Microsofts AI-flaskehals er strøm til datacentre – ikke mangel på chips

Microsofts AI-udfordring er i stigende grad et implementeringsproblem. Chips på lager skaber ikke brugbar computerkraft, før de er installeret i færdige bygninger med strøm, køling, netværk og medarbejdere til at drive systemerne. Ifølge rapporter har Microsoft tusindvis af avancerede chips stående, fordi opførelsen af datacentre er blevet forsinket.

Det gør et stort hardwarebudget til en langsommere vej mod omsætning. Efterspørgslen på Azure overstiger angiveligt den tilgængelige kapacitet, mens elektricitet og klargjorte datacenterarealer i praksis begrænser, hvor hurtigt Microsoft kan sætte flere AI-acceleratorer i drift.

Hvad flaskehalsen betyder for Azure og Copilot

Det betyder ikke nødvendigvis, at Azure OpenAI eller Copilot holder op med at fungere. Problemet er snarere, at Microsoft har mindre plads til at tage imod nye kunder, øge kapaciteten, åbne nye regioner eller flytte computerkraft mellem kommercielle arbejdsbelastninger og egne produkter.

For Azure-kunder kan presset vise sig som mangel på kapacitet i bestemte regioner, langsommere onboarding eller strammere tildeling af avancerede acceleratorer. For Microsoft er den økonomiske udfordring lige så konkret: En accelerator, der ikke er installeret, leverer ingen inferenskapacitet, mens aktive arbejdsbelastninger i mellemtiden kan blive nødt til at køre på dyrere, generelle chips.

Copilot er særligt følsom over for denne balance. Tjenestens økonomi afhænger af, at Microsoft kan håndtere meget store mængder forespørgsler til modelinferens til en forudsigelig pris. En mere effektiv accelerator kan forbedre regnestykket – men først når chippen er koblet til en fungerende klynge.

Maia 200 kan sænke omkostningerne, men ikke skabe mere strøm

Microsofts Maia 200 er først og fremmest udviklet til inferens – den fase, hvor trænede modeller genererer svar. Microsoft siger, at chippen leverer højere FP4- og FP8-ydeevne end sammenlignelige acceleratorer fra AWS og Google. Det er dog leverandørens egne performance-sammenligninger og ikke uafhængige, samlede benchmarks.

Andre rapporter vurderer, at Maia 200 kan have en driftsomkostningsfordel på omkring 30-40 procent sammenlignet med avanceret Nvidia-hardware til Microsofts og OpenAIs arbejdsbelastninger. Tallet er et rapporteret estimat og er ikke en garanti på tværs af alle modeller, softwarestakke eller udnyttelsesgrader.

Den strategiske tanke er klar: Hvis Maia fungerer som forventet i produktion, kan Microsoft mindske sin afhængighed af Nvidia til udvalgte inferensopgaver og forbedre økonomien i tjenester som Copilot og Azure OpenAI. Men specialdesignede chips fjerner ikke de fysiske krav omkring dem. Maia kræver stadig højhastighedshukommelse, avanceret pakning, netværk, serverrack, køling og tilgængelig strøm.

Maia kan med andre ord forbedre økonomien i et datacenter, der allerede kører. Den kan ikke få et ufærdigt eller strømfattigt datacenter til at fungere.

Maia 300 er et skaleringsvæddemål – ikke kapacitet, der allerede er i drift

Reuters har rapporteret, at Microsoft planlægger at præsentere Maia 300 så tidligt som til efteråret og forhandler med TSMC om produktionskapacitet til mere end 300.000 chips med levering i 2027. Rapporten beskrev også en langsigtet ambition på over én million enheder.

Tallene bør behandles som planer under forhandling og ikke som bekræftede leverancer. Microsoft bestrider de rapporterede oplysninger, og selv en aftale om produktionskapacitet vil stadig efterlade Microsoft med opgaven at skaffe hukommelse og andre komponenter, samle systemerne og installere dem i strømforsynede faciliteter.

