Lad os være ærlige. De fleste AI‑historier handler om modeller, benchmarks og hurtige demoer. Men i Beverly Hills i denne uge skiftede perspektivet. Ifølge TechCrunch satte fem personer, som rører ved alle lag i AI‑forsyningskæden, sig ned på Milken Global Conference og talte om de kedelige ting, der i praksis afgør, hvem der vinder: chipknaphed, forslag om orbitale datacentre og endda om selve arkitekturen kan være forkert. Det er ikke pynt. Det er det, der flytter resultaterne.
For danske virksomheder er pointen kontant. Risikobilledet flytter sig fra “hvilken model er smartest” til “kan vi overhovedet få kapacitet, og til hvilken pris – og kan vi skifte, hvis vinden vender”. Vi har set det tæt på. En dansk kunde hos os planlagde skalering i en specifik EU‑region, men en stor aktør lukkede reelt køen op med en enkelt aftale. Ventetiden steg, priserne gled. Vi måtte tegne om.
Hvad blev sagt i Beverly Hills
TechCrunchs report gav tre klare temaer videre fra Milken‑samtalen: fortsat chipknaphed, radikale infrastrukturidéer som orbitale datacentre og spørgsmålet om, hvorvidt hele den nuværende AI‑arkitektur kan være fejlskruet. Det var fem personer, der ifølge TechCrunch dækker hele kæden – fra silicium til drift. Vi arbejder på at få de fulde navne og funktioner verificeret for læserne. Pointen står dog alligevel: fokus flytter fra “model X vs. model Y” til om man kan få regnekraft, netværk og strøm nok – og om det er den rigtige teknologiske vej.
Det interessante er, hvor håndfast snakken blev. Ikke store ideologier. Mere: der mangler chips nogle steder, der eksperimenteres med ekstreme løsninger, og der er tvivl om, hvor meget vi kan få ud af nuværende arkitektur uden at sprænge budgetter. TechCrunchs formulering var nøgtern, og vi læser det som et signal om en ny fase, hvor infrastrukturen – ikke bare modellerne – bestemmer tempoet.
Hvad det betyder økonomisk og kontraktuelt
Nu til pengene. The Information har ifølge gennemgang hos The Algorithmic Bridge rapporteret, at Anthropic har forpligtet sig til at bruge 200 milliarder dollar på Google Cloud over fem år, mens Alphabet samtidig har investeret omkring 40 milliarder dollar i Anthropic, heraf en stor andel som cloudkreditter. Vi markerer tallene som rapporterede og under endelig bekræftelse mod originalkilden. Mekanikken er alligevel vigtig: kreditter giver forbrug, forbrug bliver til backlog, backlog løfter aktiekurs og capex. Cirkularitet.
For en dansk CFO/CTO‑duo betyder det to ting. For det første, store cloud‑aftaler i markedet kan skævvride kapacitet lokalt. En milliardkunde kan flytte nålen i “din” region. For det andet, dine egne kreditaftaler er ikke gratis penge. De er styring af din fremtidige fleksibilitet. Hvis prisen på inference falder hos en anden udbyder, men dine kreditter er låst i A, bliver rabatten dyr at forløse.
Teknisk praksis: Hardware, cloud og redundancy
Valget mellem on‑prem, cloud og hybrid er ikke længere en teologisk diskussion. Det er en forsyningsdiskussion. Specialiserede chips – GPU’er, TPU’er og andre ASIC‑varianter – har forskellige køer, bindinger og værktøjskæder. Det påvirker alt fra latency til pris per 1.000 inferencekald. Vores erfaring: regn baglæns fra forretningens SLO’er. Hvis p95‑latency skal ligge under 200 ms ved 500 samtidige kald, rammer netværk, batching og modelstørrelse muren længe før teamet gør.
Konkret anbefaling, teknisk: hold mindst to køreklare veje til inference. Eksempelvis en primær i public cloud region A og en sekundær i region B eller hos en anden udbyder. Overvåg p95\/p99‑latency, cost per token og GPU‑timer som første‑klasses KPI’er. Og ja, der er et tradeoff: multi‑cloud betyder mere DevOps‑kompleksitet, dobbelt CI\/CD, og flere compliance‑spor. Men når en region får travlt, er den merpris en slags forsikringspræmie.
Orbital data centres: Vision eller distraktion?
