Velkommen til mandagsmøte. Vi tenkte å snakke litt om Norges Bank, litt om amerikanske tall og ganske mye om AI. Begynner på Norges Bank, Kjetil. Det er en brukbar risiko for at de setter opp renten en gang til. Ja, vi mener jo det. Vi har sagt det hele tiden. Det har kommet litt nye tall, eller vi fikk i forrige uke et arbeidsledighetstall, og det fortsatte nedover det. Det var en av de tingene Norges Bank var positivt overrasket over utviklingen i arbeidsmarkedet, og derfor så var det en av grunnene til at de også oppbysterte rentebanen sist. Så det ser ikke ut til at det går noe dårligere i norsk økonomi, som har vært med ledighet. 600 og færre personer ledde i september, og nå har nedgangen holdt på siden november, og vi ligger allerede litt lavere enn Norges Bank på ledigheten som vi ser til høyre. Og vi vil merke også at Norges Bank forventer jo nå at ledigheten skal begynne å skli oppover ganske snart. Og det er det foreløpig ingen tegn til. Så det er den ene faktoren. Den andre faktoren er, det får vi jo se da, men på fredagen så får vi konsumpristallene for september. Og der har vi i hvert fall en klar oppside til det tallet Norges Bank har estimert. Så vi ligger inne med 3-2 på kjerneinflasjonen, Norges Bank har 2-9. Og våregnoser ligger en 3-10 over Norges Bank hele året ut. Og det alene skulle vi få rett der, så vil det være helt åpenbart liksom... Det er nok, vet jeg ikke. Men i hvert fall det vil klart trekke retninger en risiko for en ny rentevin. Nå er det muta, tror jeg. Så har krona gått litt feil vei også? Ja, det er en liten prosent. Og der er det jo også fremover litt avhengig av hva utlandske sentralbanker gjør. Nå har forventningene til både Fed og SCB kommet litt ned, men det er jo fortsatt en klar forventning om at rentene skal videre opp i både USA og Europa. og det gjør de sentralbankene slik markedet nå bryser inn, så vil jo Norges Bank kunne få litt... Altså krona kunne få litt mindre mer enn også av det. Så det er liksom flere forhold her, føler vi, som... I hvert fall... Ja, biasen er helt klart i retning av en økning til. Norges Bank har jo 40 prosent sannsynlighet for en rett økning til. Nå får vi rett på noe av det vi har, på både prisvekst og vi også. På ledigheten så tror vi ikke den kommer til å øke i den takten Norges Bank har lagt til grunn. Så det er ikke så mye som skal til, da, for at det ypper over 50 prosent. Og så prises det jo inn økninger som vi har både fra Fed og SCB, og med takt på Fed så fikk vi jo litt flere tall i forrige uke. Vi fikk litt arbeidsmarkedstall, som er alltid verdt å ta med seg. Ikke at det var kjempespennende, kanskje, men... Nei, det var jo litt lavere syssettingsvekstall denne måneden enn sist, og forrige måned ble det litt revidert ned, og så blir det mye styr i media, og nå går det dårlig. Vi har jo dette her, det røde feltet som vi ser i høyre, det er på en måte sånn estimat på hvor mange du trenger å syssette for å holde ledigheten stabil. Og seks måneders glidende snitt ligger rett i overkant av på en måte øverste estimat der. Det er konsistent, men ganske stabil til fallende ledighet. Så det er lave syssettingsdall, men de er ikke svake. Og samtidig så fikk vi noen revisjoner på inflasjonen. Det var noen endringer i metodikk som gjorde at prisveksten bakover i tid ble revidert ned tre tiddeler, så det ble det også lagt litt fokus på. Men det fjerner jo ikke på en måte utfordringen til Fed. Ja, du starter litt denne lavere, men hvis du ser på den røde linja til venstre der, det ser ikke ut som det er noe tegn til at inflasjonen heller begynner å gå ned i USA. Den har ligget på 3 prosent. Litt som i Norge da, de siste to-tre årene egentlig. Det har ikke gått noen vei. Så med et ganske stabilt arbeidsmarked og en for høy inflasjon, så sier jo vårt at så begynner ikke