Logistikbranchen skal lære at bruge så lidt AI som muligt

Når AI kræver stadig mere strøm og regnekraft, bliver den største konkurrencefordel ikke at bruge mest AI, men at bruge den rigtigt – på et stærkt datagrundlag. Ceo i logistikvirksomheden Homerunner, Per Imer, sætter i nedenstående indlæg fokus på problemstillingen

Af Per Imer
ceo i Homerunner

Amerikanske datacentre forventes ifølge Morgan Stanley * at have et strømbehov på 78,57 gigawatt i 2029. Det er 755 procent mere end i 2025. Endnu mere interessant er kapacitetsproblemet bag tallene.

Fra 2026 til 2028 er der behov for 97 gigawatt ny kapacitet. 21 gigawatt er under opførelse. 19 gigawatt er ledige i nettet. Tilbage står vi med et hul på 57 gigawatt.

Nvidias næste generation AI-hardware, Vera Rubin og Rubin Ultra, femdobler effektbehovet fra 2025 til 2028. Klogere modeller koster mere strøm, og den sammenhæng forsvinder ikke lige foreløbigt.

Derfor er brugen af kunstig intelligens i fremtiden ene og alene afhængig af flere transformere, kabler, netkapacitet og tilladelser. Det er her, logistikbranchen bør læse grundigt med.

Data, man kan regne på
Når regnekraft bliver en knap ressource, stiger prisen nemlig på hvert eneste kald til en stor AI-model. Vinderen bliver dermed ikke den virksomhed, der bruger mest AI, men den, der skal bruge mindst AI pr. beslutning.

Det kræver, at data allerede er struktureret, når beslutningen skal træffes.

For virksomheder i logistikbranchen betyder det, at værdien flytter fra det at have en chatbot til det at råde over data, som enhver model kan regne på. Det handler med andre ord ikke om at eje AI-modellen, men om at eje datamodellen bag virksomhedens beslutninger.

AI til mønstre og komplekse spørgsmål
Langt de fleste beslutninger inden for logistik behøver ikke en stor sprogmodel. Valg af transportør, priser, serviceniveauer og mange typer afvigelser kan afgøres ud fra regler og strukturerede data. Det er billigt, hurtigt og forudsigeligt.

AI bliver for alvor interessant dér, hvor reglerne ikke er nok: når mønstre skal findes i store datamængder, leveringstider skal forudsiges, eller et menneske skal kunne stille komplekse spørgsmål til data i et almindeligt sprog.

Det stiller – igen - større krav til fundamentet og datagrundlaget end noget andet.

I min egen virksomhed har vi data fra cirka 36 mio. fragtbookinger. Den strategiske værdi ligger ikke i, om vi ejer den AI-model, der analyserer dem. Den ligger i, at dataene er strukturerede, ensartede og tilgængelige, så forskellige modeller kan arbejde med dem.

Det er en helt afgørende forskel.

Kan du skifte AI-model på en uge?
De seneste år har mange virksomheder været optaget af at kunne fortælle, at de “har AI”. Men i logistikbranchen er konkurrencefordelen næppe chatbotten i sig selv. Det er datagrundlaget nedenunder og evnen til kun at anvende dyr intelligens til at skabe faktisk værdi.

Det betyder også, at virksomheder bør undgå at gøre deres kerneforretning afhængig af én bestemt AI-leverandør. Modeller, priser og kapacitet kan ændre sig lynhurtigt. De operationelle systemer skal kunne fungere alligevel. Og man skal kunne skifte til en ny AI-model på en uge. Ikke et kvartal.

Morgan Stanleys tal handler om USA, og Norden har andre forudsætninger med blandt andet adgang til vedvarende energi og gode muligheder for energieffektiv køling. Men læringen er den samme: AI er blevet en fysisk ressource. Den kræver tid, strøm, infrastruktur og kapital.

For logistikbranchen er konklusionen derfor ikke, at vi skal skrue ned for brugen af AI. Vi skal bare blive langt bedre til at vide, hvordan vi bruger mindst AI på så godt et datagrundlag som muligt.