En norsk maskinlæringsingeniør som i august 2026 skulle bestille åtte GPU-er til trening av en språkmodell, møtte tre svært ulike prislapper for identisk maskinvare. Samme NVIDIA H100-brikke kostet rundt 9 dollar timen hos Google Cloud, over 12 dollar hos AWS og opp mot 14,50 dollar hos Azure. Spennet er ikke en avrundingsfeil, det er strukturelt, og det påvirker direkte hvor mye et nordisk AI-prosjekt koster å drifte gjennom et helt år. Denne artikkelen går gjennom hva AWS, Azure og Google Cloud faktisk tar betalt for H100- og A100-GPU-er i 2026, hvordan spot- og forpliktelsesrabatter endrer regnestykket, og hvilken leverandør som passer til hvilken type nordisk arbeidslast.
Derfor betyr GPU-prisene i skyen plutselig noe for nordiske team
Fram til for et par år siden var GPU-kostnad et sidespørsmål for de fleste IT-avdelinger i Norden. Nå er det ofte den største enkeltposten på skyfakturaen til ethvert selskap som trener eller kjører AI-modeller i egen regi. Årsaken er enkel: en enkelt NVIDIA H100 koster mer i timen enn en hel klynge med vanlige serverinstanser gjorde for få år siden, og treningsjobber som varer i uker gjør at prisforskjeller på noen dollar i timen blir til store summer.
Ifølge en sammenstilling fra kostnadsanalyseselskapet CloudZero, publisert i august 2026, spenner GPU-prisene på tvers av markedet så mye som fem ganger for identisk maskinvare når man tar med spesialiserte GPU-skyer i tillegg til de tre store. Det gjør GPU-innkjøp til et fag i seg selv, ikke bare et avkrysningsvalg mellom AWS, Azure og Google Cloud. Samtidig bygger flere nordiske aktører, deriblant finske forskningsmiljøer og svenske spillstudioer, opp egne AI-treningspipeliner, og da blir spørsmålet om hvilken sky som gir mest regnekraft per krone helt konkret.
Legg til at valutasvingninger mellom dollar og norske og svenske kroner gjør regnestykket enda mer ustabilt for nordiske innkjøpere, siden de fleste av disse listeprisene fortsatt fastsettes og faktureres i amerikanske dollar uavhengig av hvilken region GPU-kapasiteten fysisk driftes i. Det som gjør sammenligningen vanskelig, er at ingen av de tre store skyene priser GPU-kraft på samme måte. AWS selger hele instanser med faste GPU-konfigurasjoner, Azure kombinerer på-forespørsel-priser med et eget rabattsystem for avbrytbare jobber, og Google Cloud har den bredeste paletten av GPU-generasjoner tilgjengelig samtidig. Under går vi gjennom alle tre systemene i detalj, med tall hentet fra leverandørenes egne prislister og fra uavhengige prisanalyser publisert i august og september 2026.
Slik prises GPU-kraft hos AWS, Azure og Google Cloud
Alle tre skyleverandørene selger H100- og A100-GPU-er pakket i faste instansstørrelser, som regel med åtte GPU-er per node, men modellen for hva du faktisk betaler for, varierer mye. AWS bruker sin klassiske EC2-modell: du leier en hel instans som p5.48xlarge, og prisen inkluderer CPU, minne og nettverk sammen med GPU-ene. Google Cloud gjør noe lignende med a3- og a2-seriene, men lar deg i tillegg velge mellom flere GPU-generasjoner i samme produktfamilie. Azure skiller seg ut ved å tilby to helt separate H100-linjer, ND H100 v5 og NCads H100 v5, med ulik pris og ulikt formål.
Den andre store forskjellen er hvordan rabatterte priser fungerer. AWS og Google Cloud har ekte spotmarkeder der prisen svinger med tilbud og etterspørsel, og der jobben din kan bli avbrutt med kort varsel til gjengjeld for kraftige rabatter. Azure har ikke et tilsvarende spotmarked for H100-instanser, men bruker i stedet Low Priority-VM-er, som fungerer på samme avbrytbare prinsipp, men prises og styres annerledes. Dette betyr at en direkte sammenligning av listepris mot listepris gir et ufullstendig bilde, fordi den reelle kostnaden avhenger sterkt av om arbeidslasten din tåler avbrudd.
Til slutt kommer forpliktelsesrabatter inn i bildet. Både AWS og Azure tilbyr betydelige kutt mot ett- eller treårsbindinger, og her snur bildet seg ofte: en leverandør med høy listepris kan ende opp billigere enn konkurrenten når du regner inn en treårsavtale. Det er nettopp denne kombinasjonen av på-forespørsel, spot og forpliktelse som gjør at riktig valg av sky avhenger mer av bruksmønsteret ditt enn av hvem som har den laveste timeprisen på nettsiden.