den snart å bevege seg mot målet, så har vi en jobb å gjøre, og det var det den begynte på forrige gang, og vi tror vel de fortsetter et par ganger til å lukke om. Vi tror jo egentlig det. Så det kan bli interessant å se. Veldig mye av grunnen til at det går så bra som det gjør, er jo egentlig investeringer i datacenteret. AI-rese er i aller høyeste grad levende. Og skulle det stoppes, så vil det få enorme konsekvenser, mest sannsynlig. Derfor synes jo vi det her er verdt å følge med på det. Det er det særlig Kirsti hos oss som gjør. Hun har vært rundt hos kunder med det foredraget, som har fått en ganske god mottakelse. Og så blir det stadig litt oppdatert, og det har det blitt på nytt. Så Kirsti, det er kommet litt flere ting til historien. Ja, det stemmer. Som sagt, liten stund siden vi gikk gjennom det sist, så tenkte jeg å ta en liten oppdatering. skal gå gjennom de tre temaene dere ser her. Først forklare litt hvorfor det lønnsomhetsspørsmålet rundt modellutviklerne er så viktig. Deretter kommentere litt på hvordan etterspørselen etter AI nå ser ut. Og så til slutt snakke litt om hva som vi tror kan utfordre datacenterne fremover. Så da begynner vi egentlig bare rett på den første delen her. For sist var det jo sånn at vi snakket veldig mye om disse modellutviklerne, eller da AI Labs, som de også kalles. Det er da disse selskapene som skaper disse modellene, eller da de chatbotene vi bruker i dag. Så for eksempel OpenAI, de lager jo da TGPT, eller Entropic med klod. Og et veldig viktig poeng sist, det var jo nettopp dette at konkurransen blant disse modellutviklerne, den er veldig hard. Det er veldig mange aktører, det er veldig vanskelig å øke prisene, og samtidig så er det jo veldig kostbart å utvikle disse modellene. Så det var jo egentlig det spørsmålet her vi så på sist. Kommer disse modellutviklerne til å bli lønnsomme? Og konklusjonen vår var vel litt at veien til lønnsomhet, den er fortsatt ganske uklar. Men det jeg ønsker å bruke litt tid på nå, det er å egentlig se på hvorfor dette spørsmålet er så utrolig viktig. Og for å forsøke å illustrere det, så tenkte jeg bare å gå gjennom en veldig forenklet versjon av den AI-verdiskjeden som nå har oppstått. For igjen, vi var innom det litt tyst, men en del av disse modellutviklerne, de trenger jo nå store mengder regnekraft for å både trene opp modellene sine, og for å bruke dem. Så disse modellutviklerne, de leier jo da kapasitet fra datacenteret, og da går de enten til hyperscalere eller til NIO Cloud-selskaper. Hyperscalere er da selskaper som Microsoft, Meta og så videre, og NIO Clouds er da spesialiserte aktører som bygger ut datacenteret kun egnet for AI. Og hyperscalerne har jo da som en konsekvens av dette investert enorme summer for å møte den et spørsmålet til regnekraft, det ser vi til venstre her. Og samtidig så har jo da aksjen også steget ganske kraftig, som man kan se til høyre. Og noe av dette, det skyldes jo selvfølgelig at dette er selskaper med veldig sterke underliggende forretninger, men her er det jo også da forventningene om at disse investeringene skal gi betydelig inntending i årene fremover. og de investeringene her, de forplanter seg jo da selvfølgelig videre ned i denne verdikjeden, for disse datacenterene, de må jo fylles med noe. Så neste ledd er jo da å tilkalle datacenteraktører og databrikkeprodusenter, for de bygger jo den teknologien AI er avhengig av, for eksempel GPU-er, du trenger nettverksutstyr og så videre. Og så må jo også brikkene produseres, de må drives, de må kjøles ned, og dermed så flytter jo også etterspørselen seg videre til strøm, nedkjøling og til fabrikker som da kan produsere, for eksempel disse databrikkene. Og to klassiske eksempler i hvert av disse nyttighetene, det er jo da Nvidia, som designer da disse databrikkene, og så har