contentSlug

type

ContentSlug_ContentQuery

slug

ContentPageContentQuery

content

trendingContent

query ContentSlug_ContentQuery(
  $contentSlug: String!
  $type: [ContentType!]
) {
  ...ContentPageContentQuery_13QmVO
}

fragment CompanyDetails_Content on Content {
  __isContent: __typename
  companies {
    name
    description
    pageUrl
    id
  }
}

fragment ContentBasicInfo on Content {
  __isContent: __typename
  id
  type
  title
  lang
  createdAt
  ... on Video {
    liveTime
  }
  ... on Webcast {
    liveTime
  }
  companies {
    viewerIsFollowing
    id
    name
    pageUrl
    forum {
      threadUrl
    }
    defaultInstrument {
      symbol
      id
    }
  }
  ...PublishingDetails
  ...Reactions
}

fragment ContentMetadata on Content {
  __isContent: __typename
  type
  title
  lang
  pageUrl
  alternatePageUrls: translations {
    __typename
    pageUrl
    lang
  }
  imgUrl
  description
  createdAt
  changedAt
  isPremium
  authors {
    __typename
    name
    pageUrl
    id
  }
  companies {
    name
    pageUrl
    id
  }
  tags {
    name
    id
  }
  ... on Video {
    liveTime
    videoUrl
    videoEmbedUrl(location: "inderes")
  }
  ... on Webcast {
    liveTime
    videoUrl
    videoEmbedUrl(location: "inderes")
  }
}

fragment ContentPageContentQuery_13QmVO on Query {
  content(slug: $contentSlug, type: $type) {
    __typename
    id
    type
    title
    isPremium
    lang
    htmlBody
    summary
    companies {
      forum {
        threadUrl
        latestPosts {
          ...ForumPosts
        }
      }
      name
      id
      viewerIsFollowing
      pageUrl
      defaultInstrument {
        isin
        id
        symbol
        marketOpen
        marketClose
        marketplace {
          region
        }
        returns {
          total
        }
      }
    }
    tags {
      viewerIsFollowing
      id
      name
      pageUrl
    }
    createdAt
    ... on Video {
      liveTime
    }
    ... on Webcast {
      liveTime
    }
    slug
    ... on CompanyReport {
      reportUrl
      researchContentUrl
      researchContent {
        title
        lang
        pdfUrl
        relatedContent {
          __typename
          ...PublishingDetails
          ...Reactions
          id
        }
        content {
          title
          lang
          htmlBody
          publishedAt
          createdAt
          changedAt
          isOutdated
          isPremium
        }
      }
    }
    ... on ThirdPartyCompanyReport {
      reportUrl
    }
    ... on StockExchangeRelease {
      reportUrl
    }
    ...ContentBasicInfo
    ...ContentMetadata
    ...PriceAndRecommendation_Content
    ...CompanyDetails_Content
    ...ReportLink_Content
    ...KeyFigures_Content
  }
  ...TrendingContent_1jQ2Cn
}

fragment ForumPosts on ForumPost {
  text
  likesCount
  url
  author
  postedAt
  authorImgUrl
}

fragment KeyFigures_Content on Content {
  __isContent: __typename
  companies {
    defaultInstrument {
      estimateData {
        modelType
        reportingCurrency
      }
      snapshot {
        transaction {
          date
          actualized {
            year
            quarter
            revenue
            revenueGrowth
            ebitAdjusted
            ebitReported
            ebitda
            enterpriseValue
            epsAdjusted
            dividend
            dividendYield
            sharePrice
            nav
            navPerShare
            opexOfNav
            quarterlySharePrice
          }
          estimates {
            year
            quarter
            revenue
            revenueGrowth
            ebitAdjusted
            ebitReported
            ebitda
            enterpriseValue
            epsAdjusted
            dividend
            dividendYield
            sharePrice
            nav
            navPerShare
            opexOfNav
            quarterlySharePrice
          }
        }
      }
      id
    }
    id
  }
}

fragment PriceAndRecommendation_Content on Content {
  __isContent: __typename
  createdAt
  companies {
    name
    pageUrl
    defaultInstrument {
      priceData {
        tradeCurrency
      }
      snapshot {
        priceData {
          date
          lastPrice
          tradeCurrency
        }
        transaction {
          date
          recommendation
          targetPrice
        }
        prevTransaction {
          recommendation
        }
      }
      id
    }
    id
  }
}

