Open source-vækst truer ikke dyre AI-modellers indtjening

Det kunstige intelligens-marked står midt i en tilsyneladende modsigelse. Mens open source-modeller oplever en eksplosiv vækst i anvendelse, ser det ikke ud til at underminere de store frontier-labs økonomiske position foreløbig. I juli 2026 viser nye data, at Anthropic stadig dominerer det samlede AI-forbrug målt på omsætning, selvom billigere alternativer som DeepSeek behandler en stigende mængde data. Denne udvikling udfordrer den gængse opfattelse af, at open source uundgåeligt vil kommoditisere hele branchen.

For danske ledere, specialister og iværksættere er denne dynamik af afgørende betydning for den strategiske AI-planlægning. Hvis markedet bevæger sig mod en stabil, to-delt økonomi, hvor dyre modeller bruges til innovation og billigere modeller til drift, har det direkte konsekvenser for budgettering og teknologivalg. Det betyder, at premium-priser på AI-modeller kan opretholdes længere end mange har antaget, hvilket påvirker langsigtede indkøbsstrategier. Samtidig flytter værdiskabelsen sig mod applikationslaget, hvilket åbner nye muligheder for B2B-startups, der kan bygge vertikale løsninger ovenpå både frontier og open source-modeller.

Markedsdata afslører en to-delt økonomi

De seneste tal fra centrale platforme tegner et billede af et marked, der er dybt segmenteret. Data fra Vercel's AI gateway viser, at open source-modellen DeepSeek nu behandler lidt over en tredjedel, ca. 33 procent, af alle tokens gennem platformen. Z.ai, der står bag GLM-5.2-modellen, indtager en fjerdeplads i feltet. Trods denne volumen-mæssige fremgang står Anthropic stadig for mere end halvdelen af det samlede AI-forbrug på platformen, når man ser på den økonomiske værdi.

Et endnu mere detaljeret billede fremkommer, når man ser på OpenRouter, der dækker et bredere og mindre enterprise-præget marked. Her er forskellen i volumen markant. DeepSeek V4 Flash behandler hele 5,3 billioner tokens ugentligt, mens Anthropics topmodel, Opus 4.8, ligger på cirka 2 billioner tokens ugentligt. Forskellen forklares primært af prisen. Opus 4.8 koster 1,37 dollar per million tokens, hvilket er cirka 23 gange mere end V4 Flash på 6 cents. Denne massive prisspredning understøtter hypotesen om, at kunderne vælger modeller ud fra opgavens kompleksitet og budget, snarere end at én modeltype udraderer den anden.

Teorien om discovery og production

Den 6. juli 2026 publicerede Jesse Zhang, CEO for Decagon, en teori med titlen Everyone is wrong about open source AI in the enterprise. Hans centrale pointe er, at frontier-modeller og open source-modeller ikke skal betragtes som direkte konkurrenter, men som to faser af samme livscyklus. Ifølge Zhang ejer frontier-labs fasen for discovery, hvor nye use cases bliver identificeret og valideret. Når disse use cases er modnet, migrerer de til open source-modeller i production-fasen for at optimere omkostningerne.

Denne tilgang står i kontrast til en analyse fra september 2025, hvor det blev advaret om, at foundation labs risikerede at blive til "kaffebønner til Starbucks" – altså rene kommoditetsleverandører uden magt over værdikæden. Zhangs modteori suggererer, at markedet vokser så hurtigt, at frontier-modeller kan opretholde deres position ved at dominere de tidlige faser af udviklingen, selv når kunderne senere migrerer til billigere alternativer. Det er værd at bemærke, at Zhang ikke selv leverer data til at underbygge sin teori, men tallene fra Vercel og OpenRouter understøtter billedet af en økonomi, der er delt i volumen og værdi.

Strategiske implikationer for danske virksomheder

For danske virksomheder indebærer denne udvikling, at en ensidet strategi kan være risikabel. En to-faset tilgang anbefales, hvor dyre frontier-modeller bruges til proof-of-concept og tidlig validering af komplekse opgaver. Når løsningen er valideret og skal skaleres, kan migration til open source-modeller sikre bedre marginer. Dette kræver dog en teknisk arkitektur, der tillader udskiftning af modeller uden større omkostninger.

Der er også en alternativ forklaring på, hvorfor Anthropic stadig dominerer omsætningen. Nogle use cases er så komplekse, at de ikke fuldt ud kan erstattes af billigere modeller, uanset hvor modne de bliver. Dette skaber en usikkerhed omkring, hvorvidt den "to-delte økonomi" er en overgangsfase eller en stabil feature. Hvis det er sidstnævnte, har det konsekvenser for langsigtede partnerstrategier. Iværksættere bør være opmærksomme på, at "GPT wrapper"-økonomien er stabil, men at den reelle værdiskabelse flytter sig mod applikationslaget, hvor der er mulighed for at skabe unikke løsninger uafhængigt af den underliggende model.

Fremtiden for AI-markedet

Konkurrencelandskabet er fortsat i udvikling, og nye spillere træder ind på banen. Nvidia er eksempelvis blevet identificeret som en ny spiller med deres Nemotron-model, hvilket kan påvirke balancen mellem open source og proprietære løsninger yderligere. Det er foreløbigt uklart, hvordan dette vil påvirke prisdannelsen på lang sigt, men det understreger behovet for fleksibilitet i virksomhedernes AI-strategi.

Samlet set peger data fra juli 2026 på, at open source-bølgen ikke umiddelbart vil sænke indtjeningen hos de store labs, så længe innovationstakten holder. For professionelle brugere betyder det, at man skal være parat til at navigere i et marked, hvor både højpris-modeller og lavpris-modeller har sin berettigelse. Den strategiske udfordring ligger ikke i at vælge den ene over den anden, men i at orchestrere dem korrekt gennem en løsings livscyklus. Det kræver dyb teknisk forståelse og en vilje til løbende at evaluere, om en opgave kræver frontier-intelligens eller om den er moden til produktionsoptimering.