man TSMC som produserer dem. Så i mørkeblått her så ser vi da selskapenes EBITDA, og i lyseblått så ser man da aksjekursene. Og det vi ser, det er jo at kursene har steget ganske kraftig, men det har jo også inntendingene. Og det er jo ofte det som pekes til, når man argumenterer for at verdsettelsene kan forsvares, at det er jo selskapet med solid inntending, noe de også for så vidt er, men da må vi samtidig huske på at de verdsettelsene vi ser i dag, de forutsetter jo at denne inntendingen skal få bli svært høy fremover. Og da har man jo en veldig forenklet versjon av denne verdikjeden, og foreløpig så er det jo mye som tyder på at mye av disse AI-investeringene har skapt veldig mange vinner underveis. Men da tenker jeg altså at det er greit å huske på at etterspørselen som driver investeringene egentlig gjennom hele denne verdikjeden, det starter hos modellutviklerne. Det er jo de som skaper behovet for GPU-er, datacentre, strøm, kjøling, men disse modellutviklerne, de er jo da foreløpig ikke lønnsomme. Her har jeg bare tatt med et forenklet regnestykke over hvordan marginen i verdikjeden ser ut. Til høyre, solid inntrening, her har du selskaper som står for strøm, chip, infrastruktur, de tjener gode penger. Til venstre så har du modellutviklerne, og de er jo da dypt i minus. Poenget vårt er jo at disse to sidene henger litt sammen. Altså mye av det overskuddet til høyre, det finansieres jo per nå gjennom at det er et underskudd til venstre. Og etterspørselen som egentlig driver en hel verdikjede, det kommer fra et ledd som ikke klarer å tjene penger. Og det her går jo fint enn så lenge, og det handler jo om at disse underskuddene dekkes jo av at det kommer stadig ny kapital fra investorer som håper og tror at dette skal bli lønnsomt, som kan fungere en stund, men det kan ikke fungere evig. Dersom lønnsomheten uteblir hos disse modellutviklerne, og etter hvert også da kapitaltilgangen strømmer seg til, så vil jo da etter hvert etterspørselen videre verdikjeden måtte falle, og med det mye av de inntendingene og verdsettelsene som vi da ser i dag. Og det er jo litt av bakgrunnen for at vi mener at dette spørsmålet er så sentralt, og så viktig å ta stilling til. Og så er det jo et par ting å belyse før vi går videre. Det er jo at de to største modellutviklerne vi har, som da er Open AI og Antropic, de er jo private selskaper. Så det betyr at vi vet veldig lite om hva som faktisk foregår. Vi har veldig lite innsyn i regnskapene deres. Men det er en ting som er veldig sikkert, og det er jo at hvis disse selskapene var lønn for meg, så hadde vi visst det. Altså dette er jo selskaper som nå sikter mot børsnoteringer. De har all grunn til å fremstille utviklingen som veldig positiv. Men siden vi ikke kjenner til de eksakte tallene, så vil jo også da for eksempel grafen på forrige side være basert på estimater, og mer ment for å illustrere et poeng. Og så har det seg sånn at det imidlertid har kommet litt ny informasjon til disse tiden, og vi har fått litt bekreftede tall for både 2024 og 2025. Jeg tenkte derfor å bare vise litt hvordan disse tallene ser ut for å bygge litt videre på dette lønnsomhetsspørsmålet, og hvorfor det er så viktig. Så her så ser man da inntektene for OpenAI i mørkeblått her, og så ser dere inntektene til Antropic i lyseblått for 2024 og for 2025. Så OpenAI hadde da ca. 3,7 milliarder dollar i inntekter i 2024, og ca. 13 milliarder i 2025. Så det er jo da ca. 3,5 gang vekst på ett år. Antropic vokste jo enda raskere. De har hatt inntekter som har gått fra ca. 400 millioner dollar til ca. 4,6 milliarder. Det er da nesten 12 ganger så mye. Og gitt at begge disse selskapene er under fire år gamle, så er jo dette ganske imponerende. Men inntektene er jo bare halvparten av bildet, for kostnadene har jo også vokst. Operating