Habang nagsisimula na ang mga kumpanya sa “pagbabawas ng gastos sa computing power,” nagbabala ang Goldman Sachs na ang $5.3 trilyon AI capital expenditure ay mabilis nang lumalapit sa credit saturation!

Ang alon ng pamumuhunan sa AI na imprastruktura ay muling binabago ang pandaigdigang panuntunan ng capital market, at ang nakatagong panganib ng utang sa likod nito ay hindi dapat balewalain.

Pinakahuling pagtataya ng Goldman Sachs ay nagpapakita na, mula 2025 hanggang 2030, ang kabuuang kapital na gugugulin ng malalaking kumpanya ng cloud computing sa AI at data center ay aabot sa 5.3 trilyong dolyar, na bumubuo ng isang hindi pa nararanasang super cycle ng capital expenditures.

Inaasahan ng Goldman Sachs na kakailanganin ng mga malalaking kumpanya na kumuha ng pondo mula sa iba't ibang market, dahil maaari silang malimitahan ng saturation sa liquidity credit markets.

Nang i-retweet ni Honorary Professor Gary Marcus ng New York University ang kaugnay na analysis, tinawag niyang "nakakatakot na pangungusap" ang nasabing pahayag mula sa Goldman Sachs. Sinabi niya:

Para sa akin, ang tanong ngayon ay hindi na kung babagsak ang modelong malakihan, kundi gaano kahigpit ang magiging side-effect nito.

Dagdag pa ni Gary Marcus na nagbabala:

Imposibleng mabawi ng malalaking cloud service provider ang kanilang 5.3 trilyong dolyar na pamumuhunan maliban kung makakukuha sila ng napakalaking subsidy mula sa gobyerno na kukunin mula sa buwis ng mga mamamayan. Ito mismo ang kanilang balak gawin.

Samantala, tinatayang ng Morgan Stanley na, para lamang sa pandaigdigang konstruksyon ng data center, aabot na ang capital expenditures hanggang halos 2.9 trilyong dolyar pagsapit ng 2028, at malaking bahagi nito ay nakaasa sa utang. Ibig sabihin, kapag nagkaroon ng pag-adjust sa market, hindi lang shareholder ang malulugi kundi posibleng kumalat ito sa buong lipunan sa pamamagitan ng credit markets.

Sa likod ng investment fever na ito, ramdam ng mga negosyo ang mas mahigpit na hawak sa pera. Ang Uber, Amazon, Walmart at iba pa na unang gumamit ng AI sa malaking antas, ay nagsimula nang magpatupad ng limitasyon sa paggamit ng AI ng kanilang mga empleyado o magpatupad ng cost-cutting measures.

Matapos ipatupad ng Anthropic ang pagsingil batay sa token, nakita mismo ni Carter Busse, Chief Information Officer ng software company na Workato, na pito (7) beses na tumaas ang kanilang arawang gastusin, kaya napabuntong-hininga siya:

Lumikha tayo ng isang halimaw.

Ayon sa pagtataya ng mga analyst ng Goldman Sachs, patuloy na mas mabilis ang pagtaas ng AI capital expenditure kumpara sa aktuwal na konstruksyon ng data center, na nangangahulugan na maaaring malipat ang mga bottleneck mula demand side ng modelo papunta sa financing capacity, power supply, at project execution.

Mas detalyado ang estimate ng Morgan Stanley. Ipinapakita nilang pagsapit ng 2028, ang kabuuang 2.9 trilyong dolyar na kapital para sa pandaigdigang konstruksyon ng data center ay magmumula sa mga sumusunod na sources:

• Tinatayang mga sariling cash flow ng malalaking kumpanya ng cloud ay nasa 1.4 trilyong dolyar;
• Corporate bonds ng humigit-kumulang 200 bilyong dolyar;
• Securitized credit assets ng humigit-kumulang 150 bilyong dolyar;
• Private credit, asset-backed financing, at joint venture debt ng humigit-kumulang 800 bilyong dolyar;
• Ibang capital ng humigit-kumulang 350 bilyong dolyar.

Ibig sabihin, malaking bahagi ng investment sa AI infrastructure ay pinatatakbo ng credit.

