Måske er den hurtigste vej frem at sætte farten lidt ned

Bloggen er vores vurderinger af aktier og teknologiske trends, og kan være meget positiv, fordi vi er langsigtet optimistiske på den teknologiske udvikling. Det bygger på antagelser, der kan ændre sig, og den faktiske udvikling kan afvige væsentligt og være meget volatil på kort sigt. Se nederst for yderligere information.

Kort og godt

I denne artikel forklarer jeg, hvorfor et lavere tempo i udviklingen af de næste AI-modeller efter min vurdering kan styrke den langsigtede AI-case.

• Et roligere kapløb om de mest avancerede AI-modeller kan give selskaberne bedre økonomi.

• Mere computerkraft til betalende inference kan skabe cash flow og finansiere chips, datacentre og energi.

• Lavere tempo i modeludviklingen behøver derfor ikke betyde lavere tempo i den samlede AI-udbygning.

• Det er artiklens vurdering og forudsætter betalende efterspørgsel og et positivt bidrag efter omkostningerne.

Hvorfor taler AI-topcheferne om at sænke tempoet?

I weekenden skete der noget ret bemærkelsesværdigt i AI-verdenen. Fire af de vigtigste personer i udviklingen af kunstig intelligens begyndte pludselig at tale om det samme: Måske skal udviklingen af de mest avancerede AI-modeller sættes lidt ned i tempo.

Det startede for alvor med Anthropic-chef Dario Amodei, som udgav teksten We Must Pace the Frontier. Hans budskab var usædvanligt direkte: “We must slow the pace at which we improve the capabilities of AI models.” Kort efter bakkede Sam Altman op om idéen om at sætte tempoet på frontieren ned. Elon Musk gjorde det endnu mere kortfattet og skrev: “Dario is right”, mens Google DeepMinds Demis Hassabis også tilsluttede sig retningen, om end mere forsigtigt: “The details need working through, but the direction is correct for meeting this critical moment.”

Det er bemærkelsesværdigt, fordi vi taler om lederne af Anthropic, OpenAI, xAI og Google DeepMind – fire organisationer, som konkurrerer om forskere, kapital, computerkraft, kunder og i sidste ende om at bygge de mest intelligente AI-systemer i verden. Den officielle begrundelse for at sætte tempoet ned er sikkerhed. Jo mere autonome modellerne bliver, og jo bedre de selv bliver til at programmere og udføre forskning, desto mere relevant bliver spørgsmålet om rekursiv selvforbedring: Hvad sker der, hvis AI på et tidspunkt bliver rigtig god til selv at udvikle den næste generation af AI?

Det er en vigtig diskussion. Men jeg synes, der er en anden dimension af historien, som er mindst lige så interessant for os som investorer. For det kan faktisk give rigtig god økonomisk mening for AI-selskaberne at sætte tempoet lidt ned. Paradoksalt nok tror jeg derfor, at en opbremsning i udviklingen af frontier-modeller på kort sigt kan gøre den langsigtede AI-case stærkere for investorerne.

AI-selskabernes prisoner’s dilemma

Den bedste måde at forstå problemet på er efter min mening gennem en tekst, som Byrne Hobart skrev i sit nyhedsbrev The Diff tilbage i 2022. Hobart beskrev et fænomen, han kaldte “the bubble pattern”. Hans pointe var grundlæggende, at noget af det farligste, der kan ske for en virksomhed, er, at den branche, virksomheden befinder sig i, pludselig bliver ekstremt populær.

Det lyder umiddelbart mærkeligt. Hvis man har fundet et enormt fremtidigt marked, burde det vel være positivt, at resten af verden også opdager det. Problemet er, at når alle opdager muligheden, kommer kapitalen væltende ind. Konkurrenterne rejser enorme summer, ansætter flere mennesker, byder hinandens medarbejdere op i løn, bygger kapacitet og accelererer deres investeringsplaner. Virksomhederne konkurrerer derfor ikke kun om kunderne, men også om alle de knappe ressourcer, der skal bruges for at nå frem til det fremtidige marked.

Den rationelle virksomhed kan ikke nødvendigvis bare stå udenfor og vente på, at konkurrenterne brænder deres penge af. Selv hvis konkurrenterne investerer kapitalen dårligt, vil nogle af investeringerne lykkes. Og hvis én af dem når skala eller et afgørende teknologisk gennembrud først, kan den forsigtige virksomhed have tabt hele det fremtidige marked.

