Coinbase vd Brian Armstrong säger att det är energi och datorinfrastruktur, inte modellernas kvalitet, som kommer att bestämma den övre gränsen för AI:s tillväxt.
Armstrong uttalade sig som svar på ett inlägg av investeraren Tommy Shaughnessy. Han förklarade hur prissättning av API:er leder till att företag spenderar mycket mer på AI än de räknade med fasta månadsavgifter.
Efterfrågan på intelligens är nästan oändlig
Coinbase vd:s huvudsakliga argument är att behovet av AI-genererad intelligens inte har någon praktisk gräns.
Men han tror att marknaden kommer att delas tydligt inom 12 till 18 månader. Cirka 80 % av all användning, säger han, kommer att flyttas till modeller som kostar upp till 99 % mindre än dagens dyraste alternativ.
De återstående 20 % täcker tillfällen där högsta prestanda är viktigt. Till exempel inom forskning eller avancerade AI-agenter. Där fortsätter användarna att välja de mest avancerade modellerna.
Armstrong jämförde uppdelningen med konsumentdatorer. De flesta köper inte Macbook eller gaming PC med maxad prestanda, även om priserna faller snabbare än Moores lag förutsäger.
Han lade till att detta inte löser bristproblemet. När modellpriser sjunker och billiga alternativ blir vanligare, flyttas flaskhalsen istället till att handla om den el och de chip som krävs för att driva AI-modeller i stor skala.
Coinbase ruttstrategi
Coinbase använder redan denna tanke i verkligheten. Armstrong säger att börsen styr frågor till billigare modeller när det är möjligt, så att AI-kostnaderna är nästan oförändrade trots att användningen av tokens ökar kraftigt.
Hans AI-förändring på Coinbase tidigare 2026 visade en större satsning på effektiva och agentstyrda arbetssätt. Hans motstånd mot hård AI-reglering visar att han litar på teknikens utveckling och vill inte att regler ska begränsa den.
Detta svarar direkt på den press Shaughnessy tog upp. Han berättade att Uber hade gjort av med hela sin AI-budget för 2026 redan i april, vilket visar hur snabbt kostnaderna för AI i företag kan dra iväg.
Shaughnessy påpekade även att öppna modeller som DeepSeek V4 presterar nästan lika bra som de dyraste systemen, fast till ungefär en trettiondel av kostnaden. Det gör att avancerade AI-labb inte kan ta hur mycket betalt som helst.
Energi sätter gränsen
Armstrongs slutsats är att modellernas kvalitet blir likvärdig när billigare val hinner ikapp. Den verkliga begränsningen är istället den fysiska infrastrukturen och elen som krävs för att driva AI överallt.
Den uppfattningen stämmer överens med investeringarna som redan syns på marknaden. AI-investeringar under första kvartalet 2026 var 242 miljarder USD globalt, men datacenter räcker ändå inte till efterfrågan.
Armstrong vill visa att det inte handlar om vilken modell som vinner, utan om energi och infrastruktur hinner med en efterfrågan som, enligt honom själv, inte har ett tak.
