Velge AI-leverandør: 71 prosent til tre aktører
Tre modellutviklere hentet 160 milliarder dollar i ett kvartal. Her er hva konsentrasjonen gjør med prisene, forhandlingsmakten og AI Act-ansvaret til norske SMB-er.
Publisert 26 min lesing

Innhold
Nøkkelpunkter per 7. november 2026:
- 71 prosent av all AI-finansiering i Q1 2026 gikk til de tre største modellutviklerne, som til sammen hentet 160 milliarder dollar (hub.causo.ai).
- Høyrisikokravene i AI Act gjelder fra 2. desember 2027, mens åpenhetsreglene trer i kraft i august 2026 (EU-kommisjonen).
- OpenAI er verdsatt til 1,25 billioner dollar etter en runde på 11 milliarder dollar som ikke er avsluttet (TechCrunch).
- Medianselskapet brant fem dollar for hver dollar i ny inntekt blant Series A AI-selskaper i 2025, ifølge SVB (hub.causo.ai).
- 94 prosent av AI-kapitalen i første kvartal 2026 havnet i avtaler på 100 millioner dollar eller mer, mens antall avtaler falt til laveste nivå siden 2018 (hub.causo.ai).
Hva leverandøravhengighet betyr når AI-markedet konsentreres
Leverandøravhengighet i AI handler om hvor mye av løsningen din som slutter å fungere hvis en ekstern part endrer pris, vilkår eller modell. Fenomenet er ikke nytt. Forskjellen er at AI-laget ofte sitter nærmere kjerneprosessene enn et CRM eller et regnskapssystem, og at markedet bak det laget konsentreres raskere enn de fleste innkjøpsfunksjoner rekker å dokumentere. I Q1 2026 gikk 71 prosent av all AI-finansiering til de tre største modellutviklerne (hub.causo.ai).
Denne artikkelen gir deg tre ting. Et rammeverk for å måle hvor avhengig virksomheten faktisk er. Tallene som forklarer hvorfor forhandlingsbalansen har flyttet seg mot leverandøren. Og de kontraktskravene som bør inn i neste avtale før høyrisikokravene i AI Act trer i kraft 2. desember 2027 (EU-kommisjonen).
Avhengighet er et forretningsspørsmål, ikke et teknisk valg
Alura mener at avhengighet av en enkelt modelleverandør er en forretningsrisiko, ikke bare et teknisk valg. Forskjellen er praktisk, ikke retorisk. Et teknisk valg eies av utviklingsteamet og revideres når noen har tid. En forretningsrisiko eies av ledelsen, står i risikoregisteret og har en tiltaksplan med frist og ansvarlig.
Når kundeservice, tilbudsgenerering eller saksbehandling går gjennom en ekstern modell, er leverandørens prisliste blitt en del av din kostnadsstruktur. Leverandørens veikart er blitt en del av din leveranseevne. Og leverandørens dokumentasjon er blitt en forutsetning for din egen etterlevelse. Det er tre styresaker, ikke en linje i et arkitekturdokument.
Tre former for låsing du bør skille mellom
Modellåsing er den synligste og ofte den billigste å løse. Den oppstår når prompter, verktøykall, strukturerte svar og finjusterte varianter er skrevet mot en spesifikk modells oppførsel. Bytter du modell, må alt dette kalibreres på nytt, men koden i seg selv kan ofte stå.
Datalåsing er dyrere. Den oppstår når innebygde vektorrepresentasjoner, søkeindekser, samtalelogger og evalueringssett ligger i leverandørens format eller inne i leverandørens tjeneste. Her er spørsmålet ikke om du kan bytte, men om du får dataene ut i en form noen andre kan lese.
Prosesslåsing er den dyreste og den minst dokumenterte. Den sitter i arbeidsflyter, interne rutiner, opplæring og i hva de ansatte har lært å stole på. Et modellbytte som er teknisk enkelt kan være organisatorisk tungt fordi tjue personer må lære en ny oppførsel samtidig. Vi har skrevet mer om avveiningene i valg av språkmodell.
Hvorfor konsentrasjon endrer forhandlingsstyrken
Kapitalmarkedet forteller noe om hvem som har råd til å si nei. I første kvartal 2026 gikk 94 prosent av AI-finansieringen til avtaler på 100 millioner dollar eller mer, og i Q2 2026 gikk 89 prosent til 142 mega-runder (hub.causo.ai). Pengene samler seg hos få aktører med lang finansieringshorisont.
Samtidig falt antall AI-avtaler til laveste nivå siden 2018, ned 51 prosent fra toppen i Q1 2022 ifølge PitchBook. Færre nye utfordrere betyr færre reelle alternativer når du skal forhandle om pris, databehandling eller oppsigelsesvilkår. Det er ikke et argument mot å bruke AI. Det er et argument for å skrive bedre avtaler mens du gjør det.