Hvis opskaleringen lykkes, kan Maia 300 flytte Microsofts specialchip-program fra et relativt afgrænset internt projekt til en reel alternativ kilde til inferenskapacitet. Succesen afhænger derfor af rækkefølgen: Produktion, systemintegration og klargøring af datacentre skal falde på plads samtidig.

AWS og Google har et forspring i implementeringen

AWS har en mere moden portefølje af egne acceleratorer. Amazon har oplyst, at 1,4 millioner Trainium-chips på tværs af tre generationer er taget i brug, og ifølge TechCrunch anvender Anthropics Claude mere end én million Trainium2-chips. AWS driver også Inferentia som en separat, inferensorienteret produktlinje og har dermed erfaring med både træning og drift af modeller.

Googles TPU-program har en endnu længere produktionshistorik. Ironwood-arkitekturen beskrives som værende i stand til at skalere til pods med 9.216 chips. Andre rapporter beskriver, at Anthropic kan få adgang til op mod én million Google-TPU'er, men det er et løfte om kapacitet og bør ikke læses som en direkte sammenligning af installerede chipflåder.

Der findes ikke en ren, offentlig sammenligning af Microsofts samlede antal AI-chips med AWS' og Googles. Selskaberne tæller forskellige generationer, arbejdsbelastninger, ejerskabsmodeller og definitioner af, hvad der er "installeret", "udrullet" eller "reserveret" kapacitet.

Den mere forsigtige konklusion er derfor, at AWS og Google ser ud til at være foran, når det gælder moden implementering af egne chips og operationel erfaring. Microsoft forsøger at indhente forspringet med Maia.

Hvorfor hele branchens mangelproblemer betyder noget

Microsoft er ikke alene om at møde disse begrænsninger. En rapport, som Ars Technica har omtalt, vurderede, at omkring 40 procent af de amerikanske datacenterprojekter, der var planlagt til 2026, risikerede forsinkelser på grund af mangel på arbejdskraft, strøm og materialer samt udfordringer med tilladelser.

Hukommelse er en anden flaskehals. Brancheanalyser har forudsagt, at datacentre i 2026 kan komme til at bruge mere end 70 procent af produktionen af avanceret hukommelse, mens Synopsys' administrerende direktør har sagt, at halvledermanglen kan fortsætte gennem 2027. Det kan øge omkostningerne og forlænge leveringstiderne for andre brancher, selv om effekten varierer efter hukommelsestype, leverandør og kontrakt.

Forholdene kan dermed udvide afstanden mellem planlagt AI-kapacitet og faktisk brugbar AI-kapacitet. Virksomheder med strømforsynede arealer, tidlige aftaler med forsyningsselskaber, modne leverandørkæder og store klynger i drift kan fortsætte med at tilføje arbejdsbelastninger, mens nyere faciliteter venter på transformere, kølesystemer, kvalificeret arbejdskraft eller tilslutning til elnettet.

Den strategiske konklusion

Forsinkelserne i datacentrene gør ikke Microsofts AI-strategi ugyldig, men de gør den meget afhængig af, at udførelsen sker i den rigtige rækkefølge. Selskabet kan købe acceleratorer, udvikle Maia-chips og indgå produktionsaftaler. Ingen af delene skaber automatisk computerkraft, som kunderne kan bruge.

Den kortsigtede risiko er langsommere kapacitetsvækst i Azure og højere marginale inferensomkostninger for produkter som Copilot og Azure OpenAI. Den konkurrencemæssige risiko er, at AWS og Google kan bruge deres eksisterende udrulninger af egne chips til at forbedre pris, tilgængelighed og kendskab blandt udviklere, før Microsofts næste datacentre og Maia-chips er klar til drift.

Maia 200 kan sænke omkostningerne, når Microsoft kan installere den i stor skala. Maia 300 kan i 2027 sprede forsyningen på flere chipkilder, hvis den rapporterede produktionsplan bliver til virkelighed. Indtil da er Microsofts centrale AI-udfordring enkel at beskrive, men vanskelig at løse: At forvandle indkøbte chips og ambitiøse planer til strømforsynet kapacitet, der er klar til produktion.