Det finns en tyst antagande som många av oss har haft när det gäller AI-projekt. Om prestandan är dålig, om jobben tar längre tid än väntat, om kostnaderna stiger snabbare än planerat, måste lösningen vara mer datorkraft. Fler GPU:er. Större kluster. Snabbare acceleratorer.
Ibland stämmer det. Ofta gör det inte det.
Det är något annat som står i vägen. Nätverket. Inte för att det är trasigt, utan för att det har behandlats som ett löst problem. Och AI är mycket bra på att avslöja problem som vi trodde att vi redan hade löst.
AI-arbetsbelastningar beter sig annorlunda. De flyttar data i sidled, inte bara nord-syd. Träning och inferens genererar intensiv öst-västlig trafik mellan GPU:er. Latensspikar som tidigare var acceptabla blir plötsligt ett problem. Överbelastning som tidigare var sällsynt blir ett konstant bakgrundsljud. Nätverket slutar vara osynligt och börjar påverka resultaten.
Den förändringen är obekväm. Särskilt om du har investerat mycket i datorer och förväntat dig att resten ska hänga med.
Det som framträder är dock ett ganska konsekvent mönster. I företagsmiljöer begränsas AI-prestanda nu mindre av ren processorkraft och mer av hur väl data flyttas mellan system. Forskningen bakom AI-strategi 2025–2028: Ethernet-fördelen tydliggör detta, även om det inte uttrycks så rakt på sak.
Och det väcker en mer besvärlig fråga: har vi optimerat fel sak?
Varför detta händer just nu
AI har lämnat pilotfasen. Det är uppenbart. Vad som är mindre uppenbart är hur detta påverkar infrastrukturdesignen.
När AI blir en del av kärnverksamheten slutar man hantera isolerade arbetsbelastningar. Man får överlappande modeller, blandade acceleratorer, olika team som kör jobb vid olika tidpunkter av olika skäl. Miljön blir rörig. Realistisk. Mänsklig.
I den miljön har nätverk som är utformade för förutsägbarhet svårt att hänga med. Fasta antaganden om trafikmönster gäller inte längre. Och om du kör flera nätverk, ett för traditionella arbetsbelastningar och ett annat för AI, börjar det operativa hindret visa sig. Kompetensbrister spelar roll. Komplexiteten ökar. Små problem blir systemiska.
Det är här Ethernet återigen tyst återkommer i diskussionen.
Inte som en kompromiss, vilket det ibland framställdes som tidigare, utan som en stabiliserande kraft. Öppna standarder. En stor talangpool. Bekanta verksamhetsmodeller. Och i allt högre grad prestandaegenskaper som ligger så nära alternativen att avvägningarna inte längre verkar uppenbara.
Det finns också ett tidsaspekt. AI-infrastrukturen är inte statisk. Det är mycket få organisationer som bygger en gång och sedan slutar. Under de närmaste åren kommer de flesta att lägga till nya funktioner till det som redan finns. Brownfield och greenfield sida vid sida. Nätverk som inte tolererar den verkligheten tenderar att bli hinder.
Vad många team fortfarande missförstår
Jag tror att det största missförståndet är att behandla AI-nätverk som en specialiserad del av datacentret. Något separat. Något man kan "ta itu med senare".
Den inställningen var rimlig när AI fortfarande var på experimentstadiet. Den är mindre rimlig när AI-trafik nästan garanterat kommer att dyka upp i de nätverk som byggs idag, oavsett om man planerar för det eller inte.
En annan missuppfattning är att prestanda ensamt bör styra besluten. Latenssiffror, genomströmningsbenchmarks, rubrikhastigheter. De är självklart viktiga. Men de säger ingenting om hur ett nätverk beter sig över tid, under press, vid partiella fel eller när teamen måste driva det dag efter dag.
Den operativa verkligheten är viktig. Det samma gäller motståndskraft. Det samma gäller förmågan att utvecklas utan att behöva stoppa allt och börja om från början.
