Egen AI-infrastruktur: bygge, leie eller kjøpe tilgang

Nøkkelpunkter per 25. august 2026:

Nvidia kontrollerer over 90 prosent av markedet for AI-treningsbrikker, og konsentrasjonen gjør leverandørbytte til en kontraktsøvelse, ikke en teknisk detalj (synaptic.com).
25 prosent av AI-investeringene går til strøm, kjøling og infrastruktur, ikke til brikkene selv, tilsvarende 1,3 billioner dollar (World Economic Forum).
Bransjeledere venter et skifte bort fra GPU-er innen fem til ti år, noe som gjør lange avskrivningsplaner på egen maskinvare til en åpen risiko (EU-kommisjonen, 2024).
56 prosent av administrerende direktører rapporterte ingen finansiell avkastning fra AI det siste året, et svakt utgangspunkt for å binde kapital i maskinvare (memeburn.com).
Etched hentet 700 millioner dollar til en verdi på 21 milliarder, en dobling på en måned, og viser hvor raskt inferensmarkedet flytter seg (TechCrunch, 2026).

AI-infrastruktur betyr tre ulike ting for en SMB

Begrepet «AI-infrastruktur» dekker tre helt ulike regnestykker, og de blandes rutinemessig sammen i styrerommet. Det ene handler om å trene en modell fra bunnen. Det andre om å finjustere en eksisterende modell på egne data. Det tredje, og for de aller fleste norske virksomheter det eneste relevante, handler om å kjøre inferens: å la en ferdig modell svare på spørsmål, klassifisere dokumenter eller drive en agent.

Skillet er ikke akademisk. Det avgjør om du snakker om en investering i millionklassen eller en variabel driftskostnad. Kostnaden per treningsøkt for en stor modell på GPT-3-nivå er anslått til 1,4 millioner dollar (synaptic.com). Inferens, derimot, er noe du kan skru av og på fra dag til dag.

Trening, finjustering og inferens er ulike regnestykker

Trening krever massiv, sammenhengende regnekraft over uker, og maskinvaren står stort sett ubrukt mellom kjøringene. Finjustering er langt billigere, men krever fortsatt spesialisert kapasitet i korte perioder. Inferens er jevnere, mer forutsigbar og skalerer med bruk. En SMB som planlegger infrastruktur for trening, men i praksis bare skal kjøre inferens, bygger et anlegg for feil oppgave.

Maskinvaren de fleste kjøper i dag, er heller ikke designet for oppgaven. Dagens toppmoderne maskinvare er ikke optimalisert for maskinlæring, den er tilpasset i etterkant (EU-kommisjonen, 2024). Det er en av grunnene til at hele brikkemarkedet er i bevegelse.

De fleste norske SMB-er kjøper inferens, ikke trening

Hvis bruken din er kundeservice, dokumenthåndtering, kodegenerering, salgsstøtte eller intern kunnskapssøk, kjøper du inferens. Da er spørsmålet ikke «hvilke brikker», men «hvor mange tokens, hvor raskt, og hvor». Valget mellom modeller og leverandører får langt større praktisk betydning enn valget mellom brikkearkitekturer. Vi har gått gjennom det valget i detalj i artikkelen om valg av språkmodell.

Kostnadsprofilen for inferens har en egen felle: prisen per token faller, mens totalregningen ofte stiger fordi bruken vokser raskere enn prisen faller. Det mønsteret er beskrevet nærmere i vår gjennomgang av token-kostnader for AI-agenter. En virksomhet som ikke har kontroll på den kurven, har heller ikke grunnlag for å vurdere egen maskinvare.

Bygge, leie eller kjøpe tilgang: tre nivåer å velge mellom

Beslutningen presenteres ofte som binær: bygge eller kjøpe. I praksis finnes det tre nivåer, og de skiller seg mest på hvor mye kapital som bindes og hvor raskt du kan snu. Jo lenger ned i stakken du går, desto mer kontroll får du, og desto mer av teknologirisikoen flytter du inn i egen balanse.

