Leverandørrisiko AI: kartlegg stacken i fire lag

Nøkkelpunkter per 3. oktober 2026:

AMD kjøper World Labs for 8,2 milliarder dollar og flytter et samarbeid fra i fjor inn i egen brikkestrategi (TechCrunch).
266 AI-oppkjøp i første kvartal 2026, en vekst på 90 prosent fra året før, viser hvor raskt leverandørkartet under deg endrer seg (feinternational.com, 2026).
EU har undersøkt bare to av 25 avtaler, og Inflections omsetning nådde aldri tersklene for fusjonskontroll i det hele tatt (WilmerHale, 2025).
Private AI-dealer prises til 8x til 15x omsetning mot 4x til 6x for tradisjonell SaaS, og premien må tjenes inn av noen etterpå (feinternational.com, 2026).
Teknologi hadde lavest sentimentmåling av alle sektorer, samtidig som sektoren genererte mest avtaleverdi i første halvår 2026 (BCG, 2026).

Hva leverandørrisiko betyr når AI-laget konsolideres

Leverandørrisiko i AI er ikke at en tjeneste ligger nede en torsdag ettermiddag. Det er at laget du har bygget på skifter eier, retning eller prismodell, og at du først oppdager hva flyttingen koster når du faktisk må gjennomføre den. Da AMD kjøpte World Labs for 8,2 milliarder dollar, kjøpte selskapet et team som året før var en samarbeidspartner på inferensoptimalisering og trening (TechCrunch). Bevegelsen fra partner til eier på rundt ett år er mønsteret norske ledere bør lese nå.

Alura mener leverandørrisiko hører inn i AI-strategien på samme nivå som kostnad og datahåndtering, ikke som en fotnote i innkjøpsprosessen. Grunnen er enkel: kostnad og datahåndtering kan du regne på i dag, mens innlåsing er en regning du får senere og ikke kan forhandle når den kommer. BCG beskriver at AI-drevet oppkjøpsaktivitet skaper et tydelig skille mellom infrastrukturlaget og applikasjonslaget (BCG, 2026). Det skillet er også linjen risikoen din følger.

Risikoen har flyttet seg oppover i stacken

I skyens første tiår handlet leverandørrisiko om oppetid, datalokasjon og eksportavgifter. Det var håndterbart fordi lagene var standardiserte: en virtuell maskin er en virtuell maskin. I AI-stacken er lagene ikke standardiserte. En modell har sin egen oppførsel, sitt eget kontekstvindu, sine egne sikkerhetsfiltre og sin egen tone, og alt dette er ting dine prompter, testsett og arbeidsflyter har tilpasset seg.

Det betyr at byttekostnaden ikke ligger i teknisk integrasjon, men i kalibrering. Å peke en API-klient mot en annen leverandør tar timer. Å få samme kvalitet ut av den nye modellen på dine 40 reelle brukstilfeller tar uker. Den asymmetrien er hele poenget: leverandøren vet det, og prismodellen reflekterer det over tid.

Fire typer innlåsing du bør kunne navngi

Datainnlåsing er når historikk, embeddinger, finjusteringer eller samtalelogger ligger i et format du ikke får ut i brukbar stand. Integrasjonsinnlåsing er når forretningslogikken din bor inne i leverandørens verktøy, ikke i din egen kodebase. Kompetanseinnlåsing er når teamet bare kan en leverandørs måte å gjøre ting på. Kommersiell innlåsing er rabattstrukturer og flerårige forpliktelser som gjør bytte dyrt selv når det er teknisk enkelt.

De fire opptrer sjelden alene. Et typisk norsk SMB-oppsett har lav integrasjonsinnlåsing og høy datainnlåsing, uten at noen har satt ord på det. Poenget med å navngi dem er at du da kan måle dem hver for seg, og de krever ulike mottiltak. Vi har tidligere skrevet om hvordan konsolidering øker leverandørrisiko for kunder som ligger flere lag opp i stacken.

AMD kjøper World Labs for 8,2 milliarder dollar

World Labs ble grunnlagt i 2024 av Fei-Fei Li for å utvikle dyplæringsmodeller med bedre forståelse av den fysiske verden, og selskapets første produkt Marble er laget for underholdningsopplevelser og simulerte miljøer til robottrening (TechCrunch). Li går inn i AMD som executive vice president og chief scientist. Transaksjonen forventes sluttført før utgangen av året, avhengig av regulatorisk godkjenning.

Begrunnelsen er posisjonering: oppkjøpet antas å hjelpe AMD i konkurransen med Nvidia om et økosystem for AI-spesifikke brikker. Det er en infrastrukturavtale med et modelllag på toppen, og det er nettopp kombinasjonen som gjør den interessant for kunder lenger oppe i verdikjeden. Vi har beskrevet hvorfor dette krever en plan B for AI-infrastruktur.