Kapitalen samler seg hos tre modellutviklere
De tre største modellutviklerne hentet 160 milliarder dollar i Q1 2026 alene. Det tilsvarte 71 prosent av kvartalets samlede AI-finansiering (hub.causo.ai). Konsentrasjonen er ikke et sideresultat av markedet, den er markedet.
For en norsk SMB er dette relevant av praktiske grunner: leverandøren din finansierer sannsynligvis utbygging av regnekraft med kapital som forventer avkastning. Den avkastningen må før eller siden komme fra prislister, bruksvolum eller nye produktnivåer. Du er på mottakersiden av den regningen.
Hva tallene for årets første kvartal viser
PitchBook registrerte 255,5 milliarder dollar i AI-venturefinansiering i første kvartal 2026, mer enn deres eget tall for hele 2025 (hub.causo.ai). CB Insights kom til 226 milliarder dollar i privat AI-finansiering i samme kvartal, med en kvartalsvis vekst på 216 prosent i sin egen serie. Ulike metoder, samme retning.
Carta målte at over 60 prosent av all venturekapital reist av selskaper på deres plattform i årets første kvartal gikk til AI-selskaper. Det er ikke en AI-sektor som vokser ved siden av resten av økonomien. Det er en sektor som har overtatt tilgangen på risikokapital.
Færre avtaler, større sjekker
Mønsteret fra 2025 forklarer hvordan vi kom hit. CB Insights registrerte 29 501 ventureavtaler i 2025, ned 17 prosent, mens antall mega-runder på 100 millioner dollar eller mer steg 77 prosent til 738. De 738 rundene tok 65 prosent av all venturefinansiering (hub.causo.ai).
Toppen av toppen er enda smalere. De seks største rundene i 2025 var alle AI-runder, summerte seg til 111 milliarder dollar og utgjorde 49 prosent av årets AI-finansiering. Gjennomsnittlig AI-avtalestørrelse i årets første kvartal var 24 millioner dollar. Kapitalen går til få, store og kostbare satsinger, ikke til bredden av nye leverandører du kunne valgt mellom.
Pass på hvilken kilde tallet kommer fra
Det samme fenomenet får forskjellige tall avhengig av hvem som måler. PitchBook teller andelen av avtaleverdien, og får et helt annet bilde enn når selskapet teller andelen av antall startups i samme periode. SVB anslår at AI tok rundt 58 prosent av all amerikansk venturekapital i 2025, CB Insights lander på 48 prosent av total venturefinansiering, og AngelList måler andelen som del av antall avtaler i stedet for kroner (hub.causo.ai).
Nevneren avgjør svaret. Carta skiller mellom selskapene som utvikler grunnmodeller og resten av AI-markedet, mens tallet for de tre største modellutviklerne gjelder andelen av AI-finansieringen alene. Begge tall er riktige. De måler ikke det samme.
Dette er verdt å ta med inn i leverandørmøtet. Når en selger viser deg en markedsandel eller en vekstkurve, er det første spørsmålet hvilken populasjon tallet gjelder for og hvilket kvartal det er hentet fra. PitchBook har for eksempel målt hvor stor del av AI-avtaleverdien som går til horisontale plattformer framfor spisse bransjeløsninger, et helt annet kutt av samme marked.
Les også: MAI-Thinking-1 i Azure: bør norske SMB-er bytte fra OpenAI?. Microsoft lanserte sju egne MAI-modeller på Build 2026.
Hvor synlig er bedriften din i Google og ChatGPT?
Vi sjekker nettsiden din og sender en gratis synlighetsrapport innen 24 timer.
Vil du heller snakke med en rådgiver? Ta kontakt.
Et rammeverk for AI-leverandørrisiko i fire lag
De fleste vurderinger av AI-leverandører kollapser til ett spørsmål: hvilken modell er best. Det er det minst viktige spørsmålet, fordi svaret endrer seg hver tredje måned. Et mer holdbart grep er å dele avhengigheten i fire lag og vurdere byttekostnaden i hvert lag separat.
| Lag | Hva du er bundet til | Typisk byttekostnad | Spørsmål til leverandøren |
|---|---|---|---|
| 1. Modell | Prompter, verktøykall, finjustering, svarformat | Lav til middels | Hvor lenge støttes gjeldende modellversjon, og hva er varslingsfristen ved avvikling? |
| 2. Plattform | API-format, autentisering, kvoter, orkestrering, overvåkning | Middels | Finnes et dokumentert eksportformat for konfigurasjon og logger? |
| 3. Data | Vektorindekser, kunnskapsbaser, samtalelogger, evalueringssett | Høy | Hvem eier dataene, hvor lagres de, og hvordan får vi dem ut i lesbart format? |
| 4. Kompetanse og prosess | Arbeidsflyter, rutiner, opplæring, internt eierskap | Høyest, og minst synlig | Hva må opplæres på nytt hvis modellen byttes? |
Lag 1 og 2: modell og plattform
Modellaget er der oppmerksomheten går, og der risikoen er minst. Prompter kan skrives om, svarformater kan kalibreres, og kvaliteten på en ny modell kan måles mot et testsett i løpet av dager hvis du har et testsett. Har du ikke et testsett, er modellaget plutselig dyrt, fordi du ikke kan dokumentere om byttet gjorde ting bedre eller verre.
