Coinbase CEO Brian Armstrong satser på, at den næste flaskehals for kunstig intelligens ikke vil være, hvor intelligente modellerne bliver, men hvor meget strøm og fysisk hardware der er til rådighed for at køre dem. I en række bemærkninger denne uge argumenterede Armstrong for, at energi- og computerinfrastruktur, ikke algoritmeforbedringer, vil afgøre, hvor langt AI kan skaleres. Med AI-venturefinansiering på 242 milliarder dollars alene i første kvartal 2026, siger han, at den reelle begrænsning allerede viser sig i udbygningen af datacentre.
Hvor omkostningerne er på vej hen
Armstrong forudser, at inden for 12 til 18 måneder vil omkring 80% af AI-arbejdsbelastningerne skifte til modeller, der koster op til 99% mindre end nutidens frontløbersystemer. De resterende 20% vil stadig bruge topmodeller til opgaver med høj indsats som videnskabelig forskning. Han sammenlignede opdelingen med forbrugerelektronik: de fleste, der køber en MacBook eller gaming-pc, springer de maksimale specifikationer over. Samme logik, siger han, vil gælde for AI – de fleste opgaver vil køre på billigere, godt-nok-modeller.
Coinbase omsætter allerede denne idé til praksis. Virksomheden dirigerer prompts til den mest omkostningseffektive tilgængelige model, hvilket har gjort det muligt for AI-udgifterne at forblive nogenlunde flade, selv mens tokenforbruget vokser eksponentielt. Open source-alternativer som DeepSeek V4, som præsterer tæt på de bedste proprietære systemer til cirka en tredjedel af prisen, gør denne strategi mulig.
Virksomhedsbudgetter er allerede anstrengt
Investor Tommy Shaughnessy pegede på Uber som et eksempel på, hvor hurtigt virksomheders AI-udgifter kan overstige forventningerne. Ifølge Shaughnessy brændte Uber igennem sit fulde AI-budget for 2026 allerede i starten af april – mindre end fire måneder inde i året. Den slags omkostningsoverskridelser, argumenterer Armstrong, vil presse virksomheder til at lede efter billigere alternativer i stedet for at jagte den mest avancerede model.
Efterhånden som omkostningerne per token falder, flytter flaskehalsen sig opstrøms. Den reelle barriere bliver den energi og det silicium, der kræves for at køre en hvilken som helst model i stor skala. Armstrong beskriver efterspørgslen efter AI-genereret intelligens som uden praktisk loft. Men den fysiske infrastruktur til at levere den intelligens er allerede ved at gå i stå.
Hvorfor Armstrong er imod strengere AI-regulering
Armstrong gav også udtryk for modstand mod strengere AI-regulering. Han argumenterer for, at politiske begrænsninger ikke bør forme teknologiens bane, når den primære praktiske udfordring allerede er en mangel på kraftværker og datacentre. Overregulering, antydede han, kunne bremse udbygningen af den infrastruktur på et tidspunkt, hvor den er mest nødvendig.
Datacenterkapacitet kan ikke følge med
Global datacenterkapacitet halter allerede bagefter efterspørgslen. Selvom venturekapital strømmede ind i AI-startups i første kvartal 2026, er det fysiske byggeri ikke fulgt med. Armstrongs kerneargument binder det hele sammen: Den reelle grænse for AI er ikke modelkvalitet eller engang omkostninger, men den rå energi- og computerinfrastruktur, der er nødvendig for at køre billioner af forespørgsler.
Det ubesvarede spørgsmål er, hvor hurtigt den infrastruktur kan udvides – og om forsyningsselskaber, reguleringsmyndigheder og chipproducenter kan følge med en industri, der ikke viser tegn på at bremse op.
