Er «godt nok» i ferd med å bli et AI-konkurransefortrinn?

Samtidig blir selskapene mer bevisste på kostnadene ved økt AI-bruk. Kan det endre hvem som ligger best an til å vinne AI-kappløpet?

Kinesiske AI-selskaper utfordrer de amerikanske gigantene, og vi har begynt å se tendenser til en priskrig. DeepSeek, Alibaba og Moonshot har lansert stadig mer konkurransedyktige modeller til lave priser, også med økende bruk blant amerikanske kunder. Det legger press på de amerikanske aktørene.

OpenAI og Anthropic har den siste tiden kuttet prisene på flere av sine modeller, samtidig som amerikanske selskaper ønsker å få ned kostnadene ved AI-bruk. Financial Times beskriver utviklingen som en priskrig.

Hvorfor betale mer?

Det betyr ikke nødvendigvis at kinesiske modeller skal slå amerikanske på alle områder. Men når en billigere modell kan løse mange av de samme oppgavene, blir pris en viktigere del av konkurransen. For hvis en billig modell løser en oppgave nesten like godt som en dyr modell, hvorfor betale mer?

Selskaper har gått fra å oppfordre ansatte til å teste AI fritt, til økende fokus på hva bruken faktisk koster og hvilken verdi den skaper. Så betyr det at kostnadene nå vil bremse AI-adopsjonen?

Lite tyder på det

En fersk EY-undersøkelse viser at 98 prosent av ledere i selskaper som bruker token-baserte AI-verktøy, har revurdert AI-strategien som følge av økte kostnader. Men bare 15 prosent vurderer å redusere utrullingen, mens 37 prosent vurderer å øke den.

Det kan tyde på at kostnadene ikke først og fremst stopper AI-adopsjonen. De gjør bedriftene mer bevisste på hvilken modell de bruker, til hvilken oppgave og til hvilken pris.

Pris per token er ikke hele bilde, men total kostnad per løste oppgave

Det kan være tegn til et todelt AI-marked: billigere kinesiske og andre åpne modeller kan ta mer av volumet, mens amerikanske frontier-modeller brukes der den høyeste ytelsen er viktigst. Spørsmålet for investorer blir da: Hvor stort blir markedet for premium-AI?

Her er det en viktig nyanse, for den billigste modellen per token er ikke nødvendigvis den billigste modellen i praksis. Det avgjørende er hva det koster å løse oppgaven. En billig modell kan trenge flere forsøk, mer «reasoning» eller mer menneskelig kontroll. Dette blir særlig relevant når AI går fra en enkel prompt og et svar, til agenter som søker, planlegger, resonnerer og utfører flere oppgaver i en kjede.

Den virkelige konkurransen kan derfor bli hvem som leverer høy nok kvalitet til lavest total kostnad per løst oppgave, og ikke hvem som har lavest tokenpris.

To krefter som trekker i hver sin retning

Vi kjenner allerede AI-verdikjeden. Det nye spørsmålet er hvor i kjeden denne konkurransen vil få størst effekt. Det er to krefter som trekker i hver sin retning:

1. Billigere og mer effektive modeller kan føre til kraftig økt AI-bruk. Økt AI-bruk er positivt for selskaper som leverer applikasjoner, datasentre, chips og energi.
2. Samtidig kan mer effektive modeller redusere compute-behovet per oppgave. Hvis samme jobb kan gjøres med mindre beregningskraft, trenger man mindre datakraft hver gang modellen brukes.

For modellprodusentene er det heller ikke gitt at økt volum kompenserer for lavere priser. Hvis prisen per forespørsel faller raskere enn kostnadene ved å trene og kjøre modellene, kan økt bruk fortsatt gi lavere inntjening.

Vi har ikke fasiten på hvem som vinner AI-kappløpet. Men det som er sikkert, er at det kommer stadig nye nyanser som må med i regnestykket. Det handler ikke lenger bare om hvem som lager den smarteste modellen, eller hvem som tilbyr den laveste tokenprisen.

«Godt nok» kan være et konkurransefortrinn, men til slutt så er det nok mer den totale kostnaden for å løse oppgaven som teller.

Innholdet i artikkelen er å anse som markedsføringsmateriale fra DNB og skal ikke oppfattes som et tilbud om å kjøpe eller selge finansielle instrumenter eller som investeringsrådgivning tilpasset den enkelte investors situasjon. DNB påtar seg ikke noe ansvar som følge av at innholdet i artikkelen legges til grunn for eventuelle investeringsbeslutninger. Historisk avkastning er ingen garanti for framtidig avkastning. Avkastningen kan bli negativ som følge av kurstap.