Databehandling bliver som olie: En administrerende direktørs syn på omkostningsstrategien for AI

De fleste virksomheder håndterer AI-omkostningerne på den forkerte måde. De betragter symbolske udgifter som et tegn på fremskridt — jo større regningen er, desto mere »AI-orienteret« er virksomheden. Christian Fielitz, CEO hos Doodle, argumenterer for det modsatte: AI-omkostninger er en investeringsbeslutning, ikke et statussymbol, og de virksomheder, der vinder, vil være dem, der bevidst beslutter, hvad der skal håndteres internt, hvad der skal outsources, og hvor kontrollen skal forblive. Selve computerkraften vil blive en massevare – »computerkraft vil blive som olie« – men det betyder ikke, at regningen bliver lavere. Det betyder, at det strategiske spørgsmål skifter fra, hvor meget vi kan bruge, til hvad vi bør eje.

Denne artikel sammenfatter Fielitz’ ramme for at tænke over omkostningerne ved kunstig intelligens, som er hentet fra hans samtale i juni 2026 i programmet »Vlad Catcher Show«.

Problemet med jordbærmarken: Overvej, hvem der giver råd om omkostningerne

Før man følger andres råd om, hvor meget man skal bruge på AI, siger Fielitz, skal man se på, hvem der drager fordel af svaret.

"Det er lidt som at sige, at man har en jordbærmark, og så hævde: 'Hør her, vi elsker jordbær, alle burde spise flere jordbær.' Men hvis nogen kun spiser 10 jordbær, er de jo ikke rigtig vilde med dem. Man bør spise 20, 50, 500 jordbær."

De mennesker, der højlydt hævder, at flere tokens er lig med større fremskridt, er meget ofte netop dem, der sælger tokens. Det betyder ikke, at de tager fejl — men det er værd at nævne, hvad der motiverer dem. »Bare køb tokens, ellers gør du det forkert« er ikke en strategi. Det er et salgstrick, der er forklædt som en strategi.

Konklusionen: Skel mellem selve signalet (AI skaber reel fordel) og salgsindsatsen (du bør udnytte så meget af det som muligt, så hurtigt som muligt).

Hvorfor databehandling vil blive en massevare — og hvorfor det ikke vil sænke din regning

Fielitz er helt klar i sin vurdering af den langsigtede udvikling i omkostningerne ved rå regnekraft:

"Marginalomkostningerne vil falde. Computerkraft vil blive som olie eller som energi, man udvinder. For mig er det en af de ting, der helt sikkert vil ske."

Indtil videre lyder det som gode nyheder for køberne. Men her er hagen. At omkostningerne ved rå regnekraft falder, er ikke det samme som, at omkostningerne ved din brug af AI falder — for økonomien et niveau højere er helt ude af balance:

"Vi ved, at disse statistikker og analyserne vedrørende de nuværende investeringer i infrastruktur ikke afspejles i investeringerne i applikationslaget eller i den værdi, der skabes gennem applikationslaget."

Kort sagt: Der investeres enorme beløb i AI-infrastruktur, men den værdi, der skabes på applikationsniveau, har endnu ikke indhentet denne udvikling. Når dette gab lukkes, sker det typisk i retning af højere priser for dem, der benytter tjenesten. Og det er netop den del af billedet, som alle operatører bør tage til sig.

En lektie i cloud-omkostningernes historie: en fem år gammel strategi, der gentager sig

Den her film har vi set før – og det er ikke så længe siden.

"Hvis man blindt bare smider alt ind i store sprogmodeller (LLM'er) og udliciterer sin viden og sin kreativitet til andre systemer, vil man uforvarende nå et punkt, hvor udbyderen hæver priserne — hvilket for øvrigt skete inden for cloud-infrastruktur for fem år siden. Pludselig er det ligesom: ’Åh nej.’ Det førte til multi-cloud-miljøer, og det førte til: ’Hey, burde vi egentlig have vores egne datacentre igen?’”

Sammenligningen med skyen er den mest nyttige mentale model i hele denne diskussion. Billig og rigeligt tilgængelig cloud-regnekraft fik virksomhederne til at placere alt i én udbyders økosystem. Derefter ændrede priserne sig, bindingen til udbyderen blev dyr, og pendulet svingede tilbage mod multicloud og endda tilbagevenden til egne datacentre.

AI befinder sig på samme udviklingskurve, bare på et tidligere stadie. De virksomheder, der i dag »blindt satser alt på store sprogmodeller (LLM’er)«, er ved at opbygge den samme afhængighed, som cloud-native virksomheder brugte den sidste halvdel af 2010’erne på at afvikle. Læren er ikke, at man skal undgå AI — den er, at man skal undgå blind afhængighed.