Orbitale datacentre dukkede op i Milken‑samtalen. Fascinerende idé. Rummet giver køling, solenergi og teoretisk skalering uden jordisk areal. Men modenheden er lav. Vi mangler bestilte kommercielle payloads til AI‑drift, realiserede forsyningskæder for reservedele og en forsikringsteknisk model, der giver mening. Og latency til Low Earth Orbit er ikke gratis, selv hvis det er lavt. For danske workloads med stramme svartider, datalokation og GDPR‑krav er det mest relevant som langsigtet forskning. Måske et niche‑batchscenarie. Ikke noget at planlægge produktion omkring i 2026.
Hvis nogen lover jer “space‑compute i Q4”, så bed om TCO med opsendelse, omløbstid, strålingsprofil, vedligeholdelsesvinduer – og kontraktligt ansvar for nedbrud. Ellers er det bare en flot slide.
Når arkitekturen kan være forkert
Det mest ubehagelige spørgsmål fra Milken‑samtalen: hvad hvis den dominerende transformer‑arkitektur ikke skalerer økonomisk i længden. Det er ikke det samme som at den ikke virker. Den virker. Men måske med faldende marginalnytte ved stadig større modeller. Der er alternative spor – mixture‑of‑experts, retrieval‑forstærkning, komprimering, mere agent‑koordination – men intet bevis endnu for, at en enkelt tilgang løser alt. TechCrunchs ordvalg var åbent, ikke definitivt. Godt sådan.
Hvad gør man så, hvis man bygger oven på noget, der måske ikke er optimalt om tre år. Svaret er kedeligt: hold din infrastruktur modulær. Bind ikke hele dataflyet til en leverandørs proprietære formater eller orkestrering. Og hold dine modelkontrakter korte med optioner, ikke evigheder. Vi blev selv overraskede sidste år, da en mindre dansk virksomhed fik 30 procent cost‑drop ved at skifte til en komprimeret variant plus bedre caching. Ingen stor model. Bare disciplin.
Hvad det betyder økonomisk og kontraktuelt i Danmark
Hvis jeres bestyrelse beder om en “AI‑plan”, så start her: Hvilke dele af forretningen kræver garanteret kapacitet de næste 12 måneder, og hvor må vi skifte hurtigt. Det er to kontraktspor. Spor A kræver SLAs, kreditter ved brud og mulighed for kapacitetsreservation. Spor B kræver exit‑klausuler, lave flytteomkostninger og forud‑godkendte alternativer. CFO bør bede om transparens i prislister for tokens, GPU‑timer, netværksegres og storage IOPS. Ikke en generel rabatsats – en rigtig enhedspris.
En note om regnskab: cloud‑kreditter kan se ud som indtægt hos udbyderen og som “besparelse” hos jer. Men likviditeten løber først, når I bruger dem. Og de kan låse jer til at forbruge et bestemt sted, selv hvis markedet flytter sig. Det er fint at acceptere – bare det er et bevidst valg.
Teknisk praksis, fortsat: Modelstørrelse, latency og netværk
Modelstørrelse er ofte den største skjulte driver for inferencepris. To tommelfingerregler, vi bruger: 1) hvis kontekstvinduet fordobles, antag at regningen kan mere end fordobles ved samme trafik; 2) hvis latencykravet er hårdt, så prøv at løse med caching, batching og distillation før du kaster flere GPU’er på. En simpel “cache‑hit‑rate” på 30 til 50 procent kan ændre P&L. Vi har set det i praksis, da et supportflow i et dansk callcenter faldt fra 380 ms til 220 ms ved at gøre prompten 18 procent kortere. Ikke smukt, men effektivt.
Netværk overses tit. Egres‑omkostninger kan udhule gevinsten ved billig compute. Når data flytter mellem skylag eller fra cloud til on‑prem for efterbehandling, tikker taksten. Lav derfor et dataflow‑diagram med priser per hop. Og læg 20 procent oveni til virkelighedens rod. Det er sjældent for meget.
Driftsberedskab og redundancy: Hvad der skal stå på tavlen
Hvis chipforsyning slår revner, skal driften ikke gøre det samme. Lav en simpel beredskabsøvelse: “Hvad gør vi, hvis primær GPU‑kapacitet halveres i en måned”. Svarene bør inkludere at skalere ned til komprimerede modeller, slå flere cache‑nøgler til, slå streaming fra i ikke‑kritiske flows, og flytte batch‑job til nattevinduer. Skriv det ned. Test det.