Fra partnerskap til eierskap på rundt et år

AMD og World Labs inngikk partnerskap for inferensoptimalisering og trening i fjor, før oppkjøpet ble annonsert (TechCrunch). Den rekkefølgen er verdt å merke seg som varselsmønster, ikke som enkeltsak. Et teknisk partnerskap mellom et infrastrukturselskap og et modellselskap er ofte første steg mot eierskap, fordi partnerskapet selv avdekker hvor mye verdi som ligger i å kontrollere begge sider.

For deg som kunde betyr det at «vi er bare partnere» ikke er en betryggelse. Det er en tidlig indikator. Hvis en sentral leverandør i stacken din annonserer dyp teknisk integrasjon med en brikkeleverandør eller en hyperscaler, er det riktig tidspunkt å se på oppsigelsestid og dataeksport, ikke tolv måneder senere.

Hva en kunde tre lag opp faktisk merker

En norsk SMB som bruker en AI-assistent i kundeservice sitter sjelden direkte på brikkelaget. Men prisen på inferens, tilgjengelig kapasitet, hvilke modeller som faktisk tilbys i europeiske regioner og hvor raskt nye versjoner kommer, bestemmes nedover i stacken. Når eierskapet der endres, endres insentivene: en brikkeeier som også eier modeller har grunn til å optimalisere modellene for egen maskinvare.

Effekten merkes som små ting over tid. En modellversjon utfases med kort varsel. En funksjon blir bare tilgjengelig på en bestemt plattform. Ventetiden på kapasitet øker i travle perioder. Ingen av disse utløser en krise alene, men samlet flytter de forhandlingsmakten, og de gjør det uten at noen sender deg et brev.

Les også: Nvidia leverer – og markerer KI-boomen (NRK). Kurert sammendrag av NRK-saken om Nvidias kraftige vekst.

Skillet mellom infrastrukturlaget og applikasjonslaget

BCG peker på at AI driver mye av avtaleaktiviteten og skaper et skille mellom infrastruktur- og applikasjonslaget (BCG, 2026). Infrastruktur krever kapital i en størrelsesorden ingen norsk SMB skal nærme seg: PwC har anslått at AI-utbyggingen krever mellom 5 billioner og 8 billioner dollar i investeringer de neste fem årene (feinternational.com, 2026). Applikasjonslaget krever noe helt annet, nemlig kundenærhet, domenekunnskap og data du alt har.

Samtidig er optimismen i teknologisektoren lav målt mot aktiviteten. Teknologi hadde den laveste sentimentmålingen av alle sektorer til tross for å ha generert mest avtaleverdi i første halvår, mens finanssektoren hadde den høyeste (BCG, 2026). Høy aktivitet og lav tro på fremtiden i samme sektor er ikke et paradoks, det er en beskrivelse av en kappløpsdynamikk.

Hvorfor kapitalintensiteten bestemmer hvem som konsoliderer

De fire største hyperscalerne ble forventet å bruke over 350 milliarder dollar i AI-relatert capex i 2025 (feinternational.com, 2026). Når inngangsbilletten er på det nivået, blir utfallet strukturelt forutsigbart: få aktører eier laget, og de som eier det har både råd og motiv til å kjøpe opp alt som gjør laget mer verdifullt. Oppkjøp av modellselskaper er da ikke ekspansjon, det er forsvar av en investering.

Det gir en praktisk konsekvens for innkjøp. Du kan ikke diversifisere bort risikoen i infrastrukturlaget ved å velge en annen leverandør, for utvalget er begrenset og konsolideres videre. Du kan bare redusere hvor mye av løsningen din som er avhengig av hvilken leverandør det er. Det er en arkitekturbeslutning, ikke en innkjøpsbeslutning.

Applikasjonslaget og egne data er det varige

Alura mener at når infrastrukturlaget konsolideres, er det applikasjonslaget og egne data som gir varig verdi for en norsk SMB. Begrunnelsen er at ingen kan kjøpe opp din kundehistorikk, dine prosessbeskrivelser, dine avviksrapporter eller den tause kunnskapen om hvordan ting faktisk gjøres i din bransje. Det er råstoffet som gjør en generisk modell nyttig i din virksomhet.

Dette er også der avkastningen ligger praktisk. McKinsey fant at 88 prosent av selskaper nå bruker AI i minst en forretningsfunksjon, men bare rundt en tredjedel har skalert det (feinternational.com, 2026). Gapet mellom bruk og skalering handler nesten aldri om modellvalg. Det handler om at arbeidsflyten, datagrunnlaget og ansvarsfordelingen rundt modellen ikke er bygget ferdig.

Rammeverk for å kartlegge leverandørrisiko i fire lag

Et brukbart rammeverk må kunne fylles ut på en ettermiddag av folk som ikke er infrastrukturarkitekter. Delingen i fire lag fungerer fordi den speiler hvordan kontraktene og byttekostnadene faktisk ligger. For hvert lag stiller du tre spørsmål: hvem eier det, hva koster det å bytte, og hva mister jeg hvis det forsvinner over natten.

