H200 vs B200 vs MI325X: AI-chip Pris 2026

Nvidia H200 koster fra 2,60 dollar i timen hos specialiserede cloud-udbydere. Nvidias nyere B200-chip starter ved 4,00 dollar i timen, mens AMDs Instinct MI325X ligger et sted midt imellem, afhængigt af udbyder. For danske og nordiske virksomheder, der planlægger AI-infrastruktur i 2026, er valget mellem disse tre acceleratorer ikke længere et spørgsmål om at vente på “det rigtige” chip. Det er et spørgsmål om budget, leveringstid og hvilken software-stak organisationen allerede har investeret i.

Markedet for AI-chips til datacentre har ændret sig markant i løbet af 2026. Blackwell-arkitekturen fra Nvidia er nu bredt tilgængelig, AMD presser på med MI325X og den kommende MI355X, og Google har rullet TPU v6 ud i europæiske regioner. Samtidig er den generelle GPU-kapacitet strammere end nogensinde. En analyse fra SemiAnalysis, omtalt af EU Tech Reg, konkluderer, at on-demand-udlejning af både Hopper-chips (H100/H200) og Blackwell-chips (B200/GB200) reelt er udsolgt frem til efteråret, og at ny kapacitet allerede er forudbestilt af de største AI-laboratorier (eutechreg.com). Det gør valget af chip-arkitektur til en langt mere strategisk beslutning, end det var for bare et år siden.

Denne artikel sammenligner Nvidia H200, Nvidia B200 og AMD Instinct MI325X på specifikationer, pris, ydelse og reel tilgængelighed, med Google TPU v6 som fjerde referencepunkt. Vi ser på, hvad det koster at leje eller købe, hvordan man migrerer fra ældre H100-flåder, og hvilken chip der giver mest AI-kraft for pengene til danske og nordiske arbejdsbyrder.

Beslutningen rammer bredere end de rene ML-teams. Indkøbsafdelinger skal forhandle leveringstider på seks til tolv uger for fysiske servere, finansafdelinger skal forholde sig til, om det kortsigtet kan betale sig at leje frem for at eje, og compliance-funktioner skal vurdere, om data må forlade landet, når arbejdsbyrden flyttes til en cloud-region i Belgien eller Irland. Vi samler derfor ikke kun specifikationerne, men også de praktiske konsekvenser for en dansk organisation, der skal træffe beslutningen inden årets udgang.

Hvad er H200, B200 og MI325X egentlig?

Nvidia H200 er en opgraderet udgave af H100-chippen, bygget på samme Hopper-arkitektur, men med langt mere og hurtigere hukommelse. Hvor H100 leveres med 80 GB HBM3, har H200 141 GB HBM3e og markant højere båndbredde. Det gør chippen bedre til store sprogmodeller med lange kontekstvinduer, uden at man skal investere i en helt ny generation af servere.

Til sammenligning har vi tidligere set på, hvordan RTX 5090 klarer sig mod Apple M5 Ultra til lokal AI-inferens på forbrugerhardware, som er en helt anden skala end de datacenter-chips, denne artikel dækker. Nvidia B200 hører til den nyere Blackwell-generation og er bygget som to sammenkoblede dies på én pakke. Den leverer markant højere regnekraft end H200, understøtter FP4-præcision til inferens, og bruges typisk i NVL72-racks sammen med Grace-CPU’er under betegnelsen GB200. Ifølge en prisguide fra GMI Cloud koster B200 fra 4,00 dollar per GPU-time i begrænset tilgængelighed, mens en fuld GB200 NVL72-node koster fra 8,00 dollar i timen hos samme udbyder (gmicloud.ai).

AMD Instinct MI325X er AMDs svar på H200. Den bruger CDNA 3-arkitekturen og tilbyder 256 GB HBM3e, altså mere rå hukommelse end både H200 og B200. Til gengæld kører softwaren på ROCm i stedet for CUDA, hvilket historisk har været den største hindring for udbredelse. Ifølge GPUAdvisors specifikationsside koster MI325X omkring 6,50 dollar i timen hos nogle neoclouds og helt op til 12,25 dollar i timen hos Azure (gpuadvisor.com).

Google TPU v6, også kaldet Trillium, er ikke en GPU, men en skræddersyet AI-chip, der kun kan lejes gennem Google Cloud. Den er relevant for nordiske virksomheder, fordi Google har åbnet regionen europe-west4 i Belgien for TPU v6, hvilket giver lavere latenstid for danske kunder end tidligere US-only-tilgængelighed (chip.computer).

Fælles for alle fire acceleratorer er, at de er bygget til én bestemt opgave: at flytte enorme mængder tal gennem matrixmultiplikationer så hurtigt som muligt. Forskellen ligger i, hvor meget hukommelse der er tilgængelig lokalt på chippen, hvor hurtigt den hukommelse kan læses og skrives, og hvilket softwarelag der oversætter en Python-model til instruktioner, chippen forstår. Det er kombinationen af disse tre faktorer, ikke et enkelt marketingtal, der afgør, om en given AI-chip er det rigtige valg til en konkret opgave.

