Microsoft har AI-brikkene, men mangler steder å kjøre dem

Microsofts AI-problem er i økende grad et utrullingsproblem. Brikker på lager skaper ikke brukbar datakraft før de er installert i ferdige datasentre med strøm, kjøling, nettverk og personell til å drifte anleggene. Flere rapporter hevder at Microsoft har tusenvis av avanserte brikker på vent fordi byggingen av datasentre har blitt forsinket.

Dermed blir et stort maskininvesteringsbudsjett til en tregere vei mot inntekter. Etterspørselen etter Azure skal være større enn den tilgjengelige kapasiteten, mens strøm og ferdig utbygde datasentre begrenser hvor raskt Microsoft kan sette flere AI-akseleratorer i drift.

Hva flaskehalsen betyr for Azure og Copilot

Dette betyr ikke nødvendigvis at Azure OpenAI eller Copilot slutter å fungere. Den mer umiddelbare konsekvensen er at Microsoft får mindre spillerom til å ta inn nye kunder, øke gjennomstrømmingen, åpne nye regioner eller flytte datakapasitet mellom kommersielle arbeidslaster og selskapets egne produkter.

For Azure-kunder kan presset merkes som knapphet i enkelte regioner, tregere oppstart eller strengere tildeling av avansert kapasitet. For Microsoft er økonomien like viktig: En akselerator som ikke er installert, gir ingen ekstra inferenskapasitet, mens aktive arbeidslaster i mellomtiden kan måtte kjøre på dyrere, mer generelle brikker.

Copilot er særlig utsatt for denne avveiningen. Tjenestens økonomi avhenger av at svært mange forespørsler kan behandles til en forutsigbar kostnad. En mer effektiv AI-brikke kan bedre regnestykket – men først etter at brikken er koblet til en fungerende klynge.

Maia 200 kan kutte kostnader, men ikke strømbehovet

Microsofts Maia 200 er først og fremst utviklet for inferens, altså fasen der ferdigtrente modeller genererer svar. Microsoft oppgir at brikken kan levere høyere FP4- og FP8-ytelse enn sammenlignbare akseleratorer fra AWS og Google. Dette er imidlertid leverandørens egne ytelsessammenligninger, ikke uavhengige tester av komplette systemer.

Annen rapportering anslår at Maia 200 kan ha rundt 30–40 prosent lavere driftskostnad enn ledende Nvidia-maskinvare for Microsofts og OpenAIs arbeidslaster. Tallet er et rapportert estimat, ikke en garanti som gjelder for alle modeller, programvarestakker eller utnyttelsesgrader.

Den strategiske tanken er tydelig: Hvis Maia fungerer som planlagt i produksjonsskala, kan Microsoft bli mindre avhengig av Nvidia for utvalgte inferensoppgaver og forbedre kostnadsstrukturen i tjenester som Copilot og Azure OpenAI. Men egenutviklet silisium fjerner ikke de fysiske kravene rundt brikken. Maia trenger fortsatt høybåndbreddsminne, avansert pakking, nettverk, serverrack, kjøling og tilgjengelig strømkapasitet.

Kort sagt: Maia kan gjøre et datasenter som allerede er i drift, mer lønnsomt. Den kan ikke få et uferdig eller strømløst datasenter til å fungere.

Maia 300 er et oppskaleringsveddemål – ikke kapasitet som er levert ennå

Reuters har meldt at Microsoft kan presentere Maia 300 allerede denne høsten, og at selskapet diskuterer produksjonskapasitet med TSMC for over 300 000 brikker med mål om levering i 2027. Rapporteringen beskriver også en langsiktig ambisjon om mer enn én million enheter.

Tallene bør behandles som planer under forhandling, ikke som bekreftede leveranser. Microsoft bestrider de rapporterte opplysningene, og selv sikret kapasitet hos TSMC vil ikke være nok. Microsoft må også skaffe minne og andre komponenter, integrere systemene og installere dem i datasentre med nok strøm.