Alura mener norske SMB-er bør bygge AI-løsninger der modell- og infrastrukturlaget kan byttes ut, selv når det koster noe mer i oppstarten. Merkostnaden er reell og bør settes i budsjettet, typisk i form av et abstraksjonslag og et testsett som må vedlikeholdes. Gevinsten er at prisforhandlinger og leverandørendringer blir hendelser du håndterer, ikke kriser du overlever.

Lag	Hva det er	Byttekostnad	Det som faktisk låser deg
Lag 1: brikker og kapasitet	GPU-er, datasenter, regionstilgang	Ikke din beslutning i praksis	Pris og tilgjengelighet nedstrøms
Lag 2: modell og API	Grunnmodeller, inferens-endepunkter	Uker med rekalibrering	Prompter, finjusteringer, modellspesifikk oppførsel
Lag 3: orkestrering og verktøy	Agentrammeverk, vektorlagring, overvåkning	Dager til uker	Forretningslogikk som ligger i verktøyet
Lag 4: applikasjon og data	Egen kode, arbeidsflyt, kundedata	Du eier den	Ingenting, hvis du har eksport

Lag 1: brikker, datasenter og kapasitet

Dette laget kan du ikke styre, men du kan vite hvor du står i det. Spørsmålet til leverandøren er konkret: hvilken underliggende infrastruktur kjører tjenesten på, i hvilke regioner, og hva skjer med min pris hvis den kapasiteten blir knapp. Svaret er ofte vagt, og vaghet er i seg selv informasjon du kan ta med i risikovurderingen.

Laget har også en politisk dimensjon som sjelden kommer med i innkjøpsnotatet. I en måling omtalt av The Verge motsetter 61 prosent av sannsynlige velgere seg bygging av AI-datasentre (The Verge, 2026). Motstand mot utbygging påvirker hvor kapasitet havner, hva den koster og hvor fort den kommer. Det er en forsyningsrisiko som ligger utenfor alle kontrakter du kan skrive.

Lag 2: modell og API

Dette er laget med høyest reell byttekostnad og lavest opplevd byttekostnad. Alle vet at et API-kall kan omdirigeres. Få har målt hva det koster å få samme kvalitet ut av en annen modell på de oppgavene som faktisk betyr noe. Hvis du ikke har et testsett med reelle eksempler og en forventet treffrate, har du ingen måling, bare et håp.

Mottiltaket er kjedelig og effektivt: legg modellkall bak et eget grensesnitt i din kode, hold prompter i versjonskontroll, og unngå leverandørspesifikke funksjoner i kritiske veier med mindre gevinsten er stor nok til å dokumenteres. Når en finjustert modell er nødvendig, bør du vite om treningsdataene dine kan eksporteres og brukes et annet sted.

Lag 3: orkestrering, verktøykjede og agenter

Agentrammeverk, vektordatabaser, evalueringsverktøy og overvåkning er laget der innlåsing oppstår raskest, fordi det er her folk bygger fortest. Et verktøy som lar deg definere arbeidsflyter visuelt er produktivt i uke tre og et problem i måned atten, hvis arbeidsflytene bare finnes der. Spørsmålet er om definisjonene kan eksporteres som tekst du selv kan lese og kjøre andre steder.

Sikkerhetsmodellen i dette laget er under endring. Apple vil begrense Mac-appers tilgang til disken fordi AI-agenter øker risikoen betraktelig (The Verge, 2026). Når plattformene strammer inn hva agenter får gjøre, kan funksjonalitet du har bygget på forsvinne av sikkerhetsgrunner, ikke kommersielle. Vi har tidligere sett på hvordan sikre AI-agenter nærmer seg SMB-bruk.

Lag 4: applikasjon, arbeidsflyt og data

Dette laget skal du eie, og det er her verdien bør akkumuleres. Konkret betyr eierskap at koden ligger i ditt repositorium, at databasen er din, at prosessbeskrivelsene finnes utenfor verktøyet og at du kan ta en full eksport uten å spørre noen. Hvis en av disse ikke stemmer, er laget ikke ditt, uansett hva fakturaen sier.

Et nyttig test er tankeeksperimentet: hvis leverandøren stengte i morgen, hva har vi igjen? Har du data, prosesser og kode, er du satt tilbake noen uker. Har du bare tilgang til et grensesnitt, starter du på nytt. Forskjellen mellom de to utfallene er nesten alltid beslutninger tatt tidlig, av folk som ikke visste at de tok dem.

Tre sjekker du kan gjøre på egen AI-stack mandag morgen

Kartleggingen trenger ikke konsulentbistand for å starte. Tre sjekker, gjennomført av en teknisk ansvarlig og en som eier prosessen, gir deg et bilde som er godt nok til å prioritere. Sett av en halv dag til de to første og en uke til den tredje.