Nivå	Hva du kjøper	Kapitalbinding	Tid til produksjon	Hvem bærer teknologirisikoen
1. API-tilgang	Tokens fra en modellleverandør	Ingen	Dager	Leverandøren
2. Leid eller dedikert kapasitet	Reservert regnekraft i andres datasenter	Kontraktsfestet, tidsbegrenset	Uker	Delt
3. Egen maskinvare	Brikker, servere, strøm, kjøling, drift	Full investering	Måneder til år	Du

Nivå 1: API-tilgang er standardvalget

API-tilgang gir null kapitalbinding og null driftsansvar. Du betaler for det du bruker, og du kan bytte modell når en bedre kommer. Ulempen er at du har begrenset kontroll over hvor data behandles, at prisen kan endres, og at du er avhengig av leverandørens kapasitet i pressede perioder. For de fleste SMB-er veier fleksibiliteten tyngre enn ulempene de første par årene.

Nivå 2: leid kapasitet gir kontroll uten investering

Mellomnivået er reservert eller dedikert kapasitet: du leier definerte ressurser hos en skyleverandør eller en spesialisert operatør, gjerne med geografisk plassering og databehandleravtale du selv velger. Du får forutsigbar ytelse og bedre datakontroll, men uten å eie maskinvare som kan bli utdatert.

Dette nivået er også der geografien begynner å spille inn. Nye datasentre i Norge endrer hva som er praktisk mulig å få kjørt lokalt, noe vi har skrevet om i analysen av Microsofts datasenter i Sandnes. Nærhet reduserer latens og forenkler samsvar, men fjerner ikke leverandøravhengigheten.

Nivå 3: egen maskinvare er en industribeslutning

Å kjøpe egne AI-brikker er ikke en IT-anskaffelse, det er en industriinvestering med strømkontrakt, kjøleanlegg, fysisk sikring og et driftsteam. Alura mener at leid inferenskapasitet er et bedre utgangspunkt enn egne AI-brikker for de fleste norske SMB-er, nettopp fordi bransjeledere venter et skifte bort fra GPU-er innen fem til ti år (EU-kommisjonen, 2024). Å eie kapasitet som kan bli arkitektonisk utdatert innenfor en normal avskrivningsperiode er en risiko som må prises eksplisitt, ikke antas bort.

Det finnes unntak. Virksomheter med svært jevn, høy og forutsigbar belastning, strenge krav til fysisk datakontroll eller tilgang til billig kraft kan regne hjem egen kapasitet. Poenget er at unntaket må dokumenteres, ikke forutsettes.

Les også: Token-kostnader faller 75 prosent mens regningen femdobles. Enhetsprisen på tokens faller 75 prosent, men totalkostnaden femdobles.

Beslutningsmodell for virksomheter som vurderer egne AI-brikker

En brukbar beslutningsmodell trenger ikke være komplisert, men den må tvinge fram svar på fire variabler: belastningsprofil, datakrav, tidshorisont og dokumentert nytte. Alle fire må peke samme vei før egen maskinvare er forsvarlig. Peker en av dem feil vei, er svaret leid kapasitet.

Signal i virksomheten	Anbefalt nivå	Begrunnelse
Bruken varierer kraftig eller er ukjent	API-tilgang	Du betaler bare for faktisk forbruk
Jevn belastning, men uklart forretningsresultat	API eller leid kapasitet	Avkastning må dokumenteres først
Jevn og høy belastning, dokumentert gevinst	Leid dedikert kapasitet	Ytelse og pris uten kapitalbinding
Strenge krav til fysisk datakontroll	Leid dedikert eller egen	Plassering og tilgang må kunne styres
Alt over, pluss tilgang til billig kraft og driftskompetanse	Egen maskinvare kan vurderes	Først da er regnestykket åpent

De fire variablene som avgjør

Belastningsprofil handler om hvor jevnt maskinene faktisk brukes. Egen maskinvare betaler seg bare hvis utnyttelsesgraden er høy over tid. Datakrav handler om hva som faktisk må ligge innenfor egne vegger, ikke hva som føles tryggest. Tidshorisont handler om hvor lenge du må eie utstyret for at det skal lønne seg, målt mot hvor lenge arkitekturen antas å holde.

Den fjerde variabelen er den som oftest hoppes over: dokumentert nytte. Hvis AI-bruken ikke allerede gir målbar effekt på API-nivå, gir den ikke plutselig effekt fordi du eier brikkene. Maskinvare løser kapasitetsproblemer, ikke verdiproblemer.