Plattformlaget er mer bindende enn det ser ut. Her ligger autentisering, kvotestyring, logging, kostnadssporing og eventuell orkestrering av flere kall. Mange virksomheter oppdager først ved et bytte at mye av integrasjonsarbeidet lå i plattformen og ikke i modellen. Vi har gått gjennom en konkret variant av dette i vurderingen av MAI-Thinking-1 i Azure.
Lag 3: data og integrasjon
Datalaget er der leverandørbytte faktisk stopper. Innebygde vektorrepresentasjoner er modellspesifikke, og bytter du embedding-modell må hele indeksen bygges på nytt. Det er håndterbart hvis kildedokumentene ligger hos deg i opprinnelig form. Det er en liten katastrofe hvis de bare finnes inne i leverandørens tjeneste.
To spørsmål avgjør mye: ligger kildedataene dine i et system du kontrollerer, og kan du eksportere samtalelogger og evalueringsdata i et åpent format? Får du ja på begge, er datalaget en kostnad. Får du nei, er det en sperre. Regn om indeksering som en driftskostnad du vil betale flere ganger i en avtaleperiode, ikke som et engangsprosjekt.
Lag 4: kompetanse og prosess
Det fjerde laget står sjelden i noe arkitekturdokument. Det er rutinen saksbehandleren har lagt seg til, malen selgeren bruker, og den uformelle kunnskapen om hva modellen pleier å bomme på. Denne kunnskapen er verdifull og helt leverandørspesifikk.
Tiltaket er kjedelig og effektivt: skriv ned hva som faktisk gjøres, hvilke kvalitetskrav som gjelder, og hvilke feil som skal fanges av mennesker. Da er prosessen din egen eiendom, ikke leverandørens. Det er også nøyaktig den dokumentasjonen AI Act vil kreve av deg senere, så arbeidet betaler seg to ganger (EU-kommisjonen).
Praktisk sjekkliste for mandag morgen
Rammeverk er bare nyttige hvis de blir en oppgave med et navn på. Her er arbeidet som faktisk kan gjøres i løpet av en arbeidsuke, uten budsjettvedtak og uten ny programvare.
Målet er ikke å bli uavhengig. Målet er å vite hva avhengigheten koster, og å ha et alternativ som er testet i praksis.
Kartlegg hvor modellen faktisk sitter
Lag en enkel liste over hvert sted en AI-modell er i bruk: hvilken prosess, hvilken leverandør, hvilken modellversjon, hvem som eier det internt, og hva som skjer hvis tjenesten er nede i et døgn. Ta med skyggebruken. Verktøy ansatte har tatt i bruk på egen hånd er en del av avhengigheten enten de står i IT-porteføljen eller ikke.
Sorter listen etter forretningskritikalitet, ikke etter forbruk. Et lavvolumkall som ligger i en kundeleveranse er mer kritisk enn et høyvolumkall som produserer interne sammendrag. Det er i den øverste enden av listen du skal bruke penger på alternativer.
Bygg abstraksjonslaget før du trenger det
Alura mener du bør bygge et abstraksjonslag slik at modellen kan byttes uten at løsningen må skrives om. I praksis betyr det at applikasjonen din kaller din egen interne funksjon, ikke leverandørens API direkte, og at modellnavn, nøkler og parametere ligger i konfigurasjon.
Det koster lite å gjøre tidlig og mye å gjøre sent. Et slikt lag gir deg også noe annet, nemlig målbarhet: når alle kall går gjennom ett punkt, kan du logge kostnad per prosess, svartid og feilrate per modell. Uten de tallene er et leverandørbytte en magefølelse.
Kjør et modellbytte som øvelse
Velg den nest viktigste prosessen og bytt modell i et testmiljø. Mål kvalitet mot et fast testsett, mål kostnad, mål svartid, og skriv ned hvor mange timer det tok. Da har du et tall du kan bruke i neste forhandling i stedet for en antakelse.
Øvelsen avdekker nesten alltid noe uventet, typisk at svarformatet er strammere enn dokumentert eller at et verktøykall oppfører seg annerledes. Det er billigere å finne ut av det på en planlagt tirsdag enn den dagen leverandøren avvikler modellen du bruker. Vårt generelle råd om å komme i gang med små, målbare steg står i AI-implementering nå.
Hva verdsettelsen på 1,25 billioner dollar sier om prispress
OpenAI er verdsatt til 1,25 billioner dollar etter at selskapet angivelig hentet 11 milliarder dollar i en ny runde (TechCrunch). Samme tall er gjengitt hos The Verge, 2026. For en norsk SMB er beløpet i seg selv uinteressant. Det som er interessant er hva det forteller om forventningene som nå ligger på leverandørens inntektsside.
