Vi står inför ännu en förändring inom artificiell intelligens.
Antagandet att varje AI-lösning ska kretsa kring ChatGPT, Anthropic eller Perplexity är fundamentalt felaktigt.
Framtiden tillhör istället små, specialbyggda språkmodeller och heterogen hårdvara – en utveckling som nu förändrar användningen av den artificiella intelligens som kan agera självständigt och fatta beslut med minimal mänsklig inblandning – agentisk AI.
Under det senaste året har jag sett en tydlig förändring i hur företag närmar sig AI. Jakten på den allomfattande, allt-i-ett-modellen håller på att ersättas av något mycket mer sofistikerat: strategiska val av rätt verktyg, för rätt uppgift.
När mindre verktyg är mer
Kevin Cochrane, marknadschef, Vultr
De gigantiska språkmodellerna som länge dominerat nyheterna har förvisso sin plats, men de är sällan en effektiv lösning för de flesta företags egna tillämpningar. Istället ser vi nu hur små, specialbyggda modeller optimerade för beräkningar tar över. Dessa lättviktsmodeller erbjuder snabbare responstider, lägre driftskostnader och möjligheten att köras där data faktiskt finns – detta utan att behöva skicka känslig information till externa molntjänster på andra kontinenter.
För agentisk AI, där autonoma system ska fatta beslut och utföra uppgifter i realtid, är både hastighet och precision avgörande. En specialiserad modell tränad för en specifik domän – vare sig det är kundservice, dokumentanalys eller processautomation – överträffar alltid generella modeller på sitt specifika område, samtidigt som den använder en bråkdel av resurserna.
Företag börjar nu förstå detta. Även om storskalig implementering fortfarande är i sin linda, är trenden glasklar: framtiden är decentraliserad, specialiserad och effektiv.
Hårdvarurevolutionen – alltmer heterogent och specialiserat
Samtidigt som modellerna blir mer specialiserade, genomgår även hårdvarulandskapet en förändring. Företag bygger nu heterogena GPU-portföljer där olika processorer optimeras för olika arbetsbelastningar vilket även kommer att skapa en större mångfald bland leverantörerna.
Denna mångfald är inte bara önskvärd, den är nödvändig när olika AI-uppgifter kräver olika arkitekturer för beräkningar. Träning av modeller, beräkningar i realtid och batchbearbetning har alla unika krav som olika hårdvarulösningar kan hantera på bästa sätt.
Hårdvaran är bara halva lösningen
Den verkliga affärsnyttan uppstår inte genom att samla en imponerande samling processorer. ROI förutsätter att man implementerar, itererar och skalar AI-satsningar snabbt. Här spelar agentiska AI-ramverk som N8n eller Arize, och plattformar för beräkningar som Fireworks eller Baseten, en avgörande roll. Dessa verktyg gör det möjligt att genomföra snabbare utvecklingscykler. Istället för månader av utveckling kan man testa nya användningsfall på veckor, ta emot och återföra feedback från verksamheten löpande och snabbt justera kursen.
Snabbare iteration betyder också fler testade hypoteser, fler upptäckta användningsområden, och kortare tid till att lansera lösningar på marknaden. I en värld där AI-mognad är en konkurrensfördel, är denna hastighet avgörande.
Vägen framåt byggs genom att kombinera
Den första AI-vågen handlade om att imponera med modellstorlek och allmän kapacitet. Den andra vågen, som vi nu träder in i, handlar om precision, effektivitet och praktisk tillämpning.
För företag betyder detta att AI-strategin måste mogna från “vilken stor modell ska vi använda?” till “vilken kombination av specialiserade modeller och hårdvara löser våra specifika affärsutmaningar bäst?”. Det kräver djupare teknisk förståelse men resultatet är AI-system som faktiskt levererar affärsnytta snarare än imponerande demos.
Kevin Cochrane, marknadschef, Vultr
