AI bliver billigere at bruge, mens maskinerne bag bliver en flaskehals

AI-økonomien er ved at dele sig i to. Prisen for at bruge kunstig intelligens falder hurtigt, mens det bliver dyrere og sværere at bygge den infrastruktur, der skal levere den.

Det gælder blandt andet avanceret chipproduktion, high-bandwidth memory (HBM), servere, netværk, elektricitet og kapacitet i datacentre.

Det er mere end en historie om lavere priser. Udviklingen ændrer, hvilke virksomheder der kan beskytte deres indtjening, hvordan investorer bør vurdere AI-investeringer, og hvor kreditrisikoen kan samle sig. De største vindere bliver ikke nødvendigvis dem, der sælger flest tokens, men snarere dem, der kontrollerer knap infrastruktur, stærk distribution, proprietære data eller software, der kan kobles til et dokumenterbart forretningsresultat.

Priskrigen flytter værdien væk fra tokens

Flere estimater peger på, at sammenlignelige omkostninger ved AI-inferens er faldet omkring 95 procent over cirka to år. Den præcise procent afhænger af, hvilke modeller, arbejdsbelastninger og kvalitetsniveauer man sammenligner. 39 Retningen er dog tydelig: Evner, der tidligere krævede dyre API-adgange, bliver i stigende grad tilgængelige gennem billigere modeller og open-weight-alternativer.

OpenAI's seneste prisnedsættelser illustrerer presset. I juli 2026 sænkede virksomheden prisen på den mindre GPT-5.6 Luna-model med 80 procent og på mellemklassemodellen Terra med 20 procent. 34 I august annoncerede OpenAI yderligere en prisreduktion på mere end 20 procent for udviklere, der bruger topmodellen GPT-5.6 Sol. 33

For brugerne er det godt nyt. Lavere inferensomkostninger gør det billigere at køre AI-agenter, automatisere kundeservice, producere indhold, skrive kode og behandle større datamængder.

For modeludbyderne betyder hver prisnedsættelse imidlertid lavere indtjening pr. enhed – medmindre brugen vokser så kraftigt, at volumen opvejer faldet. En forretningsmodel, der alene går ud på at sælge premium-adgang til generiske modelkompetencer, bliver derfor stadig mere sårbar.

Den afgørende forskel er mellem billigere intelligens og billigere AI-systemer. Tokenprisen kan falde, uden at de samlede omkostninger ved et stabilt produkt gør det. Drift kræver stadig informationssøgning, overvågning, sikkerhed, lav svartid, integrationer og i mange tilfælde menneskelig kontrol.

Den fysiske forsyningskæde bevæger sig i modsat retning

Den infrastruktur, der skal håndtere flere AI-opgaver, vokser ikke lige så hurtigt som efterspørgslen. Samsung hævede ifølge Reuters priserne på udvalgte avancerede foundry-tjenester – altså produktion af chips for andre virksomheder – med op til 15 procent på nye ordrer, fordi efterspørgslen efter AI-chips presser kapaciteten. 1

Samsung har samtidig sagt, at chipmanglen kan blive mere alvorlig og fortsætte ind i 2028. Selskabet arbejder også på flerårige leveringsaftaler med store datacenterkunder. 2 I Samsungs hukommelsesforretning kan omkring 60-70 procent af kapaciteten blive dækket af langsigtede aftaler, hvis de igangværende forhandlinger falder på plads. 56

Det ændrer markedets karakter. Kapacitet er ikke længere nødvendigvis tilgængelig for den kunde, der blot betaler spotprisen. Store kunder reserverer forsyninger flere år frem, hvilket kan sikre deres egen adgang til komponenter, men samtidig gøre mindre købere mere udsatte over for mangel og prissvingninger.