Runden som ikke er ferdig
Detaljene er mer opplysende enn hovedtallet. Finansieringsrunden er ikke avsluttet og kan ende på rundt 20 milliarder dollar, mens selskapet tidligere skal ha siktet på 30 milliarder dollar (TechCrunch). De nåværende tallene ligger altså godt under det opprinnelige målet.
Det er to lesninger. Den ene er at kapitalen begynner å bli selektiv selv på toppen av markedet. Den andre er at en verdsettelse på billionnivå kan stige samtidig som tilgangen på frisk kapital blir strammere. Begge lesningene peker mot det samme for deg som kunde: presset for å hente mer inntekt per bruker øker, ikke minker.
Verdsettelsespremien i tall
Premien på AI-eiendeler er dokumentert gjennom hele kapitalstigen, og den er stor nok til å forme hvordan leverandører oppfører seg mot kunder.
| Måling | Tall | Periode og kilde |
|---|---|---|
| Median Series A-verdsettelse, AI foundational model | 300 millioner dollar | Første kvartal 2026, Carta |
| Median Series A-verdsettelse, ikke-AI | 55 millioner dollar | Første kvartal 2026, Carta |
| AI-premie på Series A-verdsettelse | 38 prosent | Hele 2025, Carta |
| AI-premie på Series E+ | 193 prosent | Hele 2025, Carta |
| AI-premie på seed-verdsettelse | 42 prosent | 2024, Carta |
| Median pre-money, AI-seed | 17,9 millioner dollar | 2024, Carta |
| Median pre-money, AI Series B | 143 millioner dollar | 2024, Carta |
Tallene kommer fra samme sammenstilling som konsentrasjonsdataene (hub.causo.ai). Poenget for en innkjøper er enkelt: en leverandør som er priset på 193 prosent premie i senere runder har forpliktet seg til en vekstbane. Den banen finansieres av kundekontrakter, og din kontrakt er en av dem.
Kostnadsbildet når leverandøren brenner fem dollar for hver dollar i ny inntekt
SVB rapporterte at medianselskapet blant Series A AI-selskaper i 2025 brant fem dollar for å tjene en dollar i ny inntekt (hub.causo.ai). Det er et tall om oppstartsselskaper, ikke om de tre store, men det beskriver bransjens normaltilstand: vekst kjøpes med kapital, ikke finansieres av drift.
For en kunde betyr det at dagens prisliste ikke nødvendigvis er en bærekraftig prisliste. Det er ikke et argument for å sitte stille. Det er et argument for å budsjettere med at prisen kan bevege seg i begge retninger, og for å skrive avtalen slik at du får varsel i tid.
Enhetsøkonomien bak prislappen
Historisk har prisen per token falt kraftig for en gitt kvalitetsklasse, mens totalkostnaden i virksomheter har steget fordi bruken vokser og modellene som brukes blir tyngre. Begge bevegelsene er reelle samtidig. Det er derfor rene prisforhandlinger per token er mindre viktige enn forutsigbarhet i volum og modellvalg.
Spør leverandøren om tre ting: hvordan prisen varsles ved endring, hvor lenge en gitt modellversjon støttes, og hva som skjer med prisen når du går fra pilot til produksjonsvolum. Svarene er ofte vagere enn selgeren tror, og vagheten er informasjon.
Tre kostnadsbaner du bør budsjettere for
| Scenario | Hva som skjer | Signal å følge | Tiltak nå |
|---|---|---|---|
| Prisen faller | Ny modellgenerasjon gir samme kvalitet billigere | Leverandøren lanserer en rimeligere modellklasse | Ha testsett klart så du kan flytte ned i klasse raskt |
| Prisen holder, bruken vokser | Totalkostnaden stiger uten at enhetsprisen gjør det | Forbruk per prosess øker måned for måned | Logg kostnad per prosess, sett kvoter og varsler |
| Prisen stiger eller modellen avvikles | Leverandøren henter inntekt eller rydder porteføljen | Varsel om endrede vilkår, ny produktpakking | Ha et testet alternativ og en varslingsfrist i avtalen |
Ingen av de tre banene krever at du spår riktig. De krever at du har gjort forarbeidet som gjør hver av dem håndterbar: et testsett, kostnadslogging per prosess, og en kontrakt med varslingsfrist. Det er tre konkrete leveranser, ikke en strategi.
Legg til et fjerde punkt i budsjettet som ofte glemmes: kostnaden for å måle gevinst. I vår gjennomgang av AI-verdsettelser og ROI er dette det svakeste leddet i de fleste virksomheter. Uten målte gevinster blir enhver prisøkning umulig å vurdere.
