NVIDIA og Palantir annoncerede 10. september 2026 et samarbejde om en “sovereign AI”-stak målrettet kritiske forsyningskæder. Ifølge både NVIDIAs pressemeddelelse og en uafhængig gennemgang hos Unite.ai rulles stakken først ud i NVIDIAs egen supply chain, hvor den samler Nemotron open-weight modeller, Palantir Foundry, Palantirs AIP og en ontologi som rygrad. Ambitionen er tydelig: mere synlighed, hurtigere beslutninger og fuld kontrol over data. Omfang og tidsplan er endnu ikke fuldt beskrevet, men retningen er klar.
Samarbejdet er bekræftet i NVIDIAs nyhedsrum, som også melder, at løsningen demonstreres i dybden på AIPCon 11. Unite.ai gengiver samme kerne: suveræn kontrol, Nemotron ind i Foundry og AIP, og start i NVIDIAs egen drift. Ordvalget varierer let, ikke indholdet eller timingen. Datoen stemmer.
Hvad betyder “sovereign AI” i praksis
“Sovereign” handler her om at beholde styringsretten over både data og modelweights. Ingen per-token API, ingen tvivl om hvor prompt og output lander, og ingen uønskede dataaftryk hos tredjepart. Det kræver til gengæld tung infrastruktur, sikkerhed og drift—krav mange først ser fuldt ud, når de regner på implementeringen.
Nemotron er NVIDIAs open-weight modeller, som kan hostes i eget miljø eller en kontrolleret cloud. Foundry er Palantirs dataplatform, hvor forsyningskædens tabeller, hændelser og relationer samles. AIP leverer lagene for agentik, beslutningsstøtte og orkestrering. Ontology er bindeleddet mellem data og handling: en fælles model for hvad “en del”, “en ordre” eller “en leverance” er, så mennesker og systemer taler samme sprog.
Integration af Nemotron i Foundry og AIP
Ifølge pressemeddelelsen bringer stakken NVIDIAs Nemotron-modeller ind i Foundry og AIP, forankret i Palantir Ontology. I drift betyder det typisk to ting: modellerne får domænespecifik kontekst via ontologien, og deres svar underlægges platformens sikkerheds- og governance-regler. Det mindsker risikoen for svar, der ikke kan bruges i produktion, fordi de mangler relation til nøgletal, tid, batch eller leverandør.
Unite.ai beskriver samme arkitektur med fokus på et “fælles kommandorum”. Det passer til Palantirs tilgang—Foundry understøtter brugerflader, hvor planlæggere, indkøbere og S&OP arbejder i den samme sandhed, men med forskellige rettigheder. Med Nemotron ovenpå flytter dialogen over i agenter, værktøjskald og handlingsforslag med tidsstempler—et skridt tættere på automatiserede eskalationer og forslag, som beslutningstagere kan acceptere eller afvise.
Hvad betyder “grounded i ontologien” i praksis
“Grounding” er at koble modeloutput til en kontrolleret datamodel. I Foundry-terminologi vil en agent ikke bare sige “fremskynd leverance”, men foreslå at hæve prioriteten på konkrete POs, generere en ændringsanmodning i det relevante system og referere præcise materialer og produktionstrin. Ontologien definerer relationerne, AIP eksekverer dem gennem sikre forbindelser, og Nemotron leverer sprog- og beslutningslaget. Når det spiller, føles det naturligt; hvis ikke, bliver fejl hurtigt synlige, fordi modellen svarer selvsikkert på forkerte antagelser.
Latency er ikke nævnt eksplicit i kilderne, men meningsfuld beslutningsstøtte i indkøb, disponering og planlægning kræver ofte svartider på få sekunder pr. interaktion—og lavere ved tætte forløb med mange værktøjskald. Det påvirker, hvor modellerne hostes, og hvor tæt de skal stå på data og værktøjer.