Specifikationer: H200 vs B200 vs MI325X vs TPU v6

Herunder er en direkte sammenligning af de fire mest relevante AI-acceleratorer til datacentre i 2026. Tallene er hentet fra producenternes egne specifikationer og de prisguider, der er linket til i denne artikel.

Egenskab	Nvidia H200	Nvidia B200	AMD MI325X	Google TPU v6
Arkitektur	Hopper	Blackwell	CDNA 3	Trillium (custom ASIC)
HBM-hukommelse	141 GB HBM3e	192 GB HBM3e	256 GB HBM3e	Ikke offentliggjort separat
Hukommelsesbåndbredde	ca. 4,8 TB/s	ca. 8 TB/s	Høj (HBM3e-klasse)	Ikke offentliggjort separat
Bedst egnet til	Lange kontekster, færre GPU’er per job	Høj gennemstrømning, store modeller på én GPU	Hukommelsestunge modeller, ROCm-stakke	Storskala træning i Google Cloud
Software-stak	CUDA	CUDA	ROCm	JAX / XLA
Købspris per kort	ca. 45.000-53.000 dollar	Indgår typisk i 8-GPU-servere	Ikke bredt annonceret enkeltvis	Kun til leje, sælges ikke
8-GPU serverpris	Ikke separat opgivet	ca. 300.000-500.000 dollar	Ikke separat opgivet	Ikke relevant (cloud-only)
Cloud-leje fra	2,60 dollar/time	4,00 dollar/time	2,25 dollar/time (on-demand lav ende)	4,20 dollar/chip-time (on-demand)
Tilgængelighed medio 2026	Begrænset (limited availability)	Tilgængelig hos flere udbydere	Begrænset, stigende reserveret kapacitet	Tilgængelig i udvalgte EU-regioner
EU-region	Ja, hos flere neoclouds	Ja, hos flere neoclouds	Ja, via Azure og enkelte neoclouds	Ja, europe-west4 (Belgien)
Typisk brug	Inferens og fine-tuning	Frontier-træning og høj-volumen inferens	Store LLM’er med begrænset GPU-antal	Storskala forudtræning

Det springer i øjnene, at MI325X faktisk har mest hukommelse per kort af de tre GPU-baserede chips. For virksomheder, der kører store modeller på et begrænset antal GPU’er, kan det være en fordel, fordi man kan undgå at splitte modellen over flere kort og dermed spare på det interne netværk. B200 vinder til gengæld på rå båndbredde og regnekraft, hvilket gør den mest attraktiv til de allerstørste træningsjob.

Softwarekolonnen i tabellen fortjener ekstra opmærksomhed, for den afgør ofte mere om det praktiske valg end selve hardwaretallene. CUDA har over ti år på bagen som Nvidias udviklerplatform, hvilket betyder, at stort set alle populære ML-biblioteker, fra PyTorch til Hugging Face Transformers, er optimeret først til CUDA og først senere porteret til andre bagender. ROCm indhenter forspringet støt, men en organisation, der skifter til MI325X, bør forvente at støde på enkelte biblioteker, der endnu ikke er lige så velafprøvede på AMD-hardware som på Nvidia. TPU v6’s JAX/XLA-stak er den mest specialiserede af de fire, og den giver bedst mening for teams, der allerede har bygget deres pipeline op omkring Google Clouds værktøjer.

Ydelse og benchmarks fra tre kilder

Rå specifikationer fortæller ikke hele historien. Her er tre uafhængige datapunkter om faktisk ydelse i 2026.

MLPerf Training v4.0: Ifølge Chip.computers gennemgang af Google TPU v6 gennemførte en TPU v6-pod GPT-3 175B-træningsbenchmarken på 3,2 minutter, hvilket er cirka 2,1 gange hurtigere end den bedste Nvidia H100-indsendelse ved sammenlignelig skala (chip.computer). H100 er nu to generationer bag B200, så sammenligningen siger mest om TPU v6’s styrke relativt til ældre Nvidia-hardware.
Neocloud-prisindeks: MarkTechPosts oversigt over de bedste GPU-neoclouds i august 2026 viser, at en HGX H200-instans koster fra 4,29 dollar i timen hos den billigste udbyder i deres sammenligning, mens en fuld GB200 NVL72-instans starter ved 10,50 dollar i timen (marktechpost.com). Prisforskellen afspejler den ekstra regnekraft og det hurtigere NVLink-netværk i GB200-konfigurationen.
Reservationsrabatter på MI325X: Spherons prisanalyse fra juli 2026 viser, at on-demand MI325X typisk koster 2,25-3,31 dollar per GPU-time, men at 12-måneders reserverede aftaler kan bringe prisen ned til 1,57-1,69 dollar i timen hos blandt andet DigitalOcean (spheron.network). Det gør MI325X til den billigste af de tre chips, hvis man er villig til at binde sig i et år.

