Kapløbet er i fuld gang. Elon Musks SpaceX, som også udvikler AI-modeller ud over rumraketter, annoncerede i sidste uge, at de søger en værdiansættelse på 1,77 billioner dollars (1,31 billioner pund) på det amerikanske aktiemarked. Samtidig meddelte Anthropic, startup-virksomheden bag Claude-chatbotten, at de havde indgivet ansøgning om børsnotering. OpenAI, udvikleren af ChatGPT, forventes at følge trop.
Denne seneste top i AI-markedet kommer midt i et multi-billion-dollar forbrugsorg på relateret infrastruktur, såsom datacentre. Samtidig forsøger virksomheder at bruge teknologien på måder, der gør deres investeringer værdifulde. Her er et kig på, hvor AI-boomet står, og seks nøglediagrammer, der viser, hvordan vi nåede hertil.
1. AI har drevet aktier til nye højder
S&P 500, som følger de 500 største amerikanske virksomheder, er steget næsten 80% i løbet af de seneste fem år. Dette hop er blevet drevet af store teknologiske aktier med en interesse i AI-boomet – de "magnificent seven": Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia og Tesla.
Investorernes fokus på teknologi er uden fortilfælde, siger Jim Bianco fra det amerikanske firma Bianco Research. Hans forskning viste, at 41 AI-relaterede aktier nu udgør næsten halvdelen af S&P 500's samlede markedsværdi.
Neil Wilson, analytiker hos investeringsplatformen Saxo UK, advarer om, at risikoen for et inflationschok i 1970'er-stil, høje teknologivurderinger generelt og en potentiel frysning af private kreditmarkeder ikke varsler godt for aktier.
"Hele markedet er blevet én stor AI-struktur," siger han. "Faren er en gentagelse af dotcom-boblen – et massivt krak og år med tabte afkast. Efter nogle mål er værdiansættelserne ikke så strakte som dengang, men det ligner et utroligt risikabelt marked."
2. Forbruget vokser med en forbløffende hastighed
Forbruget på AI – fra datacentre til chips – suser fremad, fra 765 milliarder dollars i år til 1,6 billioner dollars i 2031, ifølge Goldman Sachs. Investeringsbanken erkender, at der kan være problemer med en så stor forpligtelse. Hvad hvis datacentre bliver forsinket?
"Med den mængde kapital, der forpligtes, inviterer selv små forsinkelser i udførelsen til alvorlige spørgsmål om efterspørgselsantagelserne bag disse investeringer," siger Goldman-analytikere. De tilføjer dog, at hvis forbrugsplanerne forløber glat, kan det udløse en ny bølge af AI-efterspørgsel. Ikke desto mindre viser forbruget, hvor mange globale finansielle ressourcer – og forventninger til afkast – der hældes i AI.
3. Virksomheder og forbrugere tager AI hurtigt i brug
På trods af blandede rapporter om dets fordele er langt de fleste virksomheder begyndt at bruge AI – op fra 33% i 2023 til næsten 80% nu, ifølge konsulentfirmaet McKinsey. Offentlig brug er også høj, hvor OpenAI's ChatGPT nu når 1 milliard månedlige aktive brugere, ifølge data fra Sensor Tower – en rekord for enhver app.
Udfordringen for AI-udviklere nu er, hvordan man tjener penge på denne enorme base af offentlige og private kunder. Virksomheder skal vise, at AI forbedrer resultater og skærer omkostninger nok til at retfærdiggøre udgiften. Det betyder at bruge det til at bygge hele arbejdsgange – forretningsjargon for at fuldføre en opgave fra start til slut. Der er stadig lang vej igen på den front.
4. Claude indhenter ChatGPT
Anthropic begyndte at vinde terræn på OpenAI sidste år, da deres Claude Code-værktøj gik viralt blandt softwareudviklere, mest i San Francisco-området, før det spredte sig bredere. Claude Code markerede et skift i, hvordan store sprogmodeller – kerneteknologien bag chatbots – bruges, med en bevægelse mod autonome AI-agenter, der udfører opgaver uden menneskelig hjælp, hvilket gør det muligt for selv ikke-teknisk kyndige mennesker at skabe software og håndtere en bred vifte af opgaver.