AWS sine H100- og A100-priser i detalj
AWS sin flaggskip-instans for H100-trening heter p5.48xlarge, med åtte NVIDIA H100 SXM5-GPU-er på 80 GB hver, 192 vCPU-er og 2 048 GB systemminne. Ifølge en FinOps-orientert prissammenligning publisert 13. august 2026 lander normalisert pris per GPU på rundt 12,29 dollar i timen på forespørsel, noe som gir en total nodepris på litt over 98 dollar timen for hele instansen. Spotprisen for samme maskinvare er rapportert til mellom 1,95 og 2,50 dollar per GPU-time, en rabatt på rundt 80 til 84 prosent sammenlignet med på-forespørsel.
På A100-siden opererer AWS med to instanstyper som dekker ulike behov. p4d.24xlarge har åtte A100-GPU-er med 40 GB minne hver, til sammen 320 GB GPU-minne, 96 vCPU-er og 1 152 GB systemminne. Markedsdata fra august og september 2026 spriker noe her, med normalisert pris rundt 3,28 dollar per GPU-time i enkelte rapporter og en nodepris opp mot 32,77 dollar timen i andre, så det tryggeste er å regne med et spenn på 26 til 33 dollar timen for hele noden avhengig av region og avtaletype.
For arbeidslaster som krever mer GPU-minne per kort, tilbyr AWS p4de.24xlarge, samme åtte-GPU-oppsett men med 80 GB per kort og 640 GB totalt GPU-minne. Denne instansen prises til rundt 40,97 dollar timen på forespørsel, en oppgang på om lag 25 prosent sammenlignet med 40 GB-varianten for dobbel GPU-minnekapasitet. Det er en fornuftig avveining for team som jobber med store språkmodeller der minnebegrensning, ikke regnekraft, er flaskehalsen.
Azure sine H100-priser: ND H100 v5, NCads og Low Priority-modellen
Azure sin hovedinstans for H100-trening heter Standard_ND96isr_H100_v5, med åtte H100 SXM5-GPU-er på 80 GB hver. Ifølge samme august-rapport ligger på-forespørsel-prisen mellom 12,25 og 14,50 dollar per GPU-time, som gjør Azure til den dyreste av de tre store på ren listepris for denne konfigurasjonen. Azure har ingen klassisk spotinstans for denne serien, men tilbyr i stedet Low Priority-VM-er, som gir lavere pris mot at Microsoft kan si opp kapasiteten med kort varsel når etterspørselen fra andre kunder øker.
Azure har også en egen serie kalt NCads H100 v5, rettet mer mot inferens og mindre treningsjobber. Her viser en ML-kostnadsanalyse oppdatert i slutten av august 2026 en listepris på 98,46 dollar timen for en åtte-GPU-node, betydelig høyere enn hva den normaliserte per-GPU-prisen skulle tilsi, noe som understreker at Azure sine fulle nodepriser kan avvike mye fra enkle GPU-time-beregninger.
Der Azure derimot henter seg inn, er på forpliktelsesrabatter. Samme rapport viser at Azure tilbyr rundt 38 prosent rabatt ved ett års binding og hele 62 prosent ved tre års binding på H100-kapasitet, klart høyere enn både AWS og Google Cloud sine tilsvarende rabattnivåer. En egen trendrapport for GPU-priser i regionen eastus finner at optimalisering (kombinasjon av forpliktelse og planlegging) ga rundt 12 prosent besparelse fra august 2024 til september 2025, mens Azure og Google Cloud generelt bare viser 4 til 9 prosent besparelse mot listepris for mange GPU-varianter sammenlignet med AWS sitt spotmarked. Konklusjonen for nordiske team er at Azure sjelden vinner på kortsiktige jobber, men kan bli konkurransedyktig for treårige, forutsigbare treningsprogrammer.
Google Cloud sine H100- og A100-priser: a3- og a2-seriene
Google Cloud sin H100-instans heter a3-highgpu-8g, med åtte H100 SXM5-GPU-er på 80 GB, 208 vCPU-er og 1 872 GB systemminne. August-rapporten plasserer på-forespørsel-prisen mellom 9,00 og 11,50 dollar per GPU-time, som gjør Google Cloud til den billigste av de tre store på listepris for H100. Preemptible-prisen (Googles betegnelse på spotinstanser) ligger mellom 2,10 og 2,80 dollar per GPU-time, en rabatt på rundt 75 til 78 prosent.
På A100-siden tilbyr Google Cloud to konfigurasjoner. a2-highgpu-8g har åtte A100-GPU-er med 40 GB hver, til sammen 320 GB GPU-minne og 680 GB systemminne, priset til rundt 26,27 dollar timen på forespørsel, tilsvarende omtrent 3,28 dollar per GPU-time normalisert. a2-ultragpu-8g gir 80 GB per kort og 1 360 GB totalt GPU-minne, priset til 40,49 dollar timen, praktisk talt identisk med AWS sin p4de.24xlarge for tilsvarende minnekapasitet.
