Denne klumme er et debatindlæg og er alene udtryk for forfatterens synspunkter.
For få år siden vakte AI først og fremmest fascination. I dag er teknologien på vej til at blive forretningskritisk.
Hvor virksomheder tidligere eksperimenterede med enkelte use cases, er AI nu en integreret del af arbejdsprocesser, produkter og beslutninger. Den udvikling sker med historisk hastighed.
Ifølge Stanford AI Index Report 2026 nåede generativ AI en udbredelse på 53 procent blandt forbrugere på blot tre år – hurtigere end både pc'en og internettet.
Efterhånden som AI bliver en integreret del af forretningen, bliver det også stadig tydeligere, at teknologiens værdi afhænger af noget langt mere grundlæggende. It-infrastrukturen, der understøtter teknologien.
AI har ændret regnestykket
Mange virksomheder har i dag en AI-strategi.
Langt færre har dog forholdt sig til, hvilke krav strategien stiller til den underliggende it-infrastruktur, når løsninger skal skaleres.
Det kan gøre det sværere at realisere AI-investeringerne til den forventede forretningsværdi.
Derfor bliver et centralt spørgsmål, om virksomhedens eksisterende infrastruktur understøtter den måde, AI-systemer rent faktisk arbejder med data på, og hvor der er behov for at tilpasse den.
Svaret er vigtigere, end mange virksomheder er klar over.
AI ændrer nemlig de økonomiske spilleregler for it-infrastruktur, fordi vi er trådt ind i det, der ofte beskrives som token economy – en ny økonomisk virkelighed, hvor tokens, de enheder som store sprogmodeller bruger til at behandle information, er blevet en vigtig målestok for effektivitet, omkostninger og værdiskabelse.
Hver forespørgsel til en AI-model, hvert dokument og hver AI-assisterede beslutning bliver omsat til tokens, før modellen kan behandle informationen.
Hvor effektivt den samlede AI-platform kan behandle disse tokens og de data, der ligger bag dem, har derfor stor betydning for både ydeevne og omkostninger.
Det gør infrastrukturen omkring AI til en mere strategisk faktor end tidligere.
En væsentlig – og ofte overset – del af den infrastruktur er storage.
Det betyder dog ikke, at alle virksomheder har behov for den samme arkitektur eller maksimal ydeevne.
Udfordringen er at finde en infrastruktur, der matcher kravene i virksomhedens konkrete AI-projekter.
Infrastruktur er blevet en konkurrenceparameter
Når AI anvendes i stadig flere dele af forretningen, bliver det afgørende, hvor effektivt den samlede infrastruktur kan stille data til rådighed for modellerne.
Token-genereringen foregår på GPU'erne, hvor compute-kapacitet, hukommelse og båndbredde er blandt de dyreste og mest begrænsede ressourcer i moderne AI-miljøer.
Samtidig er effektiv adgang til de data, modellerne skal arbejde med, afgørende for at udnytte kapaciteten.
Hvis storage bliver en flaskehals i AI-datapipelinen, kan modellerne komme til at vente på data, svartiderne kan blive forlænget, og den dyre GPU-kapacitet udnyttet dårligere.
Når AI anvendes på tværs af mange arbejdsopgaver og brugere, kan denne ineffektivitet hurtigt blive forstærket. Flaskehalsen kan derfor ligge lige så meget i infrastrukturen omkring modellen som i selve modellen.
Mange virksomheders storage-miljøer er udviklet længe før AI blev en del af den daglige drift.
De er designet til strukturerede data og traditionelle workloads – ikke nødvendigvis til de store mængder ustrukturerede data og mange samtidige processer, som eksempelvis generativ AI og andre datatunge AI-workloads kan kræve.
Kapacitet, oppetid og backup er fortsat centrale parametre for storage. Men AI stiller samtidig større krav til blandt andet lav latenstid, høj gennemstrømning under belastning og evnen til at håndtere store mængder ustrukturerede data. Det får i stigende grad betydning for, om infrastrukturen er klar til AI.
Det betyder samtidig, at virksomheder må vurdere deres infrastrukturelle behov ud fra de konkrete AI-anvendelser.
Kravene til ydeevne, kapacitet og skalerbarhed vil ikke være de samme i alle virksomheder – eller på tværs af forskellige workloads.
Det er netop her, infrastrukturen bliver et forretningsspørgsmål.
Når AI er en del af den daglige drift, får infrastrukturen betydning for både økonomi og ydeevne. Virksomheder, der undervurderer den sammenhæng, risikerer, at AI bliver dyrere, langsommere og skaber mindre værdi end forventet.
Storage er derfor ikke længere kun et teknisk spørgsmål. Det er også et spørgsmål om prioritering, risiko og økonomi.
Storage kræver strategiske prioriteringer
Den forretningsmæssige værdi af AI opstår ikke først, når en model tages i brug.
Den begynder med de arkitektoniske valg, der afgør, hvor effektivt data kan flyttes, hvor hurtigt tokens kan genereres, og hvor omkostningseffektivt AI kan anvendes, når løsninger skaleres.
Valget af storage handler derfor ikke kun om ydeevne, men også om at sikre en robust og fremtidssikret infrastruktur, der kan understøtte virksomhedens krav til datasikkerhed, governance og compliance.
Det centrale bliver at finde balancen mellem krav til ydeevne i dag og muligheden for at skalere i morgen.
Der findes ikke et entydigt svar. Svaret vil afhænge af både workloads, økonomi og virksomhedens AI-ambitioner. Her er særligt tre spørgsmål relevante:
1. Hvor hurtigt bevæger data sig fra storage til GPU'erne under høj belastning? Svaret siger meget om, hvor effektiv AI-platformen er, og hvor investeringer i infrastrukturen vil skabe størst værdi.
2. Kan den nuværende storage-arkitektur håndtere de voksende mængder ustrukturerede data, som AI-strategien kræver de kommende år? AI arbejder primært med ustrukturerede data, og virksomheder, der tager højde for det fra starten, står stærkere end dem, der først forsøger at udbygge infrastrukturen, når behovet opstår.
3. Hvad koster det reelt at generere et token på tværs af virksomhedens vigtigste AI-anvendelser? Det er et mål for, hvor effektiv infrastrukturen er. Ifølge McKinsey kan virksomheder, der styrer deres AI-omkostninger på dette niveau, opnå 20-40 pct. højere omkostningseffektivitet end virksomheder, der alene fokuserer på applikationslaget.
Storage er altså ikke længere blot en teknisk nødvendighed eller en passiv driftsomkostning.
Den er blevet et af flere områder, hvor virksomheder må afveje krav til ydeevne, omkostninger og fleksibilitet, hvis AI skal udnyttes effektivt.
I de kommende år bliver konkurrenceevnen ikke kun bestemt af, hvilke AI-modeller virksomheder vælger, men også af, hvor godt de får teknologi, infrastruktur, økonomi og forretningsbehov til at hænge sammen.
Klummer er læsernes platform på Computerworld til at fortælle de bedste historier, og samtidig er det vores meget populære og meget læste forum for videndeling.
Har du en god historie, eller har du specialviden, som du synes trænger til at blive delt?
Læs vores klumme-guidelines og send os din tekst, så kontakter vi dig - måske bliver du en del af vores hurtigt voksende korps af klummeskribenter.
