Goldman Sachs: AI-revolutionen är bara öppningsakten

Goldman Sachs menar att AI-hysterin inte är en spekulativ bubbla — det är bara öppningsakten. I en ny rapport argumenterar investmentbanken för att dagens AI-utgifter är små i förhållande till teknikens långsiktiga potential och förväntar sig att investeringarna stiger kraftigt under de kommande åren. Den här analysen sätter fokus på hur artificiell intelligens och generativ AI kan omvandla produktivitet, kapitalallokering och konkurrensdynamiken i både etablerade och nya branscher.

Varför Goldman anser att AI-berättelsen långt ifrån är över

Goldmans analytiker uppskattar att dagens investeringar i USA som är direkt kopplade till AI understiger 1% av BNP, en siffra som ligger långt under topparna i tidigare omvälvande infrastruktur- och tekniksprång. Historiskt nådde investeringarna i järnvägar, elektrifiering och internet ofta mellan 2% och 5% av BNP på sina toppar. Denna skillnad indikerar, enligt banken, ett betydande utrymme för fortsatt kapitalallokering mot AI-relaterade projekt och beräkningsinfrastruktur.

Denna bedömning bygger på två huvuddrivkrafter. För det första levererar AI-implementeringar redan mätbara produktivitetsvinster i etablerade sektorer — från automatisering i kundservice och support till processeffektiviseringar inom finans, produktion och logistik. För det andra vilar dessa vinster på omfattande beräkningsinfrastruktur: specialiserade chips, servrar och datacenter som kräver både uppskalning och kontinuerliga investeringar. Den kombinerade effekten av operativa vinster och behovet av skalbar infrastruktur skapar ett ekonomiskt underlag för att fortsätta expandera investeringarna i AI.

I praktiken innebär detta att vi sannolikt kommer att se fler investeringar inom områden som datacenterkapacitet, nätverk med låg latens, högpresterande GPU-kluster, samt molnbaserade tjänster och hybridlösningar som kombinerar on-premise och moln. För företag betyder det att strategiska beslut kring molnarkitektur, outsourcing kontra intern kapacitet, och partnerskap med infrastrukturleverantörer blir avgörande för att få ut maximal nytta av AI-investeringarna.

Hur stort kan AI bli?

Goldman Sachs lägger fram en ambitiös projektion: generativ AI skulle kunna bidra med upp till 20 biljoner dollar till den amerikanska ekonomin över tid, varav ungefär 8 biljoner dollar skulle tillfalla företag som kapitalinkomst. Banken uppskattar också att arbetsproduktiviteten kan öka med omkring 15% under det kommande decenniet om AI-verktyg får bred adoption. Detta innebär att rutinmässigt kunskapsarbete kan bli 10–20% mer effektivt i många segment — och sådana produktivitetsvinster blir snabbt betydande när de multipliceras över stora företag och hela industrier.

För att sätta detta i perspektiv: en 10–20% förbättring i processer som dataanalys, rapportgenerering, kundinteraktion och intern dokumenthantering kan leda till betydande time-to-value-förbättringar. Om företag kan korta ledtider, minska manuella fel och snabba upp beslutsprocesser innebär det både kostnadsbesparingar och ökade intäktsmöjligheter. Dessutom öppnar generativ AI nya produkt- och tjänstekategorier — till exempel automatiserade rådgivningslösningar, anpassade kundupplevelser och nya former av kreativt innehållsskapande — som kan skapa ytterligare intäktsströmmar.

Tekniskt sett beror det ekonomiska värdet på flera samverkande faktorer: modellernas förmåga att förstå och generera högkvalitativt innehåll, tillgången på träning- och driftsmiljöer med hög prestanda, datakvalitet och -tillgänglighet, samt företagens förmåga att integrera AI i produktionssystem och affärsprocesser. Därför är både mjukvaruinnovation och hårdvaruinvesteringar centrala komponenter för att förverkliga dessa prognoser.

Inte alla investerare vinner — historien ger en varning

Rapporten tar inte lättvindigt på riskerna. Goldman lyfter fram ett återkommande mönster från tidigare infrastruktursprång: tidiga aktörer bär ofta stora kostnader för att bygga ut kapacitet, medan senare aktörer kan komma att ta hem de största fördelarna. Anpassade, dyra system löper risk att snabbt bli föråldrade eller att konsolideras bort när standardiserade lösningar och molnplattformar tar över.

Inom AI är avskrivningstakten för hårdvara ofta snabb, och modellernas förbättringstakt innebär att en modell eller arkitektur som är ledande idag kan stå på efterkälken inom månader. Det gör att företag som satsar mycket tidigt på egen specialiserad infrastruktur kan finna sig pressade av mer flexibla konkurrenter eller av stora molnleverantörer som standardiserar och commoditiserar tjänsterna. I praktiken innebär detta att investeringar i chips och servrar kan vara nödvändiga men inte tillräckliga för att säkra långsiktig marknadsdominans.

För investerare betyder detta att en aktiv, selektiv strategi ofta är att föredra framför en bred, okritisk exponering. Företag som fokuserar på skalbara lösningar, öppna standarder, och som bygger modularitet och interoperabilitet i sina AI-system har större chans att anpassa sig när teknologin rör sig snabbt. Samtidigt blir relationer med molnleverantörer, partnerskap med chip-tillverkare och investeringar i människors kompetens — AI-kompetens, dataingenjörskap, och förändringsledning — kritiska faktorer för framgång.