Når egen maskinvare faktisk kan lønne seg

Regnestykket snur når tre ting sammenfaller: utnyttelsesgraden er høy nok til at du betaler for kapasitet du faktisk bruker, kraftprisen din er lav nok til at driftskostnaden ikke spiser gevinsten, og bruksområdet er stabilt nok til at du ikke må bytte arkitektur midtveis. Norge har fordeler på det andre punktet, men fordelen forsvinner raskt hvis nettilknytning eller kjøling må bygges fra bunnen.

Vær også ærlig om driftskompetansen. AI-maskinvare krever tett oppfølging, og GPU-er har allerede vært mangelvare i markedet (EU-kommisjonen, 2024). Å eie utstyr du ikke kan skaffe reservedeler til raskt, er en driftsrisiko i seg selv.

Fem spørsmål å stille før du henter inn tilbud på maskinvare

Tilbud på AI-maskinvare er utformet for å se ut som en enkel kapasitetsberegning. De fem spørsmålene under flytter samtalen fra pris per brikke til totalkostnad og risiko. Still dem skriftlig, og be om skriftlige svar.

1. Hva er den faktiske belastningsprofilen vår?

Be om reelle måletall fra dagens bruk, ikke estimater fra leverandøren. Hvor mange forespørsler i timen, hvor store, når på døgnet, og hvor mye variasjon? Uten den kurven kan ingen si om egen kapasitet vil stå halvtom eller gå i metning. De fleste som har målt, oppdager at toppene er korte og gjennomsnittet lavt.

2. Hvem betaler strøm- og kjøleregningen?

I mange tilbud er strøm og kjøling en fotnote. I realiteten er det en fjerdedel av bildet: 25 prosent av AI-investeringene globalt går til strøm, kjøling og infrastruktur, ikke til regnekraften selv (World Economic Forum). Krev at posten er spesifisert, med antatt kraftpris og kjølebehov.

3. Hva skjer med investeringen hvis arkitekturen skifter?

Spør direkte: hva er restverdien om tre år hvis markedet flytter seg bort fra dagens GPU-arkitektur? Bransjeledere venter et slikt skifte innen fem til ti år (EU-kommisjonen, 2024). Et tilbud uten svar på restverdi er et tilbud som legger hele teknologirisikoen hos deg.

4. Hvor låst er vi til en leverandør?

Programvarestakken rundt brikkene er ofte mer bindende enn brikkene selv. Spør om modellene, verktøykjeden og driftsoppsettet kan flyttes til en annen plattform uten omskriving. Alura mener at høy konsentrasjon i leverandørleddet er en reell risiko, og at avtaler bør skrives slik at man kan bytte plattform uten å tape investeringen. Det betyr eksportformater, portabilitetsklausuler og exit-vilkår i kontrakten, ikke bare i intensjonen.

5. Hva er dokumentert avkastning i dag?

Hvis du ikke kan vise hva AI-bruken har gitt i spart tid, økt volum eller redusert feilrate de siste kvartalene, har du ikke grunnlag for å skalere den med kapital. 56 prosent av administrerende direktører rapporterte ingen finansiell avkastning fra AI det siste året (memeburn.com). Det tallet bør stå på første side i beslutningsgrunnlaget.

Markedet: Nvidia på 90 prosent og utfordrerne som henter milliarder

Markedet for AI-maskinvare er både enormt og ekstremt konsentrert. Nvidia kontrollerer over 90 prosent av markedet for AI-treningsbrikker (synaptic.com). Selskapets markedsverdi har passert 4 billioner dollar og ligger over alle programvareselskaper (World Economic Forum).

Under den posisjonen ligger en produksjonsavhengighet som er minst like konsentrert: 90 prosent av avanserte AI-brikker produseres i Taiwan (synaptic.com). For en kjøper betyr det at leveringstid og pris påvirkes av forhold du ikke kan forhandle om.

Hva konsentrasjonen koster deg som kjøper

Når en leverandør har den posisjonen, forhandler du ikke om pris, du forhandler om plass i køen. Markedet for GPU-er til AI var på 48 milliarder dollar i 2023, og vekstforventningene framover er høye (EU-kommisjonen, 2024). Fortsatt sterk vekst holder etterspørselspresset oppe, og det er kjøperen som betaler for knappheten.

AMD og Intel utvikler egne arkitekturer, blant annet MI300-serien og Gaudi-brikker (synaptic.com). Reell konkurranse på tvers av økosystemer er likevel fortsatt et stykke unna, og det bør reflekteres i hvordan avtaler skrives.