Hvad der bør håndteres internt og hvad der bør outsources: en ramme med kontrolpunkter

Så hvad gør man egentlig med det her? Fielitz’ svar omformulerer omkostningerne ved kunstig intelligens som et spørgsmål om kontrol, ikke om forbrug:

"At have styr på AI-omkostningerne – at vide, hvad man kan outsource, og hvad man bevidst bør beholde internt som et kontrolpunkt og en konkurrencemæssig fordel – er en meget vigtig diskussion. Det er noget, vi løbende drøfter."

En praktisk måde at anvende rammen på:

• Outsource standardvaren. Funktioner i standardmodeller, hvor omstillingsomkostningerne er lave, og der ikke skabes nogen konkurrencemæssig fordel, kan overlades til eksterne udbydere. Det er »olien« – køb den på markedet.

• Hold kontrolpunkterne internt. Alt, hvad der udgør en reel konkurrencemæssig fordel, eller som vedrører data, man ikke har råd til at udlevere, bør holdes under streng kontrol. For Doodle er det sikkerhed og privatlivsbeskyttelse, der tvinger dem til dette: »Nogle ting er vi nødt til at holde under streng kontrol, selvom vi gerne ville outsource dem.«

• Omdan omkostninger til investeringer. Når man bevidst vælger at udføre en opgave internt, påtager man sig ikke blot en omkostning — man køber sig et kontrolpunkt. »Man omdanner omkostningerne til en reel investering og siger: Okay, vi beholder kontrollen over det.«

Det afgørende ligger i ordet »bevidst«. Fejlen ligger ikke i selve outsourcing eller insourcing — den ligger i, at man vælger den ene eller den anden løsning som standard i stedet for at træffe en bevidst beslutning.

Når AI koster mere end de mennesker, den egentlig skulle aflaste

Der er også en omkostningsfælde på kort sigt, som man let kan overse i al begejstringen:

"Hvis man bare blindt lader folk bruge store sprogmodeller — og ikke kun AI-værktøjer — kan man allerede nu se, at omkostningerne faktisk er højere end ved brug af mennesker."

Ukontrolleret AI-forbrug pr. bruger kan ubemærket overstige omkostningerne ved det menneskelige arbejde, som AI’en egentlig skulle understøtte. Det er ikke et argument imod AI; det er et argument for at indføre måling af brugen. Hvis man ikke kan se, hvad AI koster pr. arbejdsgang i forhold til den værdi, den skaber, kan man ikke styre den – og så bliver sætningen »vi er stolte af vores AI-regning« en meget dyr sætning.

Paradokset for enden af vejen: Hvem køber, når der ikke er nogen tilbage?

Fielitz afslutter diskussionen om omkostningerne med et spørgsmål, der sætter hele debatten om AI-udgifterne i et nyt perspektiv:

"Hvis alt er AI, og der ikke er nogen mennesker tilbage i virksomhederne – hvem skal så købe jeres produkt? For agenter køber jo af agenter… så glem ikke det."

Det er halvt en spøg og halvt det vigtigste spørgsmål i en virksomheds AI-strategi. Værdien af at automatisere alt afhænger af, at der er nogen at sælge til. En økonomi, hvor agenter handler med hinanden uden nogen menneskelig efterspørgsel i baggrunden, er ikke et marked – det er et lukket kredsløb. Konsekvensen for omkostningsstrategien er, at man skal optimere med henblik på varig menneskelig værdi, ikke på maksimal automatisering. Formålet med at frigøre tid er ikke at fjerne mennesker, men at lade dem udføre det arbejde, som kun mennesker kan udføre.

Konklusionen

Fielitz er omhyggelig med ikke at overdrive sin egen sikkerhed: »Vi siger ikke, at vi vil finde ud af det. Jeg siger bare, at vi fører aktive drøftelser og forsøger at se nærmere på det.« Netop den ydmyghed er pointen. AI-omkostningsstrategien i 2026 er ikke en løst ligning — det er en disciplin:

1. Råd om rabatter fra dem, der sælger råvarerne. (Jordbærmarken.)

2. Regn med, at computerkapacitet bliver en massevare — men regn også med, at din udbyders priser alligevel vil ændre sig. (Kløften mellem infrastruktur og applikationer.)

3. Husk skyen. Blind afhængighed kommer til at koste mere; vær forberedt på det allerede nu.

4. Vælg dine kontrolpunkter med omhu. Udliciter standardprodukterne, behold konkurrencefordelene internt, og omdan omkostninger til investeringer.

5. Anvendelse af værktøjer. Ureguleret AI kan koste mere end de mennesker, den understøtter.

6. Hold folk orienteret — de er jo også dine kunder.

Behandl udgifterne til AI på samme måde, som du ville behandle enhver seriøs investering: med en strategi, en handlingsplan og et klart overblik over den værdi, der ligger i det.

Dette uddrag stammer fra Christian Fielitz’ interview fra juni 2026 i »Vlad Catcher Show«.