Sjekk 1: lagkart med eier, kontrakt og oppsigelsestid

Lag en enkel tabell med en rad per leverandør i AI-løsningen. Kolonner: hvilket lag, hva den gjør, årlig kostnad, oppsigelsestid, hvor dataene ligger, og om det finnes en change-of-control-klausul. Det tar en time, og de fleste oppdager minst en leverandør ingen visste var kritisk, typisk i lag 3.

Ranger deretter radene etter hva som skjer hvis leverandøren forsvinner på 30 dagers varsel. Du vil se at listen sorterer seg selv: noen rader er irriterende, noen er dyre, og en eller to er eksistensielle. Det er de siste som hører inn i styrerapporten, ikke hele listen.

Sjekk 2: prissett byttekostnaden i timer, ikke i følelser

For hver kritiske leverandør: anslå antall arbeidstimer for å flytte til et alternativ, inkludert testing og opplæring. Anslaget blir unøyaktig, og det er greit. Hensikten er å gjøre risikoen sammenlignbar med andre poster i budsjettet, slik at diskusjonen går fra «vi er litt låst» til «dette er to måneders arbeid for to personer».

Når du har timene, har du også svaret på hvor mye det er verdt å investere i uavhengighet. Hvis en modellbytte koster 300 timer i dag og et abstraksjonslag koster 60 timer å bygge, er regnestykket enkelt. Hvis byttekostnaden er 20 timer, skal du ikke bygge noe som helst.

Sjekk 3: gjennomfør en reell modellbytte på en liten arbeidsflyt

Velg en arbeidsflyt som betyr noe, men ikke den viktigste. Bytt modellen under den til en konkurrent, kjør testsettet, og mål både kvalitet og tidsbruk. Dette er den eneste sjekken som gir deg data i stedet for antagelser, og den avdekker typisk tre ting: at prompter var mer modellspesifikke enn antatt, at ingen hadde et testsett, og at kvalitetsmålingen var subjektiv.

Gjør øvelsen til en rutine en gang i halvåret. Da er ikke evnen til å bytte en teoretisk egenskap i arkitekturdokumentet, men noe teamet har gjort før. Det er forskjellen mellom en exit-plan og en exit-mulighet.

Markedsbildet: 266 AI-oppkjøp i ett kvartal

Konsolideringen er ikke en følelse, den er målbar. CB Insights rapporterte 266 AI M&A-dealer i første kvartal 2026, en vekst på 90 prosent år over år, mot en tidligere kvartalsrekord på 177 dealer i andre kvartal 2025 (feinternational.com, 2026). Andelen teknologidealer med en AI-komponent vokste kraftig fra 2024 til 2025, og AI gikk fra å være et særtrekk ved noen avtaler til å være en gjennomgående del av bildet.

Segment	BCGs sentimentindeks, andre kvartal 2026	Lest mot snittet
Globalt	84	Under det langsiktige snittet på 100
Europa	101	Eneste store region over snittet
Amerika	84	På globalt nivå
Asia-Pacific	55	Klart lavest av regionene
Helse	92	Blant de høyeste sektorene
Energi og forsyning	90	Nær helsesektoren
Forbruker	71	Svakt

Verdien samler seg i de store avtalene

Global avtaleverdi i første halvår 2026 var omtrent 1,6 billioner dollar, og antallet megadealer på 10 milliarder dollar eller mer steg fra 17 til 31 sammenlignet med samme periode året før (BCG, 2026). Veksten i avtaleverdi var omtrent 28 prosent år over år. Gjenopphentingen er selektiv og konsentrert, ikke bred.

Mønsteret gjentok seg året før. Global M&A-verdi nådde 4,9 billioner dollar i 2025, og 57 prosent av verdien kom fra megadealer over 5 milliarder dollar (feinternational.com, 2026). Når verdien samler seg i få, store avtaler, betyr det at eierskapet i de laveste lagene av stacken beveger seg i store sprang. Du merker ikke 266 avtaler. Du merker den ene som traff din leverandør.

Kapitalen som ennå ikke er plassert

Selskaper og private equity sitter på nesten 2 billioner dollar i ubrukt kapital (BCG, 2026). Private AI-selskaper hentet over 226 milliarder dollar i første kvartal 2026 alene, mer enn hele 2025 samlet (feinternational.com, 2026). Den kapitalen skal brukes, og den brukes i det laget der avkastningen er høyest.

For en kjøper av AI-tjenester er dette den viktigste prognosen: mengden uplassert kapital sier at konsolideringstakten ikke avtar av seg selv de nærmeste årene. Planlegg derfor for at minst en av leverandørene dine endrer eier i løpet av avtaleperioden, på samme måte som du planlegger for at en nøkkelperson slutter.

Europa skiller seg ut, og geopolitikken begrenser

Europa var den eneste store regionen over det langsiktige gjennomsnittet på BCGs sentimentindeks, med 101 mot 55 i Asia-Pacific (BCG, 2026). Samtidig beskrives geopolitisk risiko som den definerende begrensningen i 2026. For norske kjøpere er det praktisk relevant: regionstilgang, datalokasjon og eksportkontroll er ikke bare compliance-temaer, de er forsyningstemaer.