Det som gjør Google Cloud spesielt interessant for kostnadsbevisste team, er preemptible-rabattene på A100. Flere kilder fra september 2026 melder om besparelser på opptil 91 prosent sammenlignet med på-forespørsel for A100-arbeidslaster som tåler avbrudd, med effektive priser ned mot 2,70 til 3,70 dollar per GPU-time. For forskningsmiljøer og team som kjører eksperimentelle treningsjobber med gode sjekkpunkt-rutiner, er dette trolig det beste forholdet mellom pris og ytelse blant de tre hyperscalerne akkurat nå.
Full spesifikasjonstabell: ti GPU-instanser side om side
Tabellen under samler de viktigste GPU-instansene fra alle tre skyleverandørene, i tillegg til referansepriser fra spesialiserte GPU-skyer, slik at du kan sammenligne spesifikasjoner og pris i én oversikt.
| Instans | Sky | GPU-modell | VRAM per GPU | Antall GPU-er | vCPU-er | Systemminne | Pris på forespørsel | Spot/preemptible |
|---|---|---|---|---|---|---|---|---|
| p5.48xlarge | AWS | H100 SXM5 | 80 GB | 8 | 192 | 2 048 GB | ~98,32 $/t (12,29 $/GPU-t) | 15,60–20,00 $/t |
| a3-highgpu-8g | Google Cloud | H100 SXM5 | 80 GB | 8 | 208 | 1 872 GB | 72,00–92,00 $/t | 16,80–22,40 $/t |
| Standard_ND96isr_H100_v5 | Azure | H100 SXM5 | 80 GB | 8 | 96 | ~1 900 GB | 98,00–116,00 $/t | Low Priority VM (ingen fast pris) |
| NCads H100 v5 | Azure | H100 (inferens/mindre trening) | 80 GB | 8 | 96 | ~640 GB | 98,46 $/t | – |
| p4d.24xlarge | AWS | A100 SXM4 | 40 GB | 8 | 96 | 1 152 GB | 26,00–33,00 $/t | Variabelt spotmarked |
| p4de.24xlarge | AWS | A100 SXM4 | 80 GB | 8 | 96 | 1 152 GB | 40,97 $/t | – |
| a2-highgpu-8g | Google Cloud | A100 | 40 GB | 8 | 96 | 680 GB | 26,27 $/t (3,28 $/GPU-t) | 21,60–29,60 $/t |
| a2-ultragpu-8g | Google Cloud | A100 | 80 GB | 8 | 96 | 1 360 GB | 40,49 $/t | – |
| Bare-metal H100 (spesialisert GPU-sky) | Diverse (utenfor de tre store) | H100 HBM3 | 80 GB | 1 | Varierer | Varierer | ~6,88 $/GPU-t | – |
| Rimeligste GPU-skyer (15+ leverandører) | Diverse (utenfor de tre store) | H100 | 80 GB | 1 | Varierer | Varierer | 1,49–6,98 $/GPU-t | – |
Legg merke til hvor stor spredningen er selv innenfor samme GPU-generasjon. En H100 hos en spesialisert GPU-sky kan koste under 2 dollar timen, mens samme brikke hos en hyperscaler med full nettverks- og supportpakke koster fem til seks ganger så mye. For nordiske team med strenge krav til datasuverenitet og driftsstøtte er det likevel ofte verdt merprisen å bli hos de tre store, men det er nyttig å kjenne hele spennet før du forhandler pris eller vurderer flercloud-strategi.
Benchmark-tall fra tre uavhengige kilder
Fordi skyleverandørenes egne prislister endrer seg ofte og varierer per region, er det nyttig å sjekke tallene mot uavhengige analyser. Tabellen under sammenstiller data fra tre kilder som alle publiserte oppdaterte GPU-prisrapporter i august og september 2026.
| Kilde | AWS H100 (per GPU-time) | Azure H100 (per GPU-time) | Google Cloud H100 (per GPU-time) | Publisert |
|---|---|---|---|---|
| CloudZero GPU-prisanalyse | 12,29 $ | 11,00–13,00 $ | 9,00–11,50 $ | August 2026 |
| Cast.ai GPU-prisrapport | ~12,00 $ | 11,00–14,00 $ | 9,00–11,50 $ | September 2026 |
| IntuitionLabs (15+ leverandører) | Innenfor 1,49–6,98 $ for spesialiserte skyer | Innenfor samme spenn for spesialiserte skyer | Innenfor samme spenn for spesialiserte skyer | September 2026 |
| Cloud GPU Price Index (34 leverandører) | Øvre sjikt av markedet | Øvre sjikt av markedet | Øvre sjikt av markedet | September 2026 |
Alle tre uavhengige kilder peker samme vei: Google Cloud har den laveste listeprisen på H100 blant hyperscalerne, AWS ligger midt på treet, og Azure er konsekvent dyrest på ren på-forespørsel-pris. Samtidig understreker både CloudZero og Cast.ai at hyperscalerne generelt ligger i det øvre prissjiktet av hele GPU-markedet når spesialiserte GPU-skyer og bare-metal-leverandører tas med i sammenligningen. IntuitionLabs sin gjennomgang av over 15 leverandører viser et spenn fra 1,49 til 6,98 dollar timen for H100, langt under det noen av de tre store tilbyr uten forpliktelse eller spot.
