AI-infrastruktur der Nvidia tar 85 prosent krever en plan B

Hva et rack-skala AI-system som Helios faktisk er

Da AMD nylig viste fram Helios, var det ikke en enkelt brikke, men et helt serverrack solgt som en enhet. AMD beskriver det som bransjens høyest ytende AI-rack-system og har allerede navngitt kunder som Microsoft, OpenAI, Meta, Oracle og Anthropic. Poenget for en norsk beslutningstaker er ikke spesifikasjonene i seg selv, men at innkjøpsenheten har flyttet seg fra komponent til komplett system. Når du kjøper et rack, kjøper du CPU, GPU, nettverk og programvare i en pakke, som AMD selv understreker. Det gjør bytte dyrere senere.

Denne innpakkingen er grunnen til at leverandørvalg i AI-infrastruktur ligner mer på et plattformvalg enn et komponentkjøp. Du binder deg ikke bare til en brikke, men til et helt økosystem av nettverk, kjøling og programvarebiblioteker rundt den.

Fra enkeltbrikke til rack som innkjøpsenhet

Tidligere kjøpte man akseleratorer og satte dem sammen selv. I dag konkurrerer AMD med et full-stack rack-skala system, og Nvidia svarer med tilsvarende plattformer. Nvidias Vera Rubin-plattform kombinerer syv brikker og lover ifølge 10 ganger bedre ytelse per watt enn forgjengeren. Nvidias Blackwell-arkitektur er oppgitt til 2,5 ganger raskere enn den forrige generasjonen. På AMD-siden er MI355X oppgitt til fire ganger raskere enn MI300X, mens MI325X har 6 TBps båndbredde.

Skiftet fra trening til inferens driver denne systemtenkningen. Inferensarbeid utgjør omtrent to tredjedeler av all AI-beregningsetterspørsel i 2026, og agentbaserte arbeidsflyter endrer balansen mellom prosessorer. Der trening historisk brukte et CPU-til-GPU-forhold på 1:8, trekker agentic AI dette mot 1:1. Det endrer hva et balansert rack skal inneholde.

Strøm og kjøling er en del av kjøpet

Et rack-skala system er også en energibeslutning. Et enkelt høytetthets serverrack kan trekke 120 kW. Det er en helt annen kjøle- og strømprofil enn tradisjonelle servere, og det setter grenser for hvor slike systemer kan plasseres. For norske aktører som vurderer lokal drift, er dette ofte den harde begrensningen, ikke prisen på selve brikkene.

Forsyningskjeden bak systemene er stram. CoWoS-emballasjen er utsolgt gjennom hele 2026, og Micron har forhåndssolgt hele sin HBM-produksjon flere år fremover. Ledetider på maskinvare kan derfor bli en reell del av risikoen, uavhengig av hvilken leverandør du velger.

Konkurransebildet i AI-maskinvare akkurat nå

Konsentrasjonen er utgangspunktet for hele diskusjonen. Nvidia hadde 85 prosent av AI-prosessorinntektene i mars 2026, ifølge Morgan Stanley. Andre målinger legger seg i samme leie: 80 prosent av datasenter-AI-akseleratorene, rundt 75 til 80 prosent av markedet for enterprise-akseleratorer, og over 90 prosent av datasenter-GPU-ene. Tallene spriker fordi de måler litt ulike ting, men konklusjonen er den samme: ett selskap dominerer. NRK har dekket den samme Nvidia-drevne AI-boomen fra et norsk ståsted.

Markedsverdien speiler dominansen. Nvidia passerte 5,3 billioner dollar i markedsverdi i 2026, mot 1 billion dollar så sent som tidlig i 2023. Selskapets ordrebok er formidabel: Blackwell og Rubin har til sammen rundt 1 billion dollar i innsikt gjennom 2027.

AMD er den nærmeste GPU-utfordreren

AMD er nest størst i markedsverdi blant brikkeprodusentene og har byttet retorikk. Selskapet sier de ikke lenger bare jager Nvidia, men har som mål å lede markedet. Kundelisten begynner å bli tung: AMD har signert store avtaler med OpenAI, Oracle, Meta og Anthropic, og OpenAI-avtalen alene er på 6 GW med Instinct-brikker. Momentumet vises i regnskapet, der datasentersegmentet var det største inntektssegmentet i kvartalet med 3,5 milliarder dollar.

