Kinas KI-kappløp dreier fra større modeller til agenter som kan gjøre jobben

Kinas KI-sektor blir i stadig større grad en konkurranse om utrulling: å gjøre grunnmodeller om til agenter som kan utføre nyttig arbeid i programvare, telekom, industri og forbrukertjenester. Spørsmålet er ikke lenger bare hvem som kan trene den største modellen, men hvem som kan drifte KI-systemer i stort volum med akseptabel kostnad, hastighet, pålitelighet og kontroll.

Fra trening til inferens

En rapport fra China Telecom Research Institute anslår at inferens vil utgjøre 80 prosent av Kinas marked for datakraft i 2029, og dermed gå forbi etterspørselen knyttet til modelltrening. Rapporten anslår også at agenter kan drive en nær tidobling i årlig vekst i datakraftbehovet de neste to til tre årene. 59

Samme forskningsmiljø anslår at Kinas årlige tokenforbruk kan nå 100 kvadrillioner i 2026 og overstige 35 kvintillioner i 2030. Dette er prognoser, ikke observerte resultater, men tallene illustrerer hvorfor det å betjene modeller gjentatte ganger kan bli like strategisk viktig som selve treningen. 6

Inferens er arbeidet en ferdigtrent modell utfører når den svarer på en forespørsel eller gjennomfører et steg i en oppgave. Agenter kan gjøre denne belastningen langt større enn et enkelt svar fra en chatbot: De kan hente informasjon, bruke programvareverktøy, utføre arbeidsflyter med flere steg, kontrollere resultatet og gjenta prosessen. I stor skala krever hvert steg datakraft og øker kompleksiteten i driften.

Agenter gjør KI til en løpende driftskostnad

Å trene en ledende modell er normalt en konsentrert investering i infrastruktur. Å levere en agent er en løpende tjenesteoperasjon. Kostnadene kommer igjen og igjen gjennom inferens, datahenting, nettverk, lagring, overvåking og behovet for menneskelig kontroll eller eskalering.

Dermed endres den kommersielle testen. En kapabel agent er ikke nødvendigvis et levedyktig produkt dersom den er for dyr i drift, for treg i arbeidsflyten eller for upålitelig til å få tilgang til virksomhetssystemer. Det viktigste målet blir kostnad og kvalitet per fullførte oppgave – ikke bare modellens score på en enkelt referansetest.

I praksis vil leverandører og virksomheter måtte prioritere å:

• velge den minste modellen som kan løse oppgaven forsvarlig;
• sende oppgaven til riktig modell eller verktøy;
• redusere unødvendige gjentakelser med mellomlagring og effektiv modellbetjening;
• koble agenten til pålitelige, oppgavespesifikke data;
• teste verktøybruk og hele arbeidsflyter, ikke bare modellens tekstsvar;
• overvåke feil, tilgangsstyring og revisjonsspor; og
• sikre at mennesker kan gripe inn ved beslutninger eller handlinger med høy risiko.

Det betyr ikke at trening av avanserte modeller mister betydning. Trening er fortsatt viktig for kapasitet, uavhengighet og tilgang til de mest avanserte modellene. Men når gode modeller blir mer tilgjengelige, kan det vanskeligste konkurransefortrinnet bli stabil gjennomføring: rimelig og pålitelig inferens koblet til reelle systemer.

Myndighetene vektlegger bred bruk

Kinesiske politiske signaler forsterker dreiningen fra frittstående modeller til gjentakbare implementeringer. Industri- og IT-departementets plan for «KI pluss programvare» sier at KI-drevne programmeringsverktøy skal nå over 20 000 store programvareselskaper innen 2028. Planen omfatter også 100 referanseapplikasjoner for agentbasert programvare i sentrale bransjer og minst fem åpne kildekodeprosjekter av høy kvalitet. 3

Målet for 2030 er et mer intelligent og sikkert programvareøkosystem, inkludert intelligente oppgraderinger av kritiske programvaresystemer. 37 En separat plan for KI og informasjonskommunikasjon setter et mål om mer enn 30 verdifulle brukstilfeller innen 2028, samt representative applikasjoner og spesialiserte agenter. Den kobler også utrullingen til sterkere nettverks- og datakraftinfrastruktur. 17

Et annet initiativ fra industri- og IT-departementet og den nasjonale dataadministrasjonen etterlyser bransjespesifikke KI-scenarioer med høy verdi, spesialiserte datasett og spesialiserte modeller eller agenter der selvstendig planlegging og utførelse er nødvendig. Initiativet krever også tilpassede evalueringsdatasett og vurderingssystemer for bransjemodeller og agenter. 18

Samlet peker dette mot en politikk for spredning: å etablere gjenbrukbare scenarioer, data, programvareverktøy og referanseimplementeringer som kan tas i bruk på tvers av sektorer. Gevinsten kan være raskere innføring. Risikoen er at suksess måles i antallet pilotprosjekter, fremfor om løsningene gir varige, trygge og lønnsomme resultater.

Investeringene løfter innsatsen

Rapportering basert på analysen fra China Telecom Research Institute anslår at kinesiske teknologiselskapers KI-utgifter i år vil nærme seg 600 milliarder yuan. Offentlige rapporter bruker imidlertid ulike definisjoner av KI-utgifter, så summen bør behandles som et anslag og ikke som et fullt standardisert mål. 9

På nasjonalt nivå forventer Kina at KI-relaterte næringer skal passere 10 billioner yuan ved utgangen av perioden for den femårige planen 2026–2030. 45 Det viser at agentene ikke bare blir sett som en kategori av skytjenester, men som et mulig produktivitetslag for industriell modernisering, programvareutvikling, kommunikasjon og forbrukertjenester.

Europa bygger kapasitet – men må også få den i bruk

EU følger opp med sin egen infrastruktursatsing. EU-kommisjonen har åpnet for tilbud om inntil sju KI-gigafabrikker, støttet av opptil 10 milliarder euro i EU-midler og nasjonal finansiering. Initiativet er ventet å utløse minst 20 milliarder euro i private investeringer. 50

Dette kan bli viktig for europeisk datakraft og teknologisk selvstendighet. Men bygging av regnekraft alene løser ikke utfordringen med utrulling. Verdien av kapasiteten vil avhenge av om den gir tilgjengelig og rimelig inferens, nyttige fagspecifikke data, integrasjon med programvare og pålitelige løsninger for europeiske virksomheter.

Det neste KI-kappløpet belønner praktisk gjennomføring

Kinas agentsatsing peker mot en bredere global endring. KI-fordelen vil i større grad avhenge av evnen til å omsette datakraft til nyttig og etterprøvbart arbeid – kontinuerlig og i stor skala. Det gjør brikker og strøm viktige, men også effektiv modellbetjening, datatilgang, integrasjon i arbeidsflyter, sikkerhetsmekanismer, evaluering og menneskelig ansvar.

Tallet på 80 prosent inferens bør leses som en retningsgivende prognose, ikke som et fastslått utfall. Budskapet er likevel tydelig: Når KI går fra demonstrasjoner til løpende drift, kan vinnerne i mindre grad bli definert av den største treningsrunden enn av evnen til å kjøre agenter pålitelig og billig nok til å gjøre dem til en del av hverdagsarbeidet. 56