Relativt sterkt europeisk sentiment betyr ikke at utvalget av leverandører er europeisk. Det betyr at kapitalen er villig, mens de tunge infrastrukturaktørene fortsatt sitter andre steder. Vi har skrevet om hvordan store norske kapitalforvaltere håndterer samme spørsmål i vår gjennomgang av Oljefondets AI-strategi.

Prislappen på AI-selskaper og hva multiplene forteller

Multiplene er den enkleste måten å forstå hvorfor oppkjøpene kommer, og hvorfor de påvirker prisen din. Når et selskap betaler to til tre ganger normal multippel, må premien tjenes inn etterpå, og det skjer gjennom pris, pakking eller utfasing av det som ikke lønner seg.

Selskapstype	Multippel	Hva det signaliserer
AI-native SaaS i offentlige markeder	15x til 35x fremtidig omsetning	Forventning om fortsatt høy vekst
Private AI-dealer	8x til 15x omsetning	Kjøperen betaler for teknologi og team
Tradisjonell SaaS i privatmarkedet	4x til 6x omsetning	Normalisert prising
Premie for AI-native	1x til 3x over tradisjonell SaaS	Prisen på forventning

Hva oppkjøpere faktisk betaler for

Tallene som utløser premie er konkrete. En net revenue retention over 120 prosent signaliserer premie, og oppkjøpere foretrekker bruttomarginer over 65 prosent etter inferenskostnader (feinternational.com, 2026). Det siste er verdt å stoppe ved: inferenskostnad er nå en marginpost som avgjør hva et AI-selskap er verdt.

Talentmangelen forklarer resten av prisen. Det finnes under 40 000 frontier-AI-forskere globalt (feinternational.com, 2026). Når kompetansen er så konsentrert, blir oppkjøp den raskeste veien til et team, og da kjøpes selskaper for folkene i dem. Det er også derfor nøkkelpersoner ofte flyttes inn i kjøperens organisasjon, slik Fei-Fei Li gjør i AMD (TechCrunch).

Hvorfor prisen blir din risiko

Gartner anslår at global AI-bruk vil nå 2,52 billioner dollar i 2026, en vekst på 44 prosent år over år, og utgiftene til AI-optimaliserte servere forventes å øke 49 prosent (feinternational.com, 2026). Det er et marked der ingen leverandør trenger å kjempe om din kontrakt på pris i dag. Forhandlingsmakten din er ikke volumet ditt, den er evnen til å gå.

Konsekvensen er at prisklausuler bør skrives som om leverandøren får nye eiere med nye avkastningskrav, fordi det er det statistisk sannsynlige. Et tak på årlig prisøkning, en varslingsfrist på modellutfasing og en rett til å si opp uten gebyr ved vesentlige endringer koster ingenting å be om før signering. Etterpå koster de alt.

Les også: AI-infrastruktur der Nvidia tar 85 prosent krever en plan B. Nvidia sitter på rundt 85 prosent av AI-akseleratorene, men AMDs Helios og skyleverandørenes egne brikker ...

Når partnerskap erstatter oppkjøp, og hva det skjuler

Ikke all konsolidering ser ut som konsolidering. Store selskaper søker partnerskapsalternativer i stedet for direkte fusjoner, blant annet fordi myndighetene anser datamonopol og innelåsing i økosystemer som betydelige risikoer (aionda.blog, 2026). Resultatet er avtaler som gir kontroll uten å utløse full fusjonskontroll.

Lisensavtaler, minoritetsposter og teamovertakelser

Strukturene varierer, men summene er på oppkjøpsnivå: Metas investering i Scale AI på 14,3 milliarder dollar, Googles lisensieringsavtale med Character.ai på 2,7 milliarder dollar, avtalen med Windsurf på 2,4 milliarder dollar og Amazons lisensieringsavtale med Adept AI på 330 millioner dollar (feinternational.com, 2026). Ingen av dem er klassiske oppkjøp. Alle flytter teknologi og team.

Rene oppkjøp finnes selvsagt også, og de er store: Alphabets kjøp av Wiz på 32 milliarder dollar og Palo Alto Networks' kjøp av CyberArk på 25 milliarder dollar, ved siden av mindre avtaler som ServiceNows kjøp av Moveworks på 3 milliarder dollar og Workdays kjøp av Sana på 1,1 milliarder dollar (feinternational.com, 2026). Poenget er bredden: avtaler skjer på alle prisnivåer, også der dine leverandører ligger.

Hva strukturen skjuler for deg som kunde

I et oppkjøp får du en ny motpart på kontrakten, og ofte en formell prosess. I en lisensavtale eller teamovertakelse kan leverandørnavnet på fakturaen være uendret mens de som bygget produktet har gått. Produktet fortsetter en stund, men veikartet stopper, støtten blir tynnere, og om to år er det i vedlikeholdsmodus uten at noen har annonsert det.

