AI-ivern kostar mer än branschen tror – datanotan kan fördubblas till 2027
AI-ivern kan fördubbla finansbranschens datakostnader till 2027.
När AI-entusiasmen möter ekonomisk verklighet
Det talas mycket om vad AI kan göra för finanssektorn – snabbare analyser, bättre riskmodeller, automatiserade handelsstrategier. Betydligt mindre diskuteras vad AI kostar – inte i form av licensavgifter för stora språkmodeller, utan i de mer svåröverskådliga infrastrukturkostnader som följer i kölvattnet.
Enligt ny forskning, rapporterad av Finextra, riskerar kapitalmarknadsföretag att se sina utgifter för marknadsdataleveranser öka med mer än 50 procent till år 2027. Det är inte en marginell justering – det handlar om en potentiell halvdubblering av en kostnadspost som redan i dag tillhör de tyngre i branschen.
Varför driver AI upp datapriserna?
Logiken bakom utvecklingen är egentligen ganska rak när man väl ser den. AI-system – särskilt de som används för handel, riskbedömning och marknadsanalys – är extremt datahungriga. De behöver inte bara stora mängder historisk data, utan också realtidsuppdaterade och högkvalitativa dataflöden för att fungera tillförlitligt. Det är precis det som dataleverantörerna säljer.
När efterfrågan på den typen av premiumdata ökar kraftigt, och när aktörerna som köper den uppenbart tjänar på att använda den i sina AI-modeller, uppstår ett klassiskt marknadstillstånd: priset stiger. Dataleverantörerna ser en möjlighet att ta betalt för det mervärde deras tjänster skapar i ett AI-drivet ekosystem – och det är svårt att argumentera emot att de har en poäng.
Det påminner om hur molnleverantörer gradvis höjde sina priser i takt med att företag blev allt mer beroende av deras infrastruktur. Låsningseffekterna är reala, och förhandlingsutrymmet krymper ju djupare integrationen går.
En kostnad som sällan syns i AI-kalkylen
Som systemutvecklare ser jag ett återkommande mönster när organisationer inför nya tekniklösningar: de primära kostnaderna – licenser, hårdvara, kompetensutveckling – räknas noggrant. De sekundära effekterna, som högre driftkostnader för kringliggande system, hamnar ofta utanför kalkylen.
Marknadsdatakostnader är ett tydligt exempel på det. De är inte dramatiska på samma sätt som ett stort teknikköp, men de är löpande, svårförhandlade och tenderar att bara röra sig i en riktning. En ökning på 50 procent över tre år kan för en medelstorkapitalmarknadsaktör innebära tiotals miljoner kronor i ökade årliga driftkostnader – pengar som måste tas någonstans ifrån.
Detta väcker en rimlig fråga: vem bär i slutändan notan? Finansiella aktörer som inte kan absorbera kostnadsökningarna internt kommer sannolikt att föra dem vidare – i form av höjda avgifter, minskad tjänstebredd eller helt enkelt svagare marginaler. Och i förlängningen kan det påverka vilka aktörer som har råd att konkurrera med AI-drivna lösningar överhuvudtaget.
Dataleverantörernas maktposition
En aspekt som förtjänar mer uppmärksamhet är den strukturella maktförskjutning som sker när AI ökar beroendet av externa dataleverantörer. Bolag som Bloomberg, Refinitiv och liknande aktörer har länge haft en stark ställning inom finansdata – men AI-eran riskerar att cementera och förstärka den positionen ytterligare.
När dessa dataleverantörers tjänster inte bara är användbara utan direkt avgörande för att träna och driva AI-modeller, förändras förhandlingsdynamiken fundamentalt. Det är inte längre en fråga om vilken leverantör man väljer, utan om man har råd att delta i AI-kapplöpningen överhuvudtaget.
Det är en utveckling som regulatoriska myndigheter och branschorganisationer borde följa noga – inte för att bromsa AI-utvecklingen, utan för att säkerställa att infrastrukturen kring den inte skapar onödiga inträdesbarriärer eller monopolliknande beroenden.
Vår analys
Den här rapporten belyser något viktigt som lätt försvinner i bruset kring AI-entusiasmen: omställning kostar, och kostnaderna dyker upp på oväntade ställen. Marknadsdatakostnader är sällan rubriker, men de är en konkret ekonomisk signal om vad det faktiskt innebär att bygga AI-drivna system i verkliga produktionsmiljöer.
Utvecklingen leder sannolikt mot hårdare förhandlingar mellan finansiella aktörer och dataleverantörer, ökad konsolidering bland aktörer som inte klarar kostnadsökningarna, och möjligen ett ökat intresse för alternativa datakällor – inklusive syntetiskt genererade träningsdata som ett sätt att minska beroendet.
På sikt tror jag att detta driver fram mer transparens kring hur AI-system värderar och nyttjar externa dataflöden. Det är en nödvändig mognad. Men i närtid är det ett tydligt exempel på att AI-omställningen kräver helhetskalkyl – inte bara en kalkyl för vad tekniken kan göra, utan för vad hela ekosystemet kostar.