W momencie, gdy firmy zaczynają „obniżać koszty mocy obliczeniowej”, Goldman Sachs ostrzega, że 5,3 biliona wydatków kapitałowych na AI zbliża się do granicy nasycenia kredytowego!

Fala inwestycji w infrastrukturę AI na nowo kształtuje globalne rynki kapitałowe, a ukryte za nią ryzyko zadłużenia jest nie do zignorowania.

Najnowsza prognoza Goldman Sachs wskazuje, że w latach 2025-2030 wydatki kapitałowe przedsiębiorstw chmury obliczeniowej w AI i centrach danych wyniosą łącznie 5,3 biliona dolarów, rozpoczynając bezprecedensowy supercykl inwestycyjny.

Goldman Sachs przewiduje, że największe przedsiębiorstwa będą musiały pozyskiwać finansowanie z różnych rynków, ponieważ mogą napotkać granice płynności na rynku kredytów.

Gary Marcus, honorowy profesor Uniwersytetu Nowojorskiego, udostępniając analizę, określił to zdanie Goldman Sachs jako "przerażające", mówiąc:

Dla mnie pytanie nie brzmi już, czy model gigantycznej skali się załamie, lecz jak poważne będą szkody uboczne.

Gary Marcus ostrzega dodatkowo:

Gigantyczni dostawcy chmury nie mają szans odzyskać zainwestowanych 5,3 biliona dolarów, jeśli nie uzyskają ogromnych subsydiów rządowych, wyciągając je od podatników. To właśnie planują zrobić.

W tym samym czasie, Morgan Stanley szacuje, że tylko na budowę globalnych centrów danych do 2028 r. wydatki kapitałowe niemal osiągną wartość 2,9 biliona dolarów, z dużym udziałem finansowaną długiem. To oznacza, że kiedy rynek się skoryguje, straty nie będą ograniczone do udziałowców, lecz mogą rozprzestrzenić się na całe społeczeństwo poprzez rynek kredytowy.

Drugą stroną tej inwestycyjnej uczty jest coraz bardziej napięty budżet firm. Wczesni użytkownicy AI na dużą skalę, tacy jak Uber, Amazon czy Walmart, zaczęli ograniczać wykorzystanie AI przez pracowników lub wdrażać środki obniżenia kosztów.

Po tym, jak Anthropic zmienił model rozliczeń na kosztowanie według ilości tokenów, dyrektor IT firmy Workato, Carter Busse, zaobserwował siedmiokrotny wzrost dziennego wydatku i skomentował:

Stworzyliśmy potwora.

Zgodnie z analizą Goldman Sachs, wydatki kapitałowe na AI rosną szybciej niż rzeczywista budowa centrów danych, co oznacza, że przyszłe wąskie gardła przesuną się z zapotrzebowania modeli na zdolność finansową, dostawy energii i realizację projektów.

Wyliczenia Morgan Stanley są bardziej szczegółowe. Szacuje, że do 2028 r. struktura źródeł finansowania wydatków na globalne centra danych wynoszące 2,9 biliona dolarów będzie następująca:

• Gigantyczne przedsiębiorstwa chmury własny cash flow – około 1,4 biliona dolarów;
• Obligacje korporacyjne – około 200 miliardów dolarów;
• Sekurytyzowany kredyt aktywów – około 150 miliardów dolarów;
• Kredyt prywatny, finansowanie pod zastaw aktywów i dług joint venture – około 800 miliardów dolarów;
• Inny kapitał – około 350 miliardów dolarów.

Ta struktura oznacza, że inwestycje w infrastrukturę AI są w dużym stopniu napędzane przez kredyt.

Rohan Paul, AI influencer, napisał na platformie X, że z racji tego, iż kilka największych firm chmurowych nie może bez końca emitować obligacji publicznych, inwestorzy zaczynają obawiać się ryzyka koncentracji emitentów.

Złożoność finansowania centrów danych pogłębia ten problem.