Derfor bør du overvåke to signaler, ikke bare ett: eierskifte og talentflukt. Hvis grunnleggerne og de tekniske nøkkelpersonene plutselig har nye titler hos en større aktør, er det samme informasjon som en pressemelding om oppkjøp, bare raskere. Spør leverandøren direkte hvem som eier veikartet, og skriv ned svaret med dato.

Regulering: EUs fusjonskontroll fanger ikke alle AI-avtaler

Mange ledere antar at konkurransemyndighetene fanger opp de avtalene som betyr noe. Det stemmer dårligere i AI enn i andre sektorer. AI-investeringene har økt kraftig siden 2014, og EU-kommisjonen, britiske CMA, DOJ og FTC gikk sammen om en felles erklæring i juli 2024 nettopp fordi verktøykassen ikke traff (WilmerHale, 2025).

Alura mener regulatorisk godkjenning av et oppkjøp er ingen garanti for leverandørstabilitet, og flere AI-avtaler havner utenfor fusjonskontrollen helt. Godkjenning svarer på om markedet tåler avtalen, ikke på om produktet du bruker overlever integrasjonen. Det er to forskjellige spørsmål, og bare det siste angår driften din.

Microsoft og Inflection viste hullet i tersklene

I Microsoft/Inflection møtte ikke Inflections omsetning tersklene for EU- eller nasjonal fusjonskontroll, og syv EU-medlemsland måtte henvise saken til Kommisjonen under artikkel 22 i fusjonsforordningen (WilmerHale, 2025). Et selskap kan altså være strategisk viktig og kommersielt lite på samme tid.

Det er normaltilstanden i AI. Verdien ligger i modeller, data og folk, ikke i omsetning, og omsetningsbaserte terskler er bygget for en annen økonomi. Praktisk betydning for deg: leverandøren din kan skifte eier uten at noen myndighet ser på det, og uten at du har noen formell anledning til å si noe.

To av 25 avtaler, og DMA som rapporteringsplikt

Kommisjonen har kun undersøkt to av de 25 avtalene, og ingen av undersøkelsene skyldtes DMA-forpliktelsen (WilmerHale, 2025). Digital Markets Act har krevd rapportering av oppkjøp i digital sektor siden mars 2024 (aionda.blog, 2026). Rapportering er innsyn, ikke kontroll.

Microsofts observatørplass i OpenAIs styre fra november 2023 er illustrerende for gråsonen (WilmerHale, 2025). Innflytelse kan utøves gjennom kapital, kompute, distribusjon og styreplasser lenge før den utløser noe som ser ut som en fusjon. Den typen innflytelse er usynlig i en due diligence som bare ser på eierregisteret.

USA: terskler, policy og skiftende håndhevelse

FTC og justisdepartementet fullførte fusjonsretningslinjer 18. desember 2023, som antyder etterforskning av transaksjoner som skaper en markedsandel over 30 prosent eller øker markedskonsentrasjonsindeksen med 100, og et AI-policy-notat fra september 2024 retter seg spesifikt mot uklare partnerskap (aionda.blog, 2026). Rammeverket finnes altså. Spørsmålet er bruken.

Håndhevelsesintensiteten kan endres avhengig av USAs administrasjon fra og med 2026 (aionda.blog, 2026). For en norsk SMB er konklusjonen praktisk heller enn politisk: regn ikke med at tilsyn andre steder i verden beskytter driften din. Beskyttelsen må ligge i din egen arkitektur og i din egen kontrakt.

Kontraktspunkter som senker innlåsingsrisikoen

Kontrakten er det billigste risikoverktøyet du har, fordi den koster forhandlingstid og ikke utviklingstid. De fleste av punktene nedenfor får du innvilget hvis du ber om dem før signering, og ingen av dem hvis du ber etterpå. Prioriter de tre første hvis du bare har forhandlingsmakt til noen få.

Punkt	Hva du krever	Hva det beskytter mot
Dataeksport	Full eksport i dokumentert, åpent format, på forespørsel	Datainnlåsing ved eierskifte eller nedleggelse
Change of control	Varsling ved eierskifte og rett til oppsigelse uten gebyr	Ny eier med nye vilkår
Modellivssyklus	Minimumsvarsel før en modellversjon utfases	Tvungen rekalibrering på kort frist
Pristak	Tak på årlig prisøkning i avtaleperioden	Inntjening av oppkjøpspremie
Avviklingsbistand	Avtalt timepris og responstid ved exit	Treningskostnad i overgangen
Databruk	Skriftlig forbud mot trening på dine data	At ditt fortrinn blir leverandørens produkt

Dataeierskap og eksport i brukbart format

Eksportretten er verdiløs hvis formatet ikke er brukbart. Krev at eksporten beskrives konkret: hvilke entiteter, hvilke felt, hvilket filformat, og om vedlegg, metadata og historikk er med. Be om en testeksport i løpet av de første tre månedene, mens du fortsatt er en ny og viktig kunde.