Til sammenligning er Nvidias avhengighet av datasenter enda tydeligere. Datasentersalget stod for den store majoriteten av kvartalsinntektene i Q3 FY2025, tilsvarende 30,8 milliarder dollar, med en årlig vekst på 112 prosent.

Egne brikker og ASIC-er endrer bildet

Konkurransen kommer ikke bare fra andre GPU-produsenter. Broadcom dominerer nesten 70 prosent av markedet for tilpassede ASIC-er og har satt seg et mål på 100 milliarder dollar for tilpasset chip-virksomhet innen regnskapsåret 2027. Trenden er tydelig i forsendelsestallene: ASIC-baserte AI-serverforsendelser ventes å vokse klart raskere i 2026 enn GPU-baserte. I dag er flertallet av forsendelsene GPU-baserte og 27 prosent ASIC-baserte, men ASIC-andelen kan nå 40 prosent innen 2030.

Bak alle disse aktørene står produksjonen. TSMC har et effektivt monopol på ledende 3nm- og 2nm-prosessnoder og en markedsverdi på 2,1 billioner dollar i 2026. Uansett hvilken merkevare som står på racket, går svært mye av produksjonen gjennom samme fabrikk. Det er en konsentrasjon leverandøruavhengighet ikke løser.

Selskap	Rolle i AI-maskinvare	Nøkkeltall
Nvidia	Dominant GPU-akselerator	85 % av AI-prosessorinntektene (Morgan Stanley)
AMD	Nærmeste GPU-utfordrer	Datasenter største inntektssegment, 6 GW-avtale med OpenAI
Broadcom	Tilpassede ASIC-er	Rundt 70 % av ASIC-markedet
TSMC	Produksjon (foundry)	Monopol på 3nm og 2nm, markedsverdi 2,1 billioner dollar
Intel	CPU-leder, henger etter i GPU	Gaudi 3 raskere enn Nvidia H100 i trening
Cerebras	Wafer-scale akseleratorer	WSE-3 med 900 000 AI-kjerner

Hvorfor CUDA gir Nvidia et forsprang bygget over 18 år

Nvidias sterkeste vollgrav er ikke brikkene, men programvaren. CUDA-forspranget er vanskelig å ta igjen raskt fordi det er bygget over 18 års utvikling. Nesten alle rammeverk, biblioteker og oppskrifter i AI-verdenen antar CUDA. Å bytte til en annen plattform betyr å skrive om, teste på nytt og risikere ytelsestap, selv om selve brikken er konkurransedyktig.

Her ligger Aluras første posisjon. Vår erfaring er at programvarelåsing betyr like mye som brikkespesifikasjoner når man vurderer å bytte eller bruke flere leverandører. To akseleratorer kan se like ut på et datablad og likevel skille seg dramatisk i hvor mye arbeid det koster å flytte en produksjonsmodell mellom dem. Spesifikasjonssammenligning uten programvareanalyse gir et misvisende bilde av byttekostnaden.

ROCm og forsøkene på å bryte låsen

AMD angriper problemet direkte. Selskapet bruker AI for å gjøre det lettere å portere CUDA-programmer til ROCm, sin egen programvarestakk. Argumentet AMD selv fremmer, er at de kan vinne bedriftskunder ved å tilby et integrert infrastrukturalternativ, spesielt der kjøpere ønsker flere leverandører eller allerede bruker AMD-prosessorer. Det er nettopp leverandøruavhengighet som selges som verdi.

Men portering er ikke gratis, og modenheten i verktøykjeden avgjør hvor smertefritt det går. En kjøper som vurderer et bytte, må teste sine egne arbeidsbelastninger, ikke stole på leverandørens demonstrasjoner. Det er forskjellen mellom teoretisk uavhengighet og praktisk uavhengighet.

DeepSeek viser at effektivitet kan flytte etterspørselen

Programvare og metode kan også redusere hvor mye maskinvare som trengs i utgangspunktet. DeepSeek har demonstrert at avanserte AI-modeller kan produseres med betydelig færre ressurser. Selskapets R1-modell hadde en oppgitt treningskostnad på 5,58 millioner dollar, et tall som utfordret antakelsen om at frontlinjemodeller krever ubegrenset kapital.