AI Act gir deg dokumentasjonskrav å stille leverandøren
AI Act er forordning (EU) 2024/1689 og verdens første omfattende rettslige rammeverk for AI (EU-kommisjonen). For de fleste norske SMB-er er regelverket ikke først og fremst en byrde. Det er en liste over ting du har rett til å kreve dokumentert av leverandøren din, formulert av noen med mer forhandlingsmakt enn deg.
Bruk den sånn. Når kravene er lovfestede, trenger du ikke argumentere for hvorfor du spør. Du trenger bare å få svarene inn i avtaleteksten.
Fire risikonivåer og ni forbud
Regelverket deler AI-systemer i fire risikonivåer og forbyr ni praksiser som anses som uakseptabel risiko (EU-kommisjonen). Forbudene 1 til 8 trådte i kraft i februar 2025. Forbud nummer 9 kom inn som del av AI Omnibus og trer i kraft i desember 2026.
De færreste SMB-er er i nærheten av forbudssonen. Men risikoklassifiseringen er likevel den første jobben, fordi den avgjør hvilke krav som gjelder deg. Et AI-verktøy brukt til ansettelser eller kredittvurdering er en annen sak enn samme modell brukt til å skrive produkttekster.
GPAI-reglene gjelder allerede
Reglene for general-purpose AI-modeller trådte i kraft i august 2025, og Kommisjonen publiserte tre instrumenter for GPAI-modeller i juli 2025 (EU-kommisjonen). Det betyr at leverandøren av grunnmodellen du bruker allerede er omfattet av forpliktelser, uavhengig av hva din egen bruk klassifiseres som.
Det er en praktisk gave til deg som kunde. Dokumentasjon som leverandøren må produsere for sin egen etterlevelse, er dokumentasjon du kan kreve utlevert i din avtale. Spør etter den konkret, med navn på dokumentet, og med en frist.
Ansvaret følger virksomheten som bruker modellen
Alura mener at AI Act-ansvaret følger virksomheten som bruker modellen. Dokumentasjon fra leverandøren bør være et kontraktskrav, ikke en forventning. Forskjellen merkes først den dagen et tilsyn eller en kunde ber om underlag, og du må videresende spørsmålet til en leverandør som ikke har noen plikt til å svare deg innen en gitt frist.
Alura mener også at verdsettelser på billionnivå sier lite om hvilken leverandør som passer en norsk SMB. Krav til datahåndtering, dokumentasjon og exit sier mer. Et selskap verdsatt til 1,25 billioner dollar kan være et utmerket valg, men ikke fordi tallet er stort.
Konkret bør avtalen navngi hvilke dokumenter du har rett på, i hvilket format, og innen hvor mange virkedager etter forespørsel. Legg til at vesentlige endringer i modellens oppførsel eller treningsgrunnlag skal varsles. Uten den klausulen er etterlevelsen din avhengig av leverandørens gode vilje. Vi har samlet flere av kriteriene i kriterier og fallgruver.
Les også: LLM-er og valg av språkmodell: GPT-4, Claude, Gemini eller lokal modell – hva passer for norsk bedrift?. Valget mellom GPT-4, Claude, Gemini og norske modeller handler om mer enn ytelse.
Tidslinjen fram til 2. desember 2027
Datoene i AI Act er ikke jevnt fordelt, og det er lett å planlegge mot feil frist. Her er den samlede tidslinjen slik Kommisjonen beskriver den, med det som er relevant for leverandørvalget ditt.
| Dato | Hva som skjer | Betydning for leverandørvalget |
|---|---|---|
| 1. august 2024 | AI Act trer i kraft | Startpunktet for alle overgangsfrister |
| 2. februar 2025 | Forbudte AI-praksiser og AI-kunnskapsforpliktelser gjelder | Opplæring av ansatte blir en plikt, ikke et tiltak |
| Juli 2025 | Kommisjonen publiserer tre instrumenter for GPAI-modeller | Dokumentasjon du kan be leverandøren vise til |
| 2. august 2025 | Styringsregler og GPAI-forpliktelser gjelder | Grunnmodell-leverandøren er omfattet nå |
| 2. august 2026 | AI Act blir anvendelig, åpenhetsreglene gjelder | Merking og informasjonsplikt må være på plass |
| Desember 2026 | Forbud nummer 9 trer i kraft | Kontroller at ingen bruksområder berøres |
| 2027 | Forventet operativ dato for økt EU-evalueringskapasitet av AI-modeller | Mer offentlig tilgjengelig vurdering av modeller |
| 2. desember 2027 | Strenge forpliktelser for høyrisiko-AI, inkludert sensitive sektorer i Annex III | Fristen de fleste SMB-prosjekter skal planlegge mot |
| 2. august 2028 | Forlenget overgangsperiode for høyrisiko-AI i regulerte produkter (Annex I) | Gjelder produkter med egen sektorregulering |
Hva som gjelder nå
Tre ting er allerede i kraft: forbudene mot uakseptabel risiko, plikten til AI-kunnskap i organisasjonen, og reglene for general-purpose AI-modeller (EU-kommisjonen). Det første du bør gjøre er derfor ikke å forberede 2027, men å dokumentere at de nåværende kravene er dekket.