Hobart bruger Amazon under dotcom-boblen som eksempel. Amazon kunne sandsynligvis have haft bedre økonomi i slutningen af 1990'erne, hvis selskabet havde vokset langsommere, men Amazon kunne ikke vide, om Barnesandnoble.com eller en anden kapitalstærk konkurrent ville nå at dominere bogmarkedet, før Amazon kunne tage næste skridt og udvikle sig til “the everything store”. Derfor blev det rationelt at bruge flere penge og vokse hurtigere, end man ellers ville have gjort.

Det er præcis den mekanisme, jeg synes, vi kan se i AI-industrien i dag. Forestil dig, at OpenAI i morgen besluttede, at de nuværende modeller allerede er ekstremt gode, og at selskabet derfor i en periode ville bruge mindre computerkraft på at træne den næste frontier-model og mere på inference. Når en kunde bruger ChatGPT, en virksomhed bruger en AI-agent, en programmør bruger Codex, eller en udvikler kalder en model gennem API'et, bliver der brugt computerkraft, som OpenAI kan sælge.

Træning er økonomisk noget andet. Når enorme GPU-klynger bliver brugt til at udvikle den næste model, skaber de ikke direkte omsætning under træningen. Man investerer kapital og computerkraft i at skabe en bedre fremtidig model. Den reelle økonomiske omkostning ved træning er derfor heller ikke kun strømmen, chippenes afskrivninger og datacenteret. Man skal også medregne det dækningsbidrag, man kunne have fået, hvis den samme computerkraft i stedet var blevet anvendt til betalende inference. Det kan være en enorm opportunity cost.

Hvis OpenAI, Anthropic, Google og xAI alle udviklede frontier-modellerne lidt langsommere, kunne de derfor bruge mere af deres compute på at sælge den intelligens, de allerede har udviklet, og forbedre økonomien i virksomhederne markant. Problemet er, at ingen af dem kan gøre det alene.

Hvis Anthropic sætter tempoet ned, mens OpenAI fortsætter, risikerer Anthropic at komme bagud på den næste model. Og hvis vi nærmer os et tidspunkt, hvor AI selv kan bidrage væsentligt til udviklingen af den næste generation af AI, bliver det potentielt endnu farligere at komme bagud. Hvis OpenAI først bygger en bedre model, som derefter bliver bedre til AI-forskning, kan den hjælpe med at bygge den næste model hurtigere, som igen kan blive endnu bedre til at bygge sin efterfølger. Det er idéen om rekursiv selvforbedring, og i sådan en verden er det ikke sikkert, at seks måneders teknologisk efterslæb fortsat bare betyder seks måneders efterslæb.

Derfor får vi et klassisk prisoner’s dilemma. For den enkelte virksomhed er det rationelt at fortsætte kapløbet, fordi ingen tør være den første, der letter foden fra speederen. Men hvis alle sætter tempoet lidt ned samtidig, kan alle potentielt blive bedre stillet.

Inference kan finansiere den næste bølge af AI

Her bliver historien efter min mening endnu mere interessant, fordi en af de helt store langsigtede begrænsninger for AI-udbygningen efterhånden er kapital.

Den fysiske AI-infrastruktur, som især USA er ved at bygge, kræver enorme investeringer. Der skal produceres chips og hukommelse, bygges datacentre og udbygges energiproduktion og elnet. Samtidig skal der produceres transformatorer, kølesystemer, optiske forbindelser og alt det andet, der skal til for at bygge den fysiske maskine bag AI. Alt sammen kræver kapital.

Derfor kan man næsten betragte inference som en maskine, der omdanner compute til ny kapital. Computerkraft bliver brugt på inference, inference bliver solgt til kunderne og skaber omsætning, og omsætningen skaber cash flow. Stærkere cash flows gør virksomhederne mere finansielt solide og giver adgang til mere og billigere kapital, som derefter kan bruges på datacentre, chips og energi og dermed skabe endnu mere computerkraft.

På den måde opstår en selvforstærkende kæde, hvor compute bliver til inference, inference bliver til omsætning, omsætning bliver til kapital, og kapital bliver til endnu mere compute.

Det forudsætter, at der er betalende efterspørgsel, og at den ekstra inference giver et positivt bidrag efter omkostningerne.

Det er her, paradokset opstår. Hvis kapital på længere sigt er en af de vigtigste begrænsninger for, hvor hurtigt AI kan skaleres, er det ikke nødvendigvis optimalt at bruge så meget computerkraft som muligt på at træne den næste model lige nu. Det kan være mere rationelt at sætte tempoet på frontier-udviklingen lidt ned, tjene flere penge på den intelligens, man allerede har skabt, og bruge pengene på at bygge en langt større fysisk AI-infrastruktur. Man sænker med andre ord farten ét sted i systemet for at kunne accelerere hele systemet på længere sigt.

