En färsk granskning har fått de amerikanska teknikjättarnas AI-investeringar att diskuteras som en fråga om dolda skulder. Men de verkliga riskerna i AI-transformationen ligger någon annanstans – och de är flera. Den amerikanska ekonomin har gjort sig beroende av själva utbyggnaden i en utsträckning som saknar motstycke, samtidigt som den efterfrågan som ska bära investeringarna till stor del ännu inte visat sig — och delvis cirkulerar inom en liten krets av bolag som finansierar varandra. Nu pressas dessutom priset på det som skulle generera intäkterna, när amerikanska företag i snabb takt flyttar över till billigare kinesiska språkmodeller. Den gemensamma nämnaren är tid och pris – om verklig, betalande efterfrågan infinner sig långsammare, och till lägre priser, än kalkylerna förutsätter, kan åtaganden värda biljoner visa sig långt mer riskfyllda än de ser ut i dag.
När den japanska affärstidningen Nikkei häromdagen konstaterade att Alphabet, Microsoft, Amazon, Meta och Oracle tillsammans bär omkring 1,65 biljoner dollar (Här ska man komma ihåg det förvirrande faktum att på engelska används trillions för begreppet tusen miljarder, emedan svenskan använder biljoner – som ju är engelskans beteckning på miljarder. Jag använder de svenska begreppen) i avtalade betalningsåtaganden, i form av olika kontrakt, som inte redovisas i balansräkningen, spreds nyheten under rubriker om ’gömda skulder”. Beloppet har enligt granskningen vuxit ungefär åttafaldigt på fyra år och överstiger numera de fem bolagens redovisade skulder på cirka 1,35 biljoner dollar. Meta ensamt beräknas ha omkring 420 miljarder dollar i sådana åtaganden vid sidan av balansräkningen, nära tre gånger så mycket som bolagets redovisade skuld.
Formuleringen om dolda skulder är effektiv för att skapa klick men också vilseledande. Det finns inget hemligt med dessa åtaganden – de framgår av noterna i bolagens redovisning, för den som kommer så långt och orkar läsa den. Och det finns inget olagligt i själva konstruktionen. Den intressanta frågan är inte om åtagandena är dolda, utan om den ekonomiska kalkyl som motiverar dem vilar på antaganden som håller. De mest sårbara variablerna i den kalkylen är sannolikt inte tekniken, och inte heller finansieringen i sig, utan tiden och priset.
Vad noterna säger och inte säger
Att stora framtida åtaganden inte omedelbart bokförs som skuld är regel snarare än undantag. Redovisningsprinciperna är byggda för att spegla när en ekonomisk resurs faktiskt tas i anspråk. Ett bolag som tecknar ett tolvårigt avtal om en viss kapacitet i ett datacenter, eller beställer specialiserad hårdvara för leverans över flera år, har gjort ett bindande åtagande — men beloppet redovisas inte som skuld samma dag pennan lyfts från kontraktet. Flygbolag, kraftbolag och telekomoperatörer liksom alla andra investeringstunga bolag har analyseras på just dessa premisser. Den investerare som bara läser balansräkningen har därmed alltid sett en ofullständig bild.
Det nya är omfattningen, och en teknisk detalj som gör den obehaglig. Kreditvärderingsinstitutet Moody’s uppskattar att drygt 660 miljarder dollar av åtagandena utgörs av leasingavtal för datacenter som ännu inte har trätt i kraft. I samma stund som ett datacenter tas i drift flyttas leasingåtagandet in i balansräkningen. Skulden blir alltså inte osynlig för alltid – den kommer upp i dagern som en vårblomma när snön smälter, just när anläggningen ska börja generera de intäkter som ska bära den. Om intäkterna uteblir skrivs tillgången ned, och förlusten landar hos de långivare och försäkringsbolag som finansierade konstruktionen. Bank for International Settlements (BIS) har kallat det skuggupplåning (”shadow borrowing”) och varnat för att extern finansiering som inte syns som skuld kan förstärka marknadsrisken. Standard & Poor’s har redan sänkt Oracles kreditbetyg med hänvisning till ansträngd skuldsättning.
I den mer upphetsade delarna av rapporteringen har man jämfört det hela med Enron, vilket dock är missvisande. Där var det bedrägeri – här är det däremot tillåten redovisning enligt just det regelverk som skärptes efter just Enron. Men jämförelsen pekar ändå på det relevanta, nämligen mekanismen som skjuter kostnader framåt i tiden och gör hävstången svårare att avläsa.
