At “tilføje AI” som en smart feature var i går. I 2026 opfører AI sig som et infrastrukturlag – lidt som da cloud for ti år siden blev det nye grundlag. Det påvirker arkitektur, dataveje, budgetter, drift og compliance. Det er ikke en kosmetisk ændring, det er en ombygning i kælderen.
Telekom viser skiftet i praksis. Nokia har lanceret en AI-RAN-platform, der kører på selskabets anyRAN-software sammen med NVIDIAs Aerial-system. Ifølge Nokia har de første demonstrationer vist mere end 20 procent forbedring i spektral effektivitet. Ambitionen er 50 procent i 2027 og over 100 procent i 2028. Det er måltal, ikke opnåede resultater endnu. Planen er piloter i år og kommerciel tilgængelighed i 2027, solgt som softwareabonnement.
Hovedpointen fra kilderne
Kilderne er bemærkelsesværdigt samstemmige: AI behandles ikke længere som et bolt-on. Det ligger under applikationerne, hvor orkestrering, datakvalitet, governance og drift afgør, om noget holder i produktion. Beskrivelserne går igen: specialiserede agenter, der ruter opgaver via orkestreringsværktøjer, og model- samt omkostningsvalg, der flytter op i infrastrukturniveauet.
Fokuset flytter fra enkeltfeatures til datastrømme og løbende modeldrift. Governance og sikkerhed bygges ind fra dag ét med adgangskontrol, sporbarhed og audit. Det koster mere i starten – og endnu mere, hvis man udsætter det.
Hvordan stakken faktisk ser ud
Moderne AI-stakke ligner distribuerede systemer, ikke “én model bag en pæn API”. En koordinator vurderer opgaven, splitter den og tildeler delopgaver til agenter med hver sin rolle: tekstforståelse, kodegenerering, værktøjskald, eksterne systemer. Orkestreringen styrer rækkefølge, kontekst, fejl og genforsøg. Man designer flows – ikke bare “vælger en stor model”.
Modelvalg og omkostninger bliver derfor arkitekturspørgsmål. Skal en dyr topmodel dække 10 procent af casene, eller er to mindre modeller med klog routing billigere og hurtigere. Ifølge kilderne hører den beslutning hjemme på linje med netværk og storage.
Data plumbing er flaskehalsen
Rene, rettidige og taggede data er fortsat stedet, hvor projekter knækker. Ikke pga. manglende algoritmer, men fordi datavejene ikke bærer. Klassiske fejlkilder går igen: data skew, hvor træning ikke matcher produktion, eller mangelfulde metadata, så systemet ikke vælger korrekt kontekst. Konsekvensen er usikkert output, højere omkostninger og uventede supportsager.
Driften bestemmer kvaliteten
AI-resultater formes af fysiske og operationelle forhold: strøm, køling, netværkslatens og fordeling af workloads på tværs af on‑prem og flere skyer. Er GPU‑klyngen presset tirsdag kl. 11, falder svartiden – og kundeservice står med problemet. Hybrid multicloud giver fleksibilitet, men flytter kompleksitet til netværksdesign og dataresiliens. Det skal planlægges, ikke improviseres.
“Continuous model ops” er ved at blive standard: overvågning af modeladfærd, automatiseret retræning, feature‑drift og data lineage. Almindelige driftsdyder afgør succesen: alarmgrænser, rollback‑planer og incident‑playbooks. Kedeligt – og effektivt.
Lokale modeller eller cloud‑API
Hvornår giver lokal kørsel mening. Ved gentagne, lav‑latency, følsomme eller omkostningstunge workloads kan lokale stacks som Ollama være fornuftige. Stabil datamængde og betydning af latency kan tippe balancen til fordel for pris og kontrol. Men det kræver stram governance og SRE‑disciplin om opdateringer og sikkerhedsisolering.
Cloud‑API’er er stærke til nye og varierende opgaver eller hurtige tests. Fleksibilitet og adgang til topmodeller tæller tungt. Ulempen er TCO‑forudsigelighed, dataafgivelse og pris, når volumen vokser. Det er en infrastrukturbeslutning: hvor lander regningen, og hvem har nøglen til loggen.
Workflow‑arkitektur ændrer karakter
Automatisering bevæger sig fra if‑this‑then‑that til dømmekraft‑drevet routing. Systemet vælger næste skridt ud fra outputkvalitet – ikke kun regler. Det kræver et orkestreringslag, der kan evaluere svar, skifte agent eller hente mere kontekst. I komplekse sager bliver løsningen mindre skrøbelig, men stiller større krav til observability og testbarhed. Man tester flows og adfærd over tid – ikke kun unit tests.
Hurtige genveje skaber ny platformgæld. Midlertidige scripts og uklare kontrakter mellem agenter gør vedligehold dyrt. Hellere en enkel, stabil rute med få, tydelige snitflader. Mindre pænt på whiteboard – mere robust i drift.
