Cloud

Faktum: Cloud og generativ kunstig intelligens hænger sammen. De mest avancerede GenAI-løsninger kan ganske enkelt ikke bruges uden cloud. Det er derfor ikke muligt at etablere effektiv GenAI anvendelse, uden indledningsvis at beslutte, hvilken afviklingsmodel der kan bruges. Vi vil her forsøge at forklare hvorfor.

De fleste bruger allerede cloud dagligt uden at tænke over det. Microsoft 365, hvor Word, Excel, Outlook og Teams leveres som online-tjenester. Googles Workspace med Gmail, Docs og Drive. Her ligger data og beregninger ikke på den lokale pc, men hos store udbydere, der driver systemerne centralt. Denne måde at anvende IT på har betydning langt ud over bekvemmelighed, fordi den grundlæggende ændrer, hvor beregninger foretages, og hvem der stiller kapaciteten til rådighed. Cloud er derfor ikke et nyt modeord, men en grundlæggende leveringsmodel, som allerede præger langt de fleste digitale arbejdsprocesser. Det er netop denne mekanisme, der gør det muligt at anvende GenAI i praksis – og som sætter klare rammer for, hvilke typer løsninger der overhovedet kan bringes i spil.

Grundlæggende er cloud IT, der leveres via internettet. Servere, systemer og data står ikke længere i et lokalt serverrum, men drives af specialiserede udbydere, der har skala, drift og sikkerhed som deres kerneforretning. Man ejer ikke infrastrukturen, men får adgang til den på bestemte vilkår. Ressourcer kan skaleres op og ned efter behov, og betaling knytter sig til forbrug frem for ejerskab. Denne model er afgørende, fordi den muliggør adgang til beregningskraft, som langt overstiger, hvad de fleste organisationer realistisk kan etablere selv.

Sammenlignet med lokal drift bliver forskellen tydelig. Ved klassisk on-premise ejer man selv servere og systemer og har fuldt ansvar for kapacitet, opdateringer, sikkerhed og vedligehold. Det giver kontrol, men også faste rammer og klare begrænsninger. Kapaciteten er typisk dimensioneret til normaldrift, ikke til spidsbelastning, og udvidelser kræver både tid og investeringer. Cloud flytter en væsentlig del af dette ansvar væk fra organisationen og over til udbyderen. Konsekvensen er, at teknologiske muligheder i højere grad bestemmes af adgang til tjenester end af lokal hardware.

Det er netop derfor, cloud er blevet så udbredt – også uden GenAI. Organisationer har behov for fleksibilitet og hurtig tilpasning, vil reducere store forhåndsinvesteringer og ønsker adgang til moderne teknologi uden selv at skulle drive den. Cloud understøtter et skift i fokus fra infrastruktur til anvendelse. Denne logik bliver endnu mere udtalt, når man bevæger sig ind i GenAI-domænet.

Når cloud møder GenAI og store sprogmodeller, bliver afhængigheden strukturel. LLM’er er ekstremt ressourcekrævende, både under træning og i drift. De kræver massiv parallel beregning, store mængder hukommelse og løbende optimering. Derfor kører GenAI næsten altid i cloud. Det er ikke et designvalg, men en praktisk nødvendighed, hvis teknologien skal anvendes i skala. Her bliver det tydeligt, at valg af cloud-model ikke blot handler om drift, men om hvilke GenAI-kapaciteter der overhovedet er tilgængelige.

Den mest direkte tilgang er at anvende modellen hos selve modeludbyderen. Her afvikles modellen hos eksempelvis OpenAI eller Google, data sendes til modellen og behandles eksternt, og organisationen får hurtig adgang til de nyeste modeller, funktioner og forbedringer. Denne tilgang maksimerer funktionalitet og innovationstempo, men indebærer samtidig, at man i høj grad accepterer udbyderens rammer for databehandling, integration og styring. Afviklingsmodellen sætter dermed tydelige grænser for compliance, datasuverænitet og intern kontrol.

Et alternativ er at anvende en LLM, er via en cloud-provider som Azure eller AWS. Her placeres modellen inden for cloud-udbyderens infrastruktur, hvor man ofte kan vælge region, datacenter og sikkerhedskonfiguration. Det giver større kontrol over data, governance og sammenhæng med en eksisterende cloud-strategi. Til gengæld følger der færre færdige værktøjer med fra modeludbyderen, og organisationen påtager sig et større ansvar for opsætning, drift og integration. Afviklingsmodellen bliver her et bevidst kompromis mellem kontrol og funktionalitet.

Når de to tilgange sammenholdes, bliver det klart, at der ikke findes én universel løsning. Valget står ikke mellem “rigtigt” og “forkert”, men mellem forskellige konsekvenser. Funktionalitet og hastighed skal vejes op mod kontrol, ansvar og regulatoriske krav. Afviklingsmodellen bliver dermed et strategisk valg, der former både anvendelsen af GenAI og organisationens risikoprofil.

Set i et strategisk perspektiv er konklusionen klar: Cloud er en forudsætning for GenAI, ikke et tillæg. Valget af afviklingsmodel er ikke noget, der kan udskydes eller overlades til teknisk implementering senere. Det er et grundlæggende valg, som bør træffes tidligt og bevidst. Organisationer, der forstår denne sammenhæng, har langt bedre forudsætninger for at anvende GenAI effektivt og ansvarligt. De, der ignorerer den, risikerer enten at begrænse sig selv teknologisk – eller at introducere risici, de først opdager for sent.