Advarsler om et krakk i kunstig intelligens (AI) har blitt stadig vanligere. Det hevdes at det blir vanskeligere å skaffe finansiering, og næringslivet spør seg om AI-prosjekter skaper nok verdi, om strømforsyningen er tilstrekkelig, og om billigere kinesiske systemer kan undergrave inntektene til amerikanske teknologiledere. Samlet sett sies disse pressfaktorene å true de enorme investeringene som nå rulles ut innen bygging av datasentre, produksjon av AI-brikker og minne, samt kraftproduksjon.
Noen av disse bekymringene er reelle. Det ser ut til å være fire separate hovedspørsmål: Kan prosjektene fortsatt finansieres? Ønsker bedriftene fortsatt teknologien? Kan det leveres nok strøm? Og vil lavkostkonkurrenter ødelegge økonomien i markedet?
1. Finansiering: Strammere kreditt er ikke det samme som ingen kreditt
Privat kreditt betyr lån gitt av investeringsfond og andre aktører utenfor det tradisjonelle bankvesenet eller offentlige obligasjonsmarkedet, som har bidratt til å finansiere enkelte datasentre og andre store prosjekter. Når investorene i disse fondene blir mer forsiktige, avtar utlånene, og lånekostnadene stiger.
Denne nedgangen har betydning, men det betyr ikke at AI-investeringene stopper opp. Blant de største kjøperne av infrastruktur for databehandling finner vi Amazon, Microsoft, Google og Meta. Disse selskapene kalles ofte hyperscalers, fordi de driver enorme nettverk for skytjenester og datasentre. De genererer betydelige kontantstrømmer, utsteder selskapsobligasjoner og låner fra store banker. Privat kreditt er én finansieringskilde for bransjen, men ikke den eneste.
I 2025 genererte for eksempel Amazon 139,5 milliarder dollar i operasjonell kontantstrøm og brukte 128,3 milliarder dollar i kontante investeringer, hovedsakelig på teknologi-infrastruktur. Selskapet avsluttet året med omtrent 123 milliarder dollar i kontanter, kontant-ekvivalenter og omsettelige verdipapirer. Amazon mottok også 25 milliarder dollar fra utstedelse av kort- og langsiktig gjeld i løpet av året.
Privat kreditt er viktig, men utgjør ikke hele markedet for finansiering av selskaper. Den amerikanske sentralbanken anslo at lån i form av privat kreditt utgjorde omtrent 1,4 billioner dollar i andre halvdel av 2025. Dette utgjorde rundt 10 % av den totale gjelden til ikke-finansielle selskaper i USA.
En periode med strammere finansiering endrer derfor hvem som kan bygge, hvor raskt prosjekter går fremover og hvilken avkastning investorene krever. Svakere utbyggere blir tvunget til å utsette eller avlyse planer. Sterkere selskaper betaler mer, bruker egne kontanter og sprer byggingen over en lengre periode. Dette er en omprising av risiko: Investorer som ser større usikkerhet, krever bedre vilkår.
Store infrastruktur-boomer har ofte utviklet seg på denne ujevne måten. Jernbaner, elektrisitets- og telekommunikasjonsnettverk har alle gått gjennom faser med entusiasme, overbygging, finansielt stress og konsolidering. Fiaskoene var reelle, men de underliggende nettverkene fortsatte å ekspandere.
2. Næringslivets etterspørsel: Eksperimenteringen blir mer selektiv
Næringslivet har brukt store summer på pilotprosjekter med AI. Småskalatester er blitt gjort for å finne ut om et system kan forbedre en reell arbeidsoppgave. Mange av disse testene har vært skuffende. Kostnadene var høyere enn forventet, de ansatte tok ikke alltid verktøyene i bruk, og noen bedrifter manglet de rene, velorganiserte dataene som trengs for at systemene skal være nyttige.
Disse voksesmertene betyr ikke at bedriftene har forkastet AI. De betyr at de blir mer selektive. I den første fasen av en ny teknologi kjøper bedrifter ofte raskt inn fordi de frykter å bli hengende etter. I den andre fasen sammenligner de resultater, stanser svake prosjekter og konsentrerer midlene på de applikasjonene som fungerer. Denne prosessen kan se ut som et tilbakeslag, selv når den langsiktige innføringen fortsetter.
I en Deloitte-undersøkelse fra januar 2025 forventet mer enn to tredjedeler av respondentene at 30 % eller færre av deres generative AI-eksperimenter ville bli fullt utvidet i løpet av de påfølgende tre til seks månedene. Samtidig sa 74 % at deres mest avanserte initiativ oppfylte eller overgikk forventningene til avkastning på investeringen (ROI).