Driftskravene man ikke kommer udenom
At drive store open-weight modeller kræver seriøs hardware. AWS’ tekniske gennemgang af Qwen3.8-2.4T-A95B—udgivet som open weights 12. august 2026—er et brugbart pejlemærke. De deployer på SageMaker HyperPod med vLLM på ml.p6-b300-instanser med 8 NVIDIA B300 Blackwell Ultra GPU’er og beskriver en fuld serving-stack med NVFP4-kvantisering, værktøjskald og multi-token prediction. Pointen er ikke, at NVIDIA/Palantir-stakken kræver nøjagtigt det samme, men at denne klasse af modeller ikke kører stabilt på tilfældig hardware.
AWS-notatet peger på byttet: fuld kontrol over weights og data, men ansvar for kapacitet, patching og optimering. NVFP4 og lignende kvantiseringsteknikker kan sænke VRAM-krav og latency, men kræver tuning og løbende måling for at undgå kvalitetstab netop dér, hvor virksomheden har brug for præcision. Det er ikke plug-and-play, selv om rammerne er blevet markant bedre det seneste år.
Hvor skal modellerne bo
“Sovereign” peger ofte mod on-prem eller dedikerede cloud-zoner. Der er fordele ved begge. On-prem kan give lav og stabil latency mod MES, ERP og planlægningsværktøjer. Cloud giver skalerbarhed, moderne netværk og hurtigere opgraderinger. Hverken pressemeddelelsen eller Unite.ai angiver, hvor NVIDIAs pilot kører fysisk—et punkt, der er værd at følge, fordi hosting-valget påvirker både omkostninger og sikkerhedsvurderinger.
Serveringsmæssigt ender det ofte som en blanding: vLLM eller tilsvarende som inference-motor, versionskontrol af modelweights, A/B-tests mod specifikke workloads og reviderbar logning. Mange virksomheder lægger en gateway foran, som håndhæver politikker, struper requests og sikrer, at tools kun kaldes fra godkendte agenter i de rette datadomæner.
Formålet med stakken
NVIDIA og Palantir angiver mål som øget synlighed, identifikation af flaskehalse, løbende kodificering af operations-viden og beslutningsstøtte i maskinhastighed—uden at slippe kontrollen over følsomme data. I Foundry/AIP oversættes det typisk til digitale tvillinger af forsyningskæden, kontinuerlig indlæring af praksis (hvad planlæggere gjorde sidst en leverandør glippede) og agenter, der foreslår og nogle gange eksekverer handlinger. Effekter kan måles på backorder-dage, gennemløbstid og udnyttelse.
Pressemeddelelsen fremhæver også, at NVIDIA driver en af verdens mest komplekse kæder med millioner af dele og tusindvis af leverandører—en relevant stresstest. Den er samtidig utypisk: få virksomheder har Vera Rubin-racks med 1,3 millioner dele at disponere for. Overførbarheden til fx nordiske pharma- eller industriproducenter skal bevises i næste runde.
Sikkerhed, governance og dataejerskab
“Behold ejerskab” betyder i praksis: adskillelse af trænings- og inferencedata, sporbarhed af hvilke weights der kører hvor, og adgangsstyring helt ned på tool-niveau. I Palantir-verdenen handler det om rolle- og kontekstbetingede rettigheder, så agenter kun ser de materialer, lokationer og leverandører, de må. Det er velkendt—men følsomheden stiger, når agenter begynder at udføre ændringer på tværs af systemer.
Compliance følger med. EU’s AI-forordning, GMP i pharma og automotive-standarder kræver revision, alarmering og mulighed for at genskabe beslutningsveje. Det lettes af, at modellen bor i eget domæne, men kræver også beredskab for softwareopdateringer, CVE-håndtering og modelopdateringer, der ikke ændrer adfærd uvarslet i en kritisk periode.
Hvad betyder det for danske virksomheder
Det er blevet realistisk at køre store sprogmodeller tæt på forsyningskædens systemer—på egne præmisser. Gevinster afhænger af, om datagrundlaget er modent nok til at bære en ontologi. Start i materialedisponering, leverandørperformance eller vedligeholdelsesplaner for at få konkrete resultater uden at jagte fuld autonomi fra dag ét. De bedste piloter har afgrænset domæne, klare KPI’er og en gennemtænkt skalaplan.