AI-kunnskapsplikten er den som oftest står ubehandlet. Den krever at de som bruker systemene har tilstrekkelig forståelse av hva de gjør. En kort, datert opplæringsøkt med deltakerliste er bedre dokumentasjon enn en policy ingen har lest.
Hva du bør ha gjort før august 2026
Åpenhetsreglene trer i kraft i august 2026, og AI Act blir anvendelig 2. august 2026 (EU-kommisjonen). Det betyr at kunder og brukere skal kunne vite når de snakker med eller får innhold fra et AI-system. Dette er en produktoppgave, ikke en juridisk oppgave, og den tar lengre tid enn folk tror.
Gå gjennom hver kundevendt flate og avgjør hvor merking hører hjemme. Deretter: hvem internt eier teksten, hvem godkjenner den, og hvordan oppdateres den når leverandøren endrer noe. Det er fristen du realistisk jobber mot nå, mens 2. desember 2027 er fristen du planlegger investeringer mot.
Børsnotering og nye eiere endrer leverandørbildet
Anthropic nærmer seg børsnotering, ifølge The Verge, 2026. OpenAI har tidligere antydet børsnotering, deretter utsatt planene, og forventes å noteres en gang neste år (TechCrunch). Eierstrukturen hos leverandørene dine er i bevegelse, og det er en kontraktsrisiko før det er en markedsnyhet.
Fra privat kapital til børs
Forventningene til Anthropics verdsettelse har beveget seg raskt. Noen potensielle kjøpere mener den kan være så lav som 1,1 billioner dollar, mens investorer for rundt en måned siden angivelig forventet 2 billioner dollar (TechCrunch). Sam Altman har på sin side uttalt at OpenAI prioriterer sikkerhet fremfor å gå «guns blazing» mot en børsnotering (The Verge, 2026).
En børsnotering endrer insentivene på en måte som treffer kunder direkte. Kvartalsrapportering belønner forutsigbar inntekt og marginforbedring. Det betyr typisk tydeligere produktpakking, færre gratis nivåer, raskere avvikling av gamle modellversjoner og strammere kontrollerte prislister.
Eierskifte som kontraktsrisiko
Det du kan gjøre noe med, er hva som står i avtalen når eieren skifter. Krev at vesentlige endringer i vilkår varsles med en konkret frist, og at databehandleravtalen følger med ved overdragelse. Krev også at du kan si opp uten vederlag hvis vilkårene endres til din ulempe.
For virksomheter som bruker modellen gjennom en nordisk integrator eller en skyplattform, er det to avtalelag å sjekke, ikke ett. Spør hvem som bærer risikoen hvis den underliggende modellen avvikles. Svaret står sjelden i salgsmaterialet.
Vanlige feil norske SMB-er gjør i leverandørvalget
Feilene er forutsigbare, og de er dyrere senere enn de ser ut nå. Tre går igjen.
Å velge etter verdsettelse og medieomtale
Den største leverandøren er ikke automatisk den riktige for en virksomhet med 40 ansatte, en norsk kundebase og et konkret dokumentarkiv. Størrelse gir stabilitet og bredde i modellporteføljen. Den gir ikke nødvendigvis god norsk språkkvalitet, forståelige vilkår for databehandling, eller en kontaktperson som svarer.
Snu kriteriene: hvilken leverandør leverer dokumentert kvalitet på dine oppgaver, på norsk, med databehandling du kan forsvare, og med en exit du kan gjennomføre. Det er fire målbare krav. Verdsettelse er ingen av dem.
Å bygge direkte mot ett API
Det går alltid raskere å kalle leverandørens API direkte fra applikasjonskoden. Det er også den enkeltbeslutningen som oftest gjør et senere bytte til et omskrivingsprosjekt. Kostnaden kommer ikke når du bygger, den kommer når leverandøren endrer noe.
Tiltaket er beskrevet over og er lite: en intern funksjon mellom applikasjonen og leverandøren, konfigurerbare modellnavn, og logging på ett punkt. Det bør være et krav i enhver kravspesifikasjon der en ekstern modell inngår.
Å behandle dokumentasjon som noe leverandøren ordner
Mange antar at etterlevelse er leverandørens problem fordi modellen er leverandørens produkt. Det stemmer for GPAI-forpliktelsene, som trådte i kraft i august 2025, men ikke for din bruk av systemet (EU-kommisjonen). Risikoklassifisering, informasjonsplikt og intern kompetanse er ditt ansvar.
En relatert feil er å utsette arbeidet til 2027 fordi høyrisikokravene gjelder da. Arbeidet som faktisk tar tid, er kartlegging, merking av kundevendte flater og opplæring. Det bør være ferdig før åpenhetsreglene trer i kraft i august 2026, ikke etterpå.