Økonomi og forretning rykkes op i infrastrukturen
Når AI bliver infrastruktur, flytter udgifter fra projekter til faste driftslinjer. Licenser, GPU‑kapacitet, observability og datastrømme bliver basisposter. Det ændrer indkøb og styring. Softwareabonnementer for AI‑funktioner bliver normalen – med krav til opgraderinger og rollback. Man binder sig til leverandørers releases og deres SLA for latenstid og kvalitet. Hurtigt tempo, mindre fuld kontrol.
Nokia‑casen peger samme vej i telekom. Operatører kan vælge et GPU‑kort til eksisterende AirScale‑sites, et selvstændigt AI‑RAN‑node‑setup eller en cloud‑server via partnere. Abonnementsmodellen sigter på at undgå store hardwareopgraderinger. Det giver mening – og stiller krav til målemetoder og opdateringsdisciplin hos operatøren.
En kort playbook der faktisk virker
Start med én gentagen opgave. Ikke den flotteste – den mest stabile. Definér datakilder, kvalitetstjek, fallback og hvem der har pageren, når det bryder. Få den i sikker drift og mål før/efter. Først derefter skaler. Kilderne er klare: sådan falder fejlraten i praksis.
Byg governance ind fra start: adgangsmodeller, auditlog, dataminimering, PII‑håndtering og versionsstyring af prompts, features og modeller. Afgør på forhånd, hvem der må ændre hvad – ellers sker ændringerne alligevel uden sporbarhed.
Hvor projekter typisk vælter
Tre klassikere: 1) Data skew – træning matcher ikke produktion. 2) Overvurdering af modeller, der klarer demoen men ikke hverdagen. 3) Driftsoverraskelser: GPU’er, der ikke er klar, netværk som flaskehals og køling, der halter. Alt kan håndteres – hvis det tænkes ind tidligt i arkitekturen og driftsplanen.
Nokia AI‑RAN kort fortalt
Nokia har annonceret en AI‑native radioplatform, AI‑RAN, bygget på anyRAN og NVIDIAs Aerial. I demoer har Nokia vist mere end 20 procent forbedring i spektral effektivitet. Selskabet sigter mod 50 procent i 2027 og over 100 procent i 2028. Det er måltal, ikke opnåede resultater. Planen er pilotprojekter inden årets udgang og kommerciel lancering i 2027, solgt som softwareabonnement.
Spørgsmål operatører bør stille: Hvordan er gevinsten målt og i hvilke radiomiljøer. Hvad er SLA for modellatens. Hvor hurtigt ruller opdateringer ud, og kan man rulle tilbage uden driftsstop. Hvordan integreres med eksisterende RAN‑planlægning og alarmskemaer. Det er infrastrukturbeslutninger – ikke produktdemoer.
Hvad beslutningstagere bør gøre nu
CTO’er bør gøre orkestrering og modeldrift til førsteordens‑elementer i referencearkitekturen. Vælg integrationsmønstre tidligt: event‑drevne flows eller API‑triggere, og hvor realtid reelt kræves.
For drift og data er opgaven “continuous model ops”: overvågning, data lineage, retræning, flow‑tests og incident‑playbooks. Flyt budgetter fra enkeltprojekter til faste platformsposter. Lad governance leve i pipelines – ikke i PDF’er.
Konklusion uden sløjfe
Ad‑hoc er slut. AI opfører sig som infrastruktur og skal designes derefter. Start småt, byg til drift, mål rigtigt. Forskellen mærkes først, når det kører i virkeligheden.
Faktaboks
- Orkestrering: Lag der fordeler opgaver mellem specialiserede agenter og håndterer kontekst, fejl og rækkefølge
- Local‑AI: Kørsel af modeller på eget udstyr, fx via Ollama, typisk til følsomme eller lav‑latency workloads
- Data plumbing: Pipelines for rene, rettidige, taggede data med versionering og metadata
- AI‑RAN: Radioplatform hvor AI styrer signal‑ og ressourceallokering for bedre spektral effektivitet
- Continuous model ops: Løbende overvågning, retræning, drift og rollback for modeller i produktion
Kilder og åbne spørgsmål
Kilderne peger på, at AI bevæger sig fra feature til infrastruktur. Orkestrering, data plumbing, governance og drift viser sig i praksis. Nokia‑casen illustrerer skiftet i telekom med klare mål og en tidsplan for pilot og kommercialisering. Åbne spørgsmål: målemetoder for de 20 procent i spektral effektivitet, TCO‑sammenligninger mellem lokale stacks og cloud‑API’er for typiske workloads, samt konkrete orkestreringsværktøjer og protokoller i produktion. Også governance i praksis kalder på eksempler – fx referencearkitektur og politikker bundet direkte til pipelines.