Overvåg indikatorer for stress i kæden: øget køtid ved provisioning, fald i “on‑demand” tilgængelighed, nye kvoter hos leverandøren, og uventede prisjusteringer for low‑priority jobs. Når to af dem blinker gult samtidig, er det oftest ikke en tilfældighed.
Konsekvenser for beslutningstagere i Danmark
Nedenfor går vi fra verificerede observationer til vores fortolkning og anbefalinger. Markeret som Snillds vurdering.
- Risikokortlægning og kontrakter. Kortlæg hvor I er mest sårbare for leverandørlås. Kræv eksplicitte exit‑muligheder, portable dataformater, realistiske credits og performance‑SLAs, samt ret til at benchmarke mod alternativer i løbetiden.
- Pilotstrategi før binding. Kør 8–12 ugers piloter med klare stop‑kriterier og KPI’er (p95‑latency, cost per 1.000 forespørgsler, kvalitetsmetrikker). Undgå proprietære SDK‑låse i pilotfasen, brug standardprotokoller.
- Cost forecasting og governance. Lad CFO og CTO modellere følsomhed: “hvad hvis tokenpris +30 procent”, “hvad hvis latencykrav −50 ms” – og hvad betyder det for bundlinjen.Tre konkrete leverancer vi ofte bruger som eksempler i danske forløb, uden at gøre det til salgstale: 1) en 2‑ugers teknisk audit af jeres inference‑pipeline med fokus på cache, batching og modelkomprimering; 2) et leverandør‑workshopspor med procurement, risk og cloud‑ops, der ender i en skabelon for kontraktklausuler; 3) en proof‑of‑value, hvor to modeller og to infrastrukturer sammenlignes apples‑to‑apples på jeres egne data. Vi har set kunder droppe attraktive kreditter efter sådan et forløb. Det gør ondt først – og godt bagefter.
Tre scenarier fremad
Konservativt. Chipsituationen stabiliserer, priserne flader ud. De store aftaler fortsætter, men kapacitet er til at købe. Indikatorer: kortere provisioning‑tider, få prisstød, stabil tilgængelighed i flere regioner.
Opportunistisk. Nye arkitekturtricks og bedre komprimering gør mindre modeller konkurrencedygtige. Pludselig giver edge‑inference mening i flere brancher. Indikatorer: signifikante prisfald på mellemklasse‑compute, flere udbydere af model‑hosting, og syntetiske benchmarks der holder i produktion.
Katastrofe. Leverandørlås kombineret med kapacitetskrise. En håndfuld megakunder suger regioner tørre. Jeres kreditter bliver en spændetrøje. Indikatorer: kvoter på tværs af flere clouds, hyppige SLA‑brud, ventelister for enterprise‑kapacitet, og chokerende egress‑priser.
Kort om kilder og usikkerheder
Fakta om Milken‑samtalen og de tre temaer stammer fra TechCrunchs dækning. Økonomiske tal om Anthropic–Google er rapporteret af The Information og gengivet i The Algorithmic Bridge; vi markerer dem som ikke endeligt bekræftet i skrivende stund og anbefaler at læse originalen bag betalingsmur for detaljer. Deltagerlisten for panelet i Beverly Hills er ikke fuldt offentliggjort i uddraget vi har set; vi arbejder på at få navne og roller verificeret. Vurderingerne om kontrakter, arkitekturvalg og drift er vores, baseret på arbejde i danske miljøer.
Hvis der er modsigelser mellem kilder, siger vi det ligeud. Her er tonen enslydende på temaerne, men uenigheden ligger i “hvor hurtigt” og “hvor dyrt”. Det er fair.
Konklusion og en rå praktisk note
Vi mener, at AI‑forsyningen – chips, cloud, netværk – er den afgørende kampplads i 2026. Ikke de sidste 0,5 point på en benchmark. Byg hybrid, hold kontrakterne fleksible, og test jeres failover i virkeligheden, ikke i en slide. Vores egen erfaring fra et mødelokale i Aarhus i marts: forskellen mellem en pæn plan og en robust plan er to ekstra linjer i en Terraform‑fil og en exit‑klausul, der er til at forstå.
Test det i drift.