Slik ser den fulle prisen ut for en treningsnode
Listepriser per GPU-time er nyttige for sammenligning, men de fleste treningsjobber kjører på hele noder, gjerne over flere dager eller uker. En analyse av ML-skykostnader oppdatert i slutten av august 2026 anslår at en enkelt H100 effektivt koster mellom 2,00 og 2,50 dollar timen å leie på tvers av de store skyene når rabatter og realistisk kapasitetsutnyttelse regnes inn, ikke listepris. Det gir en optimalisert åtte-GPU-treningsnode en effektiv kostnad på rundt 16 til 20 dollar timen, betydelig lavere enn på-forespørsel-tallene i forrige avsnitt.
Forskjellen mellom teoretisk og reell kostnad handler om tre faktorer: hvor stor andel av tiden GPU-ene faktisk kjører nyttig arbeid, hvor godt du klarer å utnytte spot- eller preemptible-kapasitet uten å miste for mye fremdrift til avbrudd, og hvor mye av forbruket du kan legge inn under en forpliktelsesavtale. Et treningsteam som kjører kontinuerlig i seks måneder eller mer, bør nesten alltid forhandle en ett- eller treårsavtale, mens et team som gjør sporadiske eksperimenter, sjelden bør binde seg i det hele tatt.
For et konkret regnestykke: å trene en mellomstor modell i 14 dager sammenhengende på en åtte-GPU H100-node koster, med AWS sin på-forespørsel-pris, rundt 33 000 dollar. Med spotpriser og god sjekkpunkt-håndtering kan samme jobb i teorien komme ned mot 5 000 til 6 700 dollar, forutsatt at jobben tåler avbrudd og restart. Det er denne typen forskjell, en faktor på fem til seks, som gjør at riktig innkjøpsstrategi betyr mer for sluttregningen enn selve valget mellom AWS, Azure og Google Cloud.
Regnestykke: årlig kostnad for en H100-node ved full drift
For å gjøre timeprisene mer håndgripelige har vi regnet om på-forespørsel- og treårs forpliktelsespriser for en full åtte-GPU H100-node til et årlig beløp, basert på kontinuerlig drift i alle årets timer. Dette er en illustrasjon, ikke en prognose for din egen regning, siden de færreste team faktisk kjører på 100 prosent utnyttelse hele året, men den viser godt hvor mye forpliktelsesrabattene faktisk utgjør i kroner og øre.
| Leverandør og instans | Pris på forespørsel (år, 8 760 timer) | Pris med 3-års forpliktelse (år) | Besparelse |
|---|---|---|---|
| AWS p5.48xlarge (H100) | ~861 300 $ | ~430 600 $ (50 % rabatt) | ~430 700 $ |
| Azure Standard_ND96isr_H100_v5 | ~937 300 $ | ~356 200 $ (62 % rabatt) | ~581 100 $ |
| Google Cloud a3-highgpu-8g | ~718 300 $ | Ikke offentliggjort per SKU | – |
Legg merke til at Azure, som har den høyeste på-forespørsel-prisen av de tre, også har den klart største kronebesparelsen ved en treårsavtale, over 580 000 dollar årlig for én enkelt node. Det illustrerer hvorfor en ren sammenligning av timepriser gir feil bilde for selskaper som uansett planlegger å binde seg til flerårige avtaler. For team med mange noder i produksjon flerdobles selvsagt disse tallene, noe som gjør god forhandling av forpliktelsesavtaler til et av de mest lønnsomme FinOps-tiltakene et nordisk AI-team kan gjennomføre.
Spot, preemptible og forpliktelse: rabattene som faktisk betyr noe
Rabattstrukturen er trolig det mest undervurderte elementet når nordiske team velger GPU-sky. Tabellen under viser hovedrabattene for hver leverandør slik de er rapportert i august og september 2026.
| Leverandør | Rabattype | Typisk rabatt mot listepris | Merknad |
|---|---|---|---|
| AWS | Spotinstans | 80–84 % | Ekte spotmarked, kan avbrytes med kort varsel |
| AWS | 1-års forpliktelse | ~30 % | Fast kapasitet, bindingstid |
| AWS | 3-års forpliktelse | ~50 % | Krever langsiktig kapasitetsplan |
| Azure | Low Priority VM | Varierer, ingen fast spotpris | Ikke et klassisk spotmarked |
| Azure | 1-års forpliktelse | ~38 % | Høyeste 1-års rabatt blant de tre |
| Azure | 3-års forpliktelse | ~62 % | Høyeste 3-års rabatt blant de tre |
| Google Cloud | Preemptible (A100) | Opptil 91 % | Høyest rapporterte rabatt i markedet |
| Google Cloud | Preemptible (H100) | 75–78 % | Kan avbrytes, egnet for eksperimentering |
Mønsteret som trer fram, er at Azure vinner på langsiktige forpliktelser, mens AWS og Google Cloud vinner på kortsiktig fleksibilitet gjennom spot- og preemptible-priser. En egen trendrapport for GPU-priser i regionen eastus finner riktignok at Azure og Google Cloud typisk bare gir 4 til 9 prosent besparelse mot listepris på mange GPU-varianter sammenlignet med AWS sitt mer aggressive spotmarked, noe som betyr at rabatt-prosenten på papiret ikke alltid oversettes til lavest faktisk regning. Konklusjonen er at du må regne på din egen arbeidsbelastning, ikke bare sammenligne rabattprosenter mellom leverandørene.
