Studien genomfördes av Technopolis, Wavestone, STL Partners, Kappa Research, Timelex och Open Forum Europe. Dess slutsatser har legat till grund för det arbetsdokument från kommissionens avdelningar som åtföljer konsekvensbedömningen av förslaget till rättsakt om moln- och AI-utveckling, som antogs den 3 juni 2026.
På det hela taget tar studien itu med kunskapsluckor genom att samla in bevis på den aktuella utvecklingen, trender, hinder, utmaningar och möjligheter för molnutveckling i EU:s medlemsstater. Det stöder kommissionen när det gäller att identifiera och kvantifiera befintlig kapacitet och framtida efterfrågan på både allmänna molntjänster och AI-optimerade molntjänster, inbegripet energiförbrukning.
Studien ger en omfattande översikt över:
- Gränsöverskridande hinder för tillhandahållande av molntjänster
- Inlåsningsmetoder inom AI-beräkningsstacken
- Risker till följd av tredjeländers lagstiftning med extraterritoriella effekter
- tillståndsförfaranden för datacentraler
- Ekonomiska och skattemässiga incitament
- Begränsningar i samband med energinät och andra kritiska resurser såsom vatten.
- Initiativ för att förbättra tillgången till kapital för utbyggnad av datacentraler.
- insatser från den offentliga sektorn för att främja införandet av lösningar med öppen källkod
I studien identifieras dessutom de största utmaningarna i EU:s moln- och AI-ekosystem:
- Den begränsade och geografiskt koncentrerade tillgången till datorkapacitet inom EU.
- EU:s beroende av molntjänster och AI-tjänster som tillhandahålls av leverantörer utanför Europa.
I rapporten analyseras ytterligare de bakomliggande orsakerna till dessa problem och presenteras en rad politiska alternativ som återspeglar olika nivåer av EU-insatser. För varje identifierat problem bedöms i studien ett grundscenario tillsammans med tre uppsättningar politiska alternativ, som vart och ett omfattar ett antal politiska åtgärder. Dessa alternativ utvärderas genom en kostnads-nyttoanalys i pengar och kompletteras med en beslutsanalys med flera kriterier som bygger på tre metodologiska metoder. Denna analys visar att det rekommenderade alternativet är robust.
Läs studien och sammanfattningen.