Billige AI-tokens, dyr datakraft: Derfor bliver AI-boomet presset på indtjeningen

AI-markedet bliver trukket i to modsatrettede retninger. Det bliver stadig billigere at bruge avancerede modeller: Den gratis model Ox Alpha dukkede ifølge rapporter op tæt på frontniveau, mens OpenAI i juli sænkede priserne på to GPT-5.6-niveauer med henholdsvis 80 og 20 procent. 1716 Bredere estimater peger på, at omkostningerne ved inference – altså at få en model til at generere svar – er faldet omkring 95 procent for sammenlignelig kapacitet over de seneste to år. 22

Samtidig bliver de fysiske systemer, der skal levere alle disse tokens, dyrere. Samsung har hævet priserne på visse avancerede chipproduktionsordrer med op til 15 procent og forventer, at den globale mangel på hukommelseschips vil blive værre og fortsætte ind i 2028. 3233 Resultatet er et usædvanligt økonomisk mønster: salgsprisen på output falder, mens omkostningerne til kritiske input stadig stiger.

AI-værdikæden deler sig i to

Den vigtigste skillelinje går mellem det kommercialiserede intelligenslag og det forsyningsbegrænsede infrastrukturlag.

Adgang til generelle modeller er blevet lettere at erstatte. Hvis én udbyder sænker sine API-priser, lancerer en mindre model eller tilbyder en kapabel model gratis, bliver konkurrenterne presset til at reagere. OpenAI’s prisændringer i juli reducerede inputprisen for GPT-5.6 Luna fra 1 dollar til 0,20 dollar pr. million tokens og sænkede Terra fra 2,50 dollar til 2 dollar. 16

Infrastrukturen fungerer anderledes. Kapacitet til avanceret chipproduktion, high-bandwidth memory (HBM), netværk, strøm og komplette AI-serversystemer kan ikke udvides lige så hurtigt, som softwarepriserne kan sænkes. Samsung har sagt, at kunderne efterspørger flerårige leveringsaftaler, og at manglen kan blive mere akut frem mod 2028. 33 Rapporterede planer om prisstigninger på mere end 15 procent for Nvidia-baserede servere viser, hvordan leverandører kan forsøge at sende omkostningerne videre i kæden – men rapporten er ikke en officiel prisudmelding fra Nvidia. 36

For udbydere af AI-tjenester er udfordringen enkel at beskrive: Indtægten pr. token kan falde, selv om brugen stiger, mens omkostningerne til kapacitet, energi, hardware og finansiering ikke nødvendigvis følger med ned.

Hvad Nvidia-regnskabet fortæller

Nvidias resultater for finansielt andet kvartal 2027 viser, at infrastrukturboomet fortsat er usædvanligt stærkt. Selskabet rapporterede en kvartalsomsætning på 96,2 mia. dollar, en stigning på 106 procent fra året før, samt en justeret indtjening pr. udvandet aktie på 2,22 dollar. 60 Ledelsen indikerede samtidig, at omsætningen i finansåret 2028 kan vokse med omkring 70 procent. 51

Tallene er dog ikke et bevis på, at hele AI-økonomien har løst sit indtjeningsproblem. De viser først og fremmest, at efterspørgslen efter knappe accelerator-systemer fortsat er enorm. Nvidia sidder på et flaskehalsområde, hvor kunderne stadig konkurrerer om leverancer.

Stigende hukommelsespriser begynder imidlertid at påvirke kvaliteten af væksten. Nvidia forventede en bruttomargin på omkring 74 procent i det følgende kvartal mod 75 procent i det rapporterede kvartal, og omtalen af udsigterne koblede en del af presset til hukommelsespriserne. 51 Det betyder ikke nødvendigvis, at Nvidias økonomi er ved at bryde sammen. Men fremtidige resultater kan i højere grad afhænge af prisstigninger, systemintegration, netværk, software og evnen til at styre forsyningskæden – ikke kun af at sælge knappe chips med høj margin.

Broadcom gør efterspørgslen til en finansieringstest

Broadcom illustrerer en anden side af presset. Reuters og Bloomberg har rapporteret, at selskabet forhandlede om at rejse mere end 60 mia. dollar i gæld til en AI-chipfinansiering, der skal gavne Anthropic og andre kunder. Strukturen kan blandt andet indeholde omkring 30 mia. dollar i efterstillet gæld ved siden af en seniorlånstranche med sikkerhed, men vilkårene var fortsat under forhandling. 12

Det er en vigtig forskel: Der var tale om foreslået finansiering, ikke om en afsluttet låneoptagelse. De rapporterede beløb bør derfor ses som en størrelsesorden under drøftelse – ikke som en endelig transaktion.