Itinuro ni Rohan Paul, isang AI content creator na gumagamit ng X platform, na dahil kakaunti lamang ang mga higanteng cloud company na walang hangganang maglalabas ng bond sa public market, nagsimula nang mangamba ang mga investor hinggil sa concentration risk ng issuer.

Nagpapalala pa ang masalimuot na financing ng data center sa problemang ito.

Hindi ito isang standalone asset kundi pinagsama-samang lupa, kuryente, network links, mga gusali, cooling system, at AI servers, kaya't natural lang na lumalapat ang kanilang financing need sa infrastructure funds, real estate funds, private credit, at corporate bonds.

Kung sakaling magkaroon ng system-wide adjustment sa market, mas magiging kumplikado ang chain of loss transmission— higit pa noong internet bubble era.

Sa demand side, ang mataas na operational cost ng AI ay pumipilit sa mga kumpanya na busisiin ang halaga ng bawat query at automated workflow.

Ang Uber ang pinaka-kapansin-pansing kaso. Binanggit ng Wall Street Watch na ang ride-hailing giant ay naubos ang AI budget nito para sa buong 2026 sa loob lamang ng isang quarter.

Noong April pa lang ay depleted na, kaya't nagtakda ang Uber ng monthly token spending limit na $1,500 kada empleyado sa isang AI tool. Inamin ni Andrew Macdonald, Pangulo at COO ng Uber:

Mas nagiging mahirap na patunayan na makatuwiran ang gastos sa AI tokens, at mahirap ihanay ang gastos sa aktuwal na pagtaas ng product functionality.

Ganoon din ang Walmart na nagtakda ng limit sa paggamit ng tokens ng kanilang internal AI assistant. Sinabi ni Suresh Kumar, Global CTO ng Walmart, na biglang tumaas ang paggamit ng platform nilang Code Puppy, at panahon na raw para "muling suriin ang sitwasyon."

Ang trend na ito ay sanhi ng structural na pagbabago ng singil. Inilipat na ng mga pangunahing AI labs kagaya ng Anthropic at OpenAI ang ilang serbisyo mula sa fixed subscription patungo sa modelo ng singil per token, kaya't mas sensitibo na ang mga kumpanya sa cost ng bawat prompt at automation.

Ayon kay Costi Perricos, Global Head ng Generative AI ng Deloitte:

Pumasok na ang compute cost sa radar ng CFO at board of directors. Palaging sinasabi sa mga consumer at kumpanya na mura o libre ang AI, ngunit hindi ito totoo.

Aminado rin si Sam Altman, CEO ng OpenAI nitong buwan, na naging "malaking problema" ang costs para sa mga kliyente ngayong taon, samantalang halos hindi naman nabanggit ang isyu noong nakaraang taon.

Ang cost-cutting ng mga kumpanya ay may paminsang epekto rin sa upper stream ng AI industry chain.

Nakaplano nang mag-public listing ang Anthropic at OpenAI ngayong taon, na may valuation na halos 1 trilyong dolyar. Gayunman, ang trend ng pagputol sa AI spending ng mga negosyo ay naglalagay ng pressure sa growth expectation sa kita ng mga kumpanyang ito.

Marami nang AI platform ang nagsimula ng mga hakbang upang hikayatin ang paggamit ng mas murang non-frontier models para mapanatili ang adoption rate.

Ayon kay Kyle Daigle, COO ng GitHub, nakipag-ugnayan na ang Microsoft sa mga kliyente para pag-usapan ang pagbabago sa presyo, pagtalakay ng "adaptability at applicability," at pagbibigay-diin na "hindi lahat ng task ay kailangan ng frontier model."

May mga tools na ring ipinakilala ang Microsoft, Amazon, at Google para i-auto route ang mga user request sa pinaka-cost-efficient na model na angkop sa task.

May ilang kumpanya naman ang bumaling sa open-source models para paganahin sa sarili nilang server o device, upang makabawas sa bayad sa AI labs at cloud providers.

Ikinuwento ni Patel ng Cisco ang kasalukuyang sitwasyon ng marami sa industriya:

Gusto ng aming mga engineer ng mas maraming token, kaya kailangan naming maghanap ng paraan paano ito babayaran.

Naglalarawan ang pangungusap na ito ng buong sitwasyon sa industriya— malawak nang tinatanggap ang strategic value ng AI, ngunit kailangang mapatunayan pa ng market ang business logic ng patuloy na pagbayad para rito.