For en norsk kjøper er lærdommen at maskinvarebehovet ikke er en fast størrelse. Effektivitet i modellene kan senke terskelen for hva som er nødvendig, og det svekker argumentet om at man må kjøpe det dyreste og nyeste for å være med.

Et enkelt rammeverk for å vurdere leverandøruavhengighet

Leverandøruavhengighet er ikke et ja eller nei, men en avveining. Aluras andre posisjon setter tonen: leverandøruavhengighet er en reell risikoreduksjon når ett selskap dominerer AI-maskinvaren, men det har en kostnad som må veies mot nytten. Å holde to plattformer varme koster i form av dobbelt kompetanse, mer testing og mindre rabatt per enhet. Gevinsten er forhandlingskraft og evne til å flytte last hvis en leverandør svikter på pris, tilgang eller ledetid.

Rammeverket under deler eksponeringen i fem dimensjoner. Poenget er ikke å eliminere all risiko, men å vite hvilken risiko du faktisk tar på deg når du signerer.

Dimensjon	Hva du eksponeres for	Spørsmål å stille
Maskinvarelåsing	Rack og nettverk fra en leverandør	Kan komponenter byttes uten å rive hele systemet?
Programvarelåsing	CUDA, ROCm og rammeverk	Hva koster det å portere våre modeller?
Skyavhengighet	Én skyleverandørs maskinvarevalg	Kan arbeidslasten flyttes til en annen sky?
Byttekostnad	Kompetanse, testing, nedetid	Har vi råd til å drive to stakker parallelt?
Forsyningskjede	CoWoS, HBM og produksjon hos TSMC	Hva er ledetiden, og hvem deler samme fabrikk?

Når uavhengighet lønner seg, og når den ikke gjør det

Uavhengighet lønner seg tydeligst når byttekostnaden er lav og markedet er konsentrert. Der ett selskap tar 85 prosent, er evnen til å bytte en forsikring mot prising og tilgangsbegrensninger. Den lønner seg mindre når arbeidslasten er dypt sammenvevd med en spesifikk programvarestakk, fordi da spiser porteringen opp gevinsten.

Åpenhet i økosystemet påvirker regnestykket. En betydelig andel av grunnmodellene er utgitt under åpen lisens, noe som gir mer valgfrihet høyere opp i stakken selv om maskinvaren under er konsentrert. Uavhengighet på modellnivå kan delvis kompensere for låsing på brikkenivå.

AI er ikke ett marked, men flere lag

En vanlig feil er å behandle AI som en monolitt. AI er ikke et enkelt marked, men en familie av teknologier som opererer på forskjellige lag, og hver nisje er intenst konkurransepreget. Du kan være låst på maskinvarelaget og likevel ha reell valgfrihet på modell- og applikasjonslaget. Vurder eksponeringen lag for lag, ikke som en blokk.

Praktisk sjekkliste før neste infrastrukturvalg

Rammeverket blir konkret først når det oversettes til spørsmål du faktisk stiller en leverandør. Formålet er å avdekke skjulte bindinger før kontrakten, ikke etter. Tabellen under samler spørsmålene som oftest avdekker reell låsing.

Spørsmål til leverandøren	Hvorfor det betyr noe
Hvilken programvarestakk kreves, og hva koster portering bort?	CUDA-låsing er bygget over 18 år og er den dyreste bindingen
Kan vi kjøre samme arbeidslast hos en annen leverandør?	Avslører om uavhengighet er reell eller bare på papiret
Hva er ledetiden, gitt at CoWoS er utsolgt i 2026?	Tilgang, ikke pris, er ofte den harde begrensningen
Hva er strøm- og kjølebehovet per rack?	Et rack kan trekke 120 kW og sprenge eksisterende anlegg
Betaler vi for trening eller inferens?	Inferens er to tredjedeler av etterspørselen og har annen profil

Skill mellom trening og inferens i behovet

De fleste bedrifter trener ikke store modeller fra bunnen av. De kjører inferens mot ferdige modeller. Siden inferens utgjør omtrent to tredjedeler av etterspørselen i 2026, bør sjekklisten din reflektere det. Å kjøpe treningsoptimalisert maskinvare til en inferens-arbeidslast er sløsing, og det binder deg til feil del av markedet.