Et fjerde datapunkt understøtter billedet. GPUSmiths prisguide til datacenter-GPU’er anslår, at et nyt H200-kort sælges for cirka 30.000-40.000 dollar, mens leje typisk koster 1,45-13,78 dollar i timen afhængigt af udbyder, hvor AWS’ p5e-instans lander på 7,91 dollar per GPU-time (gpusmith.com). Spændet er bredt, men det bekræfter mønsteret fra de tre øvrige kilder: prisen afhænger langt mere af udbyder og bindingsperiode end af selve chippens listepris.

Samlet set peger tallene på, at B200 vinder på rå ydelse per chip, MI325X vinder på pris ved langtidsreservation, og H200 ligger som den mest modne og bredt tilgængelige mellemløsning. TPU v6 er interessant for organisationer, der allerede bruger Google Cloud og JAX, men mindre relevant, hvis man er bundet til CUDA-baseret kode.

Priser i 2026: køb, leje og reservation

Prisbilledet på AI-chips i 2026 er langt mere fragmenteret, end det var for et par år siden. Samme chip kan koste dobbelt så meget afhængigt af, om man lejer on-demand, binder sig til en reservation, eller køber hardware til eget datacenter. Tabellen herunder samler de vigtigste prispunkter fra flere kilder.

Chip	On-demand leje (lav)	On-demand leje (høj)	Reserveret pris (12 mdr.)	Købspris (indikativ)
Nvidia H100 (reference)	1,00 dollar/time	7,50 dollar/time	1,70-2,35 dollar/time	25.000-40.000 dollar
Nvidia H200	1,45 dollar/time	13,78 dollar/time (AWS p5e: 7,91)	Ikke bredt opgivet	45.000-53.000 dollar
Nvidia B200	4,00 dollar/time	7,05 dollar/time	Begrænset udbud	Indgår i 8-GPU-server: 300.000-500.000 dollar
Nvidia GB200 NVL72	8,00 dollar/time	10,50 dollar/time	Kontakt salg	Ikke solgt separat
AMD MI325X	2,25 dollar/time	6,50-12,25 dollar/time (Azure)	1,57-1,69 dollar/time	Ikke bredt annonceret
Google TPU v6	2,10 dollar/chip-time (committed use)	4,20 dollar/chip-time (on-demand)	Ned til 2,10 dollar/chip-time	Kun til leje

Kilder: GMI Cloud, GPUSmith, Spheron og GPUAdvisor (se links ovenfor og nedenfor). Priserne er i amerikanske dollar, fordi det er den valuta, stort set alle cloud-udbydere og neoclouds fakturerer i, uanset om serverne står i Europa eller USA. En dansk virksomhed, der lejer H200-kapacitet i europe-west4 eller en tilsvarende EU-region, betaler altså stadig i dollar, medmindre udbyderen specifikt tilbyder fakturering i euro.

Den vigtigste pointe fra prisbilledet er, at kontraktpriser på selv den ældre H100-chip er steget markant. Ifølge SemiAnalysis’ analyse, gengivet af EU Tech Reg, steg et-årige kontraktpriser på H100 fra 1,70 dollar i timen i oktober 2025 til 2,35 dollar i marts 2026, svarende til omkring 40 procent på fem måneder (eutechreg.com). Det sker på en chip, der nu er to generationer gammel, hvilket illustrerer, hvor stram kapaciteten er i hele markedet, ikke kun på de nyeste chips.

Et regneeksempel gør prisforskellen konkret. Antag, at et dansk ML-team skal bruge 1.000 GPU-timer til en fine-tuning-opgave. Med H200 til den lave on-demand-pris på 1,45 dollar i timen lander regningen på 1.450 dollar. Vælger teamet i stedet B200 til 4,00 dollar i timen, stiger regningen til 4.000 dollar, altså mere end det dobbelte, selvom opgaven muligvis løses hurtigere på grund af den højere ydelse. Med en reserveret MI325X-aftale til 1,57 dollar i timen ender regningen på 1.570 dollar, tæt på H200-niveauet, men med markant mere hukommelse til rådighed per kort. Eksemplet viser, hvorfor “billigst per time” og “billigst for opgaven” sjældent er det samme tal.

Der er også stor forskel på, hvor konsekvent priserne holder sig fra udbyder til udbyder. Thunder Compute tilbyder eksempelvis slet ikke B200-noder endnu og prissætter i stedet H100 80GB til 3,20 dollar i timen for en enkelt GPU (thundercompute.com), hvilket er højere end de billigste H100-tilbud andre steder i markedet. Det underbygger, at et reelt indkøb altid bør bygge på tilbud fra mindst tre til fire udbydere, ikke på ét enkelt prispunkt fra en enkelt neocloud.