losses for OpenAI har økt fra 8,8 til ca. 21 milliarder dollar. Og for Antropic så har det økt fra 3 til ca. 8 milliarder. Og til høyre så ser vi jo tapene målt opp mot inntektene. Så for eksempel i 2025 så tapte OpenAI rundt 1,6 dollar for hver eneste dollar de omstapte. Mens Antropic de tapte rundt 1,8 dollar for hver dollar de klarte å omstapte. Så selv om inntektene vokser ganske raskt, så er jo disse selskapene fortsatt ganske langt unna lønnsomheten. Og man ser jo stadig en litt ny tall for 2026. Men da er det viktig å huske på at det er ingen av de tallene som er verifisert. Og vi vet veldig lite av hva som ligger bak. For eksempel så har jo Antropic prøvd å hevde at de gikk med overskudd i andre kvartal. Men det var for det første et justert tall. Og det var et kvartal som sammenfalt med at de hadde masse rabatter på datakraft fra SpaceX. Så de tallene sier at det er veldig lite. Trolig så tjener de jo mer nå. Men da er jo spørsmålet litt hvor mye. Og grunnen til at dette er relevant, det er jo da at både OpenAI og Antropic, de har jo da inngått avtaler som binder dem til å betale for store mengder datacenterkapasitet i årene som kommer. For OpenAI så anslår jo Wall Street Journal at selskapet planlegger å bruke 750 milliarder dollar på datakraft frem mot 2030. Hvor da en betydelig andel av dette er allerede avtalt. Så det er non-cancellables. For Antropic så har vi et tall direkte fra selskapets egen børsprospekt. Der oppgir de rundt 518 milliarder dollar i fremtidige forpliktelser til datacenterkapasitet. Og setter vi dette her opp mot dagens inntekter så blir jo størrelsesorden ganske tydelig. Altså OpenAI de hadde ca. rundt 13 milliarder dollar i inntekter i fjor. Antropic de hadde rundt 5 milliarder. Samtidig så har de jo påtatt seg forpliktelser på flere hundre milliarder dollar som snart begynner å løpe. Og det sier jo litt om hvor mye disse selskapene må skalere de neste årene. Bare for å egentlig dekke de regningene som de allerede har påtatt seg. Og det er jo også en grunn til at denne børsnoteringen er så relevant for dem. Fordi de trenger tilgang til kapital da gjennom obligasjonsmarkedet. Og i tillegg så belyser jo dette også en annen veldig viktig risiko. Det er jo nemlig hvor stor den konsentrasjonsrisikoen faktisk nå er rundt disse to selskapene. Jeg har tatt med tre eksempler som illustrerer det. For det første så vet vi nå at Antropic de hadde rundt 47 prosent av salget sitt gjennom to selskaper. Så Amazon og Google. Det trenger jo ikke egentlig være et problem i seg selv. Men vi vet jo at Google for eksempel utvikler sine egne modeller. Altså Gemini. Så hvis de skulle velge å endre litt strategi så kan det jo få ganske store konsekvenser for salgene av Antropic. Når så mye av salget er konsentrert i to selskaper. Så har vi Oracle. De bygger ut datacenteret. Rundt 50 prosent av backloggen deres som nå er på 660 milliarder dollar. Det er kun tilknyttet til OpenAI. Så det betyr at halvparten av den fremtidige ordbruken deres er i praksis knyttet til én kunde. Og tilsvarende for Microsoft er hvor cirka rundt 45 prosent av datacenter-backloggen deres nå er knyttet til OpenAI. Så man har jo en ganske ekstrem konsentrasjon rundt kun to selskaper. Det er jo egentlig derfor det lønnsomhetsspørsmålet er så viktig. For det er jo ikke bare verditsettelsen av OpenAI eller Antropic som avhenger av at de blir lønnsomme. Det er jo også da investeringen i datacenteret, kraft, infrastruktur som er gjort med utgangspunktet i at disse selskapene skal fortsette å tjene og kjøpe kapasitet. Og hvis den forutsetningen skal sprekke, så kan jo derfor da de konsekvensene også spre seg langt ut over selve modellutviklerne. Så videre. Sist så vi jo veldig mye på konkurransen mellom disse aktørene. Men denne gangen så tenkte jeg heller å belyse