AnswersPublished16 sources
Faldende AI-priser sætter infrastrukturen på en hård prøve
Prisen for brug af store sprogmodeller faldt til 0,97 dollar pr. million tokens efter et fald på 29 % i august. Goldman Sachs’ basisscenarie peger på omkring 7,6 billioner dollar i AI relaterede investeringer i regnekraft, datacentre og strøm fra 2026 til 2031.
Udgivet afRedigeret med GPT-5.6 TerraBilleder genereret med GPT Image 2
Research answer
Key takeaways
- Prisen for brug af store sprogmodeller faldt til 0,97 dollar pr. million tokens efter et fald på 29 % i august.
- Goldman Sachs’ basisscenarie peger på omkring 7,6 billioner dollar i AI relaterede investeringer i regnekraft, datacentre og strøm fra 2026 til 2031.
- AI agenter kan blive modvægten: Goldman Sachs Research forventer 24 gange højere månedligt tokenforbrug frem mod 2030 – men det skal blive til tilbagevendende, betalingsvillige arbejdsopgaver.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How is Goldman Sachs’ warning that rapidly falling LLM token prices—down to about $0.97–$0.98 per million tokens after a 29% August decline. Article summary: Goldman’s warning implies a more selective, riskier outlook for AI-infrastructure investors: compute demand can grow sharply while the revenue earned per unit of compute falls even faster. If that happens, utilization, p. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
AI bliver hurtigt billigere at bruge. Det kan gøre sprogmodeller relevante for langt flere virksomheder og produkter, men det gør samtidig regnestykket sværere for dem, der investerer i chipkapacitet, cloud og datacentre.
Goldman Sachs’ advarsel handler i bund og grund om timing: Infrastruktur bygges og finansieres flere år før, den skal bruges, mens prisen pr. enhed AI-forbrug kan falde meget hurtigt. Silicon Datas indeks for LLM-udgifter nåede for nylig 0,97 dollar pr. million tokens efter et fald på 29 % i august. Et særskilt indeks for førende modeller lå 84 % under niveauet fra marts 2023. 2
4
5
Hvis den betalte brug ikke stiger hurtigt nok til at opveje prisfaldet, kan der opstå for meget dyr regnekraft til opgaver, som giver mindre omsætning pr. token.
Det afgørende regnestykke: Mængden skal vokse hurtigere end priserne falder
Et lavere tokenprisniveau er ikke i sig selv dårligt nyt. Tværtimod kan billigere AI åbne for nye anvendelser, mere eksperimentering og et større samlet forbrug. Udfordringen for leverandørerne er, om væksten i betalte tokens – sammen med forbedringer i deres egen effektivitet – kan overstige faldet i indtægt pr. token.
Goldmans bekymring er, at hård konkurrence om modelpriser kan gøre indtjeningen pr. token mindre holdbar. Hvis forbruget af regnekraft ikke vokser tilsvarende hurtigt, kan resultatet blive et overskud af infrastruktur. 1
2
Det er en vigtig skelnen:
- Billigere AI gavner brugerne, når flere nyttige løsninger bliver økonomisk mulige.
- Billigere AI kan presse infrastruktur-ejerne, hvis kapaciteten er finansieret ud fra en forventning om knap og dyr regnekraft.
- Udfaldet afhænger af efterspørgslens prisfølsomhed: Skaber lavere priser tilstrækkeligt meget ekstra brug til at bevare eller løfte den samlede omsætning og efterspørgslen efter compute?
Investeringerne er enorme
Spørgsmålet bliver ekstra væsentligt, fordi den ventede udbygning er så stor. Goldman Sachs’ basisscenarie anslår cirka 7,6 billioner dollar i AI-relaterede kapitalinvesteringer i regnekraft, datacentre og strømforsyning fra 2026 til 2031. Modellen peger på årlige investeringer på cirka 765 mia. dollar i 2026 og 1,6 billioner dollar i 2031. Goldman understreger selv, at der er tale om antagelsesfølsomme estimater – ikke sikre forudsigelser. 9
En stor del af pengene går til aktiver med lang levetid: AI-acceleratorer, servere, netværk, bygninger og elinfrastruktur. Derfor kræver investeringerne vedvarende arbejdsbelastning og et rimeligt afkast over tid.
Hvad betyder det for chipproducenter?
For halvlederproducenter vil risikoen ikke nødvendigvis vise sig som et pludseligt fald i efterspørgslen. Kunderne kan fortsætte med at udbygge kapacitet, mens de lancerer AI-produkter eller vil sikre sig adgang til udstyr.
Problemet opstår, hvis den installerede kapacitet vokser hurtigere end den rentable efterspørgsel. Så kan kunderne bremse køb af acceleratorer og servere, blive mere prisfølsomme eller kræve mere ydelse for pengene. Selskaber med klart differentieret hardware, et stærkt softwareøkosystem eller særligt effektiv inferens kan stå stærkere end leverandører af mere ensartet kapacitet.
Det centrale er altså ikke kun, om udstyret bliver leveret, men om det faktisk bliver taget i brug til opgaver, der skaber omsætning.