Det økonomiske spørgsmål er, om AI-indtægterne fra de finansierede chips bliver stabile nok til at betale renter og afdrag. En chip kan være teknisk værdifuld og stadig være en dårlig gearet investering, hvis modelpriserne falder, kundekoncentrationen er høj, udstyrets restværdi falder, eller refinansiering bliver dyrere.

Det er derfor, kreditmarkederne spiller en rolle. Når infrastruktur finansieres med betydelig gæld, bliver faldende tokenpriser ikke længere kun et prisproblem for softwarevirksomheder. De kan også påvirke de forventede pengestrømme bag leasingaftaler, selskaber med et særligt formål, leverandører og långivere.

Cloud-giganter har fordele – men er ikke immune

Store cloud-selskaber står stærkere end selvstændige modeludbydere, fordi de kan kombinere AI med eksisterende cloudtjenester, virksomhedssoftware, annoncer, data og distributionskanaler. De kan også subsidiere AI-funktioner, mens de tjener penge på andre dele af kundeforholdet.

Det betyder dog ikke automatisk, at alle AI-investeringer giver et attraktivt afkast. Billigere modeller kan øge brugen, men samtidig reducere indtægten pr. enhed. Overkapacitet kan gøre AI til en funktion med lavere margin i cloudforretningen i stedet for en selvstændig profitpulje.

Det afgørende mål er derfor ikke, hvor mange tokens der behandles, men om kunderne betaler nok for den produktivitet, omsætning eller omkostningsbesparelse, som teknologien skaber.

Hvad billigere tokens betyder for virksomheder

For virksomheder er faldende inferencepriser reelt positivt. Lavere omkostninger gør det nemmere at afprøve AI-løsninger, automatisere afgrænsede arbejdsgange og bruge stærkere modeller til opgaver, der tidligere ikke kunne betale sig.

Men tokenprisen er kun én del af regnestykket. Virksomheder skal stadig betale for integration, dataklargøring, sikkerhedskontroller, styring, evaluering og forandringsledelse. En lavere API-regning garanterer ikke et positivt investeringsafkast.

Markedet bevæger sig derfor mod et mere krævende spørgsmål: Hvilket målbare forretningsresultat skaber hver enhed AI-beregning? Virksomheder, der kan koble modelbrug til omsætning eller dokumenterede besparelser, står stærkere end dem, der blot opbygger kapacitet uden et tydeligt anvendelsesområde.

Hvad investorer og kreditmarkeder bør holde øje med

Investorer bør skelne mellem eksponering mod knappe input og eksponering mod adgang til modeller, der hurtigt bliver standardiseret.

Den forsyningsbegrænsede del omfatter hukommelse, avanceret chipproduktion, netværk, strøm og integrerede accelerator-systemer. Disse virksomheder kan bevare forhandlingsstyrke, mens kunderne konkurrerer om kapacitet. Samsungs prisstigninger og udsigt til fortsat chipmangel er tegn på denne aktuelle styrke. 3233

Modeladgangen står over for en vanskeligere prøve. Gratis eller kraftigt nedsatte modeller kan udvide markedet, men gør det samtidig sværere at fastholde høje priser på udifferentieret inference. En mere holdbar økonomi kan i stedet afhænge af egen distribution, data, specialiserede arbejdsgange, kontraktbaseret efterspørgsel eller software, der indfanger værdi ud over selve tokenet.

Kreditinvestorer bør især se på kontraktbundne pengestrømme, kundekoncentration, hardwarets restværdi, gældsstruktur og tidspunkter for refinansiering. Den foreslåede Broadcom-transaktion er en nyttig advarsel, fordi den viser, hvor hurtigt AI-infrastruktur kan blive et finansieringsspørgsmål – ikke kun et teknologispørgsmål. 12

Konklusionen

AI-boomet følger ikke én samlet omkostningskurve. Intelligensen bliver billigere og mere tilgængelig, mens den fysiske kapacitet, der skal producere den, fortsat er knap og dyr.

Det forklarer, hvordan Nvidia kan levere ekstrem vækst og samtidig advare om marginpres. Det forklarer også, hvorfor en foreslået chipfinansiering i milliardklassen kan vække interesse på kreditmarkederne, selv om efterspørgslen efter AI fortsat er stærk.

Den næste fase af markedet bliver derfor i mindre grad afgjort af modellernes rå kapacitet alene. Det afgørende bliver, om kunderne kan omsætte billig intelligens til varige pengestrømme, før dyr og gældsfinansieret datakraft skal refinansieres.