Forskningen antyder detta när den talar om enhetliga strukturer, live-patching, telemetri och realtidsskydd. Läser man mellan raderna är budskapet ganska tydligt: AI-infrastrukturen kommer att bryta samman på nya sätt, och man kommer inte alltid att ha lyxen att kunna ta ledigt för att fixa det.
Det förändrar vad som anses vara ”tillräckligt bra”.
En tystare förändring som är värd att uppmärksamma
En detalj som stack ut för mig är den ökande betoningen på interoperabilitet och lång livslängd. Inte som abstrakta ideal, utan som praktiska nödvändigheter.
De flesta företag kommer inte att standardisera sig på en enda accelerator eller leverantör för alltid. De kommer att blanda generationer. De kommer att testa alternativ. De kommer att ärva beslut som fattades för flera år sedan. Nätverket ligger under allt detta, på gott och ont.
Ethernets fördel här är inte att det är perfekt. Det är att det böjer sig utan att gå sönder. Det möjliggör stegvisa förändringar. Det tolererar heterogenitet. Och det stämmer överens med hur organisationer faktiskt beter sig, inte hur whiteboard-designerna antar att de kommer att göra.
Det finns också en mänsklig aspekt som inte får tillräckligt med utrymme. Ethernet-kunskaper är vanliga. Felsökningsverktyg är välbekanta. När något går fel klockan två på natten är det viktigare än benchmark-diagram.
Vad detta innebär för IT-chefer just nu
Om du ansvarar för AI-infrastrukturen är slutsatsen inte att "riva och ersätta" eller "standardisera på X". Det är mer reflekterande än så.
Det kan vara värt att fråga:
Antar vi att nätverket kommer att klara belastningen, eller har vi testat det under realistiska AI-belastningar?
Förstår vi var trafikstockningar uppstår och hur snabbt vi kan upptäcka och reagera på dem?
Byggar vi något som bara fungerar för dagens modeller, eller något som överlever de kommande tre hårdvarucyklterna?
Och kanske det svåraste: om AI-prestandan är en besvikelse, kommer vi då att veta om problemet ligger i beräkningskapaciteten, eller kommer vi bara att köpa mer och hoppas på det bästa?
Det här är inte så mycket tekniska frågor som frågor om styrning. De ligger i skärningspunkten mellan arkitektur, drift och risk.
Slut där detta verkligen börjar
AI kommer att påverka alla företag, vare sig det sker medvetet eller indirekt. Det är inte längre kontroversiellt. Det som fortfarande är oklart är hur mycket friktion organisationer är villiga att tolerera när tekniken växer.
De team som lyckas bäst är inte nödvändigtvis de som först implementerar de största modellerna. Det är de som bygger en infrastruktur med tillräcklig flexibilitet, överskådlighet och anpassningsförmåga för att kunna hantera förändringar utan ständiga omarbetningar.
Den senaste studien från 650 Group undersöker denna dynamik mer ingående, särskilt varför Ethernet håller på att bli det självklara valet för företags AI-nätverk och vad det innebär för de kommande åren.
Men även utan forskningen blir riktningen svår att ignorera.
AI testar inte bara din datastrategi. Den testar hur villig du är att ompröva de delar av stacken som du trodde redan var klara.
Varför partnerskap är viktigare än valet av plattform
Det finns också en praktisk verklighet här som är lätt att förbise. Mycket få organisationer vill arbeta med allt detta på egen hand. Att utforma, driva och anpassa AI-klara nätverk spänner över arkitektur, drift och säkerhet, och det passar sällan in i ett enda team. Det är här som samarbete med en tjänsteleverantör som Damovo kan göra en verklig skillnad. Inte genom att sälja en färdig lösning, utan genom att hjälpa dig att se avvägningarna tydligare, stresstesta antaganden och bygga något som passar din miljö snarare än en idealiserad sådan. Ibland ligger värdet inte alls i valet av ny teknik, utan i att ha en erfaren partner som kan ifrågasätta beslut i ett tidigt skede, förenkla det som redan är komplext och fortsätta vara involverad när nätverket utvecklas, snarare än att försvinna när det väl är i drift.