Hvis oppskaleringen lykkes, kan Maia 300 flytte Microsofts egenutviklede brikkeprogram fra et relativt avgrenset internt prosjekt til en reell alternativ kilde til inferenskapasitet. Suksessen vil derfor avhenge av rekkefølgen: produksjon, systemintegrasjon og klargjøring av datasentre må komme på plass samtidig.

AWS og Google har et forsprang i utrulling

AWS har et mer modent økosystem for egenutviklede akseleratorer. Amazon har opplyst at 1,4 millioner Trainium-brikker fra tre generasjoner er satt i drift, og at over én million Trainium2-brikker brukes av Anthropics Claude, ifølge TechCrunch. AWS driver også Inferentia som en separat, inferensfokusert produktlinje. Det gir selskapet erfaring med både trening og kjøring av modeller.

Googles TPU-program har en enda lengre produksjonshistorie. Ironwood-arkitekturen er beskrevet som skalerbar til pod-er med 9 216 brikker. Andre rapporter omtaler at Anthropic kan få tilgang til opptil én million Google-TPU-er, men dette er en kapasitetsforpliktelse og bør ikke tolkes som en direkte sammenligning av installert maskinvare.

Det finnes ingen offentlig, presis og rettferdig sammenligning av Microsofts totale AI-brikkebeholdning med AWS og Google. Leverandørene teller ulike generasjoner, arbeidslaster, eierskapsmodeller og definisjoner av «installert», «utrullet» og «reservert» kapasitet.

Den mest forsvarlige konklusjonen er derfor smalere: AWS og Google ser ut til å ligge foran på moden utrulling av egenutviklede brikker og operasjonell erfaring, mens Microsoft forsøker å ta igjen forspranget med Maia.

En bransjekrise som gjør innhentingen vanskeligere

Microsoft er ikke alene om å møte disse begrensningene. En rapport omtalt av Ars Technica fant at rundt 40 prosent av datasenterprosjektene i USA som var planlagt ferdigstilt i 2026, sto i fare for å bli forsinket. Rapporten viste til mangel på arbeidskraft, strøm og materialer samt utfordringer med tillatelser.

Minne er en annen flaskehals. Bransjerapporter har anslått at datasentre kan bruke over 70 prosent av verdens produksjon av avansert minne i 2026, mens Synopsys' toppsjef har sagt at halvledermangelen kan fortsette gjennom 2027. Det kan øke kostnadene og forlenge leveringstidene for andre bransjer, selv om virkningen varierer etter minnetype, leverandør og kontrakt.

Slike forhold kan gjøre forskjellen større mellom planlagt AI-kapasitet og faktisk brukbar AI-kapasitet. Selskaper som allerede har strømforsynte anlegg, tidlige avtaler med kraftleverandører, modne forsyningskjeder og store driftsklynger, kan fortsette å legge til arbeidslaster mens nyere datasentre venter på transformatorer, kjølesystemer, fagfolk eller nettilknytning.

Den strategiske konklusjonen

Forsinkelsene i datasenterbyggingen undergraver ikke nødvendigvis Microsofts AI-strategi, men de gjør strategien svært avhengig av gjennomføring og riktig rekkefølge. Selskapet kan kjøpe akseleratorer, utvikle Maia-brikker og inngå produksjonsavtaler. Ingen av disse stegene skaper automatisk datakapasitet som kundene kan bruke.

Den kortsiktige risikoen er langsommere kapasitetsvekst i Azure og høyere marginalkostnader for inferens i produkter som Copilot og Azure OpenAI. Den konkurransemessige risikoen er at AWS og Google bruker sine eksisterende utrullinger av egenutviklede brikker til å forbedre pris, tilgjengelighet og kjennskap blant utviklere før Microsofts neste datasentre og Maia-brikker er operative.

Maia 200 kan redusere kostnadene når Microsoft får satt den i drift i stor skala. Maia 300 kan gi selskapet en mer variert forsyning i 2027 dersom den rapporterte produksjonsplanen blir realisert. Inntil videre er Microsofts viktigste AI-utfordring enkel å beskrive, men vanskelig å løse: å gjøre innkjøpte brikker og ambisiøse planer om til strømforsynt kapasitet som faktisk er klar for produksjon.