En separat Deloitte-undersøkelse fra 2025 blant 1854 ledere i Europa og Midtøsten viste at det vanligvis tok to til fire år før et typisk AI-prosjeklt ga tilfredsstillende avkastning. Bare 6 % oppga at det betalte seg på under ett år, mens konvensjonelle investeringer i teknologi normalt forventes å gjøre det på sju til tolv måneder.
Da elektrisk kraft ble utviklet, erstattet for eksempel de første fabrikkene ofte en enkelt dampmaskin med en enkelt elektrisk motor, men beholdt den gamle fabrikkutformingen. Produktiviteten økte bare i beskjeden grad. Større gevinster kom senere, da fabrikkene ble omorganisert rundt mindre motorer plassert over hele bygningen. Teknologien oppnådde sin fulle verdi først etter at organisasjonene endret måten de arbeidet på (se Paul A. David, «The Dynamo and the Computer: An Historical Perspective on the Modern Productivity Paradox», American Economic Review, mai 1990, vol. 80, nr. 2, s. 355–361).
AI vil trolig følge en lignende bane. En chatbot som legges til en uendret prosess, vil kanskje spare litt tid. En omlagt prosess der AI sorterer dokumenter, utarbeider et første utkast, sjekker opplysninger og videresender uvanlige saker til et menneske, kan gi mye større gevinster. Det viktige spørsmålet er derfor ikke om hvert eneste tidlige eksperiment lykkes, men om bedrifter fortsetter å finne oppgaver som det er verdt å omlegge rundt teknologien.
3. Strøm er en alvorlig begrensning, men ikke en uoverstigelig hindring
AI-systemer kjører i datasentre fylt med spesialiserte datachiper. Disse anleggene krever store mengder strøm, kjøleutstyr og i mange tilfeller vann. I regioner der strømnettet allerede er overbelastet, kan det ta år før et nytt datasenter får tilkobling. Dette er et av de sterkeste argumentene mot ubegrenset kortsiktig vekst.
Det internasjonale energibyrået (IEA) anslår at datasentre brukte omtrent 485 terawattimer (TWh) strøm i 2025, etter at etterspørselen økte med 17 % på ett år. Strømforbruket i AI-fokuserte datasentre vokste enda raskere – med omtrent 50 %. IEA forventer at det totale forbruket i datasentre vil nå rundt 950 TWh innen 2030, omtrent det dobbelte av nivået i 2025 og tilsvarende omtrent 3 % av det globale strømbehovet.
Presset er mye større i USA. Lawrence Berkeley National Laboratory anslår i sin oppdatering fra juni 2026 at datasentre kan utgjøre 11,8 % av det totale strømforbruket i USA innen 2030, ifølge det sentrale anslaget. Scenariospennet ligger mellom 9,5 % og 15,3 %.
Basert på en stedsspesifikk analyse av kunngjorte prosjekter anslår IEA at begrensninger på nettet kan forsinke omtrent 20 % av den globale datasenterkapasiteten som er planlagt bygget innen 2030. Flere jurisdiksjoner har allerede innskrenket eller satt nye tilkoblinger på vent mens nettoperatørene behandler tilkoblingskøene.
Likevel er en strømmangel ikke en total forbannelse. Det er en begrensning som endrer priser og atferd. Teknologiselskaper inngår langsiktige kontrakter med kraftprodusenter, bygger anlegg i nærheten av tilgjengelige kraftverk, forbedrer kjølesystemer og utvikler brikker som utfører flere beregninger per enhet elektrisitet.
Kina har i årevis investert tungt i kjernefusjonsteknologi – en ressurs som USA med fordel bør ta i bruk umiddelbart som et «Manhattan-prosjekt» for det 21. århundre, dersom landet ønsker å sikre at Kina ikke til slutt vinner AI-kappløpet om global overlegenhet. Fusjonsenergi gir en enorm forsyning av ren, billig energi, og USA er velsignet med tre store vannmasser rundt seg som sikrer en ubegrenset forsyning. Uten betydelige offentlige investeringer i utvikling av kjernefusjon, ved å stole utelukkende på at private selskaper skal skaffe sin egen elektrisitet og sine egne kjernefysiske reaktorer, risikerer Vesten i alvorlig grad å bli hengende etter. Jo raskere den amerikanske regjeringen prioriterer utviklingen av kjernefusjon, desto raskere vil den bli kommersielt tilgjengelig – helst før Kina dominerer markedet først.