For AI-spesifikke data gjelder det samme for embeddinger, treningsdata til finjustering og evalueringssett. Mange leverandører gir deg samtalelogger, men ikke det som gjorde modellen god i din kontekst. Det er den delen som representerer investeringen din.

Change of control og videreføring

En change-of-control-klausul gir deg varsling ved eierskifte og, i den sterke varianten, rett til å si opp uten gebyr innen en gitt frist etter at skiftet er annonsert. Dette er det punktet som direkte adresserer konsolideringen, og det er ofte det enkleste å få, fordi leverandøren ikke planlegger å bli kjøpt.

Suppler med en videreføringsplikt: vesentlige funksjoner skal opprettholdes i en definert periode etter eierskifte, eller du kan avslutte. Uten en slik bestemmelse er «produktet går i vedlikeholdsmodus» noe du oppdager gjennom å bruke det, og det er en dyr måte å få informasjon.

Varsel, pris og avvikling

Modellutfasing med kort varsel er den vanligste formen for tvungen rekalibrering i AI-kontrakter, og den sjeldnest regulerte. Krev et minimumsvarsel som er lengre enn tiden du trenger for å teste en erstatning, basert på det faktiske timeanslaget fra sjekk 2. Et varsel på 30 dager er ubrukelig hvis byttet tar 200 timer.

Avtal til slutt avviklingsbistand på forhånd, med timepris og responstid. Den dagen du går, er du en kunde på vei ut, og prioriteringen reflekterer det. En klausul på fem linjer gjør overgangen til et prosjekt med en leverandør i stedet for en ensidig øvelse.

Vanlige feil norske SMB-er gjør i leverandørvalget

Feilene nedenfor er ikke tegn på dårlig håndverk. De er forutsigbare konsekvenser av å velge raskt i et marked som beveger seg raskt. Det som skiller de som kommer seg ut av dem, er at de målte byttekostnaden tidlig.

Å velge etter demo i stedet for etter byttekostnad

En demo viser best tenkelige utfall på leverandørens eksempler. Den sier ingenting om hva som skjer når eierskapet, prisen eller modellen under den endres. Legg til to spørsmål i hver leverandørsamtale: hvordan tar jeg dataene mine med meg ut, og hva skjer med avtalen hvis dere blir kjøpt opp. Svarene rangerer leverandørene annerledes enn demoen gjør.

Dette er særlig viktig i et marked der nye produkter lanseres hurtig. OpenAI har for eksempel lansert Dots, en alltid-på AI-assistent som ifølge selskapet kan gjøre nesten hva som helst ved hjelp av en sky-datamaskin og tilkoblede apper (The Verge, 2026). Lanseringstempoet er en fordel, men det betyr også at produktet du kjøper i dag ikke er det samme produktet om atten måneder.

Å legge forretningslogikken inne i leverandørens verktøy

Det går fortere å bygge arbeidsflyten i leverandørens grensesnitt enn i egen kode, og i en pilot er det riktig valg. Feilen er å la piloten bli produksjon uten å flytte logikken. Da er regelverket for hvordan selskapet behandler en kundehenvendelse, en faktura eller en avviksmelding låst inne hos en tredjepart.

Regelen vi vil anbefale er enkel: det som beskriver hvordan din virksomhet fungerer, skal ligge i et format du eier og kan lese uten leverandørens verktøy. Alt annet kan ligge hvor som helst. Den grensen er lett å forklare til et styre og lett å håndheve i en kodegjennomgang.

Å stoppe ved at AI er tatt i bruk

At 88 prosent bruker AI i minst en forretningsfunksjon mens bare rundt en tredjedel har skalert, forteller hvor energien forsvinner (feinternational.com, 2026). Pilotene lykkes teknisk og stopper organisatorisk, fordi ingen eier arbeidsflyten etter at demoen er godkjent. Leverandørrisiko blir da et teoretisk tema, for det finnes ikke nok i produksjon til at innlåsing merkes.

Snu rekkefølgen. Ta en arbeidsflyt helt ut i produksjon med målbar effekt, og bruk den til å lære hvor avhengighetene faktisk ligger. En løsning i drift gir deg både verdi og et realistisk risikobilde. Tjue piloter gir deg verken.

Spørsmål og svar om leverandørrisiko i AI

Spørsmålene under er de som oftest kommer fra ledergrupper når kartleggingen er gjennomført og listen over kritiske leverandører ligger på bordet.

Er leverandørrisiko i AI noe annet enn vanlig skyrisiko?

Ja, på ett avgjørende punkt. I skyen er lagene standardiserte, så bytte er dyrt men forutsigbart. I AI er modellens oppførsel unik, og det du har investert i er kalibrering mot nettopp den oppførselen. Prompter, testsett, terskler og brukerforventninger er finjustert mot en modell som kan endres av leverandøren uten at du har noe å si.

