Problemet til 15 millioner dollars om dagen: hvorfor AI-video-økonomi afgør, hvem der overlever 2026

Tallene der dr\u00e6bte Sora

Lad mig freml\u00e6gge den \u00f8konomi, som OpenAI fors\u00f8gte at skjule i seks m\u00e5neder.

Sora blev lanceret i september 2025 med forbrugerpriser: omtrent $0,10 per sekund 720p-video via API'en. P\u00e5 h\u00f8jdepunktet genererede millioner af brugere klip dagligt. GPU-inferensomkostningerne, der prim\u00e6rt k\u00f8rte p\u00e5 NVIDIA H100-klynger, skalerede line\u00e6rt med hver foresp\u00f8rgsel.

Forholdet mellem oms\u00e6tning og omkostninger var katastrofalt. Sora tjente anslagsvis 2,1 millioner dollars i samlet oms\u00e6tning over hele sin levetid. Det kostede omtrent 2,7 milliarder dollars at k\u00f8re. Det er ikke en forretningsmodel. Det er en demonstration, der br\u00e6ndte venturekapital af i industriel skala.

Hvorfor videogenerering er fundamentalt dyrere end billeder

For at forst\u00e5, hvorfor dette r\u00e6kker ud over Sora, skal du forst\u00e5 beregningskl\u00f8ften mellem billed- og videogenerering.

En enkelt billedgenereringsforesp\u00f8rgsel med en model som DALL-E 3 eller Stable Diffusion XL kr\u00e6ver omtrent 10-30 sekunders GPU-tid p\u00e5 en H100. En 5-sekunders video ved 24fps kr\u00e6ver generering af 120 frames, hver med krav om temporal koh\u00e6rens, der forhindrer simpel parallelisering. Opm\u00e6rksomhedsmekanismen i videodiffusionstransformere skalerer kvadratisk med sekvensl\u00e6ngden.

Forskellen mellem billede og video er ikke 5x eller 10x. Den er 30-100x i beregning per output. Og i mods\u00e6tning til tekstgenerering, hvor KV-caching og spekulativ dekodning har reduceret inferensomkostningerne dramatisk, har videogenerering ingen tilsvarende optimering, der sk\u00e6rer omkostningerne med en st\u00f8rrelsesorden.

Tre strategier til at overleve omkostningskrisen

Alle virksomheder, der stadig tilbyder AI-videogenerering, k\u00e6mper med det samme fundamentale problem. Deres strategier g\u00e5r i vidt forskellige retninger.

Strategi 1: Subsidiering og h\u00e5b (VC-tilgangen)

Dette var Soras strategi. Pris under kostpris, hverv brugere, find ud af monetisering senere. Det endte pr\u00e6cis, som \u00f8konomi-professorer har forudsagt siden dotcom-\u00e6raen.

Flere virksomheder opererer stadig p\u00e5 denne m\u00e5de. Pika, Luma og Runway priss\u00e6tter alle deres tjenester markant under de estimerede beregningsomkostninger. V\u00e6ddem\u00e5let er, at omkostningerne falder hurtigere, end oms\u00e6tningen beh\u00f8ver at vokse.

Risikoen er tydelig. Hvis GPU-omkostningerne ikke falder hurtigt nok, eller hvis forbruget vokser hurtigere end optimeringsgevinsterne, rammer disse virksomheder den samme mur som Sora.

Strategi 2: Flyt omkostningerne til hardware (NVIDIA/Open Source-tilgangen)

Dette er strategien bag Helios, Wan 2.2, LTX-2.3 og enhver anden open source-model optimeret til forbruger-GPU'er.

Logikken er elegant: i stedet for at k\u00f8re dyr cloudinfrastruktur, skubbes beregningsomkostningerne over p\u00e5 brugerens hardware. En RTX 4090 koster $1.599 \u00e9n gang. Derefter er hver videogenerering "gratis" i marginalomkostninger (minus elektricitet).

Helios, modellen med 14 milliarder parametre fra ByteDance og Peking University, demonstrerede, at en enkelt H100 kan generere 60-sekunders videoer med 19,5 FPS. Endnu vigtigere n\u00e6rmer optimerede open source-modeller sig realtidsgenerering p\u00e5 forbruger-RTX 5090-hardware.

Begr\u00e6nsningen er indlysende: denne strategi betjener kun brugere med high-end GPU'er. Det er et betydeligt marked, men det udelukker de casual creators, der gjorde Sora popul\u00e6r.