Noen selskaper lanserer også små modulære fisjonsreaktorer. Dette er kjernefysiske reaktorer som er utformet for å bli fabrikkprodusert i små, identiske enheter, i motsetning til tradisjonelle kjernekraftverk som bygges skreddersydd på stedet. Mange konstruksjoner står fortsatt overfor regulatoriske og kommersielle hindringer.
Den praktiske løsningen på kort sikt ser dessverre ut til å bli mindre dramatisk: flere kraftverk, sterkere overføringslinjer, bedre lagring, økt effektivitet og en forskyvning av deler av databehandlingen til steder og tidspunkter der strøm er tilgjengelig. Disse andre løsningene er langsomme og kostbare. Det er behov for en målrettet innsats for å utvikle fremtidens energi: fusjon.
4. Rimelige og åpne modeller: Konkurranse endrer markedet
Den siste bekymringen er konkurranse fra billigere AI-systemer, som for eksempel dem som utvikles i Kina, som skaffer seg det meste av sin teknologiske kunnskap gjennom tyveri. Vesten, særlig USA, må snarest slutte å stille sine innovasjoner og sin kapital til rådighet for Kina hvis man ønsker å forbli verdens fremste supermakt. Noen av disse systemene er åpne modeller – AI-systemer der de tekniske komponentene, som programvarekode eller vektingsparametere, gjøres tilgjengelige slik at andre kan inspisere, endre eller kjøre dem selv. Den nøyaktige graden av åpenhet varierer fra modell til modell.
Disse systemene reduserer åpenbart prisen på vanlige AI-oppgaver og legger press på selskaper som tar høye priser for allmenne tjenester. De reduserer også inntektene fra grunnleggende anvendelser som å oppsummere tekst, utarbeide rutinemessige meldinger eller besvare standardspørsmål.
Billigere og åpne modeller endrer allerede økonomien i AI-markedet. Stanfords AI-indeks anslår at kostnaden for å forespørre en modell som yter på omtrent GPT-3.5-nivå, falt fra 20 dollar per million tokens i november 2022 til 0,07 dollar i oktober 2024 – en nedgang på mer enn 280 ganger (i AI er et token en liten tekstenhet som en modell leser eller genererer). Priskonkurransen har fortsatt. I juli 2026 tok det kinesiske selskapet DeepSeek 0,14 dollar per million inngangstokener og 0,28 dollar per million utgangstokener for sin V4 Flash-modell. OpenAIs banebrytende GPT-5.6 Sol-modell var priset til henholdsvis 5 og 30 dollar. Modellene er ikke direkte sammenlignbare, men forskjellen illustrerer presset som rimelige konkurrenter legger på premiumprisene for rutinemessige AI-tjenester.
Forskjellen i ytelse har også blitt mindre. Ifølge Stanfords AI-indeks for 2026 byttet kinesiske og amerikanske modeller plasseringer nær toppen av ytelsesrangeringene i løpet av 2025. DeepSeek-R1 var kortvarig på nivå med den ledende amerikanske modellen i februar 2025, og i mars 2026 ledet den beste amerikanske modellen over den beste kinesiske modellen med bare 2,7 prosent. Konkurransen forskyver seg derfor bort fra nasjonalitet og mot kostnad, pålitelighet og ytelse på bestemte oppgaver.
Billigere modeller fjerner imidlertid ikke all verdi fra mer avanserte systemer. En «frontier»-modell som ligger på eller nær det høyeste nåværende ytelsesnivået, har fortsatt fordeler når det gjelder komplisert resonnement, pålitelighet, sikkerhet, spesialisert forretningsstøtte og integrasjon med store organisasjoner. Bedrifter innen helsevesen, finans, forsvar eller andre regulerte bransjer betaler mer for revisjonsspor, databeskyttelse og kontraktsmessige garantier.
Et eksempel fra virkeligheten er Morgan Stanley Wealth Management. I stedet for å bruke den billigste tilgjengelige chatboten, samarbeidet finansselskapet med OpenAI om å utvikle en intern GPT-4-assistent for sine finansrådgivere. Systemet søker i Morgan Stanleys godkjente kunnskapsbase og gir svar med lenker til de opprinnelige kildedokumentene. Morgan Stanley innførte også daglige tester for å oppdage svar som var upålitelige eller brøt reglene. De sørget for at selskapets beskyttede informasjon var underlagt ordninger med null datalagring, og krevde at rådgiverne gjennomgikk AI-generert materiale før de brukte det overfor kunder. Teknologien ble også integrert i eksisterende forretningssystemer: Møteassistenten kan utarbeide kundemerknader og utkast til oppfølgingsmeldinger som overføres til selskapets CRM-system.