Utfordrerne og kapitalen bak dem

En rekke spesialiserte selskaper henter store summer på å angripe deler av stakken, særlig inferens og optisk sammenkobling. Kapitalen forteller noe om hvor markedet tror flaskehalsene ligger.

Selskap	Finansiering	Verdivurdering	Fokus
Etched	700 millioner dollar i ny runde	21 milliarder dollar	Egne brikker for inferens
Lightmatter	400 millioner dollar, Series D	Milliardklassen etter runden	Fotonikk
Tenstorrent	693 millioner dollar, Series D	Milliardklassen etter runden	Alternativ brikkearkitektur
Groq	640 millioner dollar, Series D	Ikke oppgitt	Inferens
Celestial AI	175 millioner dollar, Series C, 338 millioner totalt	Ikke oppgitt	Optisk sammenkobling

Tallene for Etched er hentet fra TechCrunch, 2026, de øvrige fra synaptic.com. Merk at kapitalinngang ikke er det samme som markedsposisjon: Groq har senere endret strategi, noe vi har omtalt i saken om at Groq droppet egne AI-brikker.

Kostnadsbildet: strøm, kjøling og infrastruktur tar en fjerdedel

Den vanligste feilen i et investeringsgrunnlag for AI-maskinvare er at det regner på brikker og servere, og legger til «drift» som en prosentsats. Fordelingen i markedet forteller noe annet. Av en samlet datasenterutbygging anslått til 7 billioner dollar fram mot 2030, med 5,2 billioner dedikert til AI-arbeidsbelastninger, går 1,3 billioner dollar til strøm, kjøling og infrastruktur (World Economic Forum).

Alura mener at strøm, kjøling og infrastruktur er en større del av regnestykket enn mange tror, og at postene må prises inn før investeringsbeslutningen tas. I praksis betyr det å hente inn faktiske tilbud på kraft og kjøling før man signerer på maskinvare, ikke etterpå.

Postene som må stå i budsjettet

Kostnadspost	Hva den dekker	Dokumentert holdepunkt
Brikker og servere	Selve regnekraften	GPU-marked for AI på 48 milliarder dollar i 2023, 25 prosent årlig vekst
Strøm, kjøling og infrastruktur	Kraft, kjøleanlegg, bygg, nettilknytning	25 prosent av totale AI-investeringer, 1,3 billioner dollar
Kjøling spesifikt	Væskekjøling for tette rack	Marked på 6,65 milliarder dollar i 2025, over 20 prosent årlig vekst
Nettkapasitet	Oppgradering av strømnett	Estimerte 720 milliarder dollar i nettoppgraderinger
Trening av egne modeller	Regnekraft per treningsøkt	1,4 millioner dollar for en modell på GPT-3-nivå

Tallene i tabellen kommer fra World Economic Forum, EU-kommisjonen, 2024 og synaptic.com. De er globale størrelser, ikke priser du kan bruke direkte, men de viser proporsjonene et lokalt budsjett bør speile.

Kjøling er blitt et eget marked

Tettheten i moderne AI-rack har gjort luftkjøling utilstrekkelig i mange oppsett. Markedet for væskekjøling i datasentre nådde 6,65 milliarder dollar i 2025 og vokser med over 20 prosent i året (World Economic Forum). For en SMB som vurderer et eget serverrom, er dette gjerne showstopperen: eksisterende bygg er sjelden dimensjonert for det.

Kjøling er også en post som ikke skalerer lineært. Å doble regnekraften kan mer enn doble kjølebehovet, avhengig av plassering og utforming. Det er en av grunnene til at spesialiserte operatører har en strukturell fordel over interne serverrom.

Strømnettet er den harde grensen

Strømetterspørselen fra datasentre ventes å øke med 165 prosent innen 2030 (World Economic Forum). Presset er så stort at Microsoft planlegger å starte opp igjen et kjernekraftverk for å drive AI-datasentre (EU-kommisjonen, 2024). OpenAIs Stargate-prosjekt er lagt til et avsidesliggende sted nettopp fordi bynett ikke kan bære belastningen (synaptic.com).

Konsekvensen for norske kjøpere er todelt. Nettilknytning kan bli den lengste ledetiden i hele prosjektet, og lokale motsetninger rundt datasentre kan stanse kapasitet som allerede er planlagt. Vi har sett hvordan det slår ut på prisene i saken om datasenter-stans i New York.