OpenAI har stadig en meget større samlet brugerbase, men data fra internetanalysefirmaet Kentik – som sporer brug på tværs af flere amerikanske internetudbydere – viser, at Anthropic hurtigt lukker hullet. Claudes brugertrafik voksede betydeligt hurtigere end ChatGPT og Googles Gemini mellem januar og april, med en stigning efter den periode. Pentagon mærkede det som en forsyningskæderisiko i marts. Med denne vækstrate forudsiger Kentik, at det kunne overhale ChatGPT til sommer – endnu en grund til, at Anthropic kan finde en lettere vej til en børsnotering end sin konkurrent.
5. AI bliver dyrere at bruge
Hver gang en AI-chatbot eller -agent giver et svar, måles det i "tokens" – grundlæggende sprogenheder, der kan være ord, tegnsætning eller stavelser. (For eksempel siger OpenAI, at sætningen "You miss 100% of the shots you don’t take" er 11 tokens værd.) Tokens måler også input, som den prompt du skriver ind i ChatGPT.
Omkostningerne varierer efter model; OpenAI opkræver $5 per million input-tokens for GPT-5.5 og $30 per million output-tokens (svaret på din prompt).
Problemet for brugere er, at token-omkostningerne stiger kraftigt, selv mens virksomheder overalt presser medarbejdere til at "tokenmaxx" – hvilket betyder, virkelig at satse fuldt ud på at bruge AI. Problemet for AI-virksomheder er, at de stadig ikke opkræver nok.
Det grundlæggende løfte fra AI er, at de penge, en virksomhed bruger på disse værktøjer, mere end opvejes af gevinster i produktivitet – et mål for økonomisk effektivitet, hvor højere produktivitet betyder mere output pr. arbejder. Hvis dette kompromis ikke fungerer, svækkes antagelserne bag AI-værdiansættelser – og politikker.
"Omkostningerne er fuldstændig ude af kontrol," siger Liam Betsworth, grundlægger af den britiske AI-startup Pendra. Han siger, at softwareudviklere i hans netværk bruger agenter til at kode, startende med det billigste abonnement og hurtigt skiftende til det dyreste. De er ikke alene – nyhedssitet Axios rapporterede for nylig om en unavngiven virksomhed, der brugte $500 millioner på en måned på licenser til Claude Code.
6. Datacenterbyggeri kan måske ikke følge med efterspørgslen
At bygge datacentre er som centralnervesystemet for AI-produkter, så voksende udvikling og brug af AI-værktøjer skal matches med mere kapacitet – ellers vil der være en computerkraftmangel, hvilket betyder højere omkostninger for AI-virksomheder og brugere.
Sektorens ambitioner for datacentre er enorme og virker næsten urealistiske. Bloomberg anslår, at 23 gigawatt kapacitet var under opførelse globalt i 2025 (kapacitet måles i elektrisk strøm, fordi det begrænser, hvor meget computing et sted kan udføre).
Det amerikanske ejendomsselskab JLL forudsiger, at 100 gigawatt vil blive tilføjet mellem 2026 og 2030 – en fordobling af, hvad de anslår som nuværende kapacitet, svarende til 1.200 datacentre. JLL siger, at deres estimat inkluderer spekulative projekter, der måske aldrig bliver påbegyndt.
Hvor pengene – og energiforsyningen – skal komme fra for at opfylde denne prognose, er et åbent spørgsmål. Cecilia Rikap, lektor ved University College London, siger, at mange projekter verden over afhænger af politiske løfter om at udvide elnettet og levere strøm; men regeringer har måske ikke ressourcerne til at følge op.
Hun spørger: "Har regeringen beregnet, om en sådan udvidelse er mulig? Har de pengene til at gøre det? Har de overvejet den miljøskade, det ville forårsage?"
7. Hvad AI-modeller kan gøre, udvides hurtigt
AI-modellers evner er forbedret med stormskridt siden 2023, ifølge METR, en forskningsorganisation, der måler AI-kapaciteter.
METR's målinger er baseret på, om AI-modeller kan fuldføre en kodningsopgave, målt ved, hvor lang tid det ville tage et menneske at gøre det. Efter dette mål fordobles AI-modellers kapacitet hver fjerde måned. For eksempel anslås Anthropics Claude Mythos-model at opnå en 50% succesrate på opgaver, der ville tage en menneskelig ekspert mellem otte timer og to dage.
