Agentisk AI: Varför företag flyttar hem sin AI från molnet

En enda kodagent i molnet kan kosta 13 000 dollar i månaden. HPE sänkte sina AI-kostnader med 30 gånger genom att flytta hem infrastrukturen. Här är varför agentisk AI förändrar hela ekonomin — och vad nordiska företag behöver tänka på.

Det börjar ofta ganska enkelt.

En chatbot i kundsupporten. Ett internt verktyg som hjälper utvecklare att skriva kod. En AI-assistent som sammanfattar dokument, söker information och föreslår nästa steg.

Sedan händer något.

Assistenten blir inte längre bara en assistent. Den blir en agent.

Den väntar inte på en enskild fråga och lämnar ett enskilt svar. Den planerar, letar, jämför, validerar, anropar andra system och fortsätter arbeta tills uppgiften är löst. Ibland gör den flera försök. Ibland behöver den kontrollera sitt eget resultat. Ibland behöver den prata med andra agenter.

Och varje steg kostar.

Det är här många företag just nu upptäcker att AI-ekonomin förändras. Det handlar inte längre bara om att betala för enstaka frågor och svar. Agentisk AI skapar en ny typ av kontinuerlig driftlast — en digital arbetsstyrka som arbetar i bakgrunden, konsumerar beräkningskraft och driver upp tokenförbrukningen dygnet runt.

När AI blir agentisk blir inferens inte längre ett projekt. Det blir produktion.

Från fråga och svar till självständigt arbete

Traditionell generativ AI fungerar ofta som en mycket kraftfull frågelåda. Du skriver en prompt, modellen genererar ett svar och processen tar slut.

Agentisk AI fungerar annorlunda.

En AI-agent får ett mål snarare än en enskild fråga. Målet kan vara att analysera ett supportärende, hitta rotorsaken, kontrollera tidigare incidenter, föreslå en åtgärd och uppdatera ett ärendehanteringssystem. Det kan vara att hjälpa en utvecklare genom att läsa kod, skriva testfall, felsöka och skapa ett ändringsförslag. Det kan vara att bevaka loggar, hitta avvikelser och föreslå förändringar i infrastrukturen.

Det viktiga är inte bara att agenten svarar. Det viktiga är att den arbetar i flera steg.

Varje steg innebär ny kontext. Ny inläsning. Nya tokens. Nya modellkörningar. Nya verktygsanrop. Ibland flera varv runt samma problem innan agenten vågar gå vidare.

Det är därför agentisk AI snabbt kan bli betydligt dyrare än många räknar med. Det är inte den första prompten som välter budgeten. Det är loopen.

HPE-exemplet: När AI-kostnaden blev en infrastrukturfråga

Enligt The Next Platform har HPE beskrivit hur deras supportmiljöer började konsumera tokens i en skala som gjorde molnbaserad inferens allt svårare att motivera ekonomiskt. HPE byggde därför en AI-first supportplattform på egen infrastruktur, baserad på HPE GreenLake Intelligence och Private Cloud AI med NVIDIA.

Fidelma Russo, CTO och EVP på HPE, beskrev på scenen under HPE Discovery 2026 i Las Vegas:

”We stopped being consumers of AI and we became producers of intelligence.”

Resultatet var anmärkningsvärt. HPE uppges ha sänkt kostnaden med mer än 30 gånger och sparar nästan 100 000 dollar per månad.

Det mest intressanta är inte bara själva besparingen. Det intressanta är vad exemplet säger om vart marknaden är på väg.

När AI används sporadiskt är molnet ofta ett utmärkt sätt att komma igång. Det är snabbt, flexibelt och kräver liten initial investering. Men när AI går från test till produktion, och särskilt när agentiska arbetsflöden börjar köras kontinuerligt, förändras kalkylen.

Då blir frågan inte längre: var är det enklast att starta?

Frågan blir: var är det mest hållbart att köra detta varje dag, varje timme och varje minut?

För många verksamheter blir svaret: närmare datan, närmare infrastrukturen och närmare den egna kontrollen.

Hur mycket kostar en AI-agent egentligen?

En siffra som sticker ut i HPE-resonemanget är exemplet med kontinuerligt arbetande kodagenter. Enligt de uppgifter som återges av The Next Platform kan en enda kontinuerlig AI-agent i en publik molntjänst motsvara cirka 13 000 dollar per månad.