fragment PublishingDetails on Content {
  __isContent: __typename
  publishers {
    name
    imgUrl
  }
  authors {
    __typename
    id
    name
    slug
    imgUrl
    jobTitle
  }
}

fragment Reactions on Content {
  __isContent: __typename
  id
  reactionGroups {
    reactionType
    reactionsCount
    viewerReacted
  }
}

fragment ReportLink_Content on Content {
  __isContent: __typename
  type
  isPremium
  ... on CompanyReport {
    reportUrl
  }
  ... on ThirdPartyCompanyReport {
    reportUrl
  }
  ... on StockExchangeRelease {
    reportUrl
  }
}

fragment TrendingContent_1jQ2Cn on Query {
  trendingContent(type: ARTICLE) {
    __typename
    id
    title
    lang
    pageUrl
    createdAt
    type
    imgUrl
    companies {
      squareLogoUrl
      name
      id
    }
    authors {
      __typename
      imgUrl
      id
    }
    publishers {
      imgUrl
    }
  }
}


__typename

title

isPremium

lang

htmlBody

summary

companies

createdAt

publishers

authors

reactionGroups

pageUrl

translations

imgUrl

description

changedAt

HAV Group är verksamt inom energi- och tillverkningsindustrin. Bolaget arbetar med utveckling av energilösningar till sjöfartsindustrin. Produktportföljen är bred och inkluderar bland annat system för vätgasenergi samt för hantering av ballast. Utöver huvudverksamheten erbjuds eftermarknadsservice, support och underhåll. Verksamhet innehas på global nivå, med störst närvaro inom Skandinavien. HAV-koncernen grundades år 2021.

Jag vet ingenting om just det här bolaget och sålde mina aktier för redan 1,5 år sedan på $140-nivåer. Därför vågar jag utmana: Om AI-beräkningar verkligen växer 10–100 gånger under de kommande 5–10 åren, varför skulle just Nvidia vara den aktör vars marknadsandel kollapsar först?

