Bilion dolarów na AI: co musi się zwrócić, by inwestycja wyszła

Analiza opublikowana przez MIT Technology Review stawia pytanie, które coraz częściej pojawia się w rozmowach o boomie inwestycyjnym wokół sztucznej inteligencji: co musi się wydarzyć, żeby biliony dolarów wpompowane w infrastrukturę AI faktycznie się zwróciły? Jessica Wachter, profesor finansów w Wharton School Uniwersytetu Pensylwanii, zamiast zgadywać, jak użyteczne i powszechne będą modele AI za kilka lat, zadała bardziej przyziemne pytanie: jak szybko muszą rosnąć zyski wielkich firm technologicznych, aby uzasadnić ich wydatki.

Wachter, wcześniej główna ekonomistka Amerykańskiej Komisji Papierów Wartościowych i Giełd (SEC), wraz ze współautorem oszacowała, że wydatki tak zwanych hyperscalerów sięgną blisko 1,1 biliona dolarów do 2027 roku. Wnioski z jej analizy są, jak sama mówi, „zaskakujące”.

Kluczowe wnioski

• Aby wyjść na zero do 2030 roku (uwzględniając koszt kapitału, oczekiwaną 15-procentową stopę zwrotu oraz amortyzację aktywów), firmy AI musiałyby zwiększyć własną produktywność o czynnik 2,7.
• Hyperscalerzy wydadzą w tym roku łącznie ok. 750 mld dolarów na budowę centrów danych, a łączne inwestycje kapitałowe Alphabetu, Microsoftu, Amazona, Mety i Oracle (partnera OpenAI) mogą przekroczyć 5 bilionów dolarów w ciągu najbliższych czterech lat.
• Tegoroczne globalne przychody z AI wynoszą jednak tylko 150–200 mld dolarów – jak zauważa Gary Gensler, były szef SEC, obecnie profesor MIT Sloan School: „Wydatki nie mają jeszcze odpowiadających im przychodów. To fakt”.
• Inwestycje w infrastrukturę AI mogą wkrótce sięgnąć około 3% amerykańskiego PKB, a wolny przepływ pieniężny (operacyjny minus wydatki kapitałowe) tej grupy firm ma wkrótce spaść poniżej zera.
• Jeśli boom produktywności „nie nastąpi”, obecna fala inwestycji może stać się – jak piszą Wachter i jej współautor – „największą błędną alokacją kapitału w historii”.

Dług, amortyzacja i pierwszy deficyt Alphabetu od czasów IPO

Ryzyko, na jakie narażeni są inwestorzy i cała gospodarka, wzrosło w tym roku, ponieważ firmy AI zaczęły zaciągać coraz większe pożyczki na budowę kolejnych centrów danych. To istotna zmiana względem wcześniejszych lat, gdy hyperscalerzy finansowali ekspansję głównie z własnych, ogromnych zasobów gotówki.

Nawet Alphabet, znany z generowania i gromadzenia gigantycznych rezerw finansowych, w ostatnim kwartale odnotował, że jego przychody bliskie 120 mld dolarów zostały „pochłonięte” przez wydatki na infrastrukturę AI, co dało deficyt wolnych przepływów pieniężnych na poziomie ok. 5,9 mld dolarów – pierwszy taki niedobór od debiutu Google na giełdzie w 2004 roku.

Na razie, jak podkreśla artykuł, nie jest to poważny problem finansowy dla większości tych firm – mają duże przychody i głębokie kieszenie. Ale dług jest kosztowny, a część inwestorów zaczyna tracić cierpliwość. Jeśli w przyszłości popyt na moc obliczeniową centrów danych spadnie, firmy wciąż będą musiały spłacać zaciągnięte zobowiązania. Co więcej, ryzyko rozprzestrzenia się na resztę gospodarki, ponieważ pożyczki są przekazywane dalej za pomocą różnych mechanizmów finansowych.

Nie wystarczy pokryć samych kosztów budowy nowych centrów danych. Hyperscalerzy muszą też zapłacić za rosnące koszty kapitału wynikające z zadłużenia oraz osiągnąć zwroty na tyle wysokie, by usprawiedliwić wydatki przed inwestorami i wierzycielami. Do tego dochodzi konieczność rozliczenia amortyzacji miliardów dolarów zainwestowanych w chipy znajdujące się w tych obiektach – co artykuł określa jako „tykającą bombę zegarową” ukrytą w inwestycjach.

Chipy, które starzeją się w tempie dwóch lat

Wydajność drogich chipów GPU stanowiących serce centrów danych – te same układy odpowiadają za około 60% kosztów infrastruktury – z grubsza podwaja się co dwa lata. To tempo postępu wyjaśnia coraz większą sprawność modeli AI, ale ma swoją cenę. Właściciele centrów danych uruchamianych w tym i przyszłym roku będą musieli wydać kolejne miliardy na nową generację chipów jeszcze przed końcem dekady, jeśli chcą pozostać konkurencyjni.

Mihir Kshirsagar z Centrum Polityki Technologii Informacyjnych na Princeton ostrzega, że bez tych dodatkowych inwestycji centra danych ryzykują stanie się „wrakami” – osieroconymi aktywami „porozsypanymi po całym kraju”. To ryzyko wiąże się bezpośrednio z tempem rozwoju samej branży – kwestię tę porusza również tekst o dyskusji między liderami AI i administracją Trumpa na temat tempa rozwoju sektora.

Mówiąc prosto: firmy AI muszą zacząć zarabiać dużo więcej pieniędzy i muszą to zrobić szybko. Ale samo zwiększenie zysków wciąż może nie wystarczyć, aby utrzymać opłacalność inwestycji w centra danych w długim terminie – co potwierdza narastające zużycie energii i skalę infrastruktury opisywaną w kontekście rozwoju agentów AI napędzających boom na centra danych.

Produktywność jako jedyna droga do rentowności

Autorka analizy podkreśla, że tempo wzrostu wymagane do zbilansowania obecnych wydatków przypomina to, które gospodarka USA obserwowała w czasie boomu technologicznego lat 90., trwającego około dekady. Różnica polega na tym, że tym razem firmy AI mają na to znacznie mniej czasu – potrzebny wzrost musiałby zmieścić się w kilku latach