Det betyder inte att alla AI-agenter kostar exakt så mycket. Kostnaden beror på modell, tokenvolym, kontextlängd, verktygsanrop, cache-strategi, nyttjandegrad och hur effektivt hela systemet är byggt.

Men siffran visar något viktigt: när agenter blir många, och när de arbetar kontinuerligt, kan kostnaden skala mycket snabbt.

En agent är hanterbar.

Tio agenter är en budgetpost.

Hundra agenter är en infrastrukturstrategi.

Det är här företag behöver sluta se AI som ett experimentkonto i molnet och börja se AI som produktionskapacitet. På samma sätt som databaser, virtualisering, lagring och nätverk behöver AI-inferens planeras, dimensioneras, övervakas och optimeras.

Vissa arbetslaster kommer fortfarande passa bäst i molnet. Andra kommer passa bäst på egen infrastruktur. Många kommer landa i en hybridmodell.

Men agentisk AI gör att fler tunga inferenslaster hamnar i kategorin: detta behöver vi äga, optimera och kontrollera själva.

Tre scenarier där egen GPU-infrastruktur kan betala sig snabbt

1. Hög och förutsägbar inferensvolym

Om ni har AI-tjänster som används dagligen av många användare, eller agenter som arbetar kontinuerligt i bakgrunden, blir nyttjandegraden tillräckligt hög för att egen infrastruktur kan bli betydligt mer kostnadseffektiv. Molnet är ofta starkt för snabb start och tillfällig kapacitet. Egen infrastruktur är ofta stark när lasten är stabil, tung och affärskritisk.

2. Känslig data

Många nordiska företag arbetar med information som inte utan vidare bör lämna den egna kontrollen. Det kan handla om kunddata, produktionsdata, ritningar, medicinsk information, forskningsdata, finansiella uppgifter, säkerhetsklassad information eller immateriella tillgångar.

Då räcker det inte att AI-lösningen är smart. Den måste också vara styrbar, spårbar och byggd för regelefterlevnad från början.

3. Krav på låg fördröjning och nära integration med interna system

Agentisk AI blir mest värdefull när den får arbeta nära verksamhetens faktiska processer. Den behöver ofta nå ärendesystem, dokumentplattformar, databaser, loggar, kodförråd, produktionssystem och interna API:er. Ju närmare infrastrukturen agenten körs, desto enklare blir det att kontrollera prestanda, säkerhet och åtkomst.

Kort sagt: när AI går från demo till drift börjar verkligheten vinna över presentationerna.

Data-suveränitet är inte en känsla. Det är en arkitekturfråga.

För nordiska företag är data-suveränitet inte längre ett vackert ord i en strategi. Det är en praktisk designprincip.

GDPR sätter tydliga ramar för hur personuppgifter får behandlas och överföras utanför EU/EES. NIS2 höjer dessutom kraven på cybersäkerhet, riskhantering och ansvar för många samhällsviktiga och digitala verksamheter.

Det betyder inte att amerikanska molntjänster aldrig kan användas. Men det betyder att varje organisation måste förstå exakt vilken data som behandlas, var den behandlas, vem som kan komma åt den, vilka underleverantörer som finns, hur loggning sker och vilka juridiska mekanismer som används vid eventuell överföring till tredje land.

För vissa arbetslaster är det fullt möjligt att hantera. För andra blir det onödigt komplext.

Agentisk AI förstärker dessutom frågan, eftersom agenter inte bara läser en fil och svarar. De kan hämta kontext, anropa system, skapa mellandata, skriva tillbaka information och bygga upp arbetsminne över tid.

Då blir kontrollplanet minst lika viktigt som själva modellen.

Frågan blir därför inte bara: vilken modell ska vi använda?

Frågan blir: var ska intelligensen få arbeta?

Så bygger ni ett kostnadseffektivt AI-kluster för inferens

Ett bra GPU-kluster för agentisk AI handlar inte bara om att köpa kraftfulla GPU:er. Det handlar om balans.

Ni behöver rätt acceleratorer för rätt typ av inferens. NVIDIA H100, H200, B200 och Blackwell-baserade system är exempel på plattformar som är byggda för mycket hög AI-prestanda. För vissa typer av inferens kan även andra GPU-alternativ vara relevanta, beroende på modell, minneskrav och mjukvarustack.

Ni behöver tillräckligt mycket minne för stora modeller och långa kontextfönster.

