AI er en af de mest transformerende teknologier i moderne tid med et potentiale på niveau med jernbanen, elektriciteten og internettet. AI øger ikke blot produktiviteten, men ændrer beslutningsprocesser, organisationer og i sidste ende magtstrukturer. Netop derfor følger AI også et historisk genkendeligt mønster: store forventninger, massiv kapitalallokering, og usikker timing på afkast. Dén dynamik er velkendt, men det nye er størrelsen, hastigheden og koncentrationen. Så hvad kan udløse en brist i AI boblen?
Dette er første blog indlæg af to om emnet.
Kapitalallokeringen er historisk høj, og koncentreret
AI-investeringerne er i dag så omfattende, at de i sig selv påvirker makroøkonomien. Samtidig hviler en væsentlig del af investeringscasen på én central antagelse, at intelligens kan skaleres lineært med data, compute og kapital. Jo større investeringer, jo større er følsomheden over for, hvornår investeringsafkastene materialiserer sig og, om de materialiserer sig fuldt.
- Alene blandt Hyperscalers stiger Capex i 2026 til 2% af USAs BNP.
- Når man lægger øvrige AI relaterede investeringer til, stiger det samlede omfang til tæt på 5% af BNP eller halvanden gange forsvarsbudgettet. Vækstkurven forventes at stige yderligere over mindst de næste 5 år, og kan stige yderligere, jo nærmere kvantecomputere kommer kommerciel lancering.
Markedet er meget dyrt og afspejler uafbrudt succes
Markedet er prissat til uafbrudt succes, mens de underliggende drivere allerede divergerer. Derfor stiger risikoen pt. for en væsentlig korrektion af AI aktiernes priser. Risikopotentialet er markant, fordi AI aktierne i dag har systemisk stor betydning for de samlede finansmarkedsværdier. Et kollaps blandt f.eks. OpenAI eller Anthropic vil påvirke den brede markedstillid til aktiepriserne, der i dag er historisk høj.
De brede værdiansættelser i markedet afspejler således at:
- Den amerikanske vækst vil fortsætte niveauet fra de sidste år
- At inflationen ikke stiger, fordi det vil dæmpe forbrug og dermed økonomisk vækst
- At den lavestlønnede tredjedel af befolkningen vil fastholde sit forbrug som hidtil, selvom de mangler opsparinger
Værdiansættelserne i AI aktier afspejler desuden at:
- Bruger- og efterspørgselsvæksten fortsætter som hidtil
- Brugerne vil være villige til at betale for adgang til AI
- Enhedsomkostningerne (compute, tokens og hardware) fortsætter med at falde
Men grundlaget for værdiansættelserne er under pres
Alle tre faktorer er dog under pres. Der er tegn på, at der er ved at opstå en situation, hvor efterspørgslen vokser, men værdiskabelsen forbliver uklar:
- Antallet af brugere vokser, men deres loyalitet er lav. Switching costs for disse er bl.a. meget lave, fordi forbruget fortsat er ad hoc drevet (prompt for prompt), snarere end at brugerne bygger deres systemer op om én platform som f.eks. ChatGPT.
- Monetisering, dvs. brugerbetaling er mulig for store brugere, men mindre og mellemstore holder fortsat tilbage med at abonnere. Hér har OpenAI især problemer, fordi de mangler alternative revenue streams fra f.eks. annoncer, der kan skabe udsigt til egenfinansiering. OpenAI har således stadig ikke forventninger om positivt cash flow inden for de næste 5 år.
- Omkostningerne per enhed falder generelt (pt. på nær hukommelseschips). Men faldet udlignes af, at totalforbruget vokser eksplosivt. Derfor er de normale prismekanismer fra “Moores lov” sat midlertidigt ud af kraft, fordi det samlede forbrug stiger så kraftigt.
Endelig afspejler værdiansættelserne af især de unoterede AI frontløbere OpenAI og Anthropic, at disse vil blive fremtidens AI storspillere over en bred vifte af industrier. Erfaringerne fra dot-com modsiger troen på, at selskaber, der er specialiserede i at udvikle softwareplatforme, selv vil evne at udvikle sig til kommercielt eller forskningsmæssigt succesfulde enheder. Den erfaring gjorde bl.a. Cisco, Yahoo og Sun Microsystems.
Den største finansielle risiko er selve grundlaget for investeringsboomet, …
Grundlæggende er hele 2/3 af amerikansk økonomi drevet af privatforbruget. Men i de sidste par år har investeringsraten været den væsentligste vækstfaktor for BNP. Væksten i investeringer har især været drevet af AI, og datacentre til det.
AIs investeringsspring er især et resultat af det, der kaldes skaleringshypotesen. I de tidlige faser af udviklingen opstod de største AI resultater, jo flere data (skala) AI kunne lære fra og arbejde på. Det forbedrede både sprog, modellæring, ræsonnementer og indhold i så høj en grad, at branchen efterspurgte ubegrænsede data, uanset kvalitet. Med JD Vances ord til AI Action Summit i 2025: “The AI future is not going to be won by hand wringing about safety”.
AI blev således bl.a. trænet på SoMe data og på data fra hyperscalers, bl.a. uden hensyntagen til, om nogle af postulaterne her var i overensstemmelse med kendsgerninger. Hypotesen var bl.a. den oprindelige årsag til Project Stargates investeringsramme på 500 mia. USD, der skulle bruges til datacentre.
… for skaleringshypotesen slår revner
Nyere observationer peger dog på, at skaleringshypotesen og således selve logikken bag investeringerne ikke længere holder. Først og fremmest falder den marginale forbedring ved større modeller til et punkt, hvor brugerne ikke kan kende forskel. Det samme gælder værdien af yderligere træningsdata. At lade AI lære fra SoMe data og fra hyperscaler data har ikke opkvalificeret værdien af data, men har snarere gentaget mange data så meget, at kvaliteten på visse områder er faldet. Derfor er omkostningerne ved stadig større foundation modeller steget, men de yderligere investeringer i skala omsættes ikke længere til øgede oplevelser hos brugerne.
Det indikerer et strukturelt skifte, der kan ændre investeringscasen fundamentalt. For hvis intelligens ikke længere kan “købes” gennem skala alene, kræver næste skridt bl.a.:
- Nye arkitekturer for foundation modeller
- Integration af sanser (multimodalitet, fysisk interaktion m.v.). Mange af disse mangler i dag kvalificeret teknologisk modning, f.eks. taktile sensorer og “næser”.
- Bedre kausal forståelse frem for statistisk mønstergenkendelse.
Det kan betyde, at en væsentlig del af de nuværende investeringer er foretaget på et systematisk forkert grundlag og således kan være stranded assets. Effekten er desuden, at AI udviklingen skal skifte grundlag fra kvantitativ skalering til kvalitative gennembrud. Det er en langt mere usikker og langsommere udviklingsvej. Investeringerne er så store og aktiemarkedets brede følsomhed det samme, at de kan udløse større systemiske bevægelser.
Fortsættes i næste blog indlæg