Epoch AI: HBM-leveransene 2025–27 tåler 30–170 millioner frontier-agenter
En ny beregning fra Epoch AI setter tall på det store spørsmålet bak hundrevis av milliarder i chip- og datasenterinvesteringer: Hvor mange samtidige AI-agenter kan maskinvaren som skal leveres frem mot 2027 egentlig kjøre? Svaret er mellom 30 og 170 millioner agenter basert på frontier-modeller – opptil 1,9 milliarder med mer effektiv servering. Men det som kan begrense utrullingen, er ifølge analytikerne selv ikke tilgang på brikker, men etterspørselen: Selv 20 prosents utnyttelse av kapasiteten ville kreve en API-utgift på 2,6–5,3 billioner dollar i året mot en forventet utvikleromsetning på rundt 1 billion. Samtidig viser Iterate.ais lansering av inferensmotoren Lifeboat at kampen om hvor mange agenter hver GPU kan bære allerede foregår i produktene.
Slik er beregningen bygget opp
Epoch AIs analyse tar utgangspunkt i high-bandwidth memory (HBM), den typen minne moderne AI-akseleratorer er avhengige av. For agentarbeidsbelastninger er det ifølge analysen minnet som setter begrensningene: Minnekapasiteten begrenser hvor mange agenter som kan kjøre samtidig, mens minnebåndbredden begrenser hvor raskt modellen kan streame resultater (Epoch AI).
Analytikerne teller alt HBM levert fra 2025 og utover, inkludert HBM3E og nyere generasjoner, i enheter på 288 GB – som tilsvarer minnet på én Nvidia GB300-GPU. Allerede HBM levert i 2025–26 alene kan, når den er i drift, støtte 16–56 millioner samtidige agenter. Når man inkluderer leveranser frem til og med 2027, stiger estimatet til rundt 30–170 millioner samtidige agenter basert på frontier-modeller [7259a40f].
Det er verdt å understreke hva tallene er – og ikke er: Dette er fremskrivninger under gitte antakelser, ikke målte utrullinger. Beregningen forutsetter blant annet at den fremskrevne maskinvareforsyningen faktisk bygges ut og settes inn i agentarbeid. I virkeligheten vil maskinvaren brukes til mange ulike arbeidsbelastninger, og noe av den vil kanskje aldri bli installert. De nøyaktige detaljene i antakelsene ligger i publikasjonens metodikk, og resultatene bør leses som betingede anslag, ikke fakta om dagens agentbruk.
Arbeidstimer i milliardklassen – og en effektivitetsknivstikke
For å sette tallene i perspektiv bruker Epoch AI arbeidstimer: 30–170 millioner samtidige frontier-agenter svarer til ukentlig arbeidstid for 140–720 millioner heltidsansatte [7259a40f]. Det er en enorm kapasitet målt mot menneskelig arbeidskraft.
Tallet kan bli langt høyere hvis serveringen blir mer effektiv. Ved å bruke serveringsytelsen til DeepSeek V4 Pro på den samme fremskrevne maskinvaren, kommer analysen frem til rundt 1,9 milliarder samtidige agenter – nok til å levere like mange ukentlige arbeidstimer som 8 milliarder mennesker som jobber 40 timer hver [7259a40f]. Dette forutsetter at ytelsestallene fra DeepSeek-modellen lar seg overføre til helt andre systemer, og det foreligger ingen uavhengig verifisering av disse målingene.
Flaskehalsen er etterspørselen, ikke silisium
Det er her analysen snur på hodet debatten om chipmangel. Hvis markedet bruker bare 20 prosent av det sentrale kapasitetsanslaget, ville det ifølge Epoch AI tilsvare mellom 2 600 og 5 300 milliarder dollar i årlige API-utgifter. Til sammenligning anslår analytikerne utvikleromsetningen til rundt 1 000 milliarder dollar innen utgangen av 2027 – men det tallet hviler selv på en antakelse om femdobling i omsetning hvert år frem til da (Epoch AI).