Strategi 3: Platformsaggregering (Adobe/Google-tilgangen)

Dette er den \u00f8konomisk mest b\u00e6redygtige tilgang. I stedet for at b\u00e6re de fulde genereringsomkostninger, bliver man en markedsplads, der dirigerer foresp\u00f8rgsler til flere modeludbydere.

Adobe Firefly hoster nu 30+ modeller fra forskellige udbydere. Google Flow integrerer Veo med tredjepartsmodeller. CapCut integrerer Seedance 2.0. I alle tre tilf\u00e6lde tager platformen en margin, mens modeludbyderen b\u00e6rer beregningsomkostningerne.

Adobe er bedst positioneret her, fordi Premiere Pro og After Effects allerede dominerer professionel videoredigering. At tilf\u00f8je AI-generering til eksisterende arbejdsgange er en naturlig udvidelse, og Adobe kan priss\u00e6tte det som en premiumfunktion inden for Creative Cloud-abonnementer, som brugerne allerede betaler for.

Infrastrukturomkostningskurven

Det afg\u00f8rende sp\u00f8rgsm\u00e5l er, om GPU-omkostningerne falder hurtigt nok til at g\u00f8re forbruger-AI-video levedygtigt.

NVIDIAs Blackwell-arkitektur (B200, GB200) leverer omtrent 2-3x bedre pris-ydeevne for inferensarbejdsbelastninger sammenlignet med H100. Den kommende Rubin-arkitektur lover yderligere 2-3x forbedring. Hvis begge leverer som forventet, kan omkostningerne ved at generere en 10-sekunders video falde fra $0,50 til omtrent $0,05 inden 2028.

Den tidshorisont er vigtig. Virksomheder, der br\u00e6nder kontanter p\u00e5 subsidierede priser, skal overleve 2-3 \u00e5r mere, f\u00f8r hardwareforbedringer kan redde deres forretningsmodeller. Ikke alle vil klare det.

Hvad dette betyder for creators

Hvis du er en creator, der v\u00e6lger en AI-videoplatform i dag, betyder \u00f8konomien lige s\u00e5 meget som funktionerne.

• ✓Platforme st\u00f8ttet af profitable moderselskaber (Google, Adobe, ByteDance) er sikrere langsigtede valg
• ✓Open source-modeller, der k\u00f8rer lokalt, eliminerer afh\u00e6ngigheden af et enkelt selskab
• ✓Startups der tilbyder "ubegr\u00e6nset" generering til lave priser udg\u00f8r den h\u00f8jeste risiko
• ✓At vente p\u00e5, at omkostningerne stabiliserer sig, f\u00f8r man binder sig til en arbejdsgang, er fornuftigt, men betyder, at man g\u00e5r glip af fordelene ved tidlig adoption

Nedlukningen af Sora var ikke en anomali. Det var den f\u00f8rste dominobrik. \u00d8konomien i AI-videogenerering er brutalt h\u00e5rd, og de virksomheder der overlever, vil v\u00e6re dem, der fandt kreative l\u00f8sninger p\u00e5 omkostningsproblemet, ikke kun kreative l\u00f8sninger p\u00e5 genereringsproblemet.

Det st\u00f8rre billede

Ethvert stort skift i computerverden har gennemg\u00e5et en fase, hvor teknologien virker, men \u00f8konomien ikke g\u00f8r. Cloud computing var urentabelt i \u00e5revis, f\u00f8r AWS forvandlede det til en pengemaskine. Videostreaming tabte milliarder, f\u00f8r Netflix fandt sin fodf\u00e6ste. AI-videogenerering er i den samme smertefulde mellemperiode.

Forskellen denne gang er hastigheden. Hardwareforbedringskurven er stejlere, end den var for cloud eller streaming. NVIDIA leverer nye arkitekturer hvert 18-24. m\u00e5ned med meningsfulde reduktioner i omkostning per FLOP. Forskning i modeleffektivitet, fra destillation til mixture-of-experts til arkitektoniske innovationer som Helios' kontekstkomprimering, sk\u00e6rer beregningskravene fra softwaresiden.

Mit estimat: i slutningen af 2027 vil det koste under $0,10 at generere en 10-sekunders video i 1080p p\u00e5 cloudinfrastruktur. Ved det prisniveau fungerer forretningsmodellen. Sp\u00f8rgsm\u00e5let er, hvilke virksomheder der kan overleve indtil da.

Kirkeg\u00e5rden for AI-videostartups er ved at blive trukfuld. Men teknologien forsvinder ikke. Den venter bare p\u00e5, at \u00f8konomien indhenter den.