Veckan då AI-bolagen slutade vara modellbolag

På ena sidan av veckans AI-marknad: en prissänkning på 80 procent. På den andra: 15,83 miljarder dollar i investeringar under ett kvartal. De två siffrorna hör till olika leverantörer och olika affärer, men glappet mellan dem fångar vecka 32 bättre än ännu en modellranking.

Perplexity gjorde viss agentkörning betydligt billigare. xAI:s breda AI-segment lade samtidigt enorma belopp på beräkningskapacitet och beskrev nästa steg mot egen tillverkning av kretsar. Google började paketera modellstyrning över flera leverantörer. Anthropic flyttade mer arbete till beständiga molnmiljöer. Manus kopplade ihop samtal och ljudproduktion. Mistral släppte en öppen specialistmodell för moderering.

Veckans tes är därför ganska rak: AI-bolagen håller på att sluta vara modellbolag. De blir driftbolag som säljer hela vägen från rå beräkning till den plats där arbetet faktiskt blir gjort.

Modellen blev den billigaste delen av erbjudandet

Perplexitys Agent API sänkte enligt veckans underlag priset för Luna med 80 procent och Terra med 20 procent. Samma leverantör lanserade samtidigt Computer for Builders, där GitHub, Vercel, Datadog, Supabase, Stripe och Slack kan ingå i en sammanhängande kedja från kod till drift och kundkommunikation.

Det är två olika sätt att tjäna pengar. Modellanropet kan pressas i pris, medan värdet flyttar till samordning, anslutningar, återkommande körningar och en plats där flera system möts. Det betyder inte att Computer klarar hela kedjan utan friktion. Det betyder att Perplexity vill äga mer av arbetsytan än själva svaret.

xAI visar den andra änden av samma marknad. SpaceXAI:s rapporterade AI-segment hade 2,561 miljarder dollar i intäkter under andra kvartalet och 15,83 miljarder dollar i investeringar. Segmentet är bredare än Grok och siffrorna ska inte läsas som modellens egen resultaträkning. De visar ändå vilken sorts bolag xAI försöker bygga: modeller, datacenter, nätverk och planerad kretstillverkning i samma struktur. Den presenterade första fasen av Terafab uppgavs kräva mer än 16,8 miljarder dollar. Det är en plan, inte färdiga kretsar eller lägre API-priser.

Billigare intelligens vid kanten kan alltså vila på en allt dyrare industri bakom skärmen.

Produktbladet börjar före modellen och slutar efter den

Google gav ett tydligt exempel med modellstyrning i API Gateway. I den publika förhandsversionen kan ett gemensamt gränssnitt skicka textförfrågningar till Gemini, Claude eller öppna GPT-modeller som ligger i Vertex AI Model Garden. Styrningen väljer inte magiskt den bästa eller billigaste modellen. Den följer regler och modellnamn. Produkten är själva växeln: autentisering, kvoter, trafik och möjligheten att byta mål bakom ett gemensamt anrop.

Samtidigt drev Google Agent Plugins som ett portabelt paketformat och öppnade WeatherNext Cyclones som ett specialiserat forskningssystem för väderprognoser. Det ena försöker standardisera hur agentfunktioner flyttas mellan verktyg. Det andra visar att värdefull AI inte alltid behöver vara en allmän chattmodell.

Manus och Mistral fyllde på från var sin sida. Manus nya ElevenLabs-koppling gör ljudgenerering, transkribering och röstapplikationer till delar av samma samtal. Mistrals Shieldstral 1.0 är en öppen specialistmodell som bedömer text och bild mot en policy formulerad i vanligt språk. Ingen av nyheterna är bara ”en smartare modell”. Den ena paketerar en produktion. Den andra erbjuder en komponent som kan köras i en egen teknikmiljö.

OpenAI visade varför modellnamnet inte räcker

OpenAI skapade veckans tydligaste varning för den som jämför modeller enbart efter etiketten i menyn. Augustiversionen av GPT-5.6 Sol rullades ut i ChatGPT för Plus och Pro, medan Work och Codex låg kvar på juliversioner. För API-användare gällde förändringen i stället snabbare hantering av mycket långa kontexter. Samma familjenamn kunde alltså dölja olika versioner, ytor och driftsvillkor.

Det här är mer än versionsadministration. Om en leverantör finjusterar samma modellfamilj olika för konsumentchatt, företagsarbete, kod och API blir produktens sammanhang en del av det man köper. Ett test i ChatGPT säger inte automatiskt hur samma namn beter sig i Codex eller i ett eget arbetsflöde.

OpenAI byggde dessutom åt flera håll samtidigt: röstarkitektur, utbildningspaket, innehållsverifiering, verktyg för agentutveckling och ett offentligt dataset om användningsmönster. Modellen är fortfarande central, men den är inte längre hela affären.

Konkurrensen gäller vem som driver arbetet

Anthropic flyttade Cowork till fler abonnemang och gjorde skillnaden mellan lokal och molnbaserad körning svår att ignorera. En session i molnet kan fortsätta när användaren stänger datorn, använda anslutningar och arbeta i en Anthropic-hanterad miljö. Samtidigt lanserade Anthropic funktioner som granskar skills och plugins samt låter företag stoppa vissa promptar före inferens.

Det låter som företagsstyrning, men den konkurrensmässiga poängen är större. Den leverantör som driver körmiljön får en djupare roll än den som bara levererar ett svar. Den äger en del av väntetiden, filflödet, felhanteringen och bevisningen när något går snett.

Veckans incidenter visar också priset för den rollen. Anthropic hade en störning som berörde flera modeller och pågick i drygt sju timmar. Perplexity rapporterade ett problem i sin sandboxmiljö på tre och en halv timme. När en tjänst säljs som ett arbetslager blir driftstopp inte längre bara en tom chattruta. De kan lämna ett flöde halvfärdigt mellan flera system.

Motargumentet: modellhopp kan fortfarande ändra spelplanen

Tesen ska inte dras för långt. En stor förbättring i resonemang, kostnad eller multimodal förmåga kan fortfarande flytta marknaden på några dagar. OpenAI uppgav exempelvis tydliga förbättringar i faktapålitlighet för augustiversionerna av GPT-5.6, även om måtten kom från leverantörens egen utvärdering och inte kan överföras direkt till varje arbetsuppgift.

Modellen har alltså inte blivit oviktig. Det som har förändrats är jämförelseenheten. Förr kunde frågan vara ”vilken modell är bäst?”. Nu behöver man oftare fråga vilken kombination av modell, körmiljö, anslutningar, prismodell och bevis som passar det faktiska arbetet.

Lyssna efter affären runt modellen

I podden går vi igenom Claude, Gemini och DeepMind, Grok, Manus, Mistral, OpenAI och Perplexity en efter en. Lyssna särskilt efter tre saker:

• Var ligger leverantörens verkliga investering? I modellen, infrastrukturen, distributionen eller arbetsflödet?
• Vad är produkten efter modellsvaret? En fil, en driftsatt tjänst, ett beslut, ett samtal eller bara mer text?
• Vilken del går faktiskt att byta? Modellnamnet kan vara utbytbart även när resten av arbetsytan inte är det.

Om din organisation märker att ett modellval håller på att bli ett val av en hel teknikmiljö är det ett bra läge att stanna upp och jämföra lagren var för sig. Hammer Automation kan hjälpa till med den jämförelsen utan att börja i en leverantörs produktkatalog.

Det här avsnittet är en AI-genererad masterclass byggd på Hammers dagliga djupresearch om AI-leverantörers uppdateringar och funktioner, bearbetad med NotebookLM. Underlaget omfattar den avslutade veckan 3–9 augusti 2026; avsnittets leverantörsresearch publicerades 3–7 augusti.

Källunderlag: Hammers AI-genererade masterclassunderlag, baserat på daglig djupresearch om varje leverantörs uppdateringar och funktioner.