litt hvordan etterspørselen har utviklet seg det siste halvåret. For til syvende og sist så er det jo vi som forbrukere som egentlig skal stå og betale for denne verdikjeden. Jeg var jo litt innom dette her siste gang med dette at AI kommer til å bli dyrere å måtte bruke. Og det handler om at prisene vi har opplevd, de har veldig lenge vært subsidierte. Og det handler jo blant annet om at disse selskapene ønsker at vi skal ta i bruk teknologien. Det som har skjedd i løpet av våren er at blant annet Antropic OpenAI har begynt å prise bruken ut mot forbrukerne mer direkte. Så i større grad nå så betaler man på hvor mye AI man faktisk bruker. Ikke bare en fast månedspris. Og da har jo også naturlig nok prisene blitt en del høyere. Og det har ikke heller gått uten konsekvenser. Alle logoene dere ser her, det er kanskje selskaper dere kjenner igjen. Det er nå selskaper som på en eller annen måte har måttet redusere eller begrense bruken av AI fordi kostnadene har blitt for høye. Så Uber, et veldig klassisk eksempel, de blåste gjennom budsjettet de hadde satt på AI for hele 2026 allerede i april. Og så hadde de måttet sette en maksgrense for hva vi ansatte kan bruke ut året. Jeg kan legge til en del tilselskaper. Dette er alle selskaper som har tilfelles at de har flyttet mye av bruken over til OpenWeights-modeller. Vi snakket også litt om OpenWeights-modeller sist. Det er da egentlig bare åpne modeller som ligger gratis ute på nett. Det er ofte veldig mye billigere å bruke. Og de kommer veldig sjeldent også fra Entropic eller OpenAI. Sam Altman har jo egentlig beskrevet dette ganske godt selv. Han sa for ikke så lenge siden, «People are really saying my company spent their entire 2026 budget in Q1. People were totally happy with the amounts they were spending. All of a sudden, AI costs are a huge issue.» Jeg tror også en god måte å se på det er jo bare å se på en undersøkelse fra AKP-MG, som også bare er noen måneder gammel. Her spurte de over 2000 bedriftsledere rundt om flere spørsmål, men hvor et av de var det jeg har skrevet her. Så har organisasjonen din stilt spørsmål ved utsatt eller skalert ned innføringen av AI-agenter, fordi de forventet kostnadene begynner å overstige verdiene de skapte. Og da har 49 prosent sagt at de enten ja har stoppet opp, eller skalert ned tilbakebrukende AI-agenter, fordi det har begynt å bli for dyrt. Og alt dette betyr jo ikke at etterspørsel etter AI ikke er der, men det er veldig tydelig at den er kostnadsførelsen. Og det som skjer når kundene blir mer kostnadsbevisste, det er også at man får en litt annen konsekvens, nemlig at markedet blir litt mer fragmentert. Og det her tror jeg handler om at ikke alle AI-oppgaver, det krever den mest avanserte modellen. Så ofte så blir jo spørsmålet ikke hvilke modeller som er best, men hvilke modeller kan du bruke som er god nok, og ikke minst da billig nok. Jeg har tatt med litt tall fra noe som heter Open Router. Det er da et sted hvor utviklere kan koble seg til flere AI-modeller samtidig, så det reflekterer ikke hele markedet, men det er en god måte å se på hvordan etterspørselen flytter seg. I juni i fjor var det cirka 80 prosent av trafikken fordelt på tre selskaper. Spoler vi frem til juni i år, så ser vi at etterspørselen er fordelt på langt flere aktører, og markedet også fremstår jo betydelig mer fragmentert enn sist. Kinesiske aktører, det har jo vært en veldig viktig driver her. Du har selskaper som Alibaba, DeepSeek, Moonshut, som lanserer stadig nye modeller, som er veldig billige. Her er jeg også tatt med litt tall fra Open Router, hvor vi ser da at en betydelig andel nå av etterspørselen har begynt å nå gå til kinesiske modeller, opp fra rundt 5 prosent til 25 prosent av trafikken gjennom Open Router. Da er det ganske lite annet offentlig data som følger