Coinbase VD Brian Armstrong satsar på att nästa flaskhals för artificiell intelligens inte blir hur smarta modellerna blir, utan hur mycket kraft och fysisk hårdvara som finns tillgänglig för att köra dem. I en serie uttalanden denna vecka hävdade Armstrong att energi- och beräkningsinfrastruktur, inte algoritmförbättringar, kommer att avgöra hur långt AI kan skalas. Med AI-venturefinansiering som nådde 242 miljarder dollar under första kvartalet 2026 ensamt, säger han att den verkliga begränsningen redan syns i utbyggnaden av datacenter.
Vart kostnaderna är på väg
Armstrong förutspår att inom 12 till 18 månader kommer ungefär 80 procent av AI-arbetsflödena att flyttas till modeller som kostar upp till 99 procent mindre än dagens frontsystem. De återstående 20 procenten kommer fortfarande att använda toppmodeller för högprioriterade uppgifter som vetenskaplig forskning. Han jämförde uppdelningen med konsumentelektronik: de flesta som köper en MacBook eller speldator hoppar över de maxade specifikationerna. Samma logik, säger han, kommer att gälla för AI – de flesta uppgifter kommer att köras på billigare, tillräckligt bra modeller.
Coinbase omsätter redan den idén i praktiken. Företaget dirigerar prompts till den mest kostnadseffektiva tillgängliga modellen, vilket har gjort att dess AI-utgifter förblivit ungefär oförändrade även när tokenanvändningen växer exponentiellt. Alternativ med öppen källkod som DeepSeek V4, som presterar nära de bästa proprietära systemen till ungefär en trettiondel av kostnaden, gör den strategin genomförbar.
Företagsbudgetar är redan ansträngda
Investeraren Tommy Shaughnessy pekade på Uber som en fallstudie i hur snabbt företags AI-utgifter kan spränga prognoser. Enligt Shaughnessy brände Uber igenom sin fulla AI-budget för 2026 i början av april – mindre än fyra månader in på året. Den typen av kostnadsöverskridanden, hävdar Armstrong, kommer att driva företag att leta efter billigare alternativ snarare än att jaga den mest avancerade modellen.
När kostnaden per token sjunker flyttas flaskhalsen uppströms. Den verkliga barriären blir den energi och kisel som krävs för att köra vilken modell som helst i skala. Armstrong beskriver efterfrågan på AI-genererad intelligens som utan praktiskt tak. Men den fysiska infrastrukturen för att leverera den intelligensen håller redan på att stanna av.
Varför Armstrong motsätter sig tyngre AI-reglering
Armstrong uttryckte också motstånd mot strängare AI-reglering. Han menar att politiska begränsningar inte bör forma teknikens bana när den främsta praktiska utmaningen redan är en brist på kraftverk och datacenter. Överreglering, föreslog han, skulle kunna sakta ner utbyggnaden av den infrastrukturen när den behövs som mest.
Datacenterkapaciteten håller inte jämna steg
Global datacenterkapacitet ligger redan efter efterfrågan. Även om riskkapital strömmade in i AI-startups under första kvartalet 2026 har den fysiska byggtakten inte hunnit ikapp. Armstrongs kärnargument knyter ihop allt: den verkliga gränsen för AI är inte modellkvalitet eller ens kostnad, utan den råa energi- och beräkningsinfrastruktur som krävs för att köra biljoner förfrågningar.
Den obesvarade frågan är hur snabbt den infrastrukturen kan expanderas – och om elbolag, tillsynsmyndigheter och chiptillverkare kan hålla jämna steg med en bransch som inte visar några tecken på att sakta ner.
