Kinas AI-kapløb handler nu om at få agenter til at virke i praksis

Kinas AI-sektor bevæger sig mod et nyt mål: at omsætte grundmodeller til agenter, der kan udføre konkret arbejde i software, telekommunikation, industri og forbrugertjenester. Spørgsmålet er derfor ikke kun, hvem der kan træne den største model, men hvem der kan drive AI-systemer i høj volumen med en forsvarlig pris, hastighed, driftssikkerhed og kontrol.

Fra træning til inferens

China Telecom Research Institute vurderer, at inferens vil udgøre 80 % af Kinas marked for regnekraft i 2029 og dermed overhale den del af efterspørgslen, der knytter sig til modeltræning. Instituttet forventer samtidig, at agenter kan føre til næsten tidoblet årlig vækst i efterspørgslen efter regnekraft de næste to til tre år. 59

Inferens er det arbejde, en allerede trænet model udfører, når den svarer på en forespørgsel eller løser et trin i en opgave. En agent er mere krævende end en enkelt chatbot-besked: Den kan hente oplysninger, bruge andre softwareværktøjer, gennemføre arbejdsgange i flere trin, kontrollere resultatet og prøve igen. Hvert trin bruger regnekraft og gør driften mere kompleks.

En beslægtet prognose peger på, at Kinas årlige tokenforbrug kan nå 100 billiarder i 2026 og overstige 35 trillioner i 2030. Det er fremskrivninger – ikke konstaterede tal – men de illustrerer, hvorfor det at betjene modeller kontinuerligt kan blive næsten lige så strategisk vigtigt som at træne dem. 6

Agenter gør AI til en løbende driftsopgave

Træning af en topmodel er typisk en stor, koncentreret investering i infrastruktur. En agent i drift er derimod en vedvarende serviceomkostning. Der kan løbende komme udgifter til modelkørsler, dataopslag, netværk, lagring, overvågning og menneskelig gennemgang eller eskalering.

Det ændrer testen for, om et AI-produkt virker kommercielt. En agent kan være teknisk imponerende, men stadig være uegnet i praksis, hvis den er for dyr at køre, for langsom i arbejdsgangen eller for upålidelig til at få adgang til centrale forretningssystemer. Det vigtige mål bliver derfor pris og kvalitet per afsluttet opgave – ikke blot en models resultat på en benchmark.

Det lægger pres på virksomheder og udbydere for at:

• vælge den mindste model, som kan løse opgaven forsvarligt;
• sende opgaver til den rette model eller det rette værktøj;
• mindske gentagne beregninger med caching og mere effektiv drift;
• forbinde agenter med pålidelige og opgavespecifikke data;
• teste hele arbejdsgange og værktøjsbrug – ikke kun modelsvaret;
• overvåge fejl, adgangskontrol og revisionsspor; og
• sikre, at mennesker kan gribe ind ved beslutninger eller handlinger med høj risiko.

Det betyder ikke, at træning af avancerede modeller mister betydning. Den er fortsat vigtig for kapacitet, teknologisk uafhængighed og adgang til de mest kompetente modeller. Men når gode modeller bliver bredere tilgængelige, kan den sværeste konkurrencefordel blive at få inferens til at fungere stabilt, billigt og direkte sammen med virkelige systemer.

Beijing vil have AI ud i virksomhederne

De kinesiske politiske signaler peger i samme retning: fra enkeltstående modeller til udrulninger, der kan gentages på tværs af sektorer. Ministeriet for Industri og Informationsteknologi, MIIT, har i sin AI-plus-softwareplan sat et mål om, at AI-baserede programmeringsværktøjer skal nå ud til mere end 20.000 større softwarevirksomheder inden 2028. Planen omfatter også 100 benchmarkapplikationer med agentbaseret software i vigtige brancher og mindst fem open source-projekter af høj kvalitet. 3

Målet frem mod 2030 er et mere intelligent og sikkert softwareøkosystem, herunder intelligente opgraderinger af kritiske softwaresystemer. 37 En særskilt MIIT-plan for AI og informationskommunikation sigter mod mere end 30 scenarier med høj værdi inden 2028 samt repræsentative anvendelser og specialiserede agenter. Planen kobler også udrulningen til stærkere net- og regnekraftsinfrastruktur. 17

Et andet initiativ fra MIIT og den nationale dataadministration efterlyser brancherettede AI-scenarier med høj værdi, specialiserede datasæt og specialiserede modeller eller agenter, når der er behov for selvstændig planlægning og udførelse. Det omfatter også skræddersyede evalueringsdatasæt og vurderingssystemer for branchemodeller og agenter. 18

Tilsammen peger initiativerne på en politik for bred udbredelse: genanvendelige scenarier, data, softwareværktøjer og referenceimplementeringer skal kunne tages i brug på tværs af brancher. Muligheden er hurtigere adoption. Risikoen er, at succes måles på antallet af pilotprojekter frem for på, om løsningerne faktisk er sikre, økonomiske og holdbare i drift.

Store investeringer øger indsatsen

Ifølge omtale af analysen fra China Telecom Research Institute ventes kinesiske teknologiselskaber at bruge tæt på 600 mia. yuan på AI i år. Offentlige opgørelser kan dog anvende forskellige definitioner af AI-forbrug, så tallet bør læses som et skøn og ikke som et fuldt standardiseret mål. 9

På nationalt niveau forventer Kina, at AI-relaterede industrier overstiger 10 billioner yuan ved udgangen af den femårige planperiode 2026-2030. 45 Det understreger, at agenter ikke kun ses som en kategori af cloudtjenester, men som et lag for modernisering af industri, softwareudvikling, kommunikation og forbrugertjenester.

Europa bygger kapacitet – men skal også få den i brug

EU arbejder med sin egen infrastrukturstrategi. Europa-Kommissionen har åbnet for bud på op til syv AI-gigafabrikker, støttet af op til 10 mia. euro fra EU og medlemslandene. Initiativet forventes at udløse mindst 20 mia. euro i private investeringer. 50

Det er et væsentligt løft af Europas regnekapacitet og teknologiske handlefrihed. Men datacentre alene løser ikke udfordringen med udrulning. Værdien af kapaciteten afhænger af, om den kan levere tilgængelig og overkommelig inferens, brugbare domænedata, integration med software og troværdige AI-løsninger for europæiske organisationer.

Den næste fase belønner drift, ikke kun modelstørrelse

Kinas satsning på agenter peger på et bredere globalt skifte. AI-fordelen vil i stigende grad afhænge af evnen til at omsætte regnekraft til nyttigt, dokumenterbart arbejde i vedvarende stor skala. Det gør chips og elektricitet vigtige, men også effektiv modeldrift, dataadgang, integration i arbejdsgange, sikkerhed, evaluering og klart menneskeligt ansvar.

Prognosen om 80 % inferens skal læses som en retningsangivelse, ikke som et fastslået udfald. Men budskabet er tydeligt: Når AI flytter fra demonstrationer til kontinuerlig drift, bliver vinderne måske ikke dem med den største træningskørsel, men dem der kan få agenter til at arbejde pålideligt og billigt nok til at blive en del af hverdagen. 56