. Detta kräver begripliga erbjudanden, lämplig utbildning, lättillgängliga verksamhetsmodeller och stöd för data- och integrationsproblem. Mindre företag gynnas särskilt av att beprövade lösningar inte behöver utvecklas från grunden varje gång.

Dessutom måste den stödja företag som utvecklar internationellt skalbara produkter och grundläggande teknologier. Denna uppgift kräver större finansiella volymer, längre tidshorisonter och en större vilja att ta tekniska risker. Den får inte förväxlas med delfinansiering av digitalisering.

I slutändan måste staten tillhandahålla offentlig infrastruktur som enskilda företag inte kan finansiera tillräckligt. Detta inkluderar specifik forskningsinfrastruktur, omfattande säkerhetsanalyser och gemensamma tekniska standarder.

Dessa uppgifter kräver andra verktyg. Ett litet företag med ett specifikt automatiseringsproblem behöver inte en nationell modellstrategi. Omvänt kan en europeisk modellutvecklare inte bli internationellt konkurrenskraftig bara genom att få några konsultkuponger. Och ett säkerhetsinstitut bör inte bedömas enbart utifrån sina kortsiktiga programvaruintäkter.

Det tydliga perspektivet är därför att Tyskland bör försöka mindre att organisera all aktivitet under en gemensam AI-etikett och tydligare skilja mellan marknadsutveckling, teknikutveckling och offentliga uppgifter. Befintliga högpresterande samarbeten förtjänar stöd, förutsatt att de förblir tillräckligt öppna för andra företag och levererar mätbara resultat.

Staten måste agera pålitligt där den själv skapar efterfrågan, och utöva återhållsamhet där ytterligare strukturer bara duplicerar befintligt utbud. Europeisk specialisering är ofta mer förnuftig än att försöka helt replikera varje kapacitet nationellt.

Huruvida Tyskland blir en stark AI-nation år 2030 beror i slutändan inte på hur fullständig en lista med åtgärder är. Det som spelar roll är om företag genererar varaktig avkastning från applikationer, om anställda arbetar mer produktivt och om offentliga institutioner märkbart förbättrar sina tjänster. En strategi är framgångsrik när den möjliggör dessa resultat och eliminerar överflödiga aktiviteter – inte när den bara lägger till mer och mer.

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

☑️ 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