Endringen i CPU-til-GPU-forholdet fra 1:8 mot 1:1 for agentbaserte arbeidsflyter betyr at balansen i systemet du trenger, avhenger av hva du faktisk skal kjøre. Spesifiser arbeidslasten før du sammenligner tilbud.

Verifiser byttekostnaden med egne tester

Ingen leverandørdemonstrasjon erstatter en test på din egen last. Be om en prøveperiode der du porterer en representativ modell og måler både ytelse og arbeidstimer. Det er den eneste måten å oversette programvarelåsing fra abstraksjon til et konkret kronetall. AMDs argument om at de gjør porteringen lettere med AI-verktøy, bør etterprøves på dine egne modeller, ikke tas for gitt.

Markedet fram mot 2030 og hva prognosene betyr

Markedsprognosene for AI-maskinvare spriker voldsomt, og det er i seg selv en viktig innsikt. De måler ulike segmenter og bruker ulike definisjoner, så et enkelt tall bør aldri styre en investeringsbeslutning alene. Tabellen under viser hvor stor variasjonen er mellom seriøse kilder.

Kilde	Hva de anslår	Vekstbane
Yahoo Finance / R&M	Bredt AI-maskinvaremarked, fra 25 mrd. USD (2024) mot 2030	Moderat
Research and Markets	Snevrere maskinvaresegment mot 2030	Moderat
Worldmetrics	Bredt marked allerede mot 2027	Rask
Precedence Research	AI i maskinvare mot 2035	Sterk
Business Research Insights	AI-maskinvare mot 2035	Sterk
Roots Analysis	AI-maskinvare mot 2035	Svært sterk

Hvorfor tallene spriker så mye

Variasjonen kommer av definisjonene. En kilde anslår et relativt beskjedent marked innen 2030, mens en annen ser et mangedobbelt større marked innen 2035 med en langt høyere vekstrate. Business Research Insights lander høyt mot 2035, mens Precedence Research anslår et mer moderat nivå. Når spennet er så stort, forteller tallene deg mer om usikkerhet enn om en presis fremtid.

Retningen er likevel entydig. Worldmetrics anslår et bredt marked allerede innen 2027 med en høy årlig vekstrate, og IDTechEx spår en seksdobling i årlige enhetssalg av HPC- og AI-GPUer mellom 2025 og 2035, med et marked som overstiger 581 milliarder dollar innen 2035.

Akseleratormarkedet og de bredere ringvirkningene

AMDs egne prognoser er ambisiøse. Selskapet spår at AI-akseleratormarkedet vil nå omtrent 1,4 billioner dollar innen 2030, og peker samtidig på et markedspotensial på 2 billioner dollar innen 2030. Slike tall er partsinnlegg fra en aktør som vil selge, men de gir en pekepinn på investeringsviljen.

Ringvirkningene strekker seg langt utover maskinvaren. AI-fremskritt anslås å bidra med 15,7 billioner dollar til den globale økonomien innen 2030. På kort sikt drives byggingen av kapital: hyperscaler-investeringene er på 700 milliarder dollar i 2026, mens det globale halvledermarkedet nærmer seg 1 billion dollar samme år.

Hva AI-infrastruktur koster og hvor strømforbruket øker

Kostnaden ved AI-infrastruktur handler ikke bare om innkjøpspris, men om strøm over tid. Datasentre som huser AI-maskinvare bruker en stadig større andel av verdens elektrisitet, klart mer enn i 2020. Det er en kraftig økning på få år, og den kurven treffer både strømpriser og bærekraftsrapportering. For norske bedrifter med tilgang til rimelig kraft kan dette være en fordel, men det gjør også Norge attraktivt for store datasenteraktører som konkurrerer om samme kapasitet.

