Nvidia har berättat för några av sina största kunder att priserna för servrar som innehåller dess AI-chip kommer att stiga med mer än 15 procent på system som levererats från början av 2027, enligt Bloomberg – den andra stora prisökningen på mindre än ett år, utöver höjningar på ungefär 30 procent över nästan alla produktlinjer i juli.

Varningen, som kommuniceras genom servertillverkare som monterar system för stora datacenteroperatörer, hamnar i ett känsligt ögonblick för AI-industrin: företag brottas med kostnaderna för massiva infrastrukturutbyggnader, och minnesmarknaden - den uttalade drivkraften bakom ökningen - visar inga tecken på kylning. Nvidia är planerad att rapportera kvartalsresultat den 26 augusti, där analytiker förväntar sig nya detaljer om efterfrågan, utbud och kostnader. For more context on this story, see our ongoing AI industry coverage.

Vilka system påverkas

Enligt rapporteringen kommer ökningen att gälla servrar byggda kring Nvidias flaggskepp Grace Blackwell-plattformar och dess kommande Vera Rubin-generation. Vandringarna kommer inte att vara enhetliga: storleken på justeringen beror på genereringen av Nvidia-kisel och mängden och konfigurationen av minne i varje system.

Servertillverkare som betjänar stora teknikföretag – inklusive Microsoft, Google och Oracle – har enligt uppgift börjat meddela kunder om de kommande prisändringarna för systemleverans i början av 2027.

Minnet är boven

Den primära drivkraften är den stigande kostnaden för minne. Högpresterande AI-system kräver enorma mängder minne med hög bandbredd, och efterfrågan från datacenterexpansion har skickat priser för HBM- och LPDDR5-klättring. Minnestillverkarna Samsung Electronics, SK Hynix och Micron Technology möter alla en stark efterfrågan eftersom halvledarkapaciteten i allt högre grad riktas mot högbandsminne och andra avancerade datorprodukter.

Gaurav Gupta, vicepresident och analytiker på Gartner, sa att ökningarna återspeglar trycket över hela AI-försörjningskedjan, inte bara RAM. "Minnespriserna går upp, särskilt HBM och LPDDR5, men det finns andra aspekter, som ledande gjuteriskivor, avancerad förpackning och brist på andra komponenter", sa han till CIO.com och tillade att dessa problem genererar längre ledtider, "vilket vanligtvis leder till högre priser."

Och han förväntar sig inte lättnad snart. "I den nuvarande miljön med stark efterfrågan och begränsat utbud förväntar vi oss att den här situationen kommer att fortsätta i nära till medellång sikt," sa Gupta – vilket innebär högre kostnader både för organisationer som distribuerar sina egna servrar och för de som hyr datorer i molnet.

Lite val för köpare

För CIO:er är kalkylen föga tilltalande. Konsulter och analytiker säger att företag inte har något annat val än att acceptera att priserna för AI-infrastruktur kommer att fortsätta att stiga, och att byta leverantör – även om möjligt – skulle inte kringgå ökningarna, eftersom minnes- och komponentkostnader påverkar hela marknaden.

Scott Bickley, en rådgivande fellow vid Info-Tech Research Group, hävdade att Nvidia faktiskt absorberar en del av slaget. Hans beräkningar tyder på att företaget sannolikt äter en del av sina egna stigande kostnader och skickar bara en bråkdel till sina största kunder. Men han var rakt på sak om hävstångseffekten som köparna har: "Arbetsbelastningskostnaden sjunker per token medan de underliggande hårdvaru- och infrastrukturkostnaderna går upp", sa han. "Om du direkt bygger ut dina egna kluster, är detta en automatisk upplyftning till en redan oerhört dyr lösning. Om du köper din egen hårdvara måste du suga upp den. Du kommer inte att förhandla dig ut ur detta."

Bickley pekade på ett av de bästa: priserna per token för AI-modeller verkar falla, vilket ger köpare ett sätt att dämpa hårdvaruinflation genom att skapa arbetsbelastningar som är mindre beroende av obearbetad minneskapacitet.

Krama mer från det du redan äger

Den strategin - att få mer körsträcka från befintlig hårdvara - är där flera analytiker konvergerar. Bickley pekade på tekniker som modelldirigering, komprimering och batchbearbetning som sätt att öka användningen av kluster som redan är i drift.

Flavio Villanustre, CISO för LexisNexis Risk Solutions Group, instämde i att klämningen i grunden är ett utbud-och-efterfrågan-problem som borde platåa när minnesproduktionen ökar för att möta AI-driven efterfrågan – men han ser inte att det kommer att hända under de närmaste månaderna. Under tiden, noterade han, anpassar vissa AI-modellleverantörer sina modeller för att fungera bättre i miljöer med begränsad minne. Han pekade på Googles Gemma E4B och liknande modeller, som använder en hierarkisk nivåbaserad metod som bara drar in de nödvändiga delarna av en modell i minnet istället för att hålla hela modellen i RAM.

Mike Wilkes, Enterprise CISO på Aikido Security, hävdade att prishöjningarna skulle kunna göra nytta om de tvingar fram mer disciplinerade arkitekturer. Företag har ägnat de senaste åren åt att behandla frontier-modell-tokens som ett "oändligt elastiskt verktyg", sa han - att dirigera arbetsbelastningar till den största modellen oavsett om uppgiften krävde resonemang på gränsnivå. Rätt arkitektur blir alltmer hybrid: att reservera ungefär 10 procent av förbrukningen för frontier-modeller för problem som verkligen behöver dem, samtidigt som klassificering, extrahering, summering och rutinmässiga agentåtgärder skjuts mot små språkmodeller och öppna modeller som körs på infrastruktur som företaget kontrollerar.

"Det ger CIO:er hävstång mot prissänkning eller ensidig prissättning," sa Wilkes.

En inflationssignal för AI-ekonomin

Ökningen är också en signal om vart AI-boomens kostnader är på väg. Allt eftersom minne, wafers och förpackningar stiger i pris sprider sig inflationen från chiptillverkare till serverleverantörer till molnleverantörer och i slutändan till företag som bygger på AI. Med Nvidias resultatrapport för 26 augusti kommer både köpare och investerare att titta på hur mycket av kostnadstrycket företaget absorberar - och hur mycket det passerar nedströms.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →