Analys · AI och makt
Europa satsar miljarder på att bygga egna AI-modeller. Men i juni 2026 antydde två händelser att den verkliga makten kan ligga någon annanstans — hos den som smidigast kan byta mellan andras.
Vad är bäst — att bygga egna AI-modeller eller att smart blanda andras? Det finns inget enkelt facit. Men i juni 2026 fick ett av svaren oväntat stöd: teorin att framtidens AI-makt kan ligga hos den som smidigast kan växla mellan modeller, snarare än hos den som bygger de största.
Den 12 juni strypte exportregler plötsligt européers tillgång till två av Anthropics toppmodeller. Elva dagar senare lanserade japanska Sakana produkten Fugu — som löser precis det problemet: den dirigerar en pool av andras modeller och byter sömlöst när någon faller bort. Säljargumentet är inte "bäst", utan "oberoende": frontkapacitet utan risken med exportkontroller.
Det vänder på hela frågan. Europa har frågat: hur bygger vi egna modeller? Den smartare frågan kan vara: hur säkrar vi tillgång till intelligens oavsett vilka modeller som kommer och går? Sakana säljer i grunden inte intelligens — de säljer försäkring: inte nödvändigtvis bättre AI, utan tillgång som består även när enskilda modeller försvinner.
Och blir fronten ett nätverk av modeller i stället för en enda, kan makten förskjutas: från den som bygger den bästa modellen till den som styr övergångarna mellan dem. Det skulle i så fall gynna länder som Sverige, vars styrka historiskt legat mer i systemintegration än i global skala.
Bakgrunden tecknades i Europe 2031, ett uppmärksammat framtidsscenario som spreds i europeiska policykretsar i juni och varnade för att kontinenten håller på att förlora kapplöpningen om beräkningskraft. Enligt scenariots underlag kontrollerar Europa i dag bara omkring 5 % av världens AI-beräkningskraft, mot uppemot 70 % i USA. Med den utgångspunkten framstår "bygga egna modeller" som en betydligt brantare väg än att försöka maximera värdet av modeller som redan finns.
Utåt ser Fugu ut som en enda AI. Inuti är det en dirigent som fördelar varje uppgift till en pool av andra bolags toppmodeller, väger deras svar och sätter ihop ett resultat. Det nya, enligt Sakanas forskning inför AI-konferensen ICLR 2026, är att bolaget tränar fram själva dirigenten — och paketerar allt bakom ett enda anrop.
Just därför blir Fugu också en illustration av en obekväm europeisk paradox. Systemet som säljs som skydd mot avbrott i AI-tillgången får man inte ens använda i EU — Sakana erbjuder det inte i unionen så länge man "work[s] toward compliance with GDPR", alltså jobbar mot att uppfylla dataskyddsreglerna. Försäkringen mot att förlora AI säljs överallt utom där den europeiska oron är som störst.
Ofta, ja — och det syns redan hos de största. Det är ingen slump att Google mätte Geminis bästa provresultat genom att köra modellen 32 gånger och väga ihop svaren, inte med ett enda anrop. Samma modell lyfte då från 83,7 till 90,04 procent. Den "vinnande modellen" var i själva verket ett system.
Forskare vid Berkeley och Databricks satte ord på skiftet redan 2024: toppresultat kommer allt oftare från sammansatta system — flera modeller, sökverktyg och anrop som samverkar — inte från en ensam jättemodell.
Och här finns poängen för en mindre nation: i det uppmärksammade försöket 2024 slog en blandning av enbart öppna modeller en av marknadens ledande slutna på ett känt prov. Inga egna frontmodeller — bara öppna byggstenar, skickligt sammansatta.
Det är inte hela sanningen. Princetons motstudie visar att blandning ibland är sämre än att lita på den enskilt bästa modellen — och om de starkaste modellerna fortsätter dra ifrån kan orkestrering bli ett komplement snarare än ett alternativ. Då stannar makten hos modellbyggarna. Och beroendet försvinner aldrig helt: en orkestrerare är fortfarande utlämnad åt att någon annan över huvud taget tillhandahåller modellerna — försvinner även API-tillgången hjälper ingen dirigent. Poängen är därför inte att Fugu bevisar att orkestrering är bättre än frontmodeller, utan att den kan nå tillräckligt hög kapacitet med lägre — inte obefintligt — strategiskt beroende. Och just det — robusthet snarare än ren topprestanda — är ett spel där en mindre, metodstark nation som Sverige kan ha en chans.
Mer än man kan tro. Sverige valdes 2024 till värd för en europeisk AI-fabrik, MIMER i Linköping. Bredvid står superdatorn Berzelius, som tränat fram den öppna språkmodellen GPT-SW3. Och över alltihop ligger forskningsprogrammet WASP — 6,2 miljarder kronor, som löper till 2031.
Beräkningskraften, de öppna modellerna, forskarna och pengarna finns alltså. Det som saknas är en plan som binder ihop dem. Tre konkreta steg skulle göra skillnad — och alla bygger på det vi redan betalar för:
1. Gör MIMER till testbädd för flermodellssystem. Ge NAISS och RISE ett uttalat uppdrag att bygga och utvärdera orkestrering — inte bara att träna enskilda modeller.
2. Finansiera ett öppet svenskt orkestreringslager ovanpå GPT-SW3. Vinnova och Vetenskapsrådet kan rikta medel mot mjukvaran som dirigerar öppna modeller — det är där värdet ligger.
3. Se till att EU-reglerna inte gör europeiska Fugu-system omöjliga. Att en uttalad suveränitetslösning låses ute ur EU är en varningssignal värd att ta på allvar när AI-förordningen genomförs.
Hur troligt är det att lyckas? Att Sverige ensamt skulle konkurrera med USA:s eller Kinas största modellprogram framstår i dag som osannolikt. Att bli bäst i Europa på att blanda andras är inte garanterat. Men nedsidan är liten — allt vilar på infrastruktur landet redan finansierar — och uppsidan är den enda väg till toppen som inte redan är stängd.
Att bygga egna modeller är alltså inte självklart svaret. Om AI-fronten fortsätter att utvecklas mot nätverk av modeller snarare än enskilda modeller, kan de investeringar Sverige redan gjort visa sig ligga närmare framtidens maktcentrum än vad debatten hittills antagit.