Hukommelse og båndbredde: hvorfor det betyder mere end TFLOPS

Mange køber AI-hardware ud fra TFLOPS-tal alene, men til sprogmodeller er hukommelseskapacitet og båndbredde ofte den reelle flaskehals. En model med 70 milliarder parametre fylder allerede en stor del af hukommelsen på ét kort, før man overhovedet har lagt en kontekst eller en batch af forespørgsler oveni.

Det er præcis her, MI325X’s 256 GB HBM3e bliver interessant. Med markant mere hukommelse per kort kan man køre større modeller på færre GPU’er, hvilket reducerer behovet for at splitte modellen over et NVLink- eller InfiniBand-netværk. B200’s 192 GB er stadig et solidt løft fra H200’s 141 GB, men den virkelige forskel ligger i båndbredden: cirka 8 TB/s mod H200’s 4,8 TB/s. Til inferens med mange samtidige brugere betyder højere båndbredde kortere ventetid per token, hvilket direkte påvirker svartiden i en chatbot eller et RAG-system.

For danske virksomheder, der overvejer at køre egne sprogmodeller lokalt af hensyn til GDPR og datasuverænitet, er hukommelse per krone derfor et bedre pejlemærke end rå regnekraft. En MI325X-instans kan i nogle tilfælde løse en opgave med færre kort end en tilsvarende H200-opsætning, selvom prisen per GPU-time ser højere ud på papiret.

Det er også værd at skelne mellem båndbredde inde på selve GPU-kortet og båndbredden mellem flere kort i en klynge. Nvidias NVLink-teknologi i B200 og GB200 giver hurtigere kommunikation mellem GPU’er end den PCIe-baserede sammenkobling, mange MI325X-opsætninger stadig bruger. Til opgaver, der kræver, at flere kort deler en enkelt model, som er for stor til ét kort, kan denne forskel veje tungere end selve hukommelseskapaciteten. Til opgaver, der derimod kan holde sig inden for ét korts hukommelse, betyder NVLink-fordelen langt mindre, og her kommer MI325X’s ekstra HBM3e for alvor til sin ret.

Cloud-udbydere og adgang fra Danmark og Norden

Adgang til de nyeste chips er ujævnt fordelt geografisk. Google har som nævnt åbnet TPU v6 i europe-west4 i Belgien, hvilket giver lavere netværksforsinkelse for nordiske kunder end at hente kapacitet fra USA (chip.computer). Hos de store hyperscalere som AWS og Azure er H200 og MI325X tilgængelige i flere EU-regioner, men ofte til en præmiepris sammenlignet med specialiserede neoclouds.

Neoclouds som Lambda Labs, CoreWeave, Nebius og Crusoe har typisk lavere priser end de traditionelle hyperscalere, men mindre geografisk dækning i Europa. MarkTechPosts sammenligning viser, at HGX H100- og H200-instanser hos disse udbydere kan være markant billigere end tilsvarende kapacitet hos de store cloud-giganter, dog med færre datacenter-lokationer at vælge imellem (marktechpost.com).

For en dansk virksomhed betyder det i praksis et valg mellem tre modeller: en hyperscaler med garanteret EU-datacenter og høj pris, en neocloud med lavere pris men muligvis serverplacering udenfor Norden, eller egen hardware på et dansk colocation-center. NIS2-krav og skærpet fokus på digital suverænitet gør, at flere danske IT-afdelinger nu eksplicit spørger om serverplacering, før de vælger udbyder, ikke kun om pris per GPU-time.

Beslutningen bliver ikke lettere af, at kapaciteten i én region kan variere fra uge til uge. En udbyder kan have ledig H200-kapacitet i europe-west4 den ene måned og være helt udsolgt den næste, fordi en enkelt stor kunde har lagt en reservation. Det anbefales derfor at bede om skriftlig bekræftelse på kapacitet og leveringsvindue, før man baserer et projekt med en fast deadline på en bestemt udbyder og region, og at have en sekundær udbyder klar som backup, hvis den primære reservation bliver forsinket.

5 konkrete brugssituationer for hver chip

Valget mellem H200, B200 og MI325X afhænger i høj grad af, hvad arbejdsbyrden faktisk er. Her er fem typiske scenarier og hvilken chip der passer bedst.