AI-investeringarna driver den amerikanska tillväxten
Den vanliga oron brukar formuleras ungefär så här – om AI automatiserar tillräckligt mycket arbete urholkas hushållens inkomster och då försvinner den efterfrågan som i slutänden ska betala för tekniken. Vem ska köpa produkterna?
Den amerikanska ekonomin drivs för närvarande inte i första hand av hushållens konsumtion, utan av själva AI-bygget. Enligt Renaissance Macro Research har AI-investeringarna under de senaste kvartalen bidragit mer till USA:s BNP-tillväxt än hela hushållskonsumtionen tillsammans — och det är första gången något sådant har uppmätts. Skattningarna varierar med metodiken – forskningsinstitutet Epoch AI, som räknar snävare, sätter de datacenterrelaterade investeringarna till omkring 1,4 procent av BNP under det första kvartalet 2026, en fördubbling på ett år, medan andra bedömare tillskriver AI-investeringarna merparten av kvartalets tillväxt. Deutsche Bank har varnat för att expansionen utanför tekniksektorn i praktiken står stilla.
Slutsatsen är försiktig men samtidigt väldigt obekväm. Ekonomin hålls uppe av investeringar som motiveras av en framtida efterfrågan som ännu inte har visat sig. Så länge kapitalet fortsätter att strömma in i bygget är expansionen självbärande, eftersom utgiften i sig är efterfrågan. Men en investeringsvåg kan inte vara sin egen slutkund i längden. Vid någon punkt måste kapaciteten mötas av betalande användare utanför den innersta kretsen — annars blir tillgångarna det som på engelska det som brukar kallas stranded assets, och nedskrivningarna kommer som ett brev på posten.
Efterfrågan som cirkulerar
Det för oss till den känsligaste delen av själva strukturen. En betydande andel av den efterfrågan som får AI-marknaden att se robust ut cirkulerar inom en liten krets av inbördes sammanflätade bolag. Nvidia tar en ägarandel i ett AI-bolag, som använder kapitalet, tillsammans med molnavtal, till att köpa grafikprocessorer — till stor del från Nvidia – vilket gör att Nvidias intäkter och aktiekurs stiger, och bolaget tar nya andelar i fler AI-bolag, som köper fler processorer. Samma investeringsloop försiggår genom molnjättarna: Microsoft äger drygt en fjärdedel av OpenAI, som i sin tur har utfäst hundratals miljarder dollar tillbaka till Microsofts molnlösning. Amazon har skjutit till stora belopp i Anthropic och OpenAI, som förbinder sig att köpa motsvarande beräkningskraft av Amazon. Google har investerat i Anthropic, som ska driva en miljon av Googles egna acceleratorer. Nvidia har dessutom lovat att köpa den kapacitet som molnbolaget CoreWeave inte får såld fram till 2032. Bedömare uppskattar att sådana arrangemang numera omfattar över 800 miljarder dollar.
Var och en av dessa affärer kan vara ekonomiskt rationell. Sammantagna gör de det svårt att avgöra hur mycket av efterfrågan som är genuin och hur mycket som är samma kapital som går i cirkel. Parallellen till telekombolagens leverantörsfinansiering runt millennieskiftet, då utrustningstillverkare lånade ut pengar till kunder som köpte deras utrustning, är besvärande av ett skäl – den fungerade tills den verkliga användningen inte höll jämna steg med de bokförda intäkterna.
De underliggande siffrorna är samtidigt kärva. OpenAI väntas gå med omkring 14 miljarder dollar i förlust i år, samtidigt som bolaget projicerar hundra miljarder dollar i intäkter före decenniets slut. Deutsche Bank och andra har pekat på ett möjligt intäktsgap i storleksordningen 800 miljarder dollar per år runt 2030 mellan vad infrastrukturen kostar och vad den hittills tar in. CoreWeave, en av de mest utsatta knutpunkterna i väven, har tappat omkring halva sitt börsvärde sedan toppen.
Inget av detta bevisar att det finns en bubbla ska brista – för leverantörsfinansiering har byggt kapitalintensiva industrier förr till exempel när man byggde världens järnvägar under industrialismens barndom, elektrifieringen några decennier senare och strax innan millennieskiftet tidig telekom — och den underliggande efterfrågan på AI kan mycket väl vara reell och varaktig. Men den gör strukturen beroende av att kapitalet fortsätter röra sig inåt. I det ögonblick någon i kretsen tvingas sälja i stället för att köpa testas hela konstruktionen samtidigt. (Samtidigt kan man fråga sig om man inte kan benämna det faktum att SpaceX ska växa med 5000% på tre år enligt Musk själv, som en indikation på en bubbelfantasi.)