I tillegg er eierstrukturen mer ustabil. Et skyselskap med betydelig infrastruktur blir sjelden kjøpt opp over natten. Et AI-selskap med 30 ansatte og sterk teknologi kan bli det, og de strukturene som brukes faller ofte utenfor fusjonskontrollen (WilmerHale, 2025).

Bør vi vente med AI-prosjekter til markedet har satt seg?

Nei, og tallene forklarer hvorfor. Med nesten 2 billioner dollar i ubrukt kapital i systemet er ikke konsolideringen i ferd med å avsluttes (BCG, 2026). Å vente på stabilitet er å vente på noe som ikke kommer i en planleggingshorisont du kan forsvare.

Det rasjonelle er å bygge for endring i stedet for å utsette. Det du bygger i applikasjonslaget og i egne data beholder verdien uansett hvem som eier lagene under. Det er vesentlig mindre risikabelt enn å stå uten noe i produksjon når konkurrentene har lært i to år.

Hvor mye dyrere er det å bygge byttbart?

Erfaringsmessig er merkostnaden et abstraksjonslag rundt modellkall, et testsett med reelle eksempler og en eksportrutine. For en typisk SMB-løsning er det en begrenset engangsinvestering i utviklingstid, pluss noe vedlikehold. Den eksakte summen bør komme fra ditt eget timeanslag i sjekk 2, ikke fra en tommelfingerregel.

Den gale måten å gjøre det er å abstrahere alt. Hvis du bygger et lag som støtter fem leverandører du aldri kommer til å bruke, har du laget ny kompleksitet for å unngå gammel risiko. Hold deg til to reelle alternativer, og test faktisk det ene av dem.

Hva gjør vi hvis leverandøren vår blir kjøpt opp?

Ikke noe dramatisk de første ukene, men start en klokke. Be skriftlig om tre ting: bekreftelse på at nåværende vilkår gjelder ut avtaleperioden, veikartet for produktet de neste tolv månedene, og hvem som nå eier det veikartet. Dokumenter svarene, og noter hvem som ikke svarer.

Parallelt kjører du en reell test av ett alternativ, selv om du ikke planlegger å bytte. Oppkjøp forventes typisk sluttført innenfor måneder, slik AMDs kjøp av World Labs ventes fullført før årsslutt avhengig av regulatorisk godkjenning (TechCrunch). Du har altså et vindu, og vinduet lukker seg.

Er åpen kildekode svaret på innlåsing?

Delvis. Åpne modellvekter fjerner den kommersielle innlåsingen i modellaget og gir deg en reell nødutgang. Men de flytter risikoen nedover: du trenger kapasitet, drift og kompetanse, og kapasitet er det laget der konsolideringen er sterkest. Meta åpner for eksempel kildekoden slik at brukere kan lage egne Muse AI-dingser (The Verge, 2026), men du må fortsatt kjøre dem et sted.

Den praktiske mellomløsningen for de fleste norske SMB-er er å bruke kommersielle modeller i produksjon, og holde et åpent alternativ validert på et begrenset testsett. Da har du en dokumentert fallback uten å ta driftskostnaden før du må.

Oppsummering og neste steg

AMDs kjøp av World Labs er en enkeltsak, men den illustrerer tre mønstre samtidig: partnerskap blir eierskap, infrastruktur kjøper modeller, og avtalen avgjøres av regulatorisk godkjenning som ikke sier noe om produktets fremtid (TechCrunch). Rundt dette ligger et marked med 266 AI-oppkjøp i ett kvartal og en AI-komponent i en stadig større andel av teknologidealene (feinternational.com, 2026).

Det du kan styre er fordelingen: hvor mye av løsningen din som ligger i lag du eier, og hvor mye som ligger i lag andre eier. Kartlegg de fire lagene, prissett byttekostnaden i timer, og test en reell modellbytte en gang i halvåret. Tre enkle rutiner gjør konsolideringen til en nyhet du leser, ikke en hendelse du håndterer.

Tidsrom	Handling	Resultat
Første uke	Lagkart med eier, kontrakt, oppsigelsestid og datalokasjon	Du vet hvilke to leverandører som er kritiske
Innen 30 dager	Timeanslag for bytte, og gjennomgang av de kritiske kontraktene	Risikoen er sammenlignbar med andre budsjettposter
Innen 90 dager	Reell modellbytte på en avgrenset arbeidsflyt, testsett etablert	Dokumentert evne til å bytte, ikke bare en plan
Løpende	Krev change of control og dataeksport i alle nye avtaler	Ny risiko kommer ikke inn i porteføljen

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

TechCrunch. AMD to acquire Fei-Fei Li's World Labs for $8.2B
feinternational.com (2026). AI M&A Trends 2026: Why Acquirers Pay Premium Multiples | FE International | FE International
WilmerHale (2025). AI and EU Merger Control
BCG (2026). Global M&A Rebound Fueled by AI in 2026 | BCG
The Verge (2026). AMD to acquire AI research lab World Labs for $8.2 billion
aionda.blog (2026). Global Regulatory Trends in Big Tech AI Merger and Acquisitions