AI stupar inte på algoritmerna – den stupar på skräpdata, kyla och kapacitet
Skräpdata, kyla och kapacitetsbrist – inte algoritmerna – bromsar AI-utvecklingen.
Modellen är inte problemet – det är datan den tränas på
Det finns en utbredd föreställning om att bättre AI handlar om större modeller och kraftfullare algoritmer. Men om man läser IEEE Spectrums och Wileys nya rapport 2026 State of Visual and Physical AI, baserad på svar från mer än 700 yrkesverksamma, framträder en helt annan bild.
En majoritet av alla modellhaverier beror inte på brister i arkitekturen – de beror på brister i datan. Team märker upp hela datamängder för hand, för att sedan kassera stora delar av materialet innan driftsättning. Enorma resurser går till spillo, inte för att arbetet är onödigt, utan för att det görs i fel ordning och utan tillräcklig urskiljning.
Det som skiljer de framgångsrika teamen från de som kör fast är alltså inte hur mycket data de samlar in. Det är hur väl de bearbetar och väljer ut den. Det låter enkelt. Det är det inte.
Samtidigt pekar IEEE Spectrums 2026 R&D Benchmark Report, som bygger på svar från över 200 seniora forsknings- och utvecklingschefer inom nio branscher, på ett angränsande problem: organisationer saknar den analytiska förmåga som krävs för att prioritera rätt projekt och avveckla olönsamma satsningar i tid. Insikter når beslutsfattarna för sent. Datakällor är fragmenterade. Godkännandeprocesser är långdragna. Resultatet är detsamma – resurser som bränns utan att skapa värde.
I en tid när marknaderna förändras snabbare än någonsin har förmågan att fatta välgrundade, datadrivna beslut tidigt i processen blivit en avgörande konkurrensfördel.
När AI-chipen blir för varma för luften
Men även om ett företag lyckas med datakvaliteten och beslutsfattandet återstår en helt annan utmaning: att faktiskt köra modellerna. Och det är bokstavligen hett.
Moderna AI-acceleratorer kan avge mer än 1 000 watt per enhet. Ett enda serverrack kan producera över 100 kilowatt. Det rapporterar IEEE Spectrum i ett tekniskt underlag framtaget med stöd av kylningsföretaget CoolIT Systems – och poängen är glasklart: traditionell luftkylning klarar inte av det.
Lösningen som lyfts fram är enkelstegs direktvätskekyling, där vatten eller en vatten-glykolblandning cirkulerar genom kylplattor monterade direkt på de hetaste komponenterna. Vätskan absorberar värmen och för den vidare i ett slutet kretslopp. Fördelen är inte bara termisk effektivitet – tätare packning av serverrack frigör också golvyta i datacentralerna, en knapp resurs när efterfrågan på beräkningskapacitet ökar i rekordfart.
Det är en påminnelse om att AI-kapplöpningen inte bara utspelar sig i mjukvarulager och forskningslaboratorier. Den utspelar sig också i rörledningar, kylsystem och serverhallar.
Och sedan ska datan faktiskt röra sig
Till detta ska läggas ännu ett lager av infrastrukturutmaning: datareplikering. I takt med att datamängderna växer exponentiellt börjar många replikeringssystem visa sina begränsningar. Jobb som tidigare slutfördes nattetid sträcker sig nu in på arbetstid, datan blir inaktuell och beräkningskostnaderna stiger.
Enligt ett vitbok framtaget av IEEE Spectrum, Wiley och dataföretaget CData kan två relativt enkla arkitekturförändringar – parallell partitionerad läsning och optimerad skrivprocess – ge upp till 76 procents kortare körtid, utan att köpa ny hårdvara. Det handlar om att utnyttja befintlig processorkapacitet smartare, inte om att kasta pengar på ny utrustning.
Det är en liten men viktig signal: ibland är den mest effektiva förbättringen inte den dyraste.
Tre utmaningar, ett mönster
Lägger man ihop dessa tre rapporter framträder ett tydligt mönster. Utmaningarna för AI i praktiken är inte primärt vetenskapliga – de är ingenjörsmässiga och organisatoriska. Det handlar om att bearbeta rätt data, inte bara samla in mer. Det handlar om att leda bort värme ur datacentraler på ett hållbart sätt. Det handlar om att se till att data faktiskt kan röra sig snabbt nog för att vara användbar.
Det är den typen av problem som inte löser sig med nästa modellgeneration. De kräver noggrann systemdesign, tvärdisciplinärt samarbete och en vilja att arbeta med infrastrukturen som den komplexa helhet den faktiskt är.
Vår analys
Det är lätt att fastna i berättelsen om AI som en ständig algoritm-kapplöpning – vem har den bästa modellen, det största träningsklustret, det vassaste resultatet på nästa riktmärke. Men de rapporter IEEE Spectrum publicerat under 2026 pekar envist mot en annan sanning: flaskhalsarna är infrastrukturella, inte intellektuella.
Detta är faktiskt hoppfullt. Datakvalitet, kylsystem och replikeringsarkitektur är lösbara ingenjörsproblem. De kräver kompetens, tålamod och ibland kulturförändring i organisationer – men de saknar den grundläggande osäkerhet som omger exempelvis modelltolkbarhet eller säkerhetsfrågor.
Utvecklingen pekar mot att de organisationer som vinner AI-kapplöpningen inte nödvändigtvis är de med tillgång till de bästa modellerna. Det är de som byggt stabil, välskött infrastruktur under ytan – och som förstår att AI i produktion är ett systembygge, inte ett forskningsprojekt.