Microsoft har chipen. Nu saknas platsen att köra dem på.

Microsofts AI-utmaning handlar allt mindre om att köpa in chip och allt mer om att faktiskt kunna ta dem i drift. En accelerator skapar ingen användbar beräkningskapacitet förrän den sitter i en färdig anläggning med el, kylning, nätverk och personal som kan sköta driften. Enligt rapporter väntar tusentals avancerade chip eftersom datacenterbyggena har halkat efter.

Det gör en stor hårdvarubudget till en långsammare väg mot intäkter. Efterfrågan på Azure uppges överstiga den tillgängliga kapaciteten, medan elförsörjning och färdiga datacenter fortfarande sätter gränsen för hur snabbt Microsoft kan få fler AI-acceleratorer i drift.

Vad flaskhalsen betyder för Azure och Copilot

Det innebär inte nödvändigtvis att Azure OpenAI eller Copilot slutar fungera. Den mer omedelbara effekten är att Microsoft får mindre utrymme att ta in nya kunder, öka genomströmningen, öppna nya regioner eller fördela beräkningskraft mellan kommersiella kunder och sina egna produkter.

För Azure-kunder kan trycket märkas som regional kapacitetsbrist, långsammare onboarding eller hårdare tilldelning av de mest avancerade resurserna. För Microsoft är ekonomin lika viktig: en accelerator som ligger oanvänd bidrar inte med inferenskapacitet, medan aktiva arbetslaster i vissa fall fortfarande kan behöva köras på dyrare, mer generella GPU:er.

Copilot är särskilt känsligt för den avvägningen. Tjänstens ekonomi bygger på att mycket stora mängder förfrågningar kan hanteras till en förutsägbar kostnad. En effektivare accelerator kan förbättra kalkylen – men först när chipet är anslutet till ett fungerande kluster.

Maia 200 kan sänka kostnaden – men inte skapa mer el

Microsofts Maia 200 är i första hand utvecklad för inferens, alltså den del där en färdigtränad modell genererar svar. Microsoft uppger att chipet ger högre FP4- och FP8-prestanda än jämförbara acceleratorer från AWS och Google. Det är dock leverantörens egna jämförelser, inte oberoende tester av hela system.

Andra rapporter uppskattar att Maia 200 kan ha en driftkostnadsfördel på omkring 30–40 procent jämfört med ledande Nvidia-hårdvara för Microsofts och OpenAI:s arbetslaster. Det är fortfarande en rapporterad uppskattning, inte en garanti för varje modell, mjukvarustack eller utnyttjandegrad.

Den strategiska tanken är tydlig: om Maia fungerar som förväntat i produktion kan Microsoft minska sitt beroende av Nvidia för vissa inferensarbetslaster och förbättra kostnadsstrukturen för exempelvis Copilot och Azure OpenAI.

Men egenutvecklad kiselteknik tar inte bort de fysiska kraven runt chipet. Maia behöver fortfarande HBM-minne, avancerad paketering, nätverk, rack, kylning och tillgänglig eleffekt.

Kort sagt: Maia kan göra ett fungerande datacenter mer kostnadseffektivt. Det kan inte få ett ofärdigt eller strömlöst datacenter att börja köra.

Maia 300 är ett skalningsprojekt – inte kapacitet som redan finns

Reuters har rapporterat att Microsoft planerar att visa upp Maia 300 redan i höst och förhandlar med TSMC om tillverkningskapacitet för över 300 000 chip med leverans 2027. På längre sikt ska ambitionen vara över en miljon enheter.

Siffrorna bör ses som planer under förhandling, inte som bekräftade leveranser. Microsoft bestrider uppgifterna. Även om tillverkningskapacitet säkras måste företaget fortfarande få fram minne och andra komponenter, integrera systemen och installera dem i anläggningar som har tillräckligt med el.

Om uppskalningen blir verklighet kan Maia 300 ta Microsofts egenutvecklade kisel från ett mer begränsat internt program till en betydande alternativ källa för inferenskapacitet. Men framgången avgörs av ordningsföljden: tillverkning, systemintegration och datacenter måste bli klara samtidigt.

AWS och Google har ett försprång i driftsättning

AWS har en mer mogen portfölj av egenutvecklade acceleratorer. Amazon har uppgett att 1,4 miljoner Trainium-chip från tre generationer är utplacerade och att Anthropics Claude körs på över en miljon Trainium2-chip, enligt TechCrunch. AWS har dessutom Inferentia som en separat, inferensfokuserad produktlinje och har därmed erfarenhet av både träning och drift av modeller.

Googles TPU-program har en ännu längre produktionshistoria. Arkitekturen Ironwood uppges kunna skalas till poddar med 9 216 chip. Andra rapporter beskriver att Anthropic kan få tillgång till så många som en miljon Google-TPU:er, men det är ett kapacitetsåtagande och ska inte tolkas som en definitiv jämförelse av installerade chip.

Det finns ingen offentlig, helt rättvis jämförelse mellan Microsofts totala AI-chipvolym och AWS:s eller Googles. Företagen räknar olika chipgenerationer, arbetslaster, ägandemodeller och definitioner av vad som är ”installerat”, ”utplacerat” eller ”reserverat”.

Den försiktiga slutsatsen är därför smalare: AWS och Google verkar ligga före i mogen drift av egenutvecklade AI-chip och i operativ erfarenhet, medan Microsoft försöker minska avståndet med Maia.

En branschbrist som gör ikappkörningen svårare

Microsoft är inte ensamt om problemen. En rapport som återgivits av Ars Technica fann att omkring 40 procent av de amerikanska datacenterprojekt som planerats för 2026 riskerade förseningar. Brist på arbetskraft, el och material samt problem med tillstånd pekades ut som orsaker.

Minnet är ytterligare en flaskhals. Branschrapporter har bedömt att datacenter kan förbruka över 70 procent av den globala produktionen av avancerat minne under 2026. En chef på Synopsys har samtidigt sagt att halvledarbristen kan fortsätta genom 2027. Det kan höja kostnader och förlänga leveranstider även för andra branscher, även om effekten varierar beroende på minnestyp, leverantör och avtal.

Resultatet kan bli ett större gap mellan planerad AI-kapacitet och den kapacitet som faktiskt går att använda. Företag med redan strömförsörjda anläggningar, tidiga avtal med elbolag, mogna leveranskedjor och stora driftkluster kan fortsätta lägga till arbetslaster medan nyare projekt väntar på transformatorer, kylsystem, kvalificerad personal eller anslutning till elnätet.

Slutsatsen: Microsofts plan hänger på genomförandet

Förseningarna gör inte Microsofts AI-strategi ogiltig, men den blir mycket känslig för när olika delar faller på plats. Företaget kan köpa acceleratorer, designa Maia-chip och teckna tillverkningsavtal. Inget av detta skapar automatiskt beräkningskraft som kunder kan använda.

Den kortsiktiga risken är långsammare kapacitetstillväxt i Azure och högre marginalkostnader för inferens i produkter som Copilot och Azure OpenAI. Den konkurrensmässiga risken är att AWS och Google hinner använda sina befintliga chipinstallationer för att erbjuda bättre pris, tillgänglighet och utvecklarvana innan Microsofts nästa våg av datacenter och Maia-chip är i drift.

Maia 200 kan förbättra ekonomin när Microsoft kan installera den i större skala. Maia 300 kan bredda tillgången på chip under 2027 om den rapporterade tillverkningsplanen blir verklighet. Fram till dess är Microsofts centrala AI-problem enkelt att formulera, men svårt att lösa: att omvandla köpta chip och ambitiösa planer till strömförsörjd, produktionsklar kapacitet.