Det er også derfor, jeg ikke nødvendigvis ser en sådan udvikling som negativ for NVIDIA, datacentre, energiinfrastruktur eller resten af AI-værdikæden. Det afgørende er at skelne mellem at sætte tempoet ned i udviklingen af den absolut mest avancerede model og at sætte tempoet ned i den samlede AI-udbygning. Det er to meget forskellige ting.

Hvis frontier-laboratorierne bruger lidt mindre compute på enorme træningsruns og mere på inference, kan efterspørgslen efter AI-compute stadig vokse voldsomt. Agenter kan programmere, lave forskning, automatisere kontorarbejde, drive kundeservice og efterhånden bevæge sig ud i den fysiske verden gennem robotter og autonome systemer. Den intelligens, vi allerede har udviklet, er langt fra fuldt implementeret i økonomien.

Men hvad så med Kina?

Den åbenlyse indvending er selvfølgelig Kina. Hvis de amerikanske laboratorier sætter farten ned, mens Kina fortsætter, risikerer USA så ikke bare at forære AI-lederskabet til kineserne?

Det er en risiko, man skal tage alvorligt, men jeg synes, den bliver overvurderet på kort sigt. USA har i dag en enorm fordel på compute. I Epoch AI’s opgørelse over AI-supercomputere fra april 2025 stod USA for omkring tre fjerdedele af regnekraften i datasættet mod omkring 15 % i Kina. Samtidig er forskellen på de chips, som de to økosystemer kan producere, fortsat meget stor. Et estimat fra Epoch AI peger eksempelvis på, at Huaweis produktion i 2026 vil repræsentere under 4 procent af den AI-compute, NVIDIA producerer samme år.

De præcise tal skal naturligvis tages med forbehold, men størrelsesforholdet er det interessante. Kina jagter ikke en amerikansk industri, der står stille. Mens Huawei forsøger at skalere sin chipproduktion, bevæger NVIDIA og den amerikanske værdikæde sig videre til næste generation af chips, hukommelse, netværk og datacentre.

Samtidig er en del af de kinesiske modellers imponerende udvikling sket ved hjælp af amerikansk teknologi. DeepSeek har eksempelvis trænet modeller på NVIDIA-chips, og Anthropic har beskrevet forsøg fra kinesiske laboratorier på at bruge Claude til distillation af modelkapabiliteter. Det betyder ikke, at kinesisk AI-innovation ikke er reel. Tværtimod synes jeg, at de kinesiske laboratorier har demonstreret imponerende evner til at udvikle effektive modeller og få meget ud af begrænset computerkraft.

Men spørgsmålet er ikke, om Kina kan bygge gode AI-modeller. Spørgsmålet er, om Kina inden for de næste to-tre år kan overhale et amerikansk AI-økosystem med en langt større compute-base, samtidig med at USA fortsætter med at udbygge den fysiske infrastruktur. Det tvivler jeg på.

Hvis en moderat opbremsning i frontier-udviklingen samtidig betyder, at OpenAI, Anthropic og de øvrige amerikanske laboratorier kan generere større cash flows og investere dem i endnu mere compute, kan resultatet faktisk blive, at USA står stærkere i AI-kapløbet på længere sigt. Man bytter lidt mindre modelacceleration i dag for en større industriel AI-maskine i morgen.

Hvad betyder det for AI-investorer?

Det er derfor, jeg synes, weekendens diskussion potentielt er mere positiv for AI-casen, end den umiddelbart ser ud.

En af de største bekymringer blandt investorer lige nu er de enorme investeringer. Der bruges hundredvis af milliarder dollars på datacentre, chips og energiinfrastruktur, samtidig med at frontier-laboratorierne bruger enorme ressourcer på at udvikle stadig større og bedre modeller. Hvis intensiteten i træningskapløbet bliver reduceret en smule, mens inference fortsætter med at vokse kraftigt, vil økonomien i OpenAI og Anthropic efter min vurdering kunne forbedres markant.

Det betyder ikke nødvendigvis, at selskaberne begynder at akkumulere enorme kontantbeholdninger. Jeg tror snarere, at de vil geninvestere pengene. De vil sikre sig chips, bygge eller finansiere datacentre og indgå aftaler om energi og anden infrastruktur. Over tid kan det ændre magtbalancen mellem frontier-laboratorierne og hyperscalerne.