Under de senaste veckorna och månaderna har jag på allvar börjat överväga att likvidera min (oproportionerligt stora) Nvidia-position och diversifiera mig bredare över tech, AI och möjligtvis även till aktörer i den första vågens applikationslager – särskilt inom cyber och liknande. Nu kommer ett långt meddelande som jag skriver främst för min egen del för att strukturera mina tankegångar. Jag vet att Nvidia rent siffermässigt ser exceptionellt billigt ut just nu – billigare än i stort sett någonsin tidigare under sin historia – men min tilltro till att Nvidia skulle vara en helt överlägsen vinnare i AI-värdekedjan håller sakta på att svalna. Mättnad i rå beräkningskraft  Nvidias enorma uppgång har baserats på skalningen av monolitiska modeller i ett zero-shot-paradigm (Deepmind, 2022). Detta håller nu på att brytas från åtminstone tre olika håll: 1) fysiska begränsningar (el, infrastruktur, etc.), 2) begränsningar i datatillgänglighet (forskningsrapporter från bl.a. Epoch AI och Shumailov et al., som redan är 1,5–2 år gamla), 3) ekonomiska begränsningar (svärmar av små modeller verkar ge lika goda resultat som monolitmodeller med gigantiskt antal parametrar). Pre-training kommer säkerligen att fortsätta utvecklas, men för mig börjar det se ut som att det inte kan fortsätta särskilt länge till på ett sätt där ett växande antal konkurrerande företag tränar konkurrerande basmodeller – ekonomin håller helt enkelt inte för det. Det ser även ut som att olika typer av “AGI-experiment” håller på att ebba ut, och man försöker nu få ut mer av det befintliga genom att bygga “harnesses” (omgivande ramverk), smartare RAG (Retrieval-Augmented Generation), minnes-/kontexthantering, optimering, etc. – mer om detta senare. Dessutom tränas de bästa nuvarande modellerna redan på konkurrerande chip (Googles TPU v8-serie och Antropics Amazon Trainium). Tyngdpunktsförskjutning till inferens och agentisk orkestrering  Här har ett definitivt genombrott skett under de senaste 6 månaderna. Nvidia har inte samma konkurrensfördel här som de har inom rå parallellberäkning. De bygger fortfarande ut sitt CPU-utbud, och olika knep för inferens och test-time-optimering sker långt borta från hårdvaran jämfört med träning. Detta syns tydligt i benchmarks. Medan zero-shot-inferens med monolitmodeller har planat ut, senast i och med o1/R1-resonemangsmodeller, har ARC-AGI och liknande börjat stiga i takt med att man fått ut mer av inferensen (vilket också visar på mättnaden i monolitmodellernas råa beräkningskraft). Äkta, abstrakt generalisering verkar slutligen ske när man kör agentsvärmar med lämplig topologi som har tillgång till rätt verktyg. Även forskningen verkar fokusera mycket starkt på att utvinna mer ur redan befintliga modeller genom att innovera runtomkring dem, snarare än att försöka uppfinna något helt nytt i själva modellen (vilket skulle kräva flexibel beräkningshårdvara á la Nvidia). Nya RAG-arkitekturer, SML-svärmar / multi-agentsystem är nu det som skapar entusiasm, även utanför AI-scenen och även här i Finland, tack vare nya och lättanvända orkestreringsverktyg (Copilot Studio, Codex, Claude code, LangGraph, etc.) – åtminstone baserat på mina egna observationer. Konkurrenternas vertikala strategi  Jag tror att jag har skrivit om detta tidigare. Utmaningen för Nvidia kommer inte nödvändigtvis ens från AMD, Cerebras eller Huawei. Den kommer från att både hyperscalers som OpenAI och Antropic har öppnat, eller håller på att öppna, för en egen vertikal stack där allt från hårdvara till applikation är egenutvecklat. Det är logiskt om man lyckas: det minskar strategiska risker relaterade till en enskild monopolleverantör (Nvidia) och möjliggör samtidigt skapandet av djupa konkurrensfördelar. Att bygga chip är inte lätt, och ett skämt i branschen är väl att tidigast tredje/fjärde generationen är användbar. Google har redan en vertikal stack, MSFT ryktas ha tredje generationen av MAIA på gång, AWS/Antropic bildar tillsammans en stack, etc. En brytpunkt kan alltså vara möjlig att se relativt snart. Synkron träning vs. asynkrona agenter (och CUDA-vallgravens upplösning)  Pre-training av monolitmodeller är till sin natur en tätt sammankopplad och synkron process. Detta fysiska krav har varit den främsta skyddsmuren för Nvidias mjukvaruvallgrav, CUDA, samt deras rack-/DC-scale-strategi (Mellanox / Infiniband). Agentisk orkestrering är däremot i mångt och mycket en asynkron process. När en agentsvärm löser ett problem är uppgifterna oberoende av varandra. Och eftersom uppgifterna är uppdelade i små, asynkrona delar och ofta körs på mindre modeller (SLM), får de plats i minnet på ett eller två chip. Denna asynkronitet förstör vallgraven från två håll:  Behovet av kommunikation försvinner: När modellen inte behöver delas upp mellan tusentals chip försvinner behovet av Nvidias överlägsna NCCL-bibliotek och NVLink-switchar. Detta gäller åtminstone i det nuvarande paradigmet – det kan förstås hända att avancerad agentkommunikation en dag realiseras på hårdvarunivå istället för via .md-, .json-dokument och MCP-/API-anrop. När man väl blivit av med tung synkronisering kan själva inferensen köras på hårdvaruoberoende mjukvara. Öppna standarder som OpenAIs Triton-kompilator möjliggör att en AI-modell kan kompileras direkt för exempelvis AMD:s, Googles eller AWS:s chip utan en enda rad CUDA-kod.  Första varningarna om en avmattning i CAPEX-cykeln  Överkapaciteten hos Colossus och Meta är en liten varningsflagga för mig. Jag har tidigare sagt att Capex-investeringar (tillsammans med TSMC:s efterfrågeprognoser) är den viktigaste signalen för mig att börja omvärdera exponeringen mot AI-hackor och spadar. Än så är detta inte en “deal breaker”, främst på grund av att försäljningspriset för (Colossus) överkapacitet var mycket högt, vilket indikerar att den totala efterfrågan på beräkningskraft finns kvar – den är bara inte längre lika jämnt fördelad som tidigare.  Jag tror alltså inte att AI i sig är en bubbla. Tvärtom, i enlighet med Jevons paradox tror jag att efterfrågan kommer att fortsätta växa i takt med att priserna sjunker. Men detta flyttar oundvikligen värdekedjans tyngdpunkt till dess flaskhalsar – och som jag ser det ligger dessa inte längre nödvändigtvis hos Nvidia på samma sätt som de gjort under de senaste 2–3 åren. Jag hoppas att någon utmanar dessa tankar

Här är värderingsnivåerna för “Mag7” i ljuset av de senaste konsensusprognoserna. NVidia är billigast mätt med både P/E- och PEG-tal.