Utgifterna bör normaliseras i takt med fallande hårdvarukostnader

Trots varningarna ser Goldman fortsatt ett gynnsamt investeringsklimat för AI. Banken prognostiserar att AI-relaterade utgifter kan nå uppåt 300 miljarder dollar år 2025, i takt med att företag ökar antagandet och produktivitetsförbättringarna ackumuleras. Över tid förväntas industrin gå förbi en intensiv fas av infrastrukturuppbyggnad; sjunkande priser på hårdvara och bättre resursutnyttjande via moln och delad infrastruktur bör bidra till att stabilisera utgiftsmönstren.

Denna normalisering kan ske genom flera mekanismer: stordriftsfördelar i datacenterdrift, utveckling av mer kostnadseffektiva accelerators, effektivare modellarkitekturer som minskar beräkningsbehovet och bredare adoption av molntjänster där användare betalar för faktisk konsumtion i stället för att binda kapital i egen hårdvara. Sådana trender minskar barriärer för mindre och medelstora företag att använda avancerade AI-tjänster och skapar en bredare marknad för AI-applikationer.

Det är också troligt att finansiering och affärsmodeller utvecklas: fler as-a-service-erbjudanden för modellträning, inferens och datahantering kan framträda, vilket flyttar risk och drift till specialiserade leverantörer. För investerare och företagsledare innebär detta att man måste utvärdera inte bara initial CAPEX utan även långsiktiga OPEX och möjligheterna att nyttja moln- och hybridmodeller för att optimera kostnader över tid.

Vad man bör hålla koll på framöver: modeller, chip och konkurrens

• Modellutveckling: Snabbare och mer kapabla modeller förändrar förutsättningarna för vem som fångar värdet — och hur snabbt detta sker. Utvecklingen inom transformer-arkitekturer, effektiva träningsalgoritmer och anpassningstekniker (fine-tuning, adapterlagringar, sparsity) påverkar snabbt totalekonomin.
• Hårdvarucykel: Fallande priser för GPU:er, specialiserade accelerators och andra beräkningsenheter skiftar ekonomi för de som adopterar tekniken. Pris-per-färdig-infernse och energikostnad per operation blir viktiga mått för lönsamhet.
• Marknadskonsolidering: Molnleverantörer och stora plattformar kan komma att aggregera tidiga investeringar, på samma sätt som tidigare teknikvågor konsoliderades. Detta påverkar vinstmarginaler, tillgång till kunder och möjligheten att erbjuda differentierade tjänster.

Senare produktlanseringar illustrerar hur snabbt landskapet rör sig. Google lanserade sin Gemini 2.5 "Computer Use"-modell med förbättrad webbnavigering och mer realtidsinteraktion, vilket visar hur modeller får nya förmågor för praktisk användning. Alibaba presenterade samtidigt en enorm modell med 1 biljon parametrar avsedd att konkurrera i både skala och prestanda med ChatGPT och Google Gemini. Sådana utvecklingar visar inte bara innovationsdynamiken utan också den eskalerande kapprustningen kring beräkningskapacitet och modellstorlek.

Vad detta betyder för företag och investerare

För företag är slutsatsen praktisk och konkret: investera där AI tydligt höjer produktiviteten, men bygg projekt så att de är modulära och portabla för att undvika att fastna i föråldrad infrastruktur. Prioritera användarfall med snabb ROI — till exempel automatisering av repetitiva arbetsuppgifter, förbättrade kundinteraktioner genom AI-driven kundsupport, och processautomatisering i kärnverksamhetens system. Dessutom är investeringar i kompetens, förändringsledning och datastyrning ofta lika viktiga som investeringar i hårdvara och modeller.

För investerare är budskapet mer nyanserat: AI är en flermånaders- och flermiljarders transformation snarare än en kortsiktig mani. Det innebär att en selektiv, långsiktig exponering gentemot företag som driver verkligt värde, samt mot infrastrukturleverantörer som drar nytta av breddad skala, är en rimlig strategi. Att identifiera vinnare kräver bedömning av teknisk förmåga, affärsmodellens styrka, skalbarhet och hur väl företaget kan integrera AI i sina kärnprocesser.

Specifika investeringskandidater kan inkludera molnleverantörer som erbjuder AI-plattformar, företag som levererar specialiserade GPU- eller acceleratorlösningar, samt mjukvaruföretag som utvecklar verktyg för modelldrift, datahantering och säkerhet. Samtidigt bör riskfaktorer såsom regulatorisk osäkerhet, etiska frågor kring AI-användning, och konkurrens från både stora teknikföretag och snabbrörliga startups noggrant beaktas.

Goldmans slutkläm är tydlig: AI-marknaden värms upp, men den är ännu inte en överhettad bubbla. Det verkliga utfallet avgörs av vilka aktörer som förvaltar sina infrastrukturinsatser väl, vilka som framgångsrikt integrerar AI i vardagliga arbetsflöden, och hur snabbt hårdvaru- och modellekonomier utvecklas. Företag som kombinerar teknisk förståelse med affärsorienterad implementering och som bygger flexibla, scalbara lösningar har störst chans att plocka hem långsiktiga vinster i denna fleråriga resa.

Sammanfattningsvis innebär detta att både beslutsfattare i näringslivet och professionella investerare måste arbeta med en tidshorisont som sträcker sig flera år framåt, omvärdera sina kapitalplaner i ljuset av rask hårdvaruutveckling och modellinnovation, och lägga fokus på att skapa organisatoriska förutsättningar för att AI ska ge varaktig affärsnytta. Genom att balansera aggressiva satsningar med konservativa riskhanteringsstrategier — till exempel att kombinera egna resurser med molnpartner och bygga modulära lösningar — kan företag både delta i och forma nästa fas i AI-ekonomins utveckling.