Brikkeskiftet bransjen venter innen fem til ti år

Den mest undervurderte risikoen ved egen AI-maskinvare er ikke pris eller drift, men arkitektur. GPU-en ble utviklet for grafikk og senere tilpasset maskinlæring. Den er god nok, men den er ikke optimal, og forventningen i bransjen er at noe annet overtar innen fem til ti år (EU-kommisjonen, 2024).

Hvorfor GPU-en ikke er endestasjonen

Effektivitetsgapet mellom generell og spesialisert maskinvare er stort nok til at kapital strømmer inn i alternativene. Både etterspørselspresset og strømforbruket peker samme vei: den som klarer å levere samme ytelse med vesentlig lavere energibruk, får en solid posisjon. Det er derfor inferensspesialister nå verdsettes i tosifrede milliarder dollar.

For en kjøper er poenget nøkternt: en investering som skal avskrives over lang tid, gjøres i et marked der de tekniske premissene kan endres innenfor samme periode. Det er ikke et argument mot å bruke AI. Det er et argument for å leie regnekraften mens usikkerheten er høy.

Tre teknologier som kan overta

Teknologi	Prinsipp	Antydet styrke
Nevromorfisk databehandling	Inspirert av hjernens struktur og funksjon	Energieffektiv behandling
Fotoniske brikker	Bruker lys som input	Sanntidsapplikasjoner, blant annet autonom kjøring
Memristorer	Kombinerer lagring og beregning	Reduserer minnebehovet i maskinlæringsprogrammer

Beskrivelsene bygger på gjennomgangen fra EU-kommisjonen, 2024. Ingen av dem er hyllevare i dag, og ingen bør legges til grunn i et budsjett. De er relevante som risikofaktor: de forklarer hvorfor restverdien på dagens maskinvare er usikker.

Les også: Det Microsofts datasenter i Sandnes betyr for norske SMB-er. Microsoft bygger nytt datasenter i Sandnes og utvider den norske skykapasiteten.

AI Act og den europeiske satsingen på 200 milliarder euro

Reguleringen og industripolitikken påvirker begge sider av bygge-eller-leie-beslutningen. EU har lansert en AI-handlingsplan på 200 milliarder euro (World Economic Forum). Til sammenligning har Kina annonsert et statlig halvlederfond på 47,5 milliarder dollar. Begge deler handler om å sikre kapasitet nær egne brukere.

Hva den europeiske satsingen betyr for tilgang på kapasitet

For en norsk SMB er den viktigste effekten indirekte: mer europeisk kapasitet betyr flere reelle alternativer til amerikanske skyleverandører, og dermed bedre forhandlingsposisjon. Effekten kommer over tid, ikke i neste kvartal. Å utsette en maskinvareinvestering til bildet er klarere, er et legitimt strategisk valg.

AI Act som merkelapp, ikke bare byrde

EU har et regulatorisk rammeverk, AI Act, som fungerer som et sikkerhets- og personvernmerke (EU-kommisjonen, 2024). For virksomheter som selger til offentlig sektor eller regulerte bransjer, kan dokumentert samsvar være et salgsargument snarere enn en kostnad.

Praktisk konsekvens for infrastrukturvalget: kravene handler om sporbarhet, dokumentasjon og risikoklassifisering, ikke om hvor serveren står. Egen maskinvare gir deg ikke samsvar automatisk. Leid kapasitet med tydelige databehandleravtaler kan gi deg det raskere.

Markedsobservasjon: Etched doblet verdivurderingen på en måned

I august 2026 hentet brikkeselskapet Etched 700 millioner dollar til en verdivurdering på 21 milliarder, ledet av Jane Street (TechCrunch, 2026). Selskapet designer spesialbrikker for inferens, og systemene skal kunne kjøre alle frontier-modeller.

Tallene i runden

Kurven er brattere enn den ser ut ved første øyekast. Etched var verdsatt til 5 milliarder dollar i desember, hentet 300 millioner dollar i en Series C til 10,3 milliarder dollar i juli, og doblet seg deretter til 21 milliarder på en måned, en økning på 11 milliarder (TechCrunch, 2026). Selskapets Series A var på 120 millioner dollar (synaptic.com).

