Kinas AI-kapplöpning skiftar: från större modeller till skalbara agenter

Kinas AI-sektor beskrivs allt tydligare som en kapplöpning om driftsättning: att göra grundmodeller till agenter som kan utföra konkret arbete i mjukvara, telekom, tillverkning och konsumenttjänster. Frågan är därmed inte bara vem som kan träna den största modellen, utan vem som kan köra AI-system i stor skala med rimliga kostnader, hög hastighet, tillräcklig tillförlitlighet och fungerande skyddsräcken.

Inferens blir den stora belastningen

China Telecom Research Institute bedömer att inferens kan svara för 80 procent av Kinas marknad för datorkraft år 2029 – och därmed gå om den efterfrågan som kommer från modellträning. Institutet räknar också med att agenter kan driva nära tiofaldig årlig tillväxt i efterfrågan på datorkraft under de närmaste två till tre åren. 59

Med inferens avses arbetet som sker när en redan tränad modell besvarar en fråga eller genomför ett steg i en uppgift. En agent kan göra belastningen betydligt större än ett enskilt chattsvar: den kan hämta information, använda andra programverktyg, utföra arbetsflöden i flera steg, kontrollera resultat och upprepa processen.

Samma forskningsspår uppskattar att Kinas årliga tokenförbrukning kan nå 100 kvadriljoner år 2026 och överstiga 35 kvintiljoner år 2030. Det är prognoser, inte uppmätta utfall, men siffrorna visar varför förmågan att servera modeller upprepade gånger kan bli lika strategiskt viktig som själva träningen. 6

Från engångsinvestering till löpande driftkostnad

Att träna en avancerad modell är vanligen en koncentrerad investering i infrastruktur. Att driva en agent är däremot en pågående tjänsteverksamhet. Kostnaderna återkommer genom inferens, datahämtning, nätverk, lagring, övervakning och ibland mänsklig granskning eller eskalering.

Det förändrar affärslogiken. En kapabel agent är inte automatiskt en hållbar produkt om den är för dyr att köra, för långsam i arbetsflödet eller för opålitlig för att kopplas till verksamhetssystem. Det centrala måttet blir därför kostnaden och kvaliteten för en slutförd uppgift – inte enbart modellens resultat i uppmärksammade benchmarktester.

I praktiken behöver leverantörer och företag bland annat fokusera på att:

• välja den minsta modell som säkert klarar uppgiften,
• styra varje uppgift till rätt modell eller verktyg,
• minska onödiga beräkningar genom cachelagring och effektiv modellservering,
• ansluta agenter till betrodd, uppgiftsspecifik data,
• testa verktygsanvändning och hela arbetsflöden, inte bara enskilda modellsvar,
• övervaka fel, behörigheter och granskningsspår, samt
• låta människor ingripa när en agent når beslut eller handlingar med hög risk.

Det betyder inte att träning av toppmodeller blir oviktig. Den behövs fortfarande för kapacitet, oberoende och tillgång till avancerad AI. Men när kompetenta modeller blir mer allmänt tillgängliga kan förmågan att leverera billig och tillförlitlig inferens, kopplad till verkliga system, bli den svårare och viktigare konkurrensfördelen.

Pekings fokus: spridning i fler branscher

Politiska signaler från Kina förstärker skiftet från fristående modeller till upprepningsbara tillämpningar. Ministeriet för industri och informationsteknik, MIIT, vill enligt sin plan för AI och mjukvara att AI-stödda programmeringsverktyg ska nå fler än 20 000 större mjukvaruföretag till 2028. Planen omfattar också 100 referenstillämpningar för agentbaserad mjukvara i nyckelbranscher och minst fem öppna projekt av hög kvalitet. 3

För 2030 pekar inriktningen mot ett intelligentare och säkrare mjukvaruekosystem, inklusive intelligenta uppgraderingar av kritiska mjukvarusystem. 37 En separat MIIT-plan för AI och informationskommunikation siktar på fler än 30 högvärdiga användningsscenarier till 2028, samt representativa tillämpningar och specialiserade agenter. Den kopplar också utrullningen till starkare nät- och beräkningsinfrastruktur. 17

Ett annat initiativ från MIIT och den nationella dataadministrationen efterlyser branschspecifika AI-scenarier med högt värde, specialiserade datauppsättningar och specialiserade modeller eller agenter där självständig planering och verkställighet behövs. Där ingår även anpassade testdata och utvärderingssystem för branschmodeller och agenter. 18

Tillsammans pekar initiativen mot en modell för bred spridning: återanvändbara scenarier, data, mjukvaruverktyg och referenslösningar som kan tas i bruk i flera sektorer. Det kan påskynda införandet. Risken är att framgång bedöms efter antalet pilotprojekt, snarare än efter om systemen ger varaktiga, säkra och ekonomiskt hållbara resultat.

Stora satsningar höjer insatsen

Rapportering som bygger på analysen från China Telecom Research Institute placerar kinesiska teknikföretags AI-utgifter i år nära 600 miljarder yuan. Eftersom offentliga uppgifter kan använda olika definitioner av AI-utgifter bör den samlade siffran ses som en uppskattning, inte som ett helt standardiserat mått. 9

På nationell nivå räknar Kina med att AI-relaterade näringar ska överstiga 10 biljoner yuan vid slutet av den femårsplan som omfattar 2026–2030. 45 Det säger något om ambitionsnivån: AI-agenter positioneras inte bara som en molntjänst, utan som ett lager för industriell modernisering, mjukvaruutveckling, kommunikation och konsumenttjänster.

Europa bygger datorkraft – men måste också få den i användning

EU driver parallellt en infrastruktursatsning. EU-kommissionen har öppnat en ansökningsomgång för upp till sju AI-gigafabriker, med upp till 10 miljarder euro i EU-finansiering och nationell finansiering. Initiativet väntas dessutom mobilisera minst 20 miljarder euro i privata investeringar. 50

Satsningen är viktig för Europas beräkningskapacitet och tekniska självständighet. Men att bygga datorkraft löser inte ensamt frågan om driftsättning. Värdet avgörs av om kapaciteten kan ge tillgänglig och prisvärd inferens, användbar branschdata, integration med programvara och tillförlitliga tillämpningar för europeiska organisationer.

Vad nästa fas i AI-kapplöpningen belönar

Kinas agentsatsning pekar mot en bredare global förändring. AI-fördelar kommer i allt högre grad att bero på vem som kan omvandla datorkraft till användbart, granskningsbart arbete i uthållig skala. Det ökar betydelsen av chip och el, men också av effektiv modellservering, datatillgång, arbetsflödesintegration, säkerhetskontroller, utvärdering och mänskligt ansvar.

Siffran 80 procent för inferens bör läsas som en riktad prognos, inte som ett fastslaget faktum. Men budskapet är tydligt: när AI lämnar demonstrationerna och blir en del av den löpande verksamheten kan vinnarna definieras mindre av den största träningskörningen – och mer av förmågan att driva agenter tillräckligt pålitligt och tillräckligt billigt för att de ska fungera i vardagens arbete. 56