Datacentrene møder en udnyttelsestest
Datacenterprojekter binder store beløb i jord, strøm og bygninger i mange år. Hvis AI-inferens bliver billigere eller mere effektiv, kan kunderne have behov for mindre infrastruktur for at levere den samme mængde output. Det kan presse belægningsgrad, lejeøkonomi og afkastet på projekter, der er planlagt ud fra en vedvarende kapacitetsmangel.
Det betyder ikke, at efterspørgslen efter datacentre forsvinder. Adgang til strøm og de tekniske krav til AI-installationer kan fortsat begrænse udbuddet. Men mangel på kapacitet i én region eller på ét elmarked kan godt eksistere side om side med svagere økonomi andre steder. Investorer bør derfor skelne mellem fysisk knaphed og tegn på, at kunderne bruger kapaciteten rentabelt og fornyer eller udvider deres aftaler.
Cloududbydere skal erstatte pris med volumen og merværdi
Cloudplatforme og modeludbydere kan nyde godt af lavere inferenspriser, fordi det kan tiltrække flere udviklere og virksomhedsopgaver. Men lavere priser reducerer også indtægten pr. brugsenhed.
For at beskytte bruttoavancen skal udbyderne typisk have en kombination af:
- Langt højere tokenvolumen fra tilbagevendende brug i produktion;
- Effektivitetsgevinster, så deres egne omkostninger falder hurtigere end kundepriserne; og
- Tjenester med højere værdi omkring modellerne, eksempelvis implementering, sikkerhed, dataintegration og værktøjer til arbejdsgange.
Konkurrence om prissætningen på proprietære modeller er en central del af den beskrevne risiko. 1
2 Det afgørende er ikke tokenprisen isoleret set, men forholdet mellem kundens pris, udbyderens omkostning og den samlede betalte brug.
AI-agenter kan blive modvægten
Det optimistiske modargument er AI-agenter: systemer, der kan løse opgaver i flere trin og derfor kan bruge langt flere tokens end en enkel chatbot-samtale. Goldman Sachs Research forventer, at udbredelsen blandt forbrugere og virksomheder kan løfte det månedlige tokenforbrug 24 gange fra 2026 til 2030, til omkring 120 kvadrillioner tokens om måneden. 7
Det viser, hvorfor lavere tokenpriser ikke automatisk betyder lavere efterspørgsel efter regnekraft. Hvis agenter går fra demonstrationer til hyppige og værdifulde opgaver, kan den samlede brug vokse nok til at understøtte den store infrastrukturudbygning.
Men det er en prognose, ikke en garanti. Investeringscasen afhænger af, at agenter skaber tilbagevendende opgaver, som brugere og virksomheder vil betale for – ikke blot mange billige prøveforespørgsler.
Nøgletal, der er vigtigere end tokenprisen alene
For investorer, der vil vurdere risikoen for overkapacitet, er disse signaler særligt relevante:
- AI-omsætning sammenholdt med fald i tokenpriser: Vokser den samlede indtjening, selv om enhedspriserne falder?
- Ordrer på acceleratorer og servere mod faktiske implementeringer: Bliver den købte kapacitet sat i arbejde?
- Datacentres belægningsgrad, kontrakterede kapacitet og fornyelser: Holder kundernes forpligtelser, når anlæggene åbner?
- Cloududbydernes bruttoavancer: Opvejer effektiviseringer og tjenester med højere værdi de lavere inferenspriser?
- AI-agenter i produktion: Skaber de gentagne, forretningskritiske arbejdsgange frem for enkeltstående forsøg?
- Adgang til strøm: Er strøm en varig begrænsning for brugbar kapacitet – eller blot en flaskehals, før efterspørgslen indhenter udbuddet?
Bundlinjen
Goldmans advarsel er ikke, at lavere priser på LLM-tokens i sig selv er dårlige. Billigere inferens kan være netop det, der udløser bred AI-udbredelse. Risikoen er, at prisfald og mere effektive modeller sænker omsætningen og behovet for regnekraft hurtigere, end brugen fra AI-agenter vokser.
For investorer i AI-infrastruktur flytter det fokus fra den rene kapacitetsudbygning til en test af udnyttelse og indtjening. De mest robuste selskaber kan blive dem, der formår at gøre billigere tokens til varige opgaver med høj værdi – og samtidig bevarer en fordel på omkostninger, ydelse eller servicebredde. 1
7
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Faldende AI-priser sætter infrastrukturen på en hård prøve"?
Prisen for brug af store sprogmodeller faldt til 0,97 dollar pr. million tokens efter et fald på 29 % i august.
What are the key points to validate first?
Prisen for brug af store sprogmodeller faldt til 0,97 dollar pr. million tokens efter et fald på 29 % i august. Goldman Sachs’ basisscenarie peger på omkring 7,6 billioner dollar i AI relaterede investeringer i regnekraft, datacentre og strøm fra 2026 til 2031.
What should I do next in practice?
AI agenter kan blive modvægten: Goldman Sachs Research forventer 24 gange højere månedligt tokenforbrug frem mod 2030 – men det skal blive til tilbagevendende, betalingsvillige arbejdsopgaver.