Kina utmanar som vanligt på pris
Till detta har under 2026 lagts en fråga som går rakt på intäktssidan. En växande del av de amerikanska företag som köper AI väljer bort de dyra amerikanska frontmodellerna till förmån för billigare kinesiska alternativ. På förmedlingsplattformen OpenRouter har de amerikanska modellernas andel av trafiken fallit från omkring 70 till omkring 30 procent på ett år, medan kinesiska modeller som Alibabas Qwen, DeepSeek och Z.ais GLM tillsammans står för uppemot 44–46 procent. Skälet är priset. De öppna kinesiska modellerna är enligt marknadsaktörer 60–90 procent billigare, och på de billigaste jämförelserna större än så: en miljon utdata-tokens från Claude Opus 4.8 prissätts kring 25 dollar, samma volym från DeepSeeks billigaste modell till några ören. Prestandagapet krymper samtidigt: GLM 5.2 landade inom en procentenhet från Opus 4.8 i ett uppmärksammat prestandatest, till ungefär en femtedel av kostnaden. Företag som Airbnb, Uber, Siemens och DoorDash experimenterar med kinesiska modeller – ett bolag har flyttat hela sin trafik från Anthropic till DeepSeek; och till och med Microsoft uppges undersöka en billigare öppen modell för delar av sina egna produkter.
För lönsamhetskalkylen är detta mer än en kuriositet. Hela resonemanget bakom de 1,65 biljonerna förutsätter inte bara att AI-användningen växer, utan att kunderna fortsätter att betala ett premiepris för amerikansk spjutspetsteknik. Om huvuddelen av volymen i stället dirigeras till öppna modeller som är en bråkdel så dyra, uttunnas intäkten per enhet just där kassaflödena ska uppstå. Det pressar marginalerna hos de amerikanska AI-bolagen vars utfästa köp fyller molnjättarnas orderböcker, och det flyttar värdet från modellskiktet, där prissättningsmakten finns, till det underliggande beräkningsskiktet, som är en lägre marginalaffär. Ironin är att utvecklingen delvis är USA:s eget verk – exportkontrollerna som skulle strypa Kinas tillgång till avancerade chip tvingade fram en jakt på effektivitet, och resultatet blev modeller som nu underskrider den amerikanska prisnivån.
De kinesiska modellerna ligger fortfarande steget efter de allra bästa amerikanska på de svåraste uppgifterna, och mycket av deras användning körs ändå på västlig hårdvara — billigare körningar kan enligt Jevons paradox öka den totala förbrukningen av beräkningskraft snarare än att minska den. Efterfrågan på beräkningskraft försvinner alltså inte nödvändigtvis; det är prissättningsmakten över den som hotas. Men just den prissättningsmakten är förutsättningen för att de redan tecknade åtagandena ska gå att bära.
Prispressen kommer dessutom med en säkerhetsdimension som delvis motverkar besparingen. Kinesiska modeller som körs mot API:er i Kina lyder under underrättelselagar som ålägger inhemska företag att samarbeta med statens underrättelsearbete, vilket gör dataflöden till en sårbarhet. En studie från konsultföretaget Booz Allen Hamilton, publicerad i juni, fann att tre av fyra testade kinesiska kodmodeller producerade mätbart mer sårbar kod när användaren uppgavs arbeta för en amerikansk myndighetsentreprenör — i Qwens fall omkring 130 procent mer — och att samtliga fyra avböjde uppgifter som rörde ämnen Peking betraktar som känsliga. Booz Allen avstod från att kalla det bakdörrar och tillskrev beteendet träningsdata formad av kinesiska informationskontroller; men för ett företag som bygger produktionssystem är distinktionen en klen tröst. Amerikanska kongressutskott utreder redan Airbnb och kodplattformen Cursors ägare Anysphere för deras användning av kinesiska modeller, och representanthusets särskilda Kinautskott har i en rapport beskrivit DeepSeek som ett nationellt säkerhetshot. För reglerade branscher är den säkrare vägen att köra öppna modellvikter i egen molnmiljö snarare än mot kinesiska API:er, vilket dämpar risken för dataläckage men inte de beteenden som byggts in redan under träningen.