Ni behöver snabb lagring, eftersom agentisk AI ofta arbetar med stora mängder kontext, dokument, metadata och vektorsökning.

Ni behöver nätverk som inte blir flaskhalsen när många GPU:er arbetar tillsammans.

Ni behöver orkestrering, köhantering, modellhantering, övervakning, säker åtkomst, loggning och tydliga riktlinjer för vilka agenter som får göra vad.

Och kanske viktigast: ni behöver någon som kan helheten.

AI-infrastruktur är inte längre bara servrar med GPU. Det är datacenterdesign, ström, kyla, nätverk, lagring, säkerhet, modelloptimering, livscykelhantering och drift i samma maskinrum. Ett litet AI-kraftverk, fast utan skorsten.

Aixias perspektiv

Aixia hjälper nordiska företag att bygga AI-infrastruktur som är redo för verklig produktion, inte bara labbmiljöer.

Som Skandinaviens enda certifierade NVIDIA DGX SuperPOD-partner har vi djup erfarenhet av att designa, installera och drifta avancerade GPU-kluster för AI, HPC och generativ AI. Vi bygger lösningar där prestanda, kostnadskontroll och data-suveränitet hänger ihop från början.

För företag som vill köra agentisk AI i skala blir detta avgörande. Det handlar inte om att välja bort molnet helt. Det handlar om att placera rätt arbetslast på rätt plats.

• Molnet är ofta rätt för experiment, snabb utveckling och flexibel kapacitet.
• Egen infrastruktur är ofta rätt när inferensen blir kontinuerlig, datan är känslig och kostnaden måste vara förutsägbar.
• Hybrid är ofta verkligheten.

Men oavsett modell behöver AI-infrastrukturen byggas med samma noggrannhet som annan affärskritisk IT. För när AI-agenter börjar fatta beslut, agera i system och konsumera tokens dygnet runt är de inte längre ett sidoprojekt.

De är en ny driftplattform.

Och den plattformen behöver kontroll, säkerhet och ekonomi från dag ett.

Vanliga frågor

Vad skiljer agentisk AI från vanlig AI?

Traditionell AI svarar oftast på en fråga och stannar där. Agentisk AI arbetar mer självständigt. Den planerar, resonerar, använder verktyg, kontrollerar resultat och går vidare i flera steg. Varje steg konsumerar tokens och beräkningskraft.

Varför blir agentisk AI så dyr i molnet?

För att agenter ofta arbetar kontinuerligt. De gör många modellkörningar, hämtar ny kontext, anropar system och validerar resultat. Kostnaden uppstår inte bara i svaret, utan i hela arbetsflödet. Enligt HPE kan en kodagent i molnet kosta cirka 13 000 dollar i månaden.

Är egen AI-infrastruktur alltid billigare än molnet?

Nej. Vid låg eller tillfällig användning kan molnet vara mest rationellt. Men vid hög, stabil och affärskritisk inferensvolym kan ett eget GPU-kluster ge bättre kostnadskontroll, högre nyttjandegrad och lägre kostnad per arbetsflöde.

Vad innebär data-suveränitet i praktiken?

Att organisationen har kontroll över var data lagras, var den behandlas, vem som kan komma åt den och vilka juridiska regler som gäller. För nordiska företag betyder det ofta att känslig data ska hållas inom EU/EES eller i en kontrollerad miljö.

Vilken typ av infrastruktur krävs för agentisk AI?

Det krävs inferensoptimerade GPU-kluster med hög minneskapacitet, snabb lagring, låg fördröjning, starkt nätverk, säker modellhantering, orkestrering, övervakning och tydliga riktlinjer för agenternas åtkomst och beteende.

När bör man börja titta på egen GPU-infrastruktur?

När AI går från pilot till produktion, när tokenkostnaderna blir svåra att förutse, när många agenter körs samtidigt eller när känslig data inte bör lämna den egna kontrollen.

Källor och lästips

• The Next Platform: HPE Rides The Agentic AI Wave Back Into The Datacenter (22 juni 2026)
• The Register: Nvidia gets all agentic about supercomputing for scientific research
• EU-kommissionen: NIS2 Directive
• European Data Protection Board: International data transfers
• Aixia: NVIDIA DGX SuperPOD

Artikeln publicerades ursprungligen på aixia.se. Vill du diskutera agentisk AI-infrastruktur för din organisation? Kontakta oss.