Udsigterne for hukommelseschips er særligt stramme. SK Hynix' administrerende direktør, Kwak Noh-jung, har sagt, at industrien kan stå over for sit værste forsyningsår i 2027, og at efterspørgslen kan overstige produktionskapaciteten efter 2030. Det er en virksomhedsprognose, ikke et sikkert udfald, men den understreger, hvor lang tid det kan tage at udvide udbuddet. 17

Nvidia viser, hvorfor infrastrukturen stadig har prissætningskraft

Nvidias seneste regnskab viser, at de faldende modelpriser endnu ikke har svækket efterspørgslen efter hardwarelaget. Selskabet rapporterede en omsætning på 96,2 milliarder dollar i regnskabsmæssigt andet kvartal 2027 – en stigning på 106 procent fra året før. Omsætningen fra datacentre lød på 89,0 milliarder dollar, 117 procent mere end året før. 4950

Det er den centrale spænding på AI-markedet. Mere effektive modeller kan reducere den mængde computerkraft, der kræves til en bestemt opgave. Men lavere priser kan også udløse langt større brug. Hvis efterspørgslen vokser hurtigere end effektiviteten, kan det samlede forbrug af infrastruktur fortsætte med at stige, selv om prisen pr. inferens falder.

Risikoen er, at flaskehalsene flytter sig. Der kan være nok acceleratorer, men ikke nok hukommelse, avanceret pakning, netværksudstyr, elektricitet eller tilslutning til elnettet.

Nvidia rapporterede en bruttomargin på 75 procent i kvartalet, mens andre analyser har peget på, at stigende hukommelsespriser kan presse fremtidige marginer. 4953 Læren er ikke, at økonomien i infrastrukturen er brudt sammen. Den er, at stærk efterspørgsel ikke gør alle led i forsyningskæden lige profitable.

De største cloud-selskaber kan absorbere presset – til en vis grad

De største cloudvirksomheder står bedre end mindre AI-udbydere, når servicepriserne falder, samtidig med at infrastrukturomkostningerne stiger. De kan fordele investeringerne på cloud computing, annoncering, virksomhedssoftware og forbrugerplatforme.

De kan også inkludere AI i bredere kontrakter, bruge deres distribution til at øge udnyttelsen og forhandle flerårige leveringsaftaler.

Det gør hyperscalere til sandsynlige støddæmpere for industrien. De kan acceptere lavere marginer på AI-tjenester for at beskytte deres cloudrelationer eller vinde markedsandele. Prisen er til gengæld lavere kapital effektivitet: Hvis priserne falder hurtigere, end brugen vokser, kan det tage længere tid at få et tilfredsstillende afkast af de enorme investeringer i datacentre.

For mindre udbydere er situationen mindre tilgivende. En virksomhed, der lejer dyr kapacitet og videresælger generisk modeladgang, har begrænset beskyttelse, hvis API-priserne falder hurtigere, end kundebasen vokser.

Holdbare virksomheder får derfor brug for en tydelig forskel gennem ejerskab over arbejdsgange, egne data, sikkerhed, driftsstabilitet, distribution eller en prismodel, der er knyttet til et resultat – ikke blot til antallet af tokens.

Billigere modeller giver ikke automatisk højere produktivitet

Lavere priser bør gøre det mere attraktivt at eksperimentere med og tage AI i brug. Men udbredelse er ikke det samme som realiseret økonomisk værdi.

Virksomheder skal stadig omlægge arbejdsgange, rydde op i data, integrere systemer, uddanne medarbejdere og etablere kontrolmekanismer, før AI kan skabe varige produktivitetsgevinster.

Det skaber en tidsmæssig risiko for investorer. Udgifterne kan accelerere, før afkastet kan måles – især når virksomheder køber kapacitet eller software, fordi konkurrenterne gør det samme.

Hvis produktivitetsgevinsterne kommer senere end ventet, kan infrastrukturforpligtelserne være faste, mens forventningerne til AI-indtægter bliver nedjusteret.

Der er især to mulige scenarier:

• Et efterspørgselsboom: Markant billigere inferens fører til så meget mere brug, at de samlede udgifter til AI, cloudforbrug og produktivitet fortsætter op.
• Et margin- og kapacitetspres: Modelpriserne kollapser, brugen vokser for langsomt, og datacenterprojekter giver et lavere afkast end forudsat i finansieringen.

Kreditrisikoen afhænger af, om efterspørgslen er kontraktbundet

AI-udbygningen er også ved at blive et spørgsmål for kreditmarkedet. Datacentre, infrastrukturovertagelser og komponentforpligtelser kræver store kapitalbeløb, ofte med lang løbetid.

