28. June 2026
En utvikler tok nylig saken i egne hender og brukte Anthropics verktøy Claude Code (drevet av Opus-modellen) til å analysere sine egne MR-bilder for å få en uavhengig vurdering. Eksperimentet viser hvor langt dagens multimodale AI-modeller har kommet i å tolke høyoppløselige, medisinske bildefiler og oversette komplekst fagspråk til forståelig informasjon.
Tradisjonelt har tolkning av radiologiske bilder vært forbeholdt spesialister med årevis med utdanning og tilgang til ekstremt kostbar programvare. Når allment tilgjengelige språkmodeller nå kan mate inn tunge bildefiler og levere treffsikre forklaringer på sekunder, utfordres grensene for hva slags ekspertise som kan demokratiseres gjennom skyen.
For helseforetak og private klinikker betyr ikke dette at radiologene blir arbeidsledige med det første, men det åpner for en revolusjon innen triasjering og pasientkommunikasjon. Ved å integrere lignende verktøy som en støttefunksjon, kan klinikker halvere tiden legene bruker på å skrive forklarende rapporter til pasientene. For forsikringsselskaper ligger det også et enormt potensial i raskere automatisk forhåndsgodkjenning av behandlingsløp basert på innsendte bildediagnoser.
Begrepet «tokenmaxxing» – som handler om å tyne mest mulig verdi ut av hvert enkelt ord eller tegn (token) som sendes til en AI-modell – er i ferd med å endre karakter. Vi beveger oss nå over i en fase der autonome AI-agenter kjører kontinuerlige tankeprosesser i bakgrunnen, noe som krever en helt ny tilnærming til hvordan vi styrer AI-budsjettene.
Tidligere handlet optimalisering om å skrive kortere og mer presise instrukser (prompts). Med fremveksten av agenter som planlegger, evaluerer seg selv og gjør eksterne verktøyoppslag, genereres det enorme mengder skjulte tokens i "tenke-fasen". Utfordringen i dag handler ikke om å spare på ordene i inputen, men å forhindre at agentene går inn i evige og kostbare logiske looper.
For selskaper som utvikler egne AI-agenter for kundeservice eller saksbehandling, betyr denne utviklingen at arkitektur og kostnadskontroll må prioriteres langt tøffere. Systemer må designes med klare rammer for hvor mange tankesteg en agent kan ta før den må be om menneskelig input. Programvarehus som klarer å bygge de mest "token-gjerrige" agentene, vil sitte med et formidabelt konkurransefortrinn på marginer fremover.
Finansmiljøene på Wall Street leter febrilsk etter de neste store vinnerne i AI-bølgen, og nå rettes alles øyne mot den amerikanske minnebrikkeprodusenten Micron Technology. Investorer satser tungt på at selskapet vil oppleve en lignende eventyrlig vekst som Nvidia på grunn av den eksplosive etterspørselen etter lynraskt minne.
Bakgrunnen er enkel: Kraftige AI-prosessorer (GPU-er) er fullstendig avhengige av ekstremt raskt spesialminne, såkalt High Bandwidth Memory (HBM), for å fungere optimalt. Uten tilstrekkelig minnekapasitet oppstår det flaskehalser, og Micron kontrollerer en kritisk del av dette markedet. Det hjelper lite å ha verdens raskeste regnemotor hvis dataene ikke kan leveres raskt nok inn og ut av prosessoren.
For selskaper som planlegger innkjøp av lokal serverkapasitet eller vurderer tunge investeringer i datasentre, er dette et viktig signal om hvor skoen trykker i forsyningskjeden akkurat nå. Knapphet på avansert minneteknologi vil mest sannsynlig holde prisene på AI-infrastruktur høye i lang tid fremover. Det kan derfor lønne seg å sikre langsiktige avtaler med skyleverandører fremfor å sitte på gjerdet og vente på at maskinvaren skal bli billigere.