Måltall	Verdi
Strøm per høytetthetsrack	120 kW
Datasentrenes andel av verdens strøm	Voksende andel, klart opp fra 2020
CO2 fra trening av GPT-3	Opptil 176 tonn
Effektivitet, Vera Rubin	10x ytelse per watt
Effektivitet, MI300 mot A100	30 % lavere strømforbruk
Effektivitet, Trainium3	40 % mer energieffektiv

Energieffektivitet blir et konkurransefortrinn

Effektivitet er ikke lenger en fotnote i databladet, men en driftskostnad. AMDs Instinct MI300-serie oppgir 2x ytelsen til Nvidias A100 i HPC-arbeidsbelastninger, med 30 prosent lavere strømforbruk. Nvidia svarer med 10 ganger bedre ytelse per watt på Vera Rubin, og Amazon oppgir at Trainium3 er 40 prosent mer energieffektiv enn tidligere generasjoner. Når et rack trekker 120 kW, blir slike prosenter til reelle penger over levetiden.

Miljøregnskapet er også en styringssak. Trening av en stor språkmodell som GPT-3 kan slippe ut opptil 176 tonn CO2. For norske bedrifter som skal rapportere klimaavtrykk, er dette et tall som må inn i vurderingen av om trening skal skje internt eller kjøpes som tjeneste.

Kapitalen bak infrastrukturen

Størrelsen på investeringene setter kostnadene i perspektiv. Stargate-prosjektet er på 500 milliarder dollar, med en initial investering på 100 milliarder dollar for datasentre i Texas. Kombinert med 700 milliarder dollar i hyperscaler-capex i 2026 forteller det at kapasiteten bygges ut av noen få enormt kapitalsterke aktører. For en norsk SMB er konsekvensen at du leier deg inn på denne kapasiteten, du bygger den ikke selv.

Regulering som påvirker tilgangen: Chips Act og AI Act

Regulering påvirker både hva du får lov til å bygge og hvilken maskinvare som blir tilgjengelig i Europa. To spor er sentrale for norske bedrifter: EUs AI Act på bruken av AI, og Chips Act på tilgangen til halvledere. Begge har direkte betydning fordi Norge følger EU-regelverket tett gjennom EØS.

På tilbudssiden satser EU tungt. InvestAI-initiativet omfatter 200 milliarder euro, inkludert et fond på 20 milliarder euro for AI-gigafabrikker. Til sammenligning har USA annonsert 500 milliarder dollar i privat AI-infrastrukturinvestering.

AI Act setter frister og bøtenivåer

EUs AI Act ble vedtatt 13. juni 2024 og legger plikter på seks kategorier av økonomiske aktører. Bøtene er betydelige: opptil 35 millioner euro eller en andel av global omsetning for forbudt praksis, og opptil 15 millioner euro eller en lavere omsetningsandel for brudd på høyrisikoplikter.

Tidslinjen er allerede i gang. Forbudet mot uakseptabel risiko trådte i kraft 2. februar 2025, mens plikter for høyrisikosystemer i vedlegg III starter 2. august 2026 og for vedlegg I fra 2. august 2027. Viktig for norske underleverandører: loven har ekstraterritoriell effekt og gjelder også leverandører utenfor EU hvis systemet plasseres på EU-markedet.

Chips Act og kampen om produksjonskapasitet

På maskinvaresiden bruker EU statsstøtte for å trekke produksjon til Europa. Kommisjonen har godkjent 12,8 milliarder euro i statsstøtte under Chips Act, som utløser 28,5 milliarder euro i innledende investeringer. Målet er en europeisk struktur av AI-fabrikker: 19 AI-fabrikker er annonsert, hver med rundt 25 000 avanserte AI-prosessorer, mens planlagte gigafabrikker skal romme 100 000 prosessorer.

Konkurransemyndighetene følger med på konsentrasjonen. EU-kommisjonen har identifisert potensielle konkurransebekymringer i chipsmarkeder, og akademiske miljøer som Stanford Law School foreslår en tredelt tilnærming til AI og konkurranserett på tvers av Atlanteren. Samtidig argumenterer CCIA for at regulatorer bør være tilbakeholdne fordi konkurransen allerede er intens på alle lag. For deg som kjøper betyr dette usikkerhet om hvem som til slutt får levere hva i Europa.