Der har dog ikke været en tilsvarende indvirkning på job – indtil videre. En rapport fra marts fra Anthropic inkluderede forskning, der viste, at AI i teorien kunne udføre mange job, fra computing til juridisk arbejde, men det har endnu ikke gjort det i stor skala.
Bouke Klein Teeselink, akademiker ved King's College London og ekspert i AI's indvirkning, bemærker, at dette hul forbliver betydeligt. AI's indvirkning på arbejde viser, at der er forhindringer for at tage det i brug i arbejdsstyrken. For eksempel, hvor meget af en CEO's eller senior managers job kan sikkert overlades til en bot? Kan juridisk følsomme opgaver udføres af andet end et menneske? Ikke desto mindre, siger han, er forandring på vej.
"Vi er stadig i de tidlige stadier af AI-revolutionen. Mange mennesker udfører opgaver, der kunne håndteres af AI. Omfanget af forandring, vi er ved at se, vil være enormt."
8. Datacentre understøtter USAs BNP
Selvom den amerikanske regering har skåret ned på job under Donald Trumps administration, og mange industrier har set massefyringer, er USAs BNP fortsat med at vokse – 2,1% i 2025 og 1,6% i første kvartal af 2026, ifølge US Bureau of Economic Analysis. En Harvard-økonom beregner dog, at uden datacenterboomet kunne disse tal være meget mindre. Faktisk udgjorde "investering i informationsbehandlingsudstyr og software" 92% af USAs BNP-vækst i første halvdel af 2025.
Det betyder, at datacentre – og AI-boomet – driver en enorm andel af USAs vækst. De er en stor grund til, at verdens største økonomi stadig ser sund ud, på trods af store udfordringer. Enhver opbremsning i dette forbrug kunne have økonomiske, og dermed politiske, konsekvenser.
**Ofte stillede spørgsmål**
Her er en liste over ofte stillede spørgsmål baseret på artiklen Milliarder er blevet brugt, og de potentielle afkast er stadig usikre Her er AI-boomet forklaret med seks diagrammer
**Spørgsmål på begynderniveau**
1. Hvorfor bruger virksomheder så mange penge på AI, hvis afkastet ikke er garanteret?
De satser på, at AI til sidst vil revolutionere industrier og skabe massive overskud, svarende til internettets tidlige dage. De vil ikke være bagud, hvis det lykkes.
2. Hvad mener du med AI-boom?
Det er den nuværende periode med enorme investeringer, spænding og hurtig udvikling inden for kunstig intelligens, især i værktøjer som ChatGPT og billedgeneratorer.
3. Tjener AI faktisk penge for nogen lige nu?
For de fleste virksomheder endnu ikke. Omkostningerne ved at bygge og køre avanceret AI er enorme, og det er stadig uklart, hvornår disse omkostninger vil blive tjent ind af udbredte betalende kunder.
4. Hvad handler de seks diagrammer i artiklen om?
De viser nøgletendenser: massivt forbrug fra teknologigiganter, stigende efterspørgsel efter AI-chips, de enorme energiomkostninger ved AI, det lille antal faktiske betalende brugere, præstationsplateauet for nogle modeller og den usikre aktiemarkedsreaktion.
**Spørgsmål på avanceret niveau**
5. Hvorfor er omkostningen ved inferens så stort et problem?
Inferens er, når du faktisk bruger en AI-model. Det er langt dyrere end at træne modellen én gang. Hvis millioner af mennesker bruger det dagligt, skyder el- og computeromkostningerne i vejret, hvilket gør overskud meget svært at opnå.
6. Hvordan viser diagrammerne, at de lette gevinster i AI måske er forbi?
Et diagram viser, at præstationsforbedringerne for de største AI-modeller begynder at aftage, selv mens omkostningerne ved at træne dem fortsætter med at stige. Dette tyder på, at vi når et punkt med aftagende afkast.
7. Hvad siger artiklen om Nvidias rolle i dette boom?
Nvidia laver de essentielle chips til AI. Diagrammerne viser, at Nvidias omsætning er eksploderet, men dette er "hakker og skovle" i guldfeberen. Spørgsmålet er, om de virksomheder, der køber disse chips, nogensinde vil få et afkast på deres investering.
8. Hvordan påvirker det usikre afkast mindre AI-startups?
Det
