Sam Altman erkender, at han overvurderede tempoet i AI-revolutionen

Sam Altman ser ud til at justere tidsplanen for kunstig intelligens – ikke sin vurdering af teknologiens grundlæggende betydning. I et interview offentliggjort 23. august 2026 sagde OpenAI’s topchef angiveligt, at han efter GPT-4’s lancering i 2023 forventede en langt hurtigere omvæltning i softwarebranchen og den bredere økonomi. 36

Den vigtigste læring er, at en stærk AI-model kun er begyndelsen. Før modellernes muligheder kan omsættes til gennemgribende økonomiske forandringer, skal virksomheder udvikle nyttige produkter, omlægge arbejdsgange, opbygge infrastruktur, håndtere regulering og vinde opbakning hos medarbejdere og offentlighed. Det går langsommere – og møder mere modstand – end begejstringen efter GPT-4 antydede.

Altman justerer sin AI-prognose

Altman skelner i praksis mellem teknologiske fremskridt og økonomisk udbredelse. Han forventede, at virksomheder og softwaremarkeder hurtigt ville ændre sig, efter GPT-4 havde demonstreret et nyt niveau af kunnen. I stedet har vejen fra bedre modelpræstationer til omfattende forstyrrelser i erhvervslivet været længere. 36

Det betyder ikke, at AI er blevet økonomisk uvæsentlig. Det betyder, at stadig mere avancerede modeller ikke automatisk ændrer den måde, virksomheder arbejder på fra den ene dag til den anden. Virksomheder skal stadig have pålidelige produkter, integration med eksisterende systemer, nye arbejdsgange, oplæring af medarbejdere og en klar grund til at afholde omkostningerne.

I denne optik ligger den kortsigtede flaskehals mindre i spørgsmålet om, hvorvidt modellerne kan blive bedre, og mere i spørgsmålet om, hvorvidt organisationer kan tage dem effektivt i brug. Altmans senere beskrivelser peger fortsat på hurtige AI-fremskridt og faldende brugsomkostninger. Langsommere forstyrrelser bør derfor ikke forveksles med mindre ambitioner. 40

Hvorfor udbredelsen halter efter modellernes kunnen

Afstanden mellem en imponerende modeldemo og en løsning, der fungerer i virkeligheden, er stor. En virksomhed kan være nødt til at omlægge processer, etablere kontrolmekanismer, beskytte data, håndtere sikkerhedsrisici og beslutte, hvem der har ansvaret, hvis et AI-system begår en fejl.

Infrastrukturen er en anden begrænsning. AI-systemer kræver store mængder computerkraft, mens datacentre møder modstand på grund af elforbrug, vandforbrug, elnet, arealanvendelse og lokale økonomiske konsekvenser. En Gallup-måling, som blev omtalt af The New York Times, viste, at 71 procent af voksne i USA var imod at få opført et AI-datacenter i deres lokalområde. Samme omtale oplyste, at mere end et dusin projekter var blevet blokeret eller forsinket af lokal modstand. 18

Altman har sagt, at han forstår den lokale bekymring, og foreslået, at datacentre i højere grad kunne placeres i afsides ørkenområder. 23 Forslaget illustrerer de praktiske grænser for AI-udbygningen: Det er ikke nok at have adgang til chips og strøm, hvis projekter ikke også kan få tilladelser, transmissionskapacitet, jord og opbakning fra lokalsamfundet.

Derfor taler Altman om at sætte tempoet ned

Altman har separat argumenteret for, at AI-udviklingen muligvis skal “paced” – altså foregå i et tempo, der giver samfundet tid til at “hærde sig” omkring nye niveauer af teknologisk kunnen. Han har samtidig sagt, at en sådan tilgang ikke må føre til regulatorisk kapring eller samordning mellem de førende AI-laboratorier. 37

Det er ikke det samme som at foreslå et permanent stop for AI-udviklingen. Pointen er snarere, at tempoet for udrulning og tempoet for samfundets tilpasning måske skal koordineres bedre. Teknologien kan udvikle sig hurtigt, mens de institutioner, virksomheder og borgere, der skal regulere, anvende og acceptere den, bevæger sig langsommere.

De to risici bag advarslen om noget “meget anti-menneskeligt”

Bekymringen kan beskrives som to modsatrettede fejlscenarier:

1. AI bliver så magtfuld, at mennesker og institutioner ikke længere kan kontrollere den på meningsfuld vis.
2. Kontrollen over avanceret AI samles hos for få virksomheder eller regeringer.

Den anden risiko stemmer overens med Altmans bredere argument om, at AI skal demokratiseres, og at magten ikke må koncentreres for meget. 44 De to risici trækker dog politikken i forskellige retninger. Stærk central kontrol kan begrænse visse former for misbrug, men hvis adgang til og beslutningsmagt over avanceret AI samles hos få aktører, kan det skabe sin egen politiske og økonomiske fare.

Det tilgængelige materiale dokumenterer ikke, at Altman direkte gik til angreb på Anthropic, eller at han beskrev virksomhedens sikkerhedsorienterede tilgang som grundlæggende “anti-menneskelig”. At læse udtalelserne som en kritik af Anthropic er derfor en fortolkning – ikke en bekræftet påstand. Den mere holdbare konklusion er, at frontlinje-AI rejser et reelt dilemma mellem sikkerhedskontrol og koncentration af magt.

Hvad NVIDIAs Poolside-aftale fortæller

NVIDIAs rapporterede aftale med Poolside viser, hvorfor langsommere udbredelse ikke bør forveksles med svagere investeringer. NVIDIA skulle betale 6 mia. dollar for at licensere Poolside-teknologi og investere yderligere 1 mia. dollar i startup-virksomheden. Mere end 100 Poolside-medarbejdere forventedes at skulle arbejde på NVIDIAs Nemotron-familie af open-weight-modeller. 1

Aftalen antyder, at AI-kapløbet bevæger sig ud over selve træningen af de største frontlinjemodeller. Hardwareproducenter og modeludviklere investerer også i software, værktøjer til modeludvikling og open-weight-alternativer, som kan tilpasses og anvendes bredere. 5

Det giver mere mening at se aftalen som forberedelse på en længere implementeringscyklus end som et tegn på, at NVIDIA forventer, at AI-efterspørgslen kollapser. Virksomhederne planlægger måske, at AI skal sprede sig gennem mange forskellige anvendelser og organisationer over tid – ikke at én ny modeludgivelse straks skal vende op og ned på hele økonomien.

Den større pointe: Udbredelse, ikke tilbagetog

Altmans reviderede tidsplan, modstanden mod datacentre og NVIDIAs investering i Poolside peger tilsammen på en mere kompliceret AI-omstilling end den oprindelige hype lagde op til.

AI-udviklingen accelererer fortsat, men udbredelsen begrænses blandt andet af:

• vanskeligheden ved at bygge pålidelige applikationer;
• det organisatoriske arbejde med at ændre forretningsprocesser;
• kapaciteten inden for computerkraft, elektricitet, vand og eltransmission;
• myndighedsgodkendelser og lokal politisk modstand; samt
• bekymringer om sikkerhed, ansvar og koncentreret kontrol.

Den stærkeste konklusion er ikke, at de førende AI-virksomheder bevidst har aftalt at sætte udviklingen på pause. Evidensen peger på noget mere nuanceret: De investerer fortsat aggressivt, samtidig med at de erkender, at den økonomiske transformation bliver langsommere, mere kapitalkrævende og mere politisk omstridt, end hypen lovede.

GPT-4 markerede et stort spring i modellernes kunnen. Men kunnen har aldrig været det samme som øjeblikkelig udbredelse.