Skyen som mellomledd for norske bedrifter

For de aller fleste norske bedrifter er dette den viktigste seksjonen. Aluras tredje posisjon er tydelig: for de fleste norske bedrifter treffer denne konkurransen indirekte gjennom skyvalg, ikke gjennom egne innkjøp av maskinvare. Du kommer sannsynligvis aldri til å kjøpe et Helios-rack. Du kommer til å velge en skyleverandør som har kjøpt det, og arve deres maskinvarebeslutninger.

Det stemmer med hvordan markedet er bygget. Skybasert distribusjon var det største distribusjonssegmentet i 2025, og prosessorer var det største komponentsegmentet. Bruken av AI til analyse er allerede godt etablert i markedet, slik vi har beskrevet i vår gjennomgang av AI-drevet analyse fra data til innsikt.

Hyperscalernes egne brikker skjuler leverandørvalget

Skyleverandørene bygger i økende grad egne brikker, noe som gjør leverandørspørsmålet mindre synlig for kunden. Googles Ironwood TPU skalerer til 9 216 brikker per pod, og Amazons Trainium-serie fortsetter med Trainium3 som er 40 prosent mer energieffektiv. Når du velger en skyregion, velger du implisitt hvilke akseleratorer du kjører på, ofte uten å vite det.

Dette er nettopp derfor skyavhengighet hører hjemme i risikorammeverket. Uavhengighet på skynivå betyr å kunne flytte en arbeidslast mellom leverandører, ikke å eie maskinvaren. Spør derfor om dataformater, API-er og eksportmuligheter, ikke om brikkemerket.

Hva norske SMB-er faktisk bør fokusere på

Fokuset bør ligge på det du kan påvirke: avtalevilkår, dataportabilitet og evnen til å bytte skyleverandør uten å skrive om alt. Nord-Amerika er fortsatt tyngdepunktet, med den største markedsandelen i 2025 og 34 prosent i 2024 etter en annen måling. Det betyr at de fleste skytjenester du kjøper, hviler på amerikansk infrastruktur, noe som gjør AI Act sin ekstraterritorielle rekkevidde ekstra relevant.

Bransjeprofilen passer også norske forhold. IT- og telekommunikasjonssektoren stod for en betydelig del av global etterspørsel i 2024 og 60 prosent av datasenter-AI-utgiftene i 2023. Bransjebruk sprer seg raskt, blant annet i AI i eiendom og eiendomsmegling, der de fleste løsningene kjører i skyen.

Vanlige feil når bedrifter velger AI-maskinvare

De fleste feilene er ikke tekniske, men strategiske. De oppstår når man kjøper det andre kjøper, eller sammenligner feil størrelser. Her er mønstrene som går igjen.

Å undervurdere programvarelåsingen

Den vanligste feilen er å sammenligne brikker på ytelse og glemme programvaren rundt. CUDA-forspranget er bygget over 18 år, og en billigere brikke som krever måneder med portering er ikke billigere. Regn byttekostnaden inn i totalprisen, ikke bare listeprisen.

Å jage toppspesifikasjoner uten arbeidslast

Databladene byr på tall som ser voldsomme ut på papiret. Cerebras WSE-3 har 900 000 AI-kjerner, IBM Spyre har 25,6 milliarder transistorer, og Intel Xeon 6 tilbyr 288 kjerner per socket. Ingen av tallene betyr noe uten en definert arbeidslast. Å kjøpe treningskapasitet når behovet er inferens, er å betale for kapasitet du ikke bruker.

Å ignorere strøm, kjøling og ledetid

Mange planlegger for innkjøpspris og glemmer driften. Et rack på 120 kW krever infrastruktur mange lokale anlegg ikke har. Og selv med budsjett kan du bli stående i kø: CoWoS-emballasje er utsolgt gjennom 2026, og HBM-kapasiteten er forhåndssolgt flere år fremover. Tilgang er en del av risikoen.

Å tro at uavhengighet er gratis

Den motsatte feilen finnes også: å insistere på full leverandøruavhengighet uten å regne på kostnaden. Å drive to plattformer parallelt koster i kompetanse og testing. Uavhengighet er en forsikring, og som all forsikring har den en premie som må stå i forhold til risikoen den dekker.

