Holdet, Amazon brugte to år på at samle, skåret væk

Den 22. juli bekræftede Amazon, at virksomheden havde skåret medarbejdere væk i sin AGI-organisation, den afdeling, der bygger de frontmodeller, som skal måle sig med det bedste fra OpenAI og Google. Virksomheden ville ikke sige hvor mange eller hvilke hold, men dækningen var entydig: de berørte roller lå i eftertræning og tilpasning af modeller. Det sker i et år, hvor Amazon har varslet 200 milliarder dollar i investeringer, over halvanden gang så meget som i 2025, delvist finansieret af titals af milliarder dollar i ny gæld.

De to kendsgerninger virker kun modstridende, hvis man antager, at forbruget og forskningen er det samme væddemål. Det er de ikke. Kapitalen strømmer ind i datacentre, chips og udbygningen af AWS. Det, Amazon skar ned, var den interne indsats for at stå helt forrest i modelkvalitet. Budgettet voksede; ambitionen om at vinde selve modellen gjorde ikke.

Beslutningen under fyringen

Fjern medarbejdertallene, og dette er et valg mellem selv at bygge eller købe, truffet i toppen af en virksomhed. Amazon så på fronten, hvor en håndfuld laboratorier sætter tempoet, og hvor omkostningen ved at følge med er enorm, og besluttede, at fordelen ikke ligger dér. Fordelen er distribution: hundredtusinder af virksomheder kører allerede på AWS og køber enhver model, der er god nok, pakket ind i værktøjer, de har tillid til. Man behøver ikke bygge den bedste motor, hvis man ejer vejen, alle kører på.

Det er den ubehagelige klarhed i trækket. Amazon trækker sig ikke fra AI; virksomheden nægter at bruge sin knappeste ressource, erfarne forskningstalenter, på en konkurrence, den strukturelt er bagud i, og retter den mod den del af stakken, hvor en andenplads på modellen alligevel vinder hos kunden. Et program til en milliard dollar, der placerer AWS-ingeniører hos kunder, der bygger agentiske systemer, er signalet: væddemålet gælder udrulning, ikke opdagelse.

De sunkne omkostninger, Amazon valgte at ignorere

Den nemme version af historien er en virksomhed, der giver op. Den sværere og mere nyttige version er en virksomhed, der nægter at kaste gode penge efter en position, den allerede havde betalt dyrt for. Amazon købte sig vej mod fronten med talentopkøbet af Adept i 2024, og de, der ledte det fremstød, er siden rejst, Rohit Prasad ved udgangen af 2025 og David Luan, der ledte AGI-laboratoriet i San Francisco, i begyndelsen af 2026, mens det resterende arbejde blev lagt ind under en infrastrukturveteran, Peter DeSantis. En svagere bestyrelse bliver ved med at finansiere den oprindelige plan for at retfærdiggøre det, den allerede har brugt.

Der er en endnu skarpere pointe. De nedlagte roller inden for eftertræning og tilpasning er de samme funktioner, som Amazons produkt Nova Forge er bygget til at automatisere og give videre til kunderne. Virksomheden leverede værktøjet, der gør arbejdet, og lod derefter det hold gå, der gjorde det i hånden. Det er sunkne omkostninger og selvdisruption i én beslutning, og det er den version, de fleste virksomheder har sværest ved at anvende på deres egne folk.

Hvad en ejer tager med sig

Afprøv impulsen til at bygge sin egen model mod basisraten. Meget få organisationer kommer til at overgå frontlaboratorierne, og de, der bruger 200 milliarder dollar om året, indrømmer stille og roligt netop det. Hvis en kæmpe med Amazons ressourcer ikke finansierer sin vej til jævnbyrdighed, bør en mindre aktør behandle det at bygge en frontmodel som den sjældne undtagelse, ikke som standardplanen, og i stedet købe eller leje kapaciteten.

Brug pengene dér, hvor din voldgrav allerede ligger. Amazons forspring var aldrig modellen; det var kunderne og vejen til dem. Dit er sandsynligvis dine data, dit arbejdsflow eller din distribution, ikke et laboratorium. Det disciplinerede træk er at lægge modelkald bag en udskiftelig grænseflade, holde dine prompts og evalueringer flytbare og hælde dit knappe budget i den fordel, ingen anden har, ikke i at følge med i et kapløb, som en håndfuld laboratorier vinder.

Læs videre: Når regningen siger 7 billioner, så reagér ikke  |  Jeres tjekkede data var allerede halvt maskine