Coinbase-sjef Brian Armstrong satser på at den neste flaskehalsen for kunstig intelligens ikke vil være hvor smarte modellene blir, men hvor mye strøm og fysisk maskinvare som er tilgjengelig for å kjøre dem. I en rekke uttalelser denne uken hevdet Armstrong at energi- og beregningsinfrastrukturen, ikke algoritmeforbedringer, vil avgjøre hvor langt AI kan skala. Med AI-venturefinansiering på $242 milliarder i første kvartal av 2026 alene, sier han at den virkelige begrensningen allerede viser seg i utbyggingen av datasentre.
Hvor kostnadene er på vei
Armstrong forutsier at innen 12 til 18 måneder vil omtrent 80 % av AI-arbeidsbelastningene flytte til modeller som koster opptil 99 % mindre enn dagens fremste systemer. De gjenværende 20 % vil fortsatt bruke toppmodeller for høyrisikooppgaver som vitenskapelig forskning. Han sammenlignet inndelingen med konsumentelektronikk: de fleste som kjøper en MacBook eller spill-PC unngår de maksimale spesifikasjonene. Samme logikk vil, ifølge ham, gjelde for AI — de fleste oppgaver vil kjøre på billigere, gode-nok-modeller.
Coinbase setter allerede denne ideen i praksis. Selskapet dirigerer forespørsler til den mest kostnadseffektive modellen tilgjengelig, noe som har gjort at deres AI-utgifter har holdt seg omtrent stabile selv om token-bruk vokser eksponentielt. Åpen kildekode-alternativer som DeepSeek V4, som yter nærmest like godt som de beste proprietære systemene til omtrent en tredesdel av kostnaden, gjør denne strategien gjennomførbar.
Bedriftsbudsjettene er allerede spente
Investor Tommy Shaughnessy pekte på Uber som et eksempel på hvor raskt bedriftenes AI-utgifter kan overskride anslag. Ifølge Shaughnessy hadde Uber brukt opp hele sitt AI-budsjett for 2026 innen tidlig april — mindre enn fire måneder inn i året. Den typen kostnadsøverskridelse, hevder Armstrong, vil drive bedrifter til å lete etter billigere alternativer i stedet for å jakte på de mest avanserte modellene.
Når kostnaden per token synker, flytter flaskehalsen seg oppstrøms. Den virkelige barrieren blir energien og silisium som trengs for å kjøre modeller i stor skala. Armstrong beskriver etterspørselen etter AI-generert intelligens som å ha ingen praktisk tak. Men den fysiske infrastrukturen for å levere den intelligensen stagnerer allerede.
Hvorfor Armstrong er mot strengere AI-regulering
Armstrong uttrykte også motstand mot strengere AI-regulering. Han hevder at politiske begrensninger ikke bør forme teknologiens utvikling når den viktigste praktiske utfordringen allerede er en mangel på kraftverk og datasentre. Overregulering, antydet han, kan bremse utbyggingen av denne infrastrukturen på et tidspunkt da den er mest nødvendig.
Datasenters kapasitet klarer ikke å følge med
Global datasenterkapasitet faller allerede bak etterspørselen. Selv om venturekapital strømmet inn i AI-startups i første kvartal 2026, har den fysiske byggehastigheten ikke klart å følge med. Armstrongs hovedargument knytter alt sammen: den virkelige begrensningen for AI er ikke modellkvalitet eller til og med kostnad, men den rå energien og beregningsinfrastrukturen som trengs for å kjøre trillioner av forespørsler.
Den ubesvarte spørsmålet er hvor raskt denne infrastrukturen kan utvides — og om strømselskaper, regulatører og chipprodusenter kan holde tritt med en bransje som ikke viser tegn til å bremse.