Kontraktsklausuler som gir deg en reell exit
En exit som bare finnes i teorien er ikke en exit. Det som gjør den reell er at dataene kan hentes ut i brukbart format, at du får varsel i tid, og at du slipper ut av avtalen uten å betale for privilegiet. Tabellen under er en sjekkliste du kan ta rett inn i neste avtaleforhandling.
| Klausul | Hva den skal sikre | Hva du bør kreve konkret |
|---|---|---|
| Dataeierskap | At innhold, logger og avledede data er dine | Eksplisitt eierskapsbestemmelse, også for genererte utdata og evalueringsdata |
| Trening på dine data | At data ikke brukes til modelltrening uten samtykke | Avslått som standard, skriftlig, med angitt lagringssted |
| Sletting | At data faktisk fjernes ved opphør | Slettefrist i dager, skriftlig bekreftelse, dekning av sikkerhetskopier |
| Prisendring | Forutsigbarhet i budsjettet | Varslingsfrist før endring, og oppsigelsesrett uten vederlag ved endring til din ulempe |
| Modellavvikling | Tid til å bytte kontrollert | Minimum støtteperiode per modellversjon og varslingsfrist ved avvikling |
| Dokumentasjon | At du kan dokumentere etterlevelse | Navngitte dokumenter, format, og svarfrist i virkedager |
| Exit og portabilitet | At du kommer deg ut | Eksport i åpent format, definert bistandsperiode, pris avtalt på forhånd |
| Eierskifte | At vilkårene overlever en transaksjon | Varsling ved overdragelse, databehandleravtale følger med |
Data, sletting og trening
Start med det som er vanskeligst å reparere senere. Hvem eier innholdet som går inn, utdataene som kommer ut, og loggene imellom? Brukes dataene til å trene modeller, og kan du slå det av skriftlig og permanent? Hvor lagres de geografisk, og hvem har tilgang?
Slettebestemmelsen er den som oftest er vag. Krev en konkret slettefrist i antall dager etter opphør, skriftlig bekreftelse på at sletting er gjennomført, og at sikkerhetskopier er dekket. «Data slettes i henhold til vår slettepolicy» er ikke en forpliktelse, det er en henvisning til et dokument leverandøren kan endre alene.
Pris, varsling og modellavvikling
To klausuler gjør mest for forutsigbarheten: en varslingsfrist før prisendring, og en minimum støtteperiode per modellversjon. Den første gir deg budsjettkontroll. Den andre gir deg tid til å kjøre et kontrollert bytte i stedet for et hastebytte.
Koble dem sammen med en oppsigelsesrett. Endres prisen eller avvikles modellen du bygget på, skal du kunne gå ut uten vederlag. Det er den klausulen som gjør resten av avtalen forhandlingsbar, fordi den flytter kostnaden ved endring tilbake til den som gjør endringen.
Exit og portabilitet
Exit-klausulen må være operativ, ikke prinsipiell. Spesifiser hvilke data du får ut, i hvilket format, og innen hvilken frist. Avtal prisen for migreringsbistand på forhånd. Bistand som skal «avtales nærmere ved behov» prises alltid når du har minst forhandlingsmakt.
Test klausulen minst en gang i avtaleperioden ved å faktisk be om en eksport. En exit du aldri har prøvd er en antakelse. Den koster ingenting å verifisere mens forholdet er godt, og den er umulig å verifisere når det ikke er.
Spørsmål og svar om valg av AI-leverandør
Fire spørsmål kommer igjen i nesten hver leverandørdiskusjon vi deltar i.
Bør vi velge en leverandør eller flere?
For de aller fleste SMB-er er svaret en primærleverandør og et testet alternativ. To leverandører i full produksjon dobler integrasjonsarbeid, kostnadsoppfølging og opplæring uten å redusere risikoen tilsvarende. Gevinsten ligger i å ha et alternativ som er verifisert, ikke i å kjøre to parallelle løsninger.
Unntaket er prosesser der nedetid har direkte inntektskonsekvens. Der kan reell redundans være verdt kostnaden, men da bør beslutningen tas med et tall for hva en times stans koster.
Hvor mye koster det å bytte modell?
Det avhenger nesten utelukkende av hvilke av de fire lagene du har bundet. Har du abstraksjonslag, egne kildedata og et testsett, er bytte målt i dager. Mangler du testsettet, blir det uker, fordi du må bygge en måling før du kan vurdere resultatet.
Det eneste pålitelige svaret er ditt eget. Kjør øvelsen på en ikke-kritisk prosess og noter timeforbruket. Da har du en kostnad du kan bruke i både budsjett og forhandling.
Gjelder AI Act oss når vi bare bruker et ferdig verktøy?