To nie jest pojedynczy aktyw, lecz integracja gruntu, dostępu do energii, łączy sieciowych, budynków, systemów chłodzenia i serwerów AI, a potrzeby finansowe przenikają do funduszy infrastrukturalnych, funduszy nieruchomości, kredytów prywatnych i obligacji korporacyjnych.

Jeśli nastąpi systemowa korekta rynku, łańcuch przekazywania strat będzie znacznie bardziej złożony niż w czasach bańki internetowej.

Po stronie popytu, wysokie koszty operacyjne AI zmuszają firmy do ponownego przemyślenia wartości każdego zapytania i zautomatyzowanego workflow.

Uber to najbardziej reprezentatywny przypadek. Wallstreetcn wspomniało, że ten gigant ridesharingowy w jednym kwartale wydał cały budżet na AI na rok 2026.

Po wyczerpaniu budżetu już w kwietniu, Uber ogłosił limit miesięcznych wydatków na tokeny dla pojedynczego narzędzia AI dla pracownika na poziomie 1500 dolarów. Prezes i COO Ubera, Andrew Macdonald, przyznał:

Coraz trudniej jest uzasadnić wydatek na tokeny AI i wyraźnie powiązać dane wydatki z faktycznym wzrostem funkcjonalności produktu.

Walmart również ustalił limit zużycia tokenów przez wewnętrznego asystenta AI. CTO Walmart Global, Suresh Kumar, powiedział, że platforma Code Puppy notuje "gwałtowny wzrost użycia", a teraz nadszedł czas, by "zrobić krok wstecz i jeszcze raz wszystko przemyśleć".

Za tym trendem kryje się strukturalna zmiana modelu rozliczeń. Anthropic, OpenAI i inne laboratoria AI przestawiają niektóre usługi z abonamentu na rozliczenia według liczby tokenów, przez co firmy są znacznie bardziej wrażliwe na koszt każdej komendy oraz workflow.

Costi Perricos, globalny szef generatywnej AI w Deloitte, komentuje:

Koszty obliczeniowe weszły już na radar CFO i zarządów. Konsumentom i firmom wmawiano, że AI jest tanie lub darmowe, ale to nieprawda.

CEO OpenAI, Sam Altman, w tym miesiącu też przyznał, że koszty stały się "poważnym problemem" dla klientów w tym roku, podczas gdy w zeszłym roku temat ten prawie nie był poruszany.

Działania firm w zakresie redukcji kosztów mają również niebagatelny wpływ na upstream AI.

Anthropic i OpenAI planują wejście na giełdę jeszcze w tym roku, a ich wyceny zbliżają się do biliona dolarów. Jednak trend cięcia wydatków na AI przez firmy wywiera potencjalną presję na prognozy wzrostu przychodów tych dwóch firm.

Wiodące platformy AI zaczęły już reagować, zachęcając użytkowników do korzystania z tańszych, nieprzełomowych modeli, by utrzymać poziom adopcji.

COO GitHub, Kyle Daigle, powiedział, że Microsoft z wyprzedzeniem informował klientów o zmianach cenników, omawiając "dopasowanie i odpowiednie scenariusze", podkreślając, że "nie każde zadanie wymaga najnowocześniejszego modelu".

Microsoft, Amazon i Google wdrożyły też narzędzia automatycznie kierujące żądania użytkowników do najbardziej opłacalnego modelu.

Niektóre firmy wybierają modele open source, uruchamiając je na lokalnych serwerach lub urządzeniach osobistych, by ograniczyć koszty płatności dla laboratoriów AI i dostawców chmury.

Patel z Cisco wyraził sytuację wielu firm:

Nasi inżynierowie chcą więcej tokenów, a my musimy znaleźć sposób, by za to zapłacić.

To zdanie pokazuje trudności całej branży – strategiczna wartość AI jest szeroko akceptowana, ale logika ciągłego płacenia za nią komercyjnie nadal musi zostać zweryfikowana przez rynek.