Nvidia satser på agentisk AI og trillionindtægter

En billion dollars. Ikke markedsværdi—indtægter. Det er den skala, Nvidia nu åbent jagter, og de knytter den ambition til en hurtigt fremvoksende idé, der begynder at omforme, hvordan software reelt bliver bygget: agentisk AI.

På Nvidia’s GPU Technology Conference i Californien fremlagde CEO Jensen Huang et markant skøn. Virksomheden forventer, at deres Blackwell- og Vera Rubin-platforme vil generere 1 trillion dollars i indtægter inden 2027—dobbelt så meget som målet på 500 milliarder dollars, som de delte for blot et år siden. Den slags spring er ikke blot optimisme. Det er et signal om, at Nvidia ser fundamentet bevæge sig under hele AI-økonomien.

Huang’s selvtillid bygger på en enkel, men stærk antagelse: efterspørgslen på AI flader ikke ud—den accelererer. Og det skyldes ikke kun større modeller, men især at disse modeller begynder at handle.

Fra modeller til maskiner der handler

Agentisk AI er omdrejningspunktet i den vision. I modsætning til traditionelle systemer, der venter på prompts, kan disse agenter planlægge, eksekvere og tilpasse sig—de håndterer komplekse, flertrinsopgaver med minimal menneskelig indgriben. Den ændring ændrer alt, især hvor de reelle compute-omkostninger ligger.

Tidligere dominerede træning (training) samtalen om compute—store træningskørsler med enorme modeller. Nu bliver inferens—øjeblikket hvor AI rent faktisk udfører arbejde—hovedbegivenheden. Efterhånden som flere agent-drevne systemer kører kontinuerligt og genererer samt behandler enorme strømme af tokens, vokser den nødvendige infrastruktur eksponentielt.

Huang pegede på Anthropic’s Claude Code som et vendepunkt. Ifølge ham arbejder softwareingeniører sjældent alene længere; AI-agenter er indlejret i arbejdsflowet, skriver, gennemgår og optimerer kode side om side med mennesker. Stilfærdigt ændrer selve programmeringsarbejdets karakter sig.

Hans formulering er svær at overse: agentisk AI er ikke blot et ekstra softwarelag—det er "den nye computer".

Hvad er agentisk AI i praksis?

Agentisk AI beskriver systemer, der kan fungere med autonomi over længere tidshorisonter, træffe beslutninger baseret på mål, planlægge handlinger og foretage løbende korrektioner. På et teknisk plan kombinerer dette:

• Store sprogmodeller (LLM'er) til forståelse og generering af tekst og beslutningsforslag,
• planlægnings- og styringsalgoritmer til flertrinsopgaver,
• integration med eksterne værktøjer, API'er og datakilder for at udføre konkrete handlinger,
• tilstandsstyring og langtidshukommelse for at bevare kontekst over tid.

Når disse komponenter arbejder sammen som autonome agenter, flytter fokus fra enkeltstående inferens-forespørgsler til vedvarende, tilstandsfulde processer, hvilket ændrer både softwarearkitektur og den måde, virksomheder dimensionerer infrastruktur på.

Inferens vs. træning: hvorfor regningen flytter

Der er vigtige økonomiske konsekvenser i denne forskydning. Træningsbehovet for store foundation-modeller er fortsat enormt, men det er oftere et engangsinvestering eller periodisk gentaget arbejde. Inferens, især kontinuerlig inferens i agentiske systemer, er et vedvarende driftsbudget. Nogle nøglepunkter:

• Kontinuerlig inferens kræver lave latenstider og høj gennemstrømning, hvilket driver behovet for specialiserede chips og optimeret netværk.
• Vedvarende agenter kan skabe millioner af inferens-forespørgsler pr. dag per instans, og når disse multipliceres i skala, stiger de samlede compute-krav dramatisk.
• Edge- og hybrid-arkitekturer bliver relevant, da nogle agenter skal køre tæt på data (f.eks. i fabrikker, autonome køretøjer eller rumfartsinfrastruktur) for at minimere latenstid og bevare dataprivatliv.

For virksomheder betyder det, at budgetter flytter fra engangsinvesteringer i træning til løbende driftsomkostninger i inferens og drift af AI-infrastruktur.

Platformsspillet vokser

Nvidia taler ikke kun om denne fremtid—virksomheden bygger aggressivt mod den. Selskabet afslørede en række initiativer, der peger i samme retning: at eje infrastrukturen bag autonome AI-systemer.

Der er en dybere satsning på CPU'er, nye inference-fokuserede chips efter opkøbet af Groq, samt et bemærkelsesværdigt partnerskab med OpenClaw, en open-source-platform for AI-agenter, der hurtigt har fået opmærksomhed for både sine evner og sine risici.

Huang sammenlignede OpenClaw’s rolle med de tidlige Windows-udgivelser og kaldte det et fundamentalt lag for agentisk computing. Efter hans opfattelse vil virksomheder, der tidligere havde brug for en "HTML-strategi" i weberan, snart stå med behovet for en "OpenClaw-strategi" i AI-agent-æraen.

Den sammenligning kan være ambitiøs. OpenClaw kræver omfattende adgang til brugersystemer, hvilket rejser alvorlige sikkerhedsbekymringer. Rapportering indikerer, at både store teknologivirksomheder og regeringsorganer har advaret mod ukontrolleret brug. I én bredt diskuteret hændelse udslettede en AI-agent angiveligt en virksomhedsinbox—en kanttilfælde, men et afslørende et.