Å ena sidan urholkar de kinesiska modellerna den prispremie som de amerikanska intäktsprognoserna vilar på. Å andra sidan kan just säkerhets- och regelfriktionen — kostnaden för granskning, efterlevnad och politisk risk — bromsa övergången och delvis bevara den. Vilken kraft som väger tyngst är ännu osäkert, men båda pekar åt samma håll nämligen att intäkten för varje såld enhet AI är långt mindre given än de stora investeringskalkylerna förutsätter.
Arbetsmarknaden och tempot
Så återstår den kanske viktigaste frågan: hur snabbt kan samhället ta till sig tekniken? Internationella valutafonden uppskattar att omkring 40 procent av arbetstillfällena i världen berörs av AI i någon grad, andelen högre i avancerade ekonomier. Historiskt har ny teknik nästan alltid skapat fler jobb än den slagit ut. Men två drag skiljer AI från tidigare skiften: den påverkar kvalificerat kunskapsarbete och rutinarbete samtidigt, och den sprids på år snarare än årtionden. John Maynard Keynes beskrev redan på 1930-talet risken att tekniken tillfälligt kan springa fortare än arbetsmarknadens förmåga att anpassa sig — vad han kallade teknologisk arbetslöshet. Frågan har aldrig varit om nya jobb uppstår, utan hur lång tid processen tar.
Data från 2026 tecknar en dämpad men inte harmlös bild. Den samlade arbetslösheten bland högt exponerade yrkesgrupper har ännu inte stigit systematiskt sedan de generativa modellerna slog igenom — det är slutsatsen i en studiefrån Anthropics egna ekonomer, och den bekräftas av Yale Budget Lab och av Federal Reserve. Men samma källor pekar samstämmigt på att anställningstakten av yngre medarbetare i utsatta yrken har mattats. Goldman Sachs bedömer att omställningen kan förskjuta 6–7 procent av arbetskraften över ungefär ett decennium, med en total arbetslöshetseffekt på högst en halv procentenhet — men arbetare mellan 22 och 30 år drabbas i ungefär tre gånger så hög grad som de mellan 40 och 55. AI tycks tills vidare bromsa nyanställningar mer än den avskedar. De som inte kommer in på arbetsmarknaden syns inte i avskedsstatistiken, men effekten på deras livsinkomster kan bli lika stor — bara långsammare och svårare att mäta.
Det är takten som avgör. Om ekonomin behöver tio eller femton år för att skapa nya yrken och nya inkomster, medan investeringarna förutsätter att omställningen ger avkastning på tre till fem, uppstår ett glapp mellan när kostnaderna förfaller och när den externa efterfrågan infinner sig.
Tid är den egentliga risken
Finansiella tillgångar värderas efter framtida kassaflöden diskonterade över tid. Ett kassaflöde som kommer om åtta år är värt betydligt mindre än samma belopp om tre. Om samhällets absorption av AI tar dubbelt så lång tid som dagens investeringskalkyler antar, blir investeringarna inte nödvändigtvis olönsamma — men deras nuvärde sjunker, samtidigt som kapitalkostnaderna kvarstår och leasingåtagandena tas upp i balansräkningarna oavsett om intäkterna hunnit i kapp. Det är denna tidsförskjutning, förstärkt av osäkerheten om vilket pris marknaden till slut betalar, snarare än något bokföringstrick, som utgör den verkliga risken i de 1,65 biljonerna.
Debatten om AI kretsar mest kring om modellerna blir tillräckligt bra. Det är förmodligen fel fråga. Beräkningskraft, halvledare och el är reella flaskhalsar, men de går att bygga bort med ännu mer kapital. Det som inte lika lätt går att bygga bort är samhällets förmåga att ställa om i takt med tekniken och kundernas vilja att betala det pris kalkylerna förutsätter — utbildningssystemets tempo, arbetsmarknadens rörlighet, hushållens inkomster och betalningsviljan hos de kunder som köper AI utanför den cirkel som i dag finansierar sig själv, och som numera kan välja billigare alternativ.
Utvecklas de processerna i ungefär samma takt som tekniken framstår dagens investeringar som framsynta. Släpar de efter, eller pressas priset hårdare än väntat, kan de framtida åtaganden som redan står i kontrakten visa sig mer betungande än marknadens värderingar förutsätter.
Det är det som är AI-transformationens verkliga utmaning. Betänk att den digitala transformationen började i mitten av 90-talet men det tog till slut en pandemi för att komma hela vägen igenom hela samhället. Den här gången är det annorlunda säger vissa, men varje gång som det hänt så har det också oftast visat sig vara just en bubbla.