Fine-tuning af åbne sprogmodeller (7B-70B parametre): H200 er ofte det bedste valg. Den brede tilgængelighed og modne CUDA-økosystem gør det nemt at finde færdige træningsscripts, og 141 GB hukommelse er rigeligt til de fleste fine-tuning-jobs.
Storskala forudtræning af frontier-modeller: B200 eller GB200 NVL72 er nødvendig, hvis man træner modeller med hundredvis af milliarder parametre. Den højere båndbredde og NVLink-sammenkoblingen reducerer træningstiden markant sammenlignet med H200-klynger.
Real-time inferens til chatbots og kundeservice: B200’s FP4-understøttelse og høje båndbredde gør den attraktiv til inferens med mange samtidige brugere, hvor lav ventetid per svar er kritisk.
Hukommelsestunge modeller med begrænset GPU-budget: MI325X’s 256 GB per kort gør det muligt at køre store modeller på færre GPU’er, hvilket kan sænke den samlede infrastrukturomkostning for organisationer, der allerede har ROCm-kompetencer internt.
Storskala batch-træning i en eksisterende Google Cloud-opsætning: TPU v6 er oplagt, hvis organisationen allerede bruger JAX eller TensorFlow og er villig til at binde sig til Google Clouds økosystem frem for CUDA.

5 typiske implementeringsmønstre fra branchen

Ud over de tekniske specifikationer er det nyttigt at se på, hvordan organisationer i praksis strukturerer deres GPU-indkøb, sådan som det fremgår af prisguider og forhandlerdata fra 2026. Fem gennemgående mønstre går igen på tværs af de kilder, denne artikel bygger på.

Hybrid leje- og reservationsmodel: En organisation dækker sit grundforbrug med en 12-måneders reservation på MI325X eller H200 til den lave rate, og supplerer med on-demand-leje af B200, når et konkret projekt kræver ekstra ydelse i en kort periode. Det er den model, der går igen i flere af prisguiderne fra Spheron og GMI Cloud.
Fysisk indkøb til vedvarende arbejdsbyrder: Virksomheder med kontinuerlig, forudsigelig belastning, for eksempel døgndrift af en intern chatbot, vælger ofte at købe H200-hardware direkte frem for at leje, fordi den samlede pris over 12-18 måneder typisk falder under den akkumulerede leje, ifølge forhandlerdata fra Haink.
Multi-cloud for at undgå udsolgt kapacitet: Fordi on-demand-kapacitet på både Hopper- og Blackwell-chips er stort set udsolgt ifølge SemiAnalysis, fordeler flere organisationer deres arbejdsbyrde på to eller tre cloud-udbydere samtidig for at sikre adgang, selv hvis én udbyder løber tør.
Test på neocloud, produktion på hyperscaler: Et gennemgående mønster er at køre udvikling og eksperimenter på en billigere neocloud som Lambda Labs eller Crusoe, og først flytte den færdige model til en hyperscaler som AWS eller Azure, når den skal i produktion med krav om SLA og support.
ROCm-pilotprojekter før fuld migration: Organisationer, der overvejer AMD MI325X for prisens skyld, starter typisk med et afgrænset pilotprojekt på én arbejdsbyrde, før de flytter en større del af flåden væk fra CUDA. Det begrænser risikoen, hvis et specifikt bibliotek viser sig ikke at være modent nok på ROCm endnu.

Migrationsguide: fra H100 til H200, B200 eller MI325X

De fleste danske virksomheder, der overvejer et chip-skifte i 2026, starter fra en eksisterende H100-flåde. Her er de vigtigste trin i en realistisk migration.

Kortlæg den nuværende arbejdsbyrde: mål hvor meget af flaskehalsen der skyldes hukommelse (VRAM) mod ren regnekraft. Log GPU-udnyttelse og hukommelsesforbrug over mindst en uges normal drift, ikke bare en enkelt spidsbelastning. Det afgør, om H200 (mere hukommelse, samme arkitektur) er nok, eller om man reelt har brug for B200’s ekstra ydelse.
Test driverkompatibilitet i et isoleret miljø, adskilt fra produktion. H200 og B200 kræver opdaterede CUDA- og driverversioner, og ældre containerimages bygget til H100 kan fejle uden varsel på nyere hardware. Kør en testklynge i mindst en til to uger, før produktionstrafik flyttes over.
Ved skifte til AMD MI325X: portér CUDA-specifik kode til ROCm eller brug frameworks som PyTorch, der understøtter begge bagender. Kortlæg samtidig alle tredjeparts-biblioteker i din pipeline, for ikke alle CUDA-only-værktøjer har en moden ROCm-erstatning endnu. Afsæt ekstra tid til at genbenchmarke, da ydelseskarakteristika kan afvige fra CUDA-baserede kort.
Genvurder strøm- og køleforudsætninger sammen med datacenter-driftsteamet. B200-baserede servere trækker markant mere effekt per rack end H100-generationen, hvilket kan kræve opgraderet strømforsyning eller væskekøling i et dansk datacenter. Bed om en kapacitetsvurdering, før hardwaren bestilles, ikke efter den er leveret.
Genberegn den samlede omkostning (TCO) inklusive reserverede rabatter, strømforbrug og eventuel nedetid under migrationen. En 12-måneders reservation på MI325X kan næsten halvere timeprisen sammenlignet med on-demand-leje, som vist i prisafsnittet ovenfor, men kun hvis forbruget er forudsigeligt nok til at retfærdiggøre bindingen.
Kør et parallelt testmiljø i mindst to til fire uger, hvor både den gamle og den nye chip håndterer en delmængde af den reelle trafik, før man foretager et fuldt skifte. Sammenlign ikke kun ydelse, men også fejlrater og svartidsstabilitet under belastning.
Planlæg en tilbagerulningsvej. Behold den gamle H100-kapacitet aktiv, indtil den nye opsætning har kørt stabilt i produktion i mindst en fuld faktureringsperiode, så et uventet problem ikke tvinger et akut skifte tilbage under tidspres.