For Morgan Stanley ligger verdien av det avanserte systemet derfor ikke bare i dets evne til å generere tekst. En billigere modell kan også oppsummere en investeringsrapport, men et unøyaktig, usikkert eller ikke-sporbart svar kan utsette selskapet for regulatoriske sanksjoner, økonomiske tap og svekket tillit hos kundene. Selskapet er derfor villig til å betale mer for pålitelighet, sporbarhet av kilder, databeskyttelse, menneskelig tilsyn og integrasjon med sine interne systemer. Dette illustrerer hvorfor organisasjoner innen finans, helsevesen, forsvar og andre regulerte bransjer kan fortsette å kjøpe førsteklasses AI-tjenester selv når det finnes mye billigere modeller.
Databehandling har gjentatte ganger gått gjennom dette mønsteret. Et teknisk lag blir billigere og mer allment tilgjengelig, mens verdien flyttes til et annet lag: spesialisert programvare, pålitelige tjenester, proprietære data, distribusjon eller integrasjon. Konkurranse kan redusere fortjenestemarginene uten å redusere den totale etterspørselen etter databehandling.
Hva kritikerne har rett i
Ingenting av dette betyr at alle AI-selskaper er trygge eller at alle datasentre vil oppnå en akseptabel avkastning. AI-brikker blir raskt foreldet. Et datasenter bygget rundt dagens utstyr kan møte en langt mer effektiv konkurrent i løpet av få år. Avskrivninger – den regnskapsmessige prosessen der kostnaden for en eiendel fordeles over dens levetid – kan derfor undervurdere hvor raskt noe utstyr mister økonomisk verdi.
Etterspørselen kan også vokse, mens fortjenesten forblir skuffende. Flyselskaper, telekommunikasjonsselskaper og bilprodusenter har alle betjent store markeder uten å oppnå eksepsjonell avkastning på en jevnlig basis. AI kan bli avgjørende for økonomien, samtidig som mange investorer fortsatt taper penger.
En korreksjon, som i andre sektorer, er derfor sannsynlig i deler av bransjen. Den vil eliminere svake prosjekter og tvinge sterkere selskaper til å forbedre seg. Det som er mindre overbevisende, er påstanden om at en slik korreksjon vil reversere den bredere innføringen av AI.
En bedre konklusjon
Debatten blir ofte fremstilt for enkelt: enten overflod eller kollaps. Selskaper med sterk økonomi vil fortsette å investere når svakere låntakere ikke kan. Høyere strømpriser fremmer effektivitet og ny kraftforsyning. Billigere modeller utvider tilgangen og skaper nye bruksområder, ettersom de reduserer prisene. Mer krevende kunder presser leverandørene til å bevise at produktene deres skaper målbar verdi.
Den neste fasen av AI vil være mindre euforisk og mer selektiv. Kapitalen vil bevege seg bort fra moteriktige prosjekter og mot systemer som sparer tid, reduserer feil, øker produksjonen eller skaper produkter som kundene vil betale for. Noen forretningsmodeller vil mislykkes. Noen investorer vil lide store tap. Alt dette er ikke bare i tråd med historien om kapitalistiske systemers innføring av nye teknologier, men det er også sunt.
Fremveksten av billig AI fra Kina er åpenbart uviss, når man vet at tyveri av immaterielle rettigheter fortsatt er den kinesiske økonomiske modellen, og at enhver kinesisk «bedrift» aldri er mer enn én av de tusen sidene ved det kinesiske kommunistpartiet.
Stopp opp og spør deg selv hvor mange ganger du har brukt AI i dag, eller verktøy som selv bruker AI. Spørsmålet gir ikke lenger mening: AI er overalt hele tiden. Den har allerede utvidet mulighetene i vår verden. Korreksjoner vil komme, kapital vil bli omfordelt, og noen forretningsmodeller vil mislykkes – det er den vanlige prisen for fremgang. Det som ikke vil snu, er den dypere endringen som allerede er i gang: den permanente integreringen av avansert databehandling i livets produktive kjerne. Å forveksle den uunngåelige turbulensen i en utbyggingsfase med slutten på syklusen, er som å stirre på fingeren mens Elon Musk peker mot Mars.
Opprinnelig publisert hos Gatestone Institute den 19. august 2026.