FinOps-fellen: hvorfor utnyttelsesgrad slår listepris
Kostnadsanalyseselskapet Cast.ai publiserte i 2026 en gjennomgang av GPU-økonomi som peker på et sentralt poeng for FinOps-team: effektiv GPU-kostnad avhenger langt mer av utnyttelsesgrad enn av hvilken listepris du forhandlet frem. En GPU-node som står ubrukt store deler av døgnet, koster i praksis mangedobbelt av nominell timepris når du regner kostnad per faktisk utført treningssteg. Dette er trolig den viktigste innsikten i hele GPU-prisdebatten, viktigere enn om du valgte AWS, Azure eller Google Cloud i utgangspunktet.
Praktisk betyr dette at FinOps-arbeidet bør starte med overvåking, ikke med leverandørforhandling. Team som ikke vet hvor mye av GPU-tiden som faktisk går til trening versus venting på data, klargjøring av miljø eller feilsøking, kan ikke vite hvilken rabattmodell som gir mest for pengene. En rapport om FinOps-modenhet i 2026 viser at et flertall av selskaper nå aktivt styrer AI-relaterte skykostnader, men mange mangler fortsatt god nok innsikt i GPU-spesifikk utnyttelse til å velge riktig mellom spot, forpliktelse og på-forespørsel.
For nordiske team som er tidlig i AI-reisen sin, er anbefalingen enkel: sett opp overvåking av faktisk GPU-utnyttelse (ikke bare om instansen er “på”) før du forhandler en ett- eller treårsavtale med noen av leverandørene. En avtale forhandlet på feil grunnlag kan bli dyrere enn på-forespørsel-pris dersom faktisk bruk viser seg lavere enn planlagt. Sett av tid til en egen kvartalsvis gjennomgang av GPU-utnyttelse fremfor å behandle forpliktelsesavtalen som en engangsbeslutning, siden arbeidsmønstre i AI-team ofte endrer seg raskere enn kontraktsperiodene tilsier.
Fem virkelige brukssituasjoner og hvilken sky som passer
Prisdataene over blir mer konkrete når de kobles til faktiske bruksmønstre. Her er fem typiske scenarioer nordiske team står i, og hvilken skyleverandør prisstrukturen peker mot.
- Finteknologiselskap som trener svindeldeteksjonsmodeller kontinuerlig. Med jevn, forutsigbar last over flere år peker Azure sin 62 prosent treårsrabatt eller AWS sin 50 prosent treårsrabatt mot en forpliktelsesavtale, forutsatt at selskapet tør binde kapasitet så langt fram. Fordi denne typen modell som regel trenes på nytt hver uke eller måned med ferske transaksjonsdata, er kontinuerlig drift mer verdt enn fleksibilitet, og en lang forpliktelse betaler seg tilbake allerede i løpet av det første året.
- Forskningsmiljø som kjører eksperimentelle treningsjobber med god sjekkpunkt-håndtering. Google Cloud sine preemptible-priser på A100, ned mot 2,70–3,70 dollar per GPU-time, gir trolig lavest kostnad per fullførte eksperiment for denne typen last. Forutsetningen er at teamet har bygget inn hyppig lagring av modelltilstand, slik at et avbrudd i verste fall koster noen minutters fremdrift, ikke timer.
- Spillstudio som trener fysikk- og animasjonsmodeller i konsentrerte perioder før lansering. Kortsiktig, avbruddstolerant bruk passer godt med AWS sitt spotmarked, der rabatten på 80–84 prosent gir stor besparelse uten bindingstid. Studioer med sesongbasert produksjon slipper dermed å betale for kapasitet resten av året når GPU-ene uansett ville stått ubrukt.
- Offentlig eller regulert virksomhet med krav til driftsstøtte og forutsigbarhet. Her veier ofte support-nivå og databehandleravtaler tyngre enn ren pris, og da kan Azure sin ND H100 v5 med full på-forespørsel-tilgjengelighet og ingen avbruddsrisiko være riktig valg selv om timeprisen er høyest. Dette gjelder særlig virksomheter som allerede har en Microsoft-rammeavtale og databehandleravtale på plass, siden det reduserer anskaffelsestiden betraktelig.
- Mellomstor SaaS-leverandør som kjører inferens i produksjon, ikke trening. Inferenslast krever ofte færre GPU-er per node og jevnere kapasitet, og her kan Azure sin NCads H100 v5-serie eller mindre A100-konfigurasjoner fra Google Cloud gi bedre kostnadskontroll enn store treningsklynger. For denne gruppen er det ofte riktigere å optimalisere for jevn, lav ventetid enn for maksimal rå regnekraft, siden brukeropplevelsen i produktet avhenger av responstid, ikke treningshastighet.
Fellesnevneren er at ingen av de tre skyene er universelt billigst. Valget avhenger av om arbeidslasten tåler avbrudd, hvor lang tidshorisont du kan planlegge for, og hvor mye vekt du legger på support og forutsigbarhet sammenlignet med ren timepris.
Migreringsguide: bytte GPU-skyleverandør uten å miste ML-pipelinen
Å flytte GPU-arbeidslaster mellom skyer er mer krevende enn å flytte vanlige webapplikasjoner, fordi drivere, containermiljø og nettverksoppsett må stemme nøyaktig overens. Slik kan et nordisk team gå fram for å bytte leverandør uten å miste fremdrift i pågående ML-prosjekter.
- Kartlegg dagens GPU-forbruk time for time i minst fire uker, slik at du har et reelt bruksmønster å planlegge migreringen etter, ikke bare estimater.
- Bekreft at modellkoden og treningsrammeverket støtter GPU-driveren og CUDA-versjonen som tilbys hos den nye leverandøren, siden mindre driverforskjeller kan gi ulik ytelse på papirlik maskinvare.
- Bygg om containerimages slik at de er leverandørnøytrale, med minimal avhengighet til proprietære lagrings- eller nettverkstjenester hos den gamle skyen.
- Sett opp et identisk nettverksmiljø hos den nye leverandøren, inkludert VPC- eller VNet-oppsett, brannmurregler og tilgang til datalagring.
- Kjør en liten delmengde av treningsjobben parallelt hos begge leverandørene for å bekrefte at resultatene er sammenlignbare før full migrering.
- Etabler overvåking av GPU-utnyttelse hos den nye leverandøren med samme målepunkter som du brukte i kartleggingen, slik at du kan sammenligne reell kostnad etterpå.
- Kjør skyggedrift der ny og gammel leverandør går side om side i minst én full syklus, for eksempel én komplett treningsrunde.
- Gjennomfør full overgang og avvikle gammel kapasitet, men behold data og konfigurasjon i minst én måned i tilfelle du må rulle tilbake.
Et enkelt eksempel på hvordan en migreringssjekk kan skriptes, er å hente ut instansmetadata og sammenligne GPU-driverversjon før og etter bytte:
nvidia-smi --query-gpu=name,driver_version,memory.total --format=csv
# Kjør identisk kommando på gammel og ny instans, sammenlign output
# før du starter full migrering av treningsjobbenDet viktigste rådet er å aldri migrere en produksjonskritisk treningspipeline i én operasjon. Trinnvis overgang med skyggedrift koster litt ekstra tid, men fanger opp driverforskjeller og ytelsesavvik før de blir dyre feil midt i en lang treningsjobb.
Fordeler og ulemper: AWS, Azure og Google Cloud
Under følger en kortfattet oppsummering av styrker og svakheter for hver leverandør basert på prisdataene og bruksmønstrene gjennomgått over.
- AWS – fordeler: Sterkt spotmarked med 80–84 prosent rabatt, bredt økosystem av støttetjenester, moden verktøykasse for overvåking og kostnadsstyring.
- AWS – ulemper: Høyere på-forespørsel-pris enn Google Cloud på H100, spotkapasitet kan være vanskelig å få tak i ved høy etterspørsel.
- Azure – fordeler: Høyeste forpliktelsesrabatter i markedet (opptil 62 prosent over tre år), sterk integrasjon mot Microsoft-verktøy og virksomhetsavtaler mange nordiske selskaper allerede har.
- Azure – ulemper: Dyrest på ren på-forespørsel-pris blant de tre store, mangler et ekte spotmarked for H100, noe som gjør korttidsbruk dyrere.
- Google Cloud – fordeler: Laveste listepris på H100 blant hyperscalerne, svært høye preemptible-rabatter på A100 (opptil 91 prosent), bred GPU-produktpalett.
- Google Cloud – ulemper: Mindre generøse forpliktelsesrabatter enn Azure, og mindre etablert i enkelte nordiske virksomhetsmiljøer sammenlignet med AWS og Microsoft.
Nordisk vinkel: kapasitet, regioner og datasuverenitet
For norske og nordiske selskaper handler valget av GPU-sky ikke bare om dollar per time. Regional tilgjengelighet av H100- og A100-kapasitet nær Norden påvirker både ventetid og etterlevelse av krav til datalokasjon. Flere internasjonale prissporingstjenester oppdatert i begynnelsen av september 2026 tilbyr nå egne visninger for kapasitet og pris i regioner nær Norden, noe som gjør det enklere for nordiske FinOps-team å følge med på ledig GPU-kapasitet uten å måtte kontakte leverandørene direkte.