Et simpelt tjek af GPU-status før og efter migration kan gøres direkte fra kommandolinjen. På Nvidia-hardware bruges nvidia-smi, mens AMD-kort bruger rocm-smi:

# Tjek Nvidia H200/B200 status og hukommelsesforbrug
nvidia-smi --query-gpu=name,memory.used,memory.total,utilization.gpu --format=csv

# Tjek AMD MI325X status og hukommelsesforbrug
rocm-smi --showmeminfo vram --showuse

Fordele og ulemper ved hver chip

Nvidia H200: fordele og ulemper

H200 vinder på modenhed. Softwaren, dokumentationen og fejlfindingen er allerede kendt fra H100-generationen, og de fleste ML-teams kan tage den i brug uden omskoling. Fordi den bruger samme grundarkitektur som H100, kan eksisterende containerimages og orkestreringsscripts som regel genbruges direkte, hvilket sparer uger af intern testtid. Ulempen er, at den ikke er den nyeste arkitektur, og at tilgængeligheden fortsat er begrænset hos flere udbydere i 2026, hvilket presser priser opad i perioder med høj efterspørgsel. Organisationer, der venter til sidste øjeblik med at bestille, risikerer at stå uden kapacitet netop når behovet opstår.

Nvidia B200: fordele og ulemper

B200 leverer den højeste rå ydelse og båndbredde af de tre GPU-chips og er det naturlige valg til frontier-skala træning. FP4-understøttelsen giver desuden et reelt løft til inferens-arbejdsbyrder, hvor man kan acceptere lavere numerisk præcision til gengæld for højere gennemstrømning. Ulempen er prisen, det høje effektforbrug og at tilgængeligheden stadig er ujævn på tværs af regioner, som denne artikels prisguider viser med spænd fra 4,00 til over 7,00 dollar i timen alt efter udbyder. Mange mindre organisationer vil opleve, at B200 er overkill til almindelig fine-tuning og inferens, hvor en billigere H200- eller MI325X-instans løser opgaven lige så godt.

AMD MI325X: fordele og ulemper

MI325X vinder på hukommelse per kort og på pris, særligt ved reserveret kapacitet. De 256 GB HBM3e betyder, at flere modeller kan køre på et enkelt kort i stedet for at blive splittet over flere GPU’er, hvilket forenkler både drift og fejlsøgning. Ulempen er økosystemet. ROCm er stadig mindre modent end CUDA, og en del open source-værktøjer kræver ekstra tilpasning for at køre optimalt på AMD-hardware, hvilket kan betyde flere udviklertimer i opstartsfasen end forventet. For teams med intern ROCm-erfaring, eller som er villige til at opbygge den, er MI325X dog et seriøst alternativ, ikke kun et budgetvalg.

Chipmangel og leveringstider: hvad betyder det for dansk indkøb

Den generelle chipmangel, der har ramt hukommelseskomponenter gennem 2025 og 2026, smitter direkte af på AI-hardware, fordi både HBM3e og almindelig DRAM produceres på de samme begrænsede fabrikker. Ifølge en global hardwareforhandler er leveringstiden på fysiske H200-kort omkring en uge fra Hongkong, mens en komplet 8-GPU H200 NVL-server kan tage seks til tolv uger at få leveret som samlet system (haink.org).

Det er ikke kun et spørgsmål om ventetid. Den stramme kapacitet betyder også, at priserne kan stige, mens man venter. SemiAnalysis’ analyse af markedet peger på, at al ny GPU-kapacitet, der kommer online i august og september 2026, allerede er forudbestilt af de største AI-laboratorier, før den overhovedet bliver tilgængelig for almindelige virksomhedskunder (eutechreg.com). For en dansk IT-afdeling betyder det, at man bør lægge indkøbsplaner mindst to til tre kvartaler frem, i stedet for at forvente kapacitet med kort varsel.