Investoren skal ha testet brikken og vært fornøyd med resultatene før runden. Det er et sterkere signal enn verdivurderingen alene, fordi det tyder på målt ytelse og ikke bare forventning.

Hva signalet betyr for en kjøper

Kapital i denne størrelsesordenen strømmer mot inferens fordi det er der volumet ligger, og fordi spesialiserte brikker kan slå generelle. For en SMB er det ikke en oppfordring til å kjøpe fra en oppstartsbedrift. Det er en påminnelse om at ytelse per krone på inferens sannsynligvis blir vesentlig bedre, og at den som eier dagens maskinvare ikke får del i forbedringen.

Motforestillingen er like viktig. Verdivurderinger som dobler seg på en måned er ikke en indikator på modenhet, og de fleste utfordrere i brikkemarkedet vil ikke overleve. Å bygge en infrastrukturplan på hvem som vinner, er spekulasjon. Å bygge den på at markedet vil endre seg, er forsvarlig.

Avkastning: 56 prosent av toppsjefene ser ingen gevinst ennå

Investeringstakten og resultattakten går ikke i takt. Global AI-spending ventes å nå 2,6 billioner dollar i 2026, en økning på 47 prosent fra året før (memeburn.com). Samtidig rapporterte 56 prosent av administrerende direktører ingen finansiell avkastning fra AI i løpet av det siste året.

Gapet mellom investering og resultat

Kapitalinngangen er ekstrem også målt mot andre teknologibølger. Venturekapital i første kvartal 2026 nådde omtrent 300 milliarder dollar, og 80 prosent av all global venturekapital gikk til AI i kvartalet (memeburn.com). OpenAI og Anthropic alene mottok 217 milliarder dollar i første halvår, 43 prosent av all venturekapital globalt.

På infrastruktursiden er bildet det samme. De fem største amerikanske sky- og AI-infrastrukturselskapene har forpliktet seg til 660-690 milliarder dollar i kapitalutgifter for 2026 (World Economic Forum), mens et annet anslag setter kombinert capex for Amazon, Microsoft, Google og Meta til 725 milliarder dollar, en økning på 77 prosent fra året før (memeburn.com). At anslagene spriker, er i seg selv informativt: usikkerheten er stor selv blant dem som følger markedet tettest.

Kontrasten som betyr noe for en SMB, er denne: mot en utbygging i billionklassen står inntekter fra AI-tjenester på 30 milliarder dollar (World Economic Forum). Kapasiteten bygges i forkant av etterspørselen. Det kan bety billigere leid kapasitet framover, og det er et argument for å vente med å eie.

Krev dokumentasjon før kapitalen bindes

Alura mener at man skal kreve dokumentert avkastning på AI-bruken før kapital bindes i egen maskinvare. Dokumentert betyr målt: en baseline før innføring, en måling etter, og en effekt som kan knyttes til bruken. Anekdoter fra entusiaster i organisasjonen holder ikke som investeringsgrunnlag.

Metoden trenger ikke være avansert. Velg to eller tre prosesser, mål tidsbruk og kvalitet i et kvartal med API-basert løsning, og se om tallene flytter seg. Hvis de gjør det, har du grunnlag for å skalere. Hvis de ikke gjør det, har du spart en investering.

Vanlige feil når SMB-er planlegger egen AI-kapasitet

De fleste feilene vi ser i infrastrukturplaner er ikke tekniske. De handler om hvilke poster som mangler i regnearket, og hvilke antakelser som aldri ble skrevet ned.

Å regne på brikkeprisen alene

Brikker og servere er den synlige kostnaden, men langt fra hele. Med en fjerdedel av globale AI-investeringer i strøm, kjøling og infrastruktur er det ikke en marginalpost. Legg til nettilknytning, fysisk sikring, redundans, drift og reservedeler, og totalbildet ser annerledes ut enn tilbudsarket.

Å dimensjonere for topplast

Egen kapasitet må dimensjoneres for det verste døgnet, mens leid kapasitet kan skaleres til det. Hvis toppene dine er tre ganger gjennomsnittet, betaler du for tre ganger kapasiteten hele året. Dette er den enkeltfaktoren som oftest snur regnestykket i favør av leie.

Å skrive avtaler som låser deg til en arkitektur

Innelåsing skjer sjelden i maskinvarekontrakten. Den skjer i verktøykjeden, i modellformatene og i integrasjonene. Krev eksportbarhet og definer hva et bytte faktisk vil koste i tid og penger, før du signerer. Når det aller meste av avansert brikkeproduksjon skjer i Taiwan (synaptic.com) er også forsyningsrisiko et forhandlingstema, ikke en fotnote.