Epoch AI peker selv på muligheten for et overskudd: «Etterspørselen kan falle bak dette potensielle tilbudet og skape et overskudd av kapasitet. Den viktigste usikkerheten er om vedvarende, rask vekst i etterspørselen etter AI-tjenester vil rettferdiggjøre investeringene», skriver analysen – her gjengitt på norsk.
Kostnaden per agenttime varierer også mye etter modell. I Epoch AIs analyse av agent-traser brukte Codex-arbeidsbelastninger i gjennomsnitt rundt 16–18 dollar i timen for kontinuerlig agentaktivitet, mot 24–50 dollar for Claude Code-arbeidsbelastninger [7259a40f]. Tallene viser at en agenttime er en vare med bred prismargin – og at totalregnskapet for agentutrulling i stor grad avhenger av hvilke modeller og arbeidsoppgaver man velger.
Iterate.ai: Flere agenter per GPU som forretningsmodell
Det er ikke bare analytikere som regner på agenttetthet. Den 5. oktober 2026 lanserte programvareselskapet Iterate.ai inferensmotoren Lifeboat, et verktøy for store språkmodeller med innebygd konfidensiell databehandling. Selskapet hevder at programvaren får plass til to til seks ganger så mange samtidige agentsessions på hver GPU (SiliconANGLE).
Teknisk sett angriper Lifeboat det samme problemet Epoch AI peker på: minnet. Ifølge SiliconANGLE handler optimaliseringene om presset fra nøkkelverdi-cachen – modellens arbeidsminne for hver samtale – som vokser når agenter kjører over lange økter og presser på GPU-minnet. Selskapet hevder at håndtering av dette trykket gjør plass til flere samtidige økter på samme kort [b8b8c8c4].
Selskapets egne tester, som SiliconANGLE omtaler, er gjort på én enkelt Nvidia RTX PRO 6000 Blackwell-GPU med den åpne modellen Qwen 30B-A3B. Med Lifeboats optimaliseringer på plass holdt motoren 2 048 samtidige økter med alle forespørsler fullført, mot halvparten uten. Gjennomstrømningen var 8 714 token per sekund, mot 4 965 uten optimaliseringene [b8b8c8c4].
«Før noen bedrift kjøper flere GPU-er til agentene sine, bør det finne ut hva de allerede eier klarer», sa Jon Nordmark, medgrunnlegger og administrerende direktør i Iterate.ai, ifølge SiliconANGLE – her i norsk gjengivelse. Argumentet hans er at dobling av antall samtidige økter per kort gir mer kapasitet uten nye rack eller mer strøm.
Tallene må leses med forbehold: De stammer fra selskapets egne tester på én GPU-modell og én åpen modell, og er ikke uavhengig verifisert. De viser likevel hvor markedet beveger seg – per-GPU-agenttetthet er blitt et aktivt produktfokus, ikke bare et forskningsspørsmål.
Tre åpne spørsmål
Den viktigste usikkerheten i Epoch AIs tall er implementering. Estimatet forutsetter at maskinvaren som skipper 2025–27 faktisk bygges ut og settes i drift til agentarbeid. Hvor mye som realiseres – og når – bestemmer i praksis om verden får en kapasitet på 30 millioner, 170 millioner eller 1,9 milliarder agenter.
Det andre spørsmålet er effektivitetens tempo. Hvis serveringsinnovasjoner av den typen Iterate.ai hevder å representere blir utbredt, kan tilbudskurven flyttes like raskt som etterspørselen vokser – noe som ytterligere forsterker Epoch AIs poeng om at det sjeldne ikke er beregningskraften, men betalingsviljen for det den produserer.
Det tredje er hele den økonomiske ligningen. Spriket mellom 2 600–5 300 milliarder dollar i implisitte API-utgifter ved 20 prosent utnyttelse og en utvikleromsetning på rundt 1 000 milliarder dollar, bygd på antatt femdobling hvert år, er stort. Enten må prisene falle kraftig, effektiviteten øke – eller så vil en stor del av den planlagte kapasiteten bli stående uutnyttet. Epoch AI legger ikke skjul på muligheten: Verden kan ende med et overskudd av agentkapasitet. Foreløpig er det et åpent spørsmål, ikke et dom.