Kompetencekravene er betydelige: ekspertise i GPU-arkitektur og kvantisering, evne til at bygge og vedligeholde en forsyningskæde-ontologi, samt MLOps-funktioner til versioner, metrics og alarmer. Konsulenter kan hjælpe, men uden intern forankring snubler projekter ved første organisationsændring.
Typiske stopklodser i drift
Latency: Står model og værktøjer for langt fra hinanden, akkumuleres sekunderne i køer. Datakvalitet: Ontologien er kun så stærk som stamdata; mange ERP-installationer rummer skjulte særregler. Adgangsstyring: Én fejl i roller, og en agent ser eller ændrer mere end tiltænkt. Alt kan håndteres—hvis det planlægges fra start og testes med rigtige brugere i sløjfe.
Og så prisen. “Ingen per-token” lyder godt, men GPU-timer, colocation, support og mennesker koster. Den rigtige sammenligning er ikke mod en lav API-regning, men mod værdien af bedre servicegrad, færre forstyrrelser og hurtigere ramp-ups. Hvis den værdi ikke måles, bliver casen svær at forsvare i driften.
Uklar kommerciel model
Pressematerialet siger intet om licenser, priser eller om stakken kommer som fuld pakke, som software-komponenter eller via partnere. Det gør TCO-beregninger vanskelige nu. Det kan åbne for et partnerøkosystem—men også for overlap og dobbeltarbejde mellem platforme.
Konkurrencemæssigt følger samarbejdet en tendens: tunge modeludbydere kobles tæt med driftsplatforme og domæneontologier. Kunder får mere samlede løsninger, men færre rene “best of breed”-valg. For nogle er det fint; for andre øger det risikoen for leverandørafhængighed uden stærke exit-muligheder.
Kritiske spørgsmål der stadig står åbne
Hvilke NVIDIA-anlæg indgår i den første udrulning, og hvilke succeskriterier måles i kvartal ét? Hvem ejer løbende modelopdateringer, og hvordan valideres de mod GMP, ISO og interne change-procedurer? Hvordan versioneres og testes Nemotron-weights i Foundry/AIP på tværs af miljøer? Kilderne svarer ikke endnu—og det er netop de spørgsmål, der afgør, om andre kan kopiere resultaterne.
AIPCon 11 som pejlemærke
Pressemeddelelsen lover dyb demonstration på AIPCon 11. Hold øje med sessioner om modellogning, latency under værktøjskæder og referencearkitekturer for ontologier på shop floor. Hvis NVIDIA viser en end-to-end-kæde med mål på gennemløbstid, fejlreduktion og servicegrad—ikke kun demo-video—så nærmer det sig noget, man kan bygge videre på.
Konkrete næste skridt
Start med et afgrænset domæne som materialedisponering for top-20 komponenter eller en kritisk leverandørklasse. Etabler en enkel ontologi for de vigtigste objekter og relationer, og læg en open-weight model tæt på data. Mål svartider, beslutningskvalitet og driftstid—og versionér alt. Bevægede nøgletallene sig den rigtige vej i seks uger i træk, så skalér.
Beslut tidligt, hvor “suveræniteten” stopper: hvilke data forbliver on-prem, hvad kan ligge i cloud-zoner, og hvem godkender modelopdateringer. Det lyder som papirarbejde, men det er her, projekter enten holder kursen eller driver.
Kilder og videre læsning
- NVIDIA Newsroom og Palantir: “NVIDIA and Palantir bring sovereign intelligence to critical supply chains” – fælles meddelelse med detaljer om Nemotron, Foundry/AIP og AIPCon 11.
- Unite.ai: “NVIDIA and Palantir Announce Sovereign AI Stack for Supply Chains” – uafhængig gengivelse med dato og første udrulning.
- AWS Machine Learning Blog: “Deploying Qwen3.8-2.4T-A95B on Amazon SageMaker HyperPod with vLLM” – teknisk kontekst for open-weight modeller, NVFP4, B300/Blackwell og serving-stack.