Mangelsituationen rammer også de mindre neoclouds forskelligt. Nogle udbydere, som Thunder Compute, har valgt slet ikke at føre B200-noder i deres katalog endnu, og henviser i stedet kunder til H100-kapacitet (thundercompute.com). Andre, som Spheron, tilbyder kun B200 som spot-kapacitet uden en fast on-demand-pris, hvilket betyder, at instanserne kan blive taget tilbage med kort varsel, hvis en anden kunde byder højere (spheron.network). En organisation, der planlægger en kritisk arbejdsbyrde på Blackwell-hardware, bør derfor spørge specifikt, om kapaciteten er on-demand, reserveret eller spot, for de tre modeller har vidt forskellige garantier for oppetid.

Chipmanglen hænger sammen med den bredere presset hukommelsesmarked, hvor priser på almindelig DRAM og NAND-flash også er steget markant gennem 2025 og 2026, fordi de samme fabrikker producerer både forbruger-RAM og de avancerede HBM-stakke, der sidder i AI-acceleratorer. Læsere, der ønsker at forstå den generelle prisudvikling på hukommelseskomponenter uafhængigt af AI-chips, kan finde en dybere gennemgang i vores tidligere sammenligning af DDR5 mod DDR4-priser. Pointen for AI-indkøbere er den samme: producenterne prioriterer den mest profitable hukommelsestype, og HBM3e til datacentre vinder typisk den kamp over almindelig forbruger-RAM.

En praktisk konsekvens er, at flere danske og nordiske virksomheder nu vælger en hybrid strategi. De binder sig til reserveret cloud-kapacitet på ét chip, typisk H200 eller MI325X for at holde omkostningerne nede, og supplerer med on-demand-leje af B200 eller GB200 i kortere perioder, når et konkret projekt kræver den ekstra ydelse.

ARM vs x86: hvad med resten af serverinfrastrukturen

AI-chippen er sjældent den eneste beslutning. Nvidias GB200-platform parres typisk med Grace-CPU’en, en ARM-baseret processor, mens H200- og MI325X-servere oftest kører traditionelle x86-CPU’er, som dem vi tidligere har sammenlignet i Ryzen 9950X3D2 mod Intel 285K, fra Intel eller AMD som vært. Den samme ARM-mod-x86-diskussion kører i øvrigt parallelt i forbrugermarkedet, hvor vi har set Snapdragon X2 Elite tage kampen op mod Intel og AMD i bærbare computere. Det betyder, at et skifte til GB200 samtidig kan indebære et skifte i CPU-arkitektur for de dele af arbejdsbyrden, der kører på værtsprocessoren, som dataindlæsning og forbehandling.

Cloud-udbyderen Verda har annonceret planer om at indsætte Arms nye AGI-CPU i egne datacentre, men uden offentliggjorte detaljer om omfang eller tidsplan for udrulningen (bebeez.eu). Det illustrerer en bredere tendens: ARM vinder terræn i AI-datacentre, ikke fordi CPU’en selv træner modeller, men fordi den ofte er mere strømeffektiv til at fodre GPU’erne med data. Samme mønster ses i forbrugerenden af markedet, hvor Apples ARM-baserede M-chips, som vi har dækket i MacBook Pro M5 mod M4, henter en stor del af deres effektivitet fra tæt integration mellem CPU, GPU og hukommelse på samme måde som Grace-Blackwell-platformen gør det i datacentret. For danske virksomheder, der planlægger nyt hardware, er det værd at afklare, om den software-stak man bruger til dataforbehandling, rent faktisk understøtter ARM, før man vælger en GB200-baseret platform frem for en traditionel x86-vært.

I praksis betyder det, at et hardwareprojekt sjældent er en enkelt beslutning om GPU-model. Det er en kæde af beslutninger, der omfatter CPU-arkitektur, netværkskort, lagerløsning og orkestreringslag som Kubernetes eller Slurm. Et team, der vælger B200 for ydelsens skyld, bør derfor også afsætte tid til at validere, at hele resten af stakken understøtter den valgte CPU-arkitektur, i stedet for kun at fokusere på selve acceleratorkortet.

Verdict: hvilken AI-chip skal du vælge i 2026

Der findes ikke ét rigtigt svar, men dataene peger på tre klare anbefalinger afhængigt af, hvad man prioriterer.

Prioritet	Anbefalet chip	Begrundelse
Lavest samlet pris ved binding	AMD MI325X	Ned til 1,57-1,69 dollar/time ved 12-måneders reservation
Bredest tilgængelighed og modenhed	Nvidia H200	Etableret CUDA-økosystem, findes hos flest udbydere
Højeste rå ydelse til frontier-træning	Nvidia B200 / GB200	Cirka 8 TB/s båndbredde og FP4-understøttelse
Allerede investeret i Google Cloud/JAX	Google TPU v6	2,1x hurtigere end H100 i MLPerf GPT-3-benchmark ifølge Chip.computer
Størst hukommelse per kort	AMD MI325X	256 GB HBM3e mod B200’s 192 GB og H200’s 141 GB

For de fleste danske virksomheder uden et allerede etableret ROCm-team er H200 stadig det sikre valg til produktionsmiljøer i 2026, fordi risikoen ved softwaremigration er lavest. Organisationer med et konkret behov for frontier-skala træning bør derimod se forbi H200 og gå direkte til B200 eller en GB200 NVL72-node, selv med den højere pris. MI325X fortjener en plads på kortlisten hos alle, der har budgetpres og allerede har eller kan opbygge ROCm-kompetencer internt, for besparelsen ved reserveret kapacitet er for stor til at ignorere.