Ofte stilte spørsmål om AI-infrastruktur og leverandørvalg

Kortversjonen av de spørsmålene norske ledere oftest stiller når de skal ta stilling til AI-infrastruktur.

Hvor dominerende er egentlig Nvidia?

Svært dominerende, men tallet avhenger av hva som måles. 85 prosent av AI-prosessorinntektene i mars 2026 ifølge Morgan Stanley, 80 prosent av datasenter-akseleratorene, og over 90 prosent av datasenter-GPU-ene. Uansett måling er ett selskap i førersetet.

Er AMD et reelt alternativ i dag?

Ja, på maskinvare, men programvaren er fortsatt spørsmålet. AMD har et rack-skala system som dekker CPU, GPU, nettverk og programvare og avtaler med OpenAI, Oracle, Meta og Anthropic. Men CUDA-forspranget på 18 år gjør at porteringskostnaden må testes på din egen last før du konkluderer.

Må norske bedrifter kjøpe egen maskinvare?

Sjelden. De fleste treffer denne konkurransen gjennom skyen, der skybasert distribusjon var det største distribusjonssegmentet i 2025. Det viktige valget er skyleverandør og avtalevilkår, ikke brikkemerke.

Hvordan påvirker AI Act oss i Norge?

Direkte, gjennom EØS og ekstraterritoriell effekt. Loven gjelder også leverandører utenfor EU når systemet plasseres på EU-markedet, med plikter for høyrisikosystemer fra 2. august 2026 og bøter på opptil 35 millioner euro eller en andel av omsetningen.

Vil edge og egne ASIC-er endre bildet?

På sikt, ja. Edge AI-akseleratorer ventes å utgjøre 45 prosent av akseleratormarkedet innen 2027, og ASIC-andelen av AI-serverforsendelser kan nå 40 prosent innen 2030. Konsentrasjonen i dag betyr ikke at bildet er låst for tiåret.

Oppsummering og veien videre for norske bedrifter

Konsentrasjonen er reell. Med 85 prosent av AI-prosessorinntektene hos Nvidia, en CUDA-vollgrav bygget over 18 år og et effektivt produksjonsmonopol hos TSMC på 3nm og 2nm, er en plan B ikke paranoia, men ansvarlig risikostyring. Samtidig viser fremveksten av AMDs Helios, Broadcoms 70 prosent av ASIC-markedet og skyleverandørenes egne brikker at bildet er mer bevegelig enn markedsandelen alene antyder.

Aluras tre posisjoner samler tråden. Leverandøruavhengighet reduserer reell risiko, men har en kostnad som må veies mot nytten. Programvarelåsing som CUDA betyr like mye som brikkespesifikasjoner. Og for de fleste norske bedrifter treffer konkurransen indirekte gjennom skyvalg, ikke gjennom egne maskinvarekjøp. Det gir en enkel prioritering: bruk energien på skyavtaler, dataportabilitet og porteringstester, ikke på å eie racket.

Tre konkrete steg denne uken

Første steg: kartlegg din faktiske arbeidslast og skill trening fra inferens, siden inferens er to tredjedeler av etterspørselen. Andre steg: still leverandøren spørsmålene fra sjekklisten, med vekt på porteringskostnad og dataportabilitet. Tredje steg: sett et tall på hva reell uavhengighet ville koste deg, og avgjør om premien er verdt forsikringen.

Retningen i markedet er klar. Med prognoser som spenner fra et titalls milliarder dollar innen 2030 til flere hundre milliarder dollar innen 2035, vil kapasitet, kompetanse og avtaler bli knappe goder. De bedriftene som stiller de riktige spørsmålene nå, står friere når neste plattformbeslutning kommer.

I Alura hjelper vi norske bedrifter med å bygge AI-strategi som faktisk lar seg gjennomføre. Vi kombinerer dyp teknisk innsikt med erfaring fra alt fra SMB til enterprise, og leverer veikart som virker i praksis, ikke bare i PowerPoint.

Bestill en strategiøkt: en halvdags samtale der vi kartlegger virksomhetens AI-modenhet, identifiserer de tre prosessene med størst potensial, og leverer et konkret veikart med budsjettramme. Uforpliktende.