Dette har også en side mot skysuverenitet. Selskaper som må holde treningsdata innenfor EU eller Norden, kan ikke alltid velge den billigste GPU-regionen globalt, og må heller optimalisere pris innenfor et snevrere sett med tilgjengelige regioner. Det gjør forpliktelsesrabatter, som Azure sine 38 og 62 prosent, relativt sett mer attraktive for nordiske kunder enn for globale team som fritt kan flytte last til den billigste regionen i verden.
Samtidig bygges det stadig mer GPU-kapasitet i og nær Norden gjennom nye datasenterinvesteringer i regionen, noe som over tid trolig vil dempe prisforskjellen mellom å kjøre GPU-arbeidslaster lokalt i Norden og å kjøre dem i sentraleuropeiske regioner. Inntil videre bør nordiske team likevel regne med et pristillegg for å holde seg innenfor de nærmeste regionene, og veie dette opp mot besparelsen fra redusert latens.
Skjulte kostnader: nettverk, lagring og datauttak
Timeprisen på selve GPU-instansen er bare én del av regnestykket. GPU-tunge arbeidslaster flytter typisk store datamengder, treningsdata inn og modellvekter ut, og her priser de tre skyene svært ulikt. AWS og Google Cloud tar begge betalt for datauttak (egress) til internett og til dels mellom regioner, mens interntrafikk innenfor samme region og tilgjengelighetssone som regel er gratis eller sterkt subsidiert. For et team som flytter titalls terabyte treningsdata inn i en GPU-klynge hver uke, kan lagrings- og nettverkskostnader fort utgjøre en tosifret prosentandel av den totale GPU-regningen, selv om den enkelte gigabyten virker billig isolert sett.
Et annet ofte oversett element er lagringsklassen dataene ligger i før de leses inn i treningsjobben. Rask NVMe-tilkoblet lagring eller høyytelses filsystemer, som ofte anbefales for å mate H100-klynger raskt nok til å unngå at dyre GPU-er står og venter på data, koster mer enn standard objektlagring hos alle tre leverandørene. Ubalanse mellom lagringsytelse og GPU-ytelse er en klassisk feil: en H100-node til 98 dollar timen som står og venter på treg lagring, kaster bort nettopp den dyreste ressursen i hele oppsettet.
Til slutt kommer støtte- og virksomhetsavtaler. Bedriftskunder med Enterprise Support hos AWS, Premier-avtaler hos Microsoft eller tilsvarende hos Google Cloud betaler et påslag på totalforbruket, ofte flere prosent av hele skyfakturaen. For et selskap med store GPU-kostnader kan denne prosentandelen alene bli et betydelig beløp, og det er verdt å forhandle støttenivå separat fra selve GPU-prisen, særlig når kontrakten uansett reforhandles i forbindelse med en ny forpliktelsesavtale.
Neste generasjon: H200 og tidlig Blackwell-kapasitet i skyen
H100 og A100 er ikke lenger de eneste GPU-ene i sortimentet hos de tre store. En egen GPU-prisrapport fra Cast.ai, publisert i 2026, dekker nå H100 og H200 side om side, noe som bekrefter at H200-basert kapasitet allerede er tilgjengelig eller på vei ut hos flere hyperscalere i tillegg til H100. H200 tilbyr mer og raskere GPU-minne enn H100, noe som er spesielt nyttig for de aller største språkmodellene, men prisdataene i denne artikkelen er hentet fra kilder som fokuserer spesifikt på H100 og A100, siden det fortsatt er disse to generasjonene som dominerer faktisk produksjonsbruk hos nordiske kunder høsten 2026.
For team som planlegger innkjøp med en tidshorisont på ett til tre år, er det verdt å sjekke om forpliktelsesavtalen kan omfatte en oppgraderingssti til nyere GPU-generasjoner, i stedet for å låse seg fast til H100-maskinvare som kan bli mindre konkurransedyktig etter hvert som H200- og etter hvert Blackwell-basert kapasitet blir mer tilgjengelig og rimeligere. Ingen av de tre store har foreløpig publisert fullstendige, sammenlignbare prislister for H200 på tvers av AWS, Azure og Google Cloud, så et konkret pris-per-GPU-time-tall for H200 lar seg ikke fastslå pålitelig ennå, men trenden er tydelig: syklusen der en ny GPU-generasjon presser ned prisen på forrige generasjon, gjentar seg nå med H100 slik den tidligere gjorde med A100.
Verdikt: hvem vinner på pris, ytelse og tilgjengelighet
Basert på tallene gjennomgått i denne artikkelen er det ikke én vinner, men tre ulike vinnere for tre ulike behov. Google Cloud vinner på ren listepris for H100, med et spenn på 9,00 til 11,50 dollar per GPU-time mot AWS sine 12,29 dollar og Azure sine 12,25 til 14,50 dollar. Google Cloud vinner også klart på preemptible-rabatter for A100, med opptil 91 prosent kutt for arbeidslaster som tåler avbrudd.