Se flere aktuelle hardware-sammenligninger i vores hardwaresektion, hvis du også skal tage stilling til CPU, GPU eller RAM til andre dele af infrastrukturen. Det korte svar her er derfor: køb tid og fleksibilitet, ikke kun regnekraft. Priserne i denne artikel viser, at forskellen mellem det billigste og det dyreste tilbud på samme chip ofte er større end forskellen mellem to forskellige chip-generationer. En dansk organisation, der bruger tid på at indhente flere tilbud, sammenligne reserverede og on-demand-priser, og teste både CUDA- og ROCm-baserede alternativer, vil typisk kunne skære en betydelig del af regningen væk, uanset hvilken af de tre chips der ender med at blive valgt.

Ofte stillede spørgsmål om H200, B200 og MI325X

Er Nvidia B200 altid bedre end H200?

Ikke nødvendigvis. B200 leverer højere rå ydelse og båndbredde, men koster mere og er sværere at få fat i. Til almindelig fine-tuning og inferens er H200 ofte tilstrækkelig og billigere at drive.

Kan AMD MI325X køre den samme software som Nvidia-chips?

Delvist. Frameworks som PyTorch understøtter ROCm, men kode skrevet direkte til CUDA kræver tilpasning. De fleste store åbne modeller kan køre på MI325X, men man bør afsætte tid til test og genbenchmarking.

Hvad koster det at leje en Nvidia H200 i timen?

Prisen starter omkring 1,45-2,60 dollar i timen hos specialiserede udbydere, men kan stige til over 13 dollar i timen hos visse hyperscalere afhængigt af instanstype og region.

Er Google TPU v6 tilgængelig i Danmark eller Norden?

Google har åbnet TPU v6 i regionen europe-west4 i Belgien, hvilket giver lavere netværksforsinkelse for nordiske brugere end tidligere, hvor kapaciteten primært lå i USA.

Hvorfor er priserne på H100 stadig relevante i 2026?

H100 bruges stadig bredt i europæiske datacentre og fungerer som prisreference for hele markedet. Kontraktpriser på H100 steg omkring 40 procent fra oktober 2025 til marts 2026, hvilket viser, hvor stram den samlede GPU-kapacitet er, selv på en ældre chip.

Hvad er forskellen på B200 og GB200?

B200 er selve GPU-chippen. GB200 er en samlet platform, hvor B200-GPU’er kobles sammen med Nvidias ARM-baserede Grace-CPU i en NVL72-rackkonfiguration, hvilket giver højere samlet ydelse og hurtigere intern kommunikation mellem GPU’erne.

Bør vi vente på en endnu nyere chip, før vi investerer?

Med den nuværende kapacitetsmangel og stigende kontraktpriser risikerer man at betale mere ved at vente, uden garanti for hurtigere levering. De fleste analyser peger på, at det er billigere at reservere kapacitet nu end at vente på næste generation og konkurrere om den samme knappe kapacitet senere.

Hvilken chip giver bedst værdi for en mellemstor dansk virksomhed?

For de fleste mellemstore virksomheder uden dedikerede ML-infrastrukturteams er H200 det mest afbalancerede valg, fordi det kombinerer bred tilgængelighed, modent software-økosystem og en pris, der ligger under B200 uden MI325X’s krav om ROCm-kompetencer.

Kan man blande H200, B200 og MI325X i samme klynge?

Teknisk set kan man køre forskellige chips i separate klynger inden for samme organisation, men at blande dem i en enkelt træningskørsel er upraktisk, fordi de har forskellig ydelse, hukommelse og i AMDs tilfælde en helt anden software-stak. De fleste organisationer vælger i stedet én primær chip til en given arbejdsbyrde og bruger de andre chips til separate, uafhængige opgaver.

Hvad koster det at reservere GPU-kapacitet i 12 måneder sammenlignet med on-demand?

Besparelsen varierer efter chip og udbyder, men for MI325X viser data fra Spheron en reduktion fra 2,25-3,31 dollar i timen on-demand til 1,57-1,69 dollar i timen ved en 12-måneders reservation, svarende til en besparelse på omkring 30-49 procent. Til gengæld binder man sig til et fast forbrug, uanset om projektet forsinkes eller skaleres ned undervejs.

H200 vs B200 vs MI325X: AI-chips fra $2,60/Time [2026]