Compliance-skalningens paradox

Artificiell intelligens har länge definierats av en enkel ekvation baserad på råstyrka: fler parametrar plus mer beräkningskraft ger högre intelligens. Under de senaste tre åren har branschen opererat utifrån antagandet att data är en oändlig, om än stökig, resurs. Vi har skrapat, vi har absorberat och vi har skalat.

Men vi har nu gått in i en period av djup strukturell splittring. Å ena sidan uppnår modellarkitekturer en oöverträffad effektivitet, där de frikopplar antalet parametrar från de enorma kostnaderna för inferens. Å andra sidan håller det regulatoriska fönstret för de datapipelines som matar dessa modeller på att stängas. Vi bevittnar nu "Compliance-Scale Paradox": i takt med att modellerna blir mer kapabla till autonomt resonemang, blir de juridiska ramverken som styr deras "kunskap" mer restriktiva. Det förvandlar vad som tidigare varit standardiserade datapraxis till massiva företagsrisker.

Effektivitetsgenombrottet: Att frikoppla skala från kostnad

Under lång tid kändes det som att skala upp en modell till biljoner parametrar som att försöka driva en hel stad med en enda, massiv och ineffektiv generator. Det genombrott som nu ritar om kartan är skiftet mot Mixture-of-Experts (MoE)-arkitekturer.

Den nyligen avtäckta Kimi K3-modellen – en jätte med 2,8 biljoner parametrar – fungerar som ett skolboksexempel på denna förändring. Till skillnad från traditionella täta modeller, där varje parameter aktiveras för varje fråga, använder Kimi K3 en MoE-arkitektur som endast aktiverar cirka 104 miljarder parametrar per uppgift. Detta är inte bara en marginell förbättring; det är en fundamental frikoppling av modellens kapacitet från beräkningsintensiteten.

Denna effektivisering speglas även på hårdvarunivå. Optimeringen av DeepSeek-V4-familjen på Ascend SuperPOD-infrastruktur visar att branschen rör sig bort från ett rent beroende av GPU:er mot specialiserade, hierarkiska ramverk designade för att hantera det enorma minnestrycket hos modeller med biljoner parametrar. Vi rör oss mot en värld där "intelligens" inte längre är en funktion av hur mycket elektricitet du kan förbränna, utan hur intelligent du kan dirigera data genom specialiserade neurala subnätverk.

Det stängda fönstret: Slutet för "gråzonen"

Samtidigt som den tekniska förmågan att bygga massiva modeller expanderar, krymper den juridiska förmågan att mata dem. Under flera år opererade branschen i en "gråzon" med antagandet att skrapning av offentligt tillgänglig webbdata var en legitim användning. Den eran är officiellt över.

Europeiska dataskyddsstyrelsen (EDPB) har nyligen antagit nya, strikta riktlinjer för webbskrapning i syfte att träna generativ AI. Detta är ingen avlägsen byråkratisk nyans; med den svenska Integritetsskyddsmyndigheten (IMY) som ledande rapportör slår dessa regler direkt mot svenska teknikledare. Lagligheten i de datapipelines som driver de LLM-API:er som är integrerade i de flesta företagsprogramvaror står nu under direkt granskning.

Denna regulatoriska åtstramning förstärks av aggressiva åtgärder mot modeller baserade på "aggregerat samtycke". Det formella klagomålet som NOYB lämnat in mot onlineordboken dict.cc fungerar som ett varnande tecken. Klagomålet riktas mot en mekanism som paketerar samtycke för över 1 700 tredjepartsaktörer för spårning i ett enda klick. Om en enkel ordboksapp kan flaggas för att de misslyckats med att erbjuda granulärt och informerat samtycke, är den storskaliga datainsamling som används för att träna grundmodeller i praktiken en juridisk tidsinställd bomb. Budskapet är tydligt: "paketerat" eller "underförstått" samtycke är inte längre ett giltigt skydd vid datainsamling.

Framväxten av verifierbar intelligens

När den "enkla" datan – den okurerade, skrapade webben – blir ett juridiskt minfält, tvingas branschen skifta fokus mot en ny standard: data med hög integritet och verifierbarhet. Detta är inte bara en juridisk nödvändighet, det är ett tekniskt krav för nästa generation AI.

Vi ser nu framväxten av en ny klass av AI: rekursiva, självkorrigerande agenter. AREX-ramverket representerar detta skifte. Till skillnad från traditionella LLM:er, som ger en sannolikhetsbaserad gissning och sedan går vidare, är agenter i AREX-stil designade för djupgående forskning. De granskar aktivt sitt eget arbete, upptäcker fel och förfinar slutsatser genom en kontinuerlig loop av upptäckt och korrigering.

Denna utveckling förändrar datans värde. I chatbotternas era var målet "mer data". I de självkorrigerande agenternas era är "bättre data" det enda sättet att förhindra felaktiga loopar. Om en agent är designad för att verifiera sina egna framsteg, kräver den träningsdata som inte bara är omfattande, utan även strukturellt sund och verifierbar. Efterfrågan skiftar från mängden tokens till logikens kvalitet.

Den strategiska splittringen

Vi närmar oss en tudelning av AI-marknaden. Å ena sidan kommer vi att se "Black Box"-modeller – massiva, proprietära och allt svårare att granska, som sannolikt körs på specialiserad hårdvara som Ascend-NPU-kluster för att bibehålla marginalerna. Å andra sidan kommer vi att se en push för högtransparenta modeller med hög integritet, tränade på strikt licensierad och verifierbar data.

För svenska företag är risken inte längre bara att "använda fel AI" – det är att "använda AI olagligt". Den tekniska förmågan att driftsätta en modell med 2,8 biljoner parametrar är värdelös om datan som används för finjustering bryter mot EDPB:s nya riktlinjer för skrapning eller de strikta samtyckeskrav som NOYB driver.

Slutsatser för CTO:er och CISO:er

Granska pipelinen, inte bara modellen: Det räcker inte längre att utvärdera en AI-leverantör baserat på deras benchmark-resultat (MMLU etc.). Ni måste kräva transparens gällande datans ursprung (data provenance). Om en leverantör inte kan bevisa den juridiska grunden för sin träningsdata enligt EDPB:s nya riktlinjer, utgör de en risk för er organisation.
Förbered er på "samtyckesskiftet": dict.cc-fallet visar att paketerat samtycke är en misslyckad strategi. Om era interna AI-verktyg förlitar sig på användargenererad data, se till att era samtyckesmekanismer är granulära och separerade. Undvik modeller för datadelning som bygger på "allt eller inget".
Prioritera agentisk tillförlitlighet framför rå skala: Som arkitekturer som Kimi K3 och AREX visar, ligger framtiden i specialiserad, effektiv och självkorrigerande intelligens. När ni utvärderar AI för komplexa affärsprocesser, prioritera modeller som uppvisar "resonemangsloopar" och förmåga till felkorrigering framför de som bara skryter om antal parametrar.
Hårdvaru-agnosticism blir ett krav: Skiftet mot specialiserade NPU:er och MoE-arkitekturer innebär att eran av "endast GPU" är på väg att ta slut. När ni planerar långsiktig infrastruktur eller leverantörsavtal, se till att er stack är kompatibel med olika typer av beräkningsarkitekturer för att undvika att låsas fast i en enskild, allt dyrare hårdvarucykel.