AI-skiftet accelererar på tre fronter samtidigt: infrastruktur, robotik och datainsamling

Tre fronter, ett skifte

Det händer mycket just nu — och det händer samtidigt. AI-sektorn rör sig inte längre i en riktning i taget utan accelererar parallellt längs flera spår: infrastruktur, robotik och organisationsförändring. Det är lätt att missa helheten när nyheterna duggar tätt, så låt oss försöka se dem tillsammans.

Ta OpenRouter som startpunkt. Bolaget grundades 2023 med en till synes enkel idé: ge företag ett samlat gränssnitt mot hundratals olika AI-modeller. I dag, rapporterar TechCrunch, behandlar plattformen hundra biljoner så kallade symboler per månad — en femfaldig ökning på ett år — och har åtta miljoner användare globalt. Den senaste finansieringsrundan på 113 miljoner dollar leddes av CapitalG, Alphabets riskkapitalarm, vilket tog värderingen från fem till tretton miljarder kronor.

Vad berättar det här egentligen? Att marknaden inte längre handlar om vilken modell som är bäst, utan om hur du når rätt modell för rätt uppgift vid rätt tidpunkt. OpenRouters tillväxt speglar ett tydligt skifte i branschen: från att träna modeller, via slutledning, till autonoma AI-agenter som utför uppgifter på egen hand. Infrastrukturlagret — kittet som håller ihop allt — visar sig vara extremt värdefullt.

Robotiken demokratiseras — med 3D-skrivare och pragmatism

Parallellt med penningflödena till AI-infrastruktur pågår något annat, mer handgripligt. Hugging Face har lanserat LeRobot Humanoid, ett öppet byggpaket för humanoida robotben som kostar runt 25 000 kronor och kan tillverkas med en vanlig 3D-skrivare och standardkomponenter, enligt Ars Technica.

Detta är inte en robot för att imponera på investerare. Robotteknikingenjören Virgile Batto är tydlig: "Om du söker den mest avancerade humanoida roboten är det här inte den." Poängen är en annan — att ge forskare och entusiaster en kropp de faktiskt kan förstå, reparera och experimentera med. Data från verkliga försök kan förfina simuleringar, och simuleringar kan förbättra verkliga beteenden. Det är en öppen, iterativ forskningsloop — och den kostar inte mer än en begagnad moped.

Det är just den typen av tillgänglighet som brukar utlösa oväntade genombrott. När fler människor kan röra vid tekniken händer det saker som ingen förutsåg.

Träningsdata från verkligheten — med kamerakepsar i Mumbai

Men vad ska robotar egentligen lära sig? Det är kärnfrågan för uppstartsbolaget Human Archive, som TechCrunch rapporterar om. Deras lösning är lika enkel som den är tankeväckande: låta hemtjänst-, hotell- och restaurangarbetare i Indien bära kepsar med inbyggda kameror som spelar in arbetet ur bärarens perspektiv. Denna förstapersonsvideo blir träningsdata för robotar som ska klara av att städa, laga mat och utföra vardagssysslor i verkliga miljöer.

Bakom bolaget står fyra studenter från UC Berkeley och Stanford, och man har nu tagit in drygt 80 miljoner kronor från investerare med bakgrund från OpenAI, Nvidia och Google. Det är inte utan friktion — flera indiska hemtjänstbolag har tackat nej till samarbete — men idén pekar på något viktigt: den svåraste flaskhalsen i fysisk AI är inte algoritmerna, det är data från verkligheten.

Men — de flesta företag tänker fortfarande fel

Mitt i all denna teknisk rörelse kommer en nykter påminnelse från MIT Technology Review. PwC:s globala teknikchef Prasun Shah konstaterar att de flesta organisationer begår samma misstag: de klistrar fast AI-agenter på föråldrade arbetsmodeller utan att ifrågasätta hur arbetet egentligen borde se ut.

"De bäddar in AI-anställda i en arbetsmodell konstruerad för människor", säger Shah. "Det är som att sätta tejp på ett system som håller på att falla sönder."

Studier pekar på att AI-agenter, rätt använda, kan påskynda affärsprocesser med 30–50 procent och minska tid på lågvärdesarbete med upp till 40 procent. Men det kräver omtänk från grunden — inte ett nytt lager ovanpå det gamla.

Bolaget Ema har myntat begreppet agentic business transformation för att beskriva detta: en djupgående omstrukturering av hur arbete organiseras, inte bara vilket verktyg som används. Det är en distinktion som är enkel att förstå men svår att genomföra — och det är förmodligen därför så få gör det rätt.