Ofte stilte spørsmål om AI-infrastruktur for SMB-er

Spørsmålene under går igjen i samtaler med ledere som står midt i denne vurderingen.

Lønner det seg for en SMB å kjøpe egne AI-brikker nå?

For de aller fleste er svaret nei, i hvert fall ikke som første steg. Belastningen er sjelden jevn nok, driftskompetansen sjelden på plass, og teknologirisikoen er høy så lenge et skifte bort fra GPU-er ventes innen fem til ti år (EU-kommisjonen, 2024). Leid kapasitet gir det meste av kontrollen uten kapitalbindingen.

Hva koster det å trene en egen modell?

Å trene en stor modell fra bunnen er utenfor rekkevidde for nesten alle SMB-er: kostnaden per treningsøkt for en modell på GPT-3-nivå er anslått til 1,4 millioner dollar (synaptic.com). Finjustering av en eksisterende modell er en helt annen størrelsesorden, og er nesten alltid det riktige spørsmålet å stille i stedet.

Hvor mye av budsjettet bør jeg sette av til strøm og kjøling?

Bruk en fjerdedel som utgangspunkt og juster mot lokale forhold: det er den andelen av globale AI-investeringer som går til strøm, kjøling og infrastruktur (World Economic Forum). Hent inn faktiske tilbud på kraft og kjøling før du beslutter, ikke etter.

Er norsk datasenterkapasitet et reelt alternativ?

Norsk og nordisk kapasitet er reelt og voksende, og gir fordeler på kraftpris, kjøling og datalokalisering. Det løser likevel ikke leverandøravhengigheten alene: du leier fortsatt kapasitet bygget på brikker fra et sterkt konsentrert marked. Vurder det som et plasseringsvalg, ikke som et uavhengighetsvalg.

Hva skjer med investeringen hvis GPU-en fases ut?

Da sitter du med maskinvare som fortsatt virker, men som er dyrere per oppgave enn markedets alternativer. Restverdien faller, og driftskostnaden per forespørsel blir en konkurranseulempe. Dette er kjernen i argumentet for å leie: du betaler for ytelse, ikke for utstyr, og oppgraderingen er leverandørens problem.

Oppsummering og neste steg

Valget mellom egen AI-infrastruktur, leid kapasitet og ren API-tilgang handler mindre om teknologi enn om kapitalbinding under usikkerhet. Markedet er konsentrert, med det store flertallet av treningsbrikkene fra en leverandør og nesten all avansert produksjon i ett land. Kostnadsbildet er tyngre på infrastruktursiden enn de fleste budsjetter viser. Og de tekniske premissene kan endres innenfor en vanlig avskrivningsperiode.

Samtidig er ikke svaret å vente på alt. Å bruke AI og å eie AI-maskinvare er to forskjellige beslutninger, og bare den siste krever at markedet står stille.

En forsvarlig rekkefølge

Start med API-tilgang på to eller tre konkrete prosesser og mål effekten over et kvartal. Kartlegg deretter den faktiske belastningsprofilen, ikke den antatte. Hvis bruken er jevn, høy og dokumentert lønnsom, flytt til leid dedikert kapasitet med tydelige exit-vilkår. Egen maskinvare vurderes først når alle tre stegene er passert, og når strøm, kjøling og restverdi er priset i tall du selv har hentet inn.

Skriv ned forutsetningene beslutningen bygger på, og sett en dato for å prøve dem på nytt. I et marked der en brikkeprodusent kan doble verdien på en måned (TechCrunch, 2026), og der flertallet av toppsjefene ennå ikke ser finansiell avkastning (memeburn.com), er evnen til å snu raskt mer verdt enn eierskapet til maskinene.

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.

Kilder

synaptic.com. Chipping Away: AI x Hardware - Synaptic
World Economic Forum (2019). Here's how to get the $7 trillion AI hardware buildout right | World Economic Forum
EU-kommisjonen (2024). What if Europe championed new AI hardware? - europarl.europa.eu
memeburn.com (2028). AI Global Funding Statistics 2026: The Complete Data ...
TechCrunch (2026). Etched's valuation doubles to $21B in a month