Gælden er lettere at forsvare, når den understøttes af kreditværdige kunder med flerårige kontrakter og forudsigeligt forbrug.

Den er mere sårbar, når tilbagebetalingen afhænger af spekulativ fremtidig efterspørgsel. Lavere AI-priser, langsommere vækst i kapacitetsudnyttelsen, højere elpriser eller komponentmangel kan alle svække de pengestrømme, der skal understøtte et infrastrukturprojekt.

En større juniorgældstranche eller dyrere kreditforsikring vil være tegn på, at långivere kræver større kompensation for risiko på nedsiden. Det beviser ikke, at en kreditbegivenhed er nært forestående. Men det gør kvaliteten af de underliggende kontrakter og låntagerens robuste pengestrøm vigtigere end overskrifter om stærk AI-efterspørgsel.

Makroøkonomien får et blandet AI-aftryk

AI kan virke deflationært i digitale tjenester. Billigere inferens kan reducere omkostningerne ved programmering, analyse, kundeservice, indholdsproduktion og visse administrative opgaver. Besparelserne kan i sidste ende nå virksomheder og forbrugere, hvis konkurrencen får selskaberne til at sende dem videre.

Infrastrukturudbygningen kan have den modsatte effekt i bestemte markeder. Mangel på hukommelse, avancerede chips, servere, byggekapacitet, jord, elektricitet og nettilslutninger kan gøre disse input dyrere.

Det kortsigtede billede kan derfor blive lavere priser på AI-understøttet digitalt arbejde samtidig med inflationært pres på kapitalgoder og energi, der kræves for at producere det.

Der kommer næppe én samlet effekt i form af enten ”AI-inflation” eller ”AI-deflation”. Resultatet afhænger af, om effektivitetsgevinsterne spreder sig hurtigere end flaskehalsene, og om virksomhederne giver besparelserne videre til kunderne eller beholder dem som højere marginer.

Forsyningskæder bliver strategiske aktiver

Flerårige kapacitetsreservationer øger også halvledernes geopolitiske betydning. Samsung og SK Hynix får større forhandlingskraft inden for hukommelse, mens avanceret logik og pakning fortsat er koncentreret hos få leverandører og i få regioner.

Når kapacitet er booket flere år frem, får eksportkontrol, subsidier og regionale forstyrrelser større konsekvenser, fordi udbuddet ikke hurtigt kan flyttes andetsteds.

Kinesiske hukommelsesproducenter kan få muligheder i mindre begrænsede produktsegmenter, efterhånden som den globale efterspørgsel stiger. Det er vanskeligere at indhente førerfeltet inden for HBM og andre AI-kritiske komponenter.

Kundegodkendelser, krav til stabilitet, teknisk kompleksitet, eksportkontrol og indkøbsregler kan begrænse, hvor hurtigt alternative leverandører kan vinde markedsandele.

Hvem betaler for forskellen?

Det uafklarede spørgsmål er, hvem der absorberer forskellen mellem billigere AI-forbrug og dyrere AI-produktion.

Mulighederne er flere:

• Hyperscalere kan acceptere lavere marginer for at beskytte deres bredere økosystemer.
• Chip- og hukommelsesproducenter kan fastholde priser baseret på knaphed, så længe kapaciteten er presset.
• Investorer kan ende med at acceptere et lavere afkast af AI-infrastruktur.
• Långivere kan blive kompenseret gennem højere renter – eller tage tab, hvis projekter er for højt belånte.
• Kunder kan komme til at betale mere, hvis leverandørerne pakker infrastrukturomkostningerne ind i produkter med højere værdi og resultatbaseret prissætning.

Det mest sandsynlige kortsigtede udfald er en kombination af de tre første. AI-adgang vil fortsætte med at blive billigere, men infrastrukturen bag vil forblive dyr, indtil udbuddet indhenter efterspørgslen – eller indtil efterspørgslen viser sig ikke at kunne retfærdiggøre de investeringer, der allerede er sat i gang.

Den strategiske pointe er enkel: Faldende tokenpriser afslutter ikke AI-investeringseventyret. De tester, hvor den varige værdi ligger, når intelligens bliver rigelig, mens maskinerne, hukommelsen, strømmen og distributionen, der skal få den til at fungere, stadig er knappe.