Jensen Huang og Sam Altman til G20: Bygg nasjonal AI-infrastruktur før konkurrentene drar fra

AI blir nasjonal infrastruktur

Det viktigste budskapet fra møtet i Chapel Hill var ikke en ny AI-modell eller en ferdig internasjonal reguleringsavtale. Det var en strategisk påstand: AI-infrastruktur er i ferd med å bli en sentral del av et lands økonomiske kapasitet. Nvidia-sjef Jensen Huang ba landene bygge datasentre og støttesystemer for sine egne AI-økonomier, mens OpenAI-sjef Sam Altman sluttet seg til den bredere oppfordringen om bruk, investeringer og utrulling av teknologien.

Budskapet kom samtidig som USA lanserte et forslag om en mer begrenset og fleksibel tilnærming til AI-styring. Dermed handlet møtet i praksis om en grunnleggende avveining: Hvordan kan myndighetene hente ut de økonomiske gevinstene fra AI uten at den raske utviklingen løper fra sikkerhetstiltak, strømforsyning og offentlige institusjoner?

Alle land må bygge AI-kapasitet

Huangs argument var at land ikke bør behandle AI som en tjeneste de permanent kan sette ut til utenlandske leverandører. Myndighetene må avgjøre hvilke deler av verdikjeden de vil utvikle hjemme – fra datakraft og infrastruktur til kompetansen og selskapene som skal bruke teknologien.

Datasentre sto sentralt i dette resonnementet. Huang beskrev dem som grunnmuren i nasjonale AI-økonomier, og omtale fra møtet knyttet dem til arbeidsplasser, investeringer og bredere økonomisk aktivitet.

Altmans deltakelse understreket den andre siden av saken: selve utrullingen. På møtets andre dag diskuterte deltakerne blant annet AI-bruk, økonomisk vekst, arbeidskraftbehov, cybersikkerhet og teknologiens økende energibehov.

Den praktiske konsekvensen er enkel: En AI-økonomi krever mer enn tilgang til en chatbot eller et modell-API. Den trenger datakraft, elektrisitet, teknologisk kompetanse og et økosystem som kan utvikle og kommersialisere løsninger.

Hva innebærer Carolina-prinsippene?

Trump-administrasjonen brukte ministermøtet til å fremme Carolina-prinsippene for fremvoksende teknologi, et rammeverk som legger vekt på innovasjon og utrulling fremfor omfattende, teknologispesifikke begrensninger. 14

Prinsippene bygger på tre hovedmål:

• å investere i grunnleggende forskning;
• å styrke utvikling og kommersialisering; og
• å legge til rette for tillitsbasert bruk ved å anvende eksisterende sektorspesifikke regler der de passer, og reservere ny regulering for genuint nye problemstillinger. 4

Tilnærmingen argumenterer også mot å opprette nye, brede tilsynsorganer for AI. 13

Dette er et lett reguleringsgrep, men det betyr ikke at AI skal brukes uten regler. Tanken er at myndighetene bør benytte eksisterende lovverk så langt det er mulig, og bare innføre nye tiltak når dagens kontroll ikke dekker et nytt problem.

Reelle skader – ikke hypotetiske scenarier

En annen del av Huangs budskap var skillet mellom påviselige skader og hypotetiske fremtidsscenarier. Omtale av uttalelsene hans i Chapel Hill viser at han ba myndighetene regulere konkrete skader i den virkelige verden. Han advarte samtidig om at politikk som hovedsakelig bygger på tenkte risikoer, kan føre til at land går glipp av mulighetene AI skaper.

Dette er kjernen i den større reguleringsstriden. Tilhengere av færre og mer målrettede regler mener at føre-var-regulering kan bremse investeringer og utrulling før gevinstene er forstått. Kritikere svarer at det kan være for sent å vente til skadene har blitt omfattende.

Ministermøtet løste ikke uenigheten. I stedet stilte det de to synene opp mot hverandre: Bygg raskt og reguler konkrete skader på den ene siden – gå mer forsiktig frem når teknologiens konsekvenser fortsatt er usikre på den andre.

Arbeidsplasser ble også en del av regnestykket

Behovet for arbeidskraft sto sentralt i diskusjonene i Chapel Hill. Politikere og teknologiledere drøftet hvordan AI-veksten kan støttes samtidig som land håndterer mangel på arbeidskraft og kravene fra en raskt voksende utrulling.

Huangs overordnede syn er at AI endrer hva arbeidstakere og selskaper kan gjøre, snarere enn at teknologien ganske enkelt erstatter alt arbeid. Den tilgjengelige omtalen gir likevel ikke en fullstendig ordrett gjengivelse av uttalelsene hans om arbeidsplasser under ministermøtet. Den sikreste konklusjonen er derfor at kompetanse og forberedelser i arbeidslivet ble behandlet som en del av den nasjonale AI-satsingen – på linje med datasentre, energi og ferdigheter.

Strøm kan bli den største flaskehalsen

Infrastrukturplanen har en umiddelbar begrensning: strøm. AI-datasentre krever store mengder elektrisitet, og teknologiledere på møtet fremhevet hvor mye energi som trengs for å bygge ut kapasiteten ytterligere.

Dermed blir AI-politikk også et spørsmål om energi og samfunnsplanlegging. Et land kan ønske mer datakraft hjemme, men det krever samtidig kraftproduksjon, nettilknytning, egnede tomter og evne til å bygge anlegg raskt. Brikker og modeller er med andre ord bare deler av det samlede kapasitetsregnestykket.

AI-infrastruktur er også geopolitisk infrastruktur

Diskusjonen i Chapel Hill fant sted mens rivaliseringen mellom USA og Kina på teknologiområdet tilspisser seg. Et viktig bakteppe er den økende betydningen av såkalte open-weight-modeller – modeller der de underliggende systemene kan lastes ned, kjøres og tilpasses. Omtalen av en kinesisk open-weight-modell illustrerer hvorfor tilgang til og kontroll over modeller er i ferd med å bli strategiske spørsmål, ikke bare produktvalg. 18

Nasjonal infrastruktur har derfor to betydninger. Økonomisk kan den hjelpe land med å beholde mer av verdiene AI skaper. Strategisk kan den redusere avhengigheten av utenlandsk datakraft, modeller og teknologileverandører. USAs forsøk på å fremme et felles, innovasjonsorientert rammeverk blant G20-partnerne var del av den bredere konkurransen om teknologiske økosystemer og internasjonal tilpasning. 11

Hvorfor møtet var viktig

Ministermøtet 1.–2. september var et tidlig USA-ledet G20-arrangement og skulle bidra til å forme diskusjonene før G20-toppmøtet i Miami senere i 2026. 68

Betydningen lå derfor mindre i et endelig svar enn i hvilke premisser som ble satt. USA presenterte en visjon der land raskt bygger AI-kapasitet, bruker eksisterende regler der det er mulig og unngår regulering som først og fremst bygger på spekulative skader. Huang og Altman leverte næringslivets argument for investeringer og utrulling.

De uavklarte spørsmålene er likevel omfattende: Hvor mye nasjonal kapasitet trenger hvert land? Hvem skal betale for strømmen og datasentrene? Hvordan skal arbeidsstyrken tilpasse seg? Og når er en risiko blitt så konkret at den rettferdiggjør ny regulering?

Svarene vil avgjøre om strategien om å bygge først blir en felles G20-retning – eller forblir et omstridt amerikansk politisk utspill.