Microsoft, Amazon og Google har i dag en enorm fordel, fordi deres eksisterende forretninger producerer gigantiske cash flows, og deres balance sheets kan finansiere AI-udbygningen. OpenAI og Anthropic har været langt mere afhængige af ekstern kapital og hyperscalernes infrastruktur. Men hvis værdien af den intelligens, frontier-laboratorierne sælger, fortsætter med at vokse, samtidig med at en større del af deres compute bruges på inference, kan deres egne cash flows på et tidspunkt blive enorme. Dermed kan de i stigende grad finansiere deres egen infrastruktur, hvilket efter min mening vil øge værdien af frontier-laboratorierne og potentielt reducere noget af den strategiske fordel, hyperscalerne i dag har alene gennem deres adgang til kapital.

Vender vi tilbage til Byrne Hobarts beskrivelse af bobleøkonomien, kan vi samtidig spørge, hvem der egentlig taber på, at konkurrencen bliver lidt mindre ekstrem. Når enorme mængder kapital strømmer ind i en branche, bliver de knappe ressourcer budt voldsomt op i pris, og i AI har en af de allermest knappe ressourcer været de bedste forskere. Frygten for, at konkurrenten når det næste gennembrud først, har været med til at skabe lønpakker, som ville have lydt fuldstændig absurde for få år siden. Hvis intensiteten i kapløbet falder, kan en af de få egentlige tabere derfor være de absolut førende AI-forskere, fordi budkrigen om deres arbejdskraft bliver mindre ekstrem.

Ellers har jeg faktisk svært ved at se ret mange tabere. Efterspørgslen efter inference kan fortsætte med at vokse eksplosivt, der kan fortsat bygges datacentre, NVIDIA og resten af chipindustrien kan fortsat producere acceleratorer, energiinfrastrukturen skal fortsat udbygges, og AI kan fortsat rulles ud gennem hele økonomien. Det eneste, der sættes lidt ned i tempo, er udviklingen af den absolutte frontier.

Måske er den hurtigste vej frem at sætte farten lidt ned

Det er derfor, jeg synes, weekendens diskussion er så interessant. Amodei, Altman, Musk og Hassabis taler først og fremmest om sikkerhed, og deres bekymringer kan sagtens være fuldstændig reelle. Hvis modellerne nærmer sig et niveau, hvor de selv kan accelerere AI-forskningen, er det naturligt, at de mennesker, der bygger dem, begynder at diskutere, om udviklingen går for hurtigt.

Men økonomisk er incitamenterne bemærkelsesværdigt godt aligned med sikkerhedsargumentet.

Frontier-laboratorierne får mere tid til at forstå teknologien, samtidig med at de slipper for en del af deres prisoner’s dilemma. Mere compute kan bruges på inference, hvilket kan skabe mere omsætning og cash flow. Det forbedrer virksomhedernes kapitalstruktur og adgang til finansiering, og den kapital kan derefter bruges på at bygge endnu mere compute og en endnu større fysisk AI-infrastruktur.

Det interessante er derfor, at en opbremsning i frontier-udviklingen ikke nødvendigvis er en opbremsning af AI-boomet. Den kan lige så godt være en ændring i, hvor i værdikæden accelerationen foregår. I stedet for at bruge alle marginale ressourcer på at gøre den næste model bedre så hurtigt som muligt kan industrien bruge en periode på at omsætte den intelligens, den allerede har skabt, til produkter, omsætning, cash flow og fysisk infrastruktur.

På den måde kan sikkerhed og økonomiske interesser for en gangs skyld pege i samme retning.

Og derfor er det ikke sikkert, at den hurtigste vej til at bygge mest mulig AI over de næste ti år er at træne den næste model så hurtigt som fysisk muligt i dag. Måske er den hurtigste vej frem lige nu faktisk at sætte farten en lille smule ned.

Dette er markedsføring for NewDeal Invest. Investeringsstilen henvender sig til investorer med en høj risikoprofil og langsigtet investeringshorisont, og historisk afkast er ingen garanti for fremtidigt afkast. De aktier, som NewDeal Invest investerer i, er mere volatile end det brede aktiemarked, og svinger derfor mere både op og ned. NewDeal Invest yder ikke investeringsrådgivning, og alle investeringsbeslutninger træffes af dig selv. Ingen informationer fra NewDeal Invest bør betragtes som anbefalinger. Kortsigtede investeringer, med en tidshorisont på 5 år eller mindre, frarådes både i NewDeal Invest, PMINDI, PMINDIAKK og i de aktier der omtales. Se relevante risikofaktorer på https://newdealinvest.dk/ og https://newdealinvest.dk/pmindi/, samt fondenes PRIIP-KID dokumenter, der findes nederst på hjemmesiden.