denne etterspørselen fra dag til dag, men det er en indikator man kan følge med på, og det heter da Token Index, og den viser da hvor dyr en gjennomsnittlig token er. Og hvis det er sånn at man ikke husker hva en token er, så er ikke det så veldig viktig. Det man kan tenke på det som, det er da en måte å måle hvor dyrt det er i gjennomsnittet å bruke en AI-modell. Det som er interessant her, det er at fra denne indeksen ble lansert, så har jo prisene steget ganske jevnt frem til rundt mai, og da skyltes dette her i veldig stor grad at de største aktørene har da økt prisene på modellene sine. Men siden da så har den jo falt veldig kraftig, og det her kan jo virke litt rart, ettersom at både OpenAI og Enchopik, de har jo satt opp prisene sine i denne perioden her. Og da er jo forklaringen at denne indeksen her er vektet også etter hvor etterspørselen går. Så når brukerne flytter seg mot billigere modeller, så kan gjennomsnittsprisen for å bruke AI falle, til om enkelte modeller blir dyrere å bruke. Og det er nettopp det vi har sett nå, at en større andel av etterspørsel i markedet, det går mot billigere modeller, og dermed faller også gjennomsnittprisen per token. Og det har nå bidratt til at OpenAI og Enchopik, de har i det siste måttet sette ned prisene sine på flere av produktene sine. De sier jo ikke nødvendigvis at dette direkte skyldes etterspørselen, men det er jo en ganske naturlig respons i et marked hvor kundene har veldig mange alternativer, og har blitt mer kostnadsbevisst der. Og det er jo igjen en utfordring for lønnsomheten, fordi OpenAI og Enchopik, de trenger jo ikke bare at brukene av AI øker, de må også klare å tjene nok penger på den bruken, og ikke minst fange opp brukerne selv. Så til slutt så skal jeg også touche innom noe som potensielt kan utfordre datacenterne litt fremover. Vi har jo vært innom dette med lokal AI litt tidligere. Jeg skal innom noe av det samme her, men på et litt bredere basis. For det har seg sånn at veldig mye av den AI-utviklingen innen AI, den har veldig lenge handlet om en ting, og det er at modellene blir større. Så det ser vi egentlig på figuren her, som viser da hvordan størrelsen på betydelige AI-modeller har utviklet seg over tid. Og y-aksen her, den er da logaritmisk, så hver gang vi går oppover sånn her, så betyr det en veldig stor økning i modellstørrelse. Det er jo selvfølgelig andre ting som har bidratt til utviklingen. Man har bedre datakvalitet, bedre treningsalgoritmer og så videre, men det er en veldig viktig del av utviklingen. Det har vært at modellene rett og slett har blitt større. Det som skjer nå, det er at mindre modeller stadig blir bedre, og at de i økende grad har nå blitt i stand til å løse oppgaver som tidligere krevde langt større modeller. For noen uker siden så kom jo da Stanford ut med en analyse. Det de har gjort, det er de har benchmarket, det vi kaller SLM'er, altså small language models, opp mot de større, eller lemmene, altså large language models. Så de har også sett på hvordan mindre modeller gjør det sammenlignet med store modeller innenfor to ting, det vi kaller chat og det vi kaller natural reasoning. Chat, det er da veldig enkle forespørseler, som for eksempel be AI om å oppsummere en tekst, skrive om en e-mail, oversette noe. Natural reasoning, det er når modellen må tenke litt mer før den gir et svar. Så et eksempel kan være hvis aksjemarkedet faller 10%, og så stiger det 7%, av avkastningen min, da må modellen tenke litt mer. Grunnen til at de ser spesielt på chat, men også natural reasoning, det er at dette har vært den dominerende måten å bruke AI på, helt siden lanseringen av chat GPT. Altså det er det vi bruker AI aller mest til. Og det interessante her, det er jo egentlig resultatene. Når det står her at i snitt 98% er rødt, så betyr det at