AWS vinner for team som trenger et modent, fleksibelt spotmarked kombinert med et bredt støtteapparat av verktøy for overvåking og kostnadsstyring, og som ikke ønsker å binde seg til lange kontrakter. Azure vinner for virksomheter med lang planleggingshorisont og eksisterende Microsoft-avtaler, der en treårig forpliktelse på 62 prosent rabatt kan gjøre den høyeste listeprisen om til den laveste faktiske regningen.
Det viktigste funnet på tvers av alle kildene er likevel dette: forskjellen mellom en dårlig og en god innkjøpsstrategi hos samme leverandør er ofte større enn forskjellen mellom leverandørene selv. En treningsnode som koster 33 000 dollar for 14 dager på ren på-forespørsel-pris, kan komme ned mot 5 000 til 6 700 dollar med riktig bruk av spot og sjekkpunkter. Uansett hvilken sky du velger, er det denne optimaliseringen som gir størst gevinst.
Ofte stilte spørsmål om GPU-priser i skyen
Hvilken sky er billigst for H100-GPU-er i 2026?
Google Cloud har den laveste rapporterte på-forespørsel-prisen på H100, mellom 9,00 og 11,50 dollar per GPU-time, mot AWS sine 12,29 dollar og Azure sine 12,25 til 14,50 dollar per GPU-time ifølge prisanalyser fra august 2026.
Hvor mye kan jeg spare med spotinstanser?
AWS sine spotpriser for H100 ligger mellom 1,95 og 2,50 dollar per GPU-time, en rabatt på 80 til 84 prosent mot på-forespørsel. Google Cloud sine preemptible-priser for A100 kan gi opptil 91 prosent rabatt for arbeidslaster som tåler avbrudd.
Har Azure et ekte spotmarked for H100-GPU-er?
Nei. Azure bruker Low Priority-VM-er som fungerer etter samme avbrytbare prinsipp, men uten en fast, markedsbasert spotpris slik AWS og Google Cloud tilbyr.
Lønner det seg å binde seg til en treårsavtale?
Det kommer an på hvor forutsigbar arbeidslasten din er. Azure gir opptil 62 prosent rabatt over tre år, høyest blant de tre store, mens AWS gir rundt 50 prosent. En forpliktelse lønner seg kun dersom du faktisk klarer å utnytte kapasiteten jevnt over hele perioden.
Hva er forskjellen mellom A100 40 GB og 80 GB når det gjelder pris?
80 GB-varianter koster typisk 25 til 55 prosent mer enn 40 GB-varianter hos samme leverandør, avhengig av om du sammenligner AWS sine p4d- og p4de-instanser eller Google Cloud sine a2-highgpu- og a2-ultragpu-serier.
Er spesialiserte GPU-skyer billigere enn de tre store?
Ja, ofte betydelig. En gjennomgang av over 15 leverandører fant H100-priser fra 1,49 til 6,98 dollar per GPU-time hos spesialiserte GPU-skyer, mot 9 til 14,50 dollar hos AWS, Azure og Google Cloud på ren på-forespørsel-pris. Trade-offen er som regel mindre support og færre tilleggstjenester.
Hvorfor betyr utnyttelsesgrad mer enn timepris?
Fordi kostnad per fullført treningssteg avhenger av hvor mye av GPU-tiden som faktisk brukes til nyttig arbeid. En GPU som står halvparten av tiden ubrukt, dobler effektivt kostnaden per resultat, uavhengig av hvor god rabattavtale du har forhandlet frem.
Kan jeg enkelt bytte mellom AWS, Azure og Google Cloud for GPU-arbeidslaster?
Det er mulig, men krever grundig planlegging fordi drivere, containermiljø og nettverksoppsett må stemme overens. Følg en trinnvis migrering med skyggedrift, som beskrevet i migreringsguiden over, for å unngå å miste fremdrift i pågående treningsjobber.
Hvor mye påvirker nettverk og lagring den totale GPU-regningen?
Datauttak, høyytelses lagring og støtteavtaler kommer i tillegg til selve GPU-timeprisen, og kan for team som flytter store datamengder utgjøre en tosifret prosentandel av totalkostnaden. Det er derfor viktig å regne på hele arkitekturen, ikke bare GPU-instansen isolert.
Bør jeg vente på H200 eller Blackwell-baserte instanser før jeg kjøper GPU-kapasitet?
Neste generasjons GPU-er begynner å dukke opp hos enkelte leverandører, men fullstendige, sammenlignbare prislister for H200 på tvers av AWS, Azure og Google Cloud finnes ikke ennå. For arbeidslaster som må i produksjon nå, er H100 og A100 fortsatt det mest modne og best dokumenterte valget, mens langsiktige forpliktelsesavtaler bør sjekkes for oppgraderingsstier til nyere maskinvare.