Ja, men ikke med de samme pliktene som leverandøren har. Forbudene og AI-kunnskapsforpliktelsene gjelder fra februar 2025, åpenhetsreglene fra august 2026, og de strenge forpliktelsene for høyrisikosystemer fra 2. desember 2027 (EU-kommisjonen).
Det praktiske arbeidet for en SMB som bruker ferdige verktøy er dermed: klassifiser bruksområdene, merk kundevendte flater, dokumenter opplæring, og få leverandørens dokumentasjon inn som kontraktskrav. Det er fire oppgaver, og ingen av dem krever advokat for å starte.
Hva med norske og europeiske alternativer?
Nærhet til leverandøren gir reelle fordeler: avtaler på norsk, databehandling innenfor EØS, og en motpart som faktisk svarer. Det løser ikke modellavhengigheten, fordi mange nordiske leverandører bygger på de samme grunnmodellene. Spør derfor alltid hvilken underliggende modell som brukes, og hva som skjer med avtalen hvis den avvikles.
Kapitalbildet forklarer hvorfor dette spørsmålet er viktig nå. Når hovedtyngden av kvartalets AI-finansiering går til tre aktører (hub.causo.ai), er sannsynligheten stor for at din lokale leverandør også er kunde hos en av dem. Lokal leverandør er en fordel i avtaleforholdet, ikke en garanti mot konsentrasjonsrisiko.
Oppsummering og tre neste steg
AI-markedet konsentreres raskt. I første kvartal 2026 hentet de tre største modellutviklerne 160 milliarder dollar, nesten all AI-kapital gikk til mega-avtaler, og antall avtaler falt til laveste nivå siden 2018 (hub.causo.ai). Samtidig stiger verdsettelsene, med OpenAI på 1,25 billioner dollar og Anthropic på vei mot børs (TechCrunch).
Ingen av disse tallene forteller hvilken leverandør som passer din virksomhet. Det de forteller, er at forhandlingsbalansen har flyttet seg, at prispresset kommer fra kapitalsiden, og at antallet reelle alternativer er mindre enn mediebildet antyder. Svaret er ikke å vente. Svaret er å gjøre avhengigheten målbar og avtalen bedre.
Regelverket gir deg uvanlig god hjelp her. AI Act er allerede delvis i kraft, åpenhetsreglene kommer i august 2026, og høyrisikokravene gjelder fra 2. desember 2027 (EU-kommisjonen). Hver av de datoene er samtidig en anledning til å kreve dokumentasjon, varslingsfrister og exit skriftlig.
Tre steg før neste avtale fornyes
Kartlegg. Lag listen over hvor AI-modeller er i bruk, med eier, modellversjon, forretningskritikalitet og skyggebruk. Sorter etter hva som faktisk ville stoppe en kundeleveranse. Dette er et par timers arbeid og grunnlaget for alt annet.
Abstraher og mål. Sett inn et abstraksjonslag mellom applikasjonen og leverandøren, bygg et testsett for de viktigste oppgavene, og logg kostnad per prosess. Kjør deretter et modellbytte som øvelse på en ikke-kritisk prosess og noter hva det kostet i timer.
Skriv det inn. Ta klausultabellen over inn i neste avtaleforhandling og få eierskap, trening, sletting, varslingsfrister, dokumentasjonsplikt og exit på papir. Avhengighet av en enkelt modelleverandør er en forretningsrisiko, og en forretningsrisiko håndteres i kontrakt og risikoregister, ikke i en teknisk diskusjon om hvilken modell som er best denne måneden.
Alura er et norsk AI-byrå i Oslo. Vi holder AI-kurs og workshops og lager AI-strategi for bedrifter. Se opplæring og strategi, eller start med en gratis kartlegging.
- hub.causo.ai. AI startup funding this quarter: the 2026 data | Causo Hub
- EU-kommisjonen. AI Act
- TechCrunch. OpenAI reportedly raises an additional $11 billion at a $1.25 trillion valuation
- The Verge (2026). OpenAI valued at $1.25 trillion as Anthropic nears IPO
Alura Innsikt: AI-nyhetene som angår din bransje, en e-post i uken.
Les neste.
Flere AI-leverandører: kapasitet som leverandørrisikoOpenAI stanset nye Pro-abonnementer til 200 dollar da etterspørselen etter Astra ble for stor. Dette betyr kapasitetsrisikoen for norske SMB-er som har bygget alt på én leverandør.25 min lesing
Forklarbar AI blir konkurransefortrinn for norske bedrifterAnthropics J-linse viser hva som skjer inne i en AI-modell. Her er hvorfor innsyn og forklarbarhet nå blir et reelt kriterium når norske bedrifter velger AI-leverandør.21 min lesing
Teknisk gjeld fra AI-kode: fem typer og budsjettEn studie av 304 362 AI-commits viser at 24 prosent av problemene fortsatt står ved siste revisjon. Her er hva norske SMB-er bør budsjettere og kontrollere før regningen kommer.28 min lesing