mindre modeller gjennomsnittlig er like gode som, eller bedre enn de store modellene, i 98% av disse kategoriene her som har blitt testet. Det er ganske betydelig, og for natural reasoning så er jo andelen naturlig nok litt lavere, men den er fortsatt på 63%. Jeg har også bare tatt med en graf her, som er direkte fra studien, som illustrerer bare litt av utviklingen. Så her kan dere se hvordan de mindre modellene har gjort innenfor dark chat og natural reasoning, fra 2023 i grått her, og så opp mot 2025 i mørkeblått. Så man ser denne utviklingen over tid, hvordan disse modellene har blitt veldig mye bedre. Og da kan man jo stille seg selv det spørsmålet at, ja, små modeller blir bedre. Hvorfor har det noe å si? Hvorfor er det så viktig? Det ene har vi allerede vært innom, og det er at de minste modellene, de kan jo da ofte kjøres lokalt. Så det vi gjør i dag, det er jo at når vi stiller et tattepetisk spørsmål, så sendes det spørsmålet til et datacenter, hvor det genereres et svar, og så sendes det tilbake til enheten vår. Dette er jo fordi man bygger ut en sentralisert modell, hvor man antar at veldig mye av etterspørselen også skal foregå på et datacenter fremover. Men det trenger jo ikke nødvendigvis være sånn, og det handler om at små modeller, de kan laste seg direkte på enhetene, for eksempel på PC-en din eller på mobilen, og så kan den kjøres lokalt der hvor brukeren er. Og da trenger man jo ikke nødvendigvis et datacenter for hver forespørsel. Så hvis lokale kjøringer blir mer vanlige, så blir også behovet for datacenter litt mindre. Men det er egentlig ikke nødvendig at modellene kjøres lokalt for at dette skal få betydning for datacenterne. Også mindre modeller som kjører i datacenteret, de kan redusere behovet for kapasitet per forespørsel. Og det handler om at mindre modeller, de krever langt færre beregninger. Så jeg har tatt med en graf fra IEA, som viser energibruken for ulike modeller ved ulike størrelse. så gitt et testspørsmål som de har valgt, så har den største modellen deres brukt ca. 9 watt timer på å besvare denne ene forespørselen. En SLM, altså en veldig liten modell, den bruker ca. 3% av dette. Og siden den da bruker ca. 3% av kapasiteten til en større modell, så vil den også være filsvarende billigere. Og det betyr ikke at behovet for fronteamodeller igjen da forsvinner. Men hvis små modeller blir gode nok til å håndtere en stor del av de oppgavene vi bruker AEA til i dag, som det nå ser ut til at de kan, så er det også naturlig at noe av etterspørselen flyttes over til noe av de mindre modellene. Og da kan jo veksten i datacenteret bli ganske annerledes enn det man har sett for seg, siden man veldig lenge antok at modellene krevde at de ble større for at de skulle bli bedre, og ikke minst at man skulle bruke disse store modellene til veldig mye. Og vi ser jo allerede, som vi var innom litt tidligere, at markedet allerede er jo litt sensitive til dette rundt kostnadene til AEA. Dette er angivelig et gammelt ordtak innenfor infrastrukturbygging, som jeg tenkte jeg kunne avslutte med. You have to be the third owner of a tall road to make any money. Hvis det er slik at dagens datacenterutbygging viser seg å være dimensjonert for feil type AI etterspørsel, så kan jo dette være en ganske treffende beskrivelse også den gangen her. Og med det så er jeg egentlig gjennom de tre tingene vi tenkte å ha en liten oppdatering på. Veldig bra, Kirsti. Det her temaet tror jeg ikke forlater oss med det første. Kanskje verdt å minne om at vi her nå ikke sier at dette er en boble som sprekker. men risikoen rundt det, rundt prisingen og forventningene, de er nok så åpenbart til stede. Så de bør vi ha med oss. Og det synes vi at dette er en brukbar oppsummering av i alle fall. Så med det så ønsker vi meg på gjenhør neste uke. Ha det godt.