Undervärdering är en term som man kan skriva böcker om och diskutera hur länge som helst. Jag tar mig an ämnet så här och rundar lite av den svåra termen undervärdering. Jag tänker själv så att marknadens fokus, dit man går via rotation, nu ligger någon annanstans. Bilden nedan visar Nvidias volym längst ner som mörka staplar. Handelsvolymen har avtagit för Nvidias aktie.  Börsen är en auktion och priset bildas genom utbud och efterfrågan. Oftast leder en ökning eller minskning av volymen till en motsvarande rörelse i kursen. När en aktie är intressant handlas den, och när rotationen flyttar marknadens fokus någon annanstans, sjunker volymen och kursen faller. När det gäller Nvidia ligger vi nästan vid ATH (all-time high), d.v.s. inte ens rotationen har pressat ner kursen särskilt mycket. Starka fundamenta bär upp kursen. Nvidia är ett bra exempel på att det som påverkar aktiekursen mest på ett par års sikt är just dessa börsrotationer (“modefenomen”). Nvidias handelsvolym har flyttats till t.ex. dess underleverantörer, såsom minnesföretag. Och på så sätt har Nvidia blivit undervärderat i ljuset av värderingsmått. Det är intressant att fundera på om undervärderingen kommer att utlösas av en ökande efterfrågan, det vill säga stigande handelsvolymer. Jag tänker själv att undervärderingen kommer att lösas upp inom ett par år.

Enligt twittern är Nvidia undervärderat. Twittraren tror att AI kommer att öka efterfrågan på chip i minst ett decennium till, vilket minskar betydelsen av branschens konjunktursvängningar.  It’s trading at just 16x 2027 earnings despite almost 32% annual growth expectation by 2028. Cheapest of the major designers.  https://x.com/oguzerkan/status/2075318004124930058

Nvidias lansering av nästa generations Kyber-server-system skjuts enligt ett analysföretag upp till 2028 på grund av tillverkningsproblem. Förseningen väcker oro kring företagets viktiga konkurrensfördel, det vill säga den täta takten i produktlanseringar, och kan ge konkurrenter som AMD och Google en sällsynt möjlighet att tävla inom avancerade lösningar för AI-beräkningar. De nuvarande Rubin-systemen fortsätter dock mot produktion enligt plan.  Key Points  The Kyber NVL144 has been pushed to 2028 due to difficulties in manufacturing a key circuit board: SemiAnalysis. The reported delay adds to concerns that Nvidia’s breakneck annual release cadence contested manufacturing limits. That delay could give rivals, such as AMD and Google, a rare technical opening at the high end of the market.   https://www.cnbc.com/2026/07/06/nvidia-kyber-rack-system-delays-manufacturing-taiwan-rubin-chips-.html

Och det ser ännu billigare ut när man jämför med konsensusprognoserna för 2027

HAV Group

HAV Group ASA (the "Company") has on 10 July 2026 sold 35.856 of its own shares at a price of NOK 13,39 per share (average closing price week 28 2026), in connection with the share purchase ...

<pre>HAV Group ASA (the "Company") has on 10 July 2026 sold 35.856 of its own shares at a price of NOK 13,39 per share (average closing price week 28 2026), in connection with the share purchase program for employees. The maximum subscription amount per employee was set at NOK 40,000, and a discount of NOK 1,500 has been given for each NOK 10,000 of subscription. After the sale of own shares, the Company owns zero treasury shares. This information is published in accordance with the Market Abuse Regulation (EU) 596/2014 Article 5, as supplemented by delegated Commission Regulation (EU) 2016/1052, and is subject to disclosure requirements in accordance with the Securities Trading Act § 5-12. s Trading Act § 5-12. \ </pre>

HAV: Sale of own shares

HAV: Sale of own shares