Nvidia’s svar er NemoClaw, en mere kontrolleret, enterprise-fokuseret version designet til at håndtere privatlivs- og sikkerhedsbekymringer. Det er også et klart tegn på, at virksomheden ønsker et stærkere fodfæste i open-source-økosystemet—ikke af ren velgørenhed, men fordi åbne platforme kan drive bredere afhængighed af Nvidia-hardware.

Satsning på CPU'er og specialiseret inferens-hardware

Historisk har Nvidia været synonym med GPU-accelereret compute til AI-træning. Men agentisk AI forstærker behovet for forskelligartet hardware: lav-latens inferenschips, effektive CPU'er til systemstyring og specialiserede acceleratorer til specifikke arbejdsbelastninger.

Efter opkøbet af Groq og andre teknologiinvesteringer har Nvidia udvidet sin produktportefølje mod inferens-centriske enheder. Markedet efterspørger chips, der kan håndtere kontinuerlig strøm af forespørgsler med lav energiudgift og pålidelig sikkerhedsmodel—og det er netop her, platformleverandører kan låse kunder til deres økosystem.

OpenClaw, NemoClaw og sikkerhedslandskabet

OpenClaw er interessant, fordi en åben agentplatform kan accelerere innovation: udviklere kan skabe og dele agenter, orkestrere workflows og kombinere værktøjer. Men åbne agenter, som har dyb adgang til systemer og data, magnifies sårbarheder. Problemerne omfatter:

• Uautoriseret adgang til følsomme data,
• mulighed for automatiseret misbrug såsom masse-mailsletning eller malware-udførelse,
• ukontrolleret spredning af autoriseringer mellem systemer.

NemoClaw forsøger at tilbyde en enterprise-venlig platform med strammere adgangsstyring, auditeringsværktøjer og compliance-funktioner, samtidig med at den bevarer nogle af fordelene ved et agent-økosystem. Strategisk kan Nvidia dermed positionere sig som leverandør af både hardware og betroet softwareinfrastruktur.

Rækkevidde: fra jordbaserede datacentre til rumbaseret compute

Huang nævnte også mere ambitiøse, nærmest sci-fi-agtige planer: rumbaserede AI-datacentre drevet af fremtidige Vera Rubin-systemer, samt partnerskaber med bilproducenter som Hyundai, Nissan, BYD og Geely for at skalere robotaxi-produktionen op til 18 millioner enheder årligt. Det illustrerer en vision, hvor AI ikke blot assisterer industrien—den driver og styrer hele forsyningskæder og transportnetværk.

At placere compute i rummet rejser egne tekniske og logistiske udfordringer: køling, strålingstolerance, kommunikationslatenstid og vedligeholdelsesmodeller adskiller sig radikalt fra jordbaserede datacentre. Men hvis disse udfordringer løses, kan rum-baseret compute muliggøre global lav-latens orchestration og nye former for dataindsamling og -behandling, især for satellitnetværk og rumfartsapplikationer.

Markedets reaktion og de finansielle realiteter

Selvom visionen er stor, er markedets reaktion mere nuanceret. Investorer er begyndt at køle af i forhold til de massive investeringscykler, der tidligere drev AI-entusiasmen. Selv stærke regnskaber har ikke isoleret Nvidia fra skepsis, og aktiekursen har oplevet fald trods opsigtsvækkende annonceringer.

Der eksisterer en spænding mellem teknologisk overbevisning og økonomisk forsigtighed, og denne spænding kan definere næste fase af AI-udrulningen. Nvidia satser stort på, at agentiske systemer vil retfærdiggøre den nødvendige infrastrukturudgift. Markedet er for nu ikke fuldt overbevist.

Hvorfor nogle investorer tøver

Der er flere grunde til investorernes tøven:

1. Usikkerhed om tidshorisonten for kommerciel udbredelse af agentiske systemer i bred skala,
2. risici forbundet med sikkerhed, regulering og ansvar, især når agenter får mulighed for at handle autonomt,
3. bekymringer om marginpres, efterhånden som pristrykket på hardware og tjenester udvikler sig,
4. muligheden for konkurrence fra andre hardwareleverandører og cloud-udbydere, der kan tilbyde alternative løsninger.

Disse faktorer gør, at nogle investorer søger konkrete beviser for vedvarende efterspørgsel og profitabilitet, før de binder sig til store kapitaludgifter i industrien.

Teknologisk momentum vs. økonomisk bæredygtighed

Der er dog også klare argumenter for, at Nvidia kan vinde spillet. Når komplette agentiske systemer bliver integreret i kritiske forretningsfunktioner—kundeservice, softwareudvikling, industrial automation, transportstyring—kan efterspørgslen efter stabil inferens-infrastruktur blive meget vedvarende. Hvis Nvidia kan kombinere hardware, optimeret software og enterprise-grade platforme som NemoClaw, kan de låse kunder til et økosystem, der skaber langvarige tilbagevendende indtægter.

Den centrale udfordring bliver at bevise, at denne efterspørgsel er både bred og dyb nok til at bære omkostningerne ved massiv udbygning af global infrastruktur.

Hvis Huang har ret, bliver den næste computerevolution ikke bare smartere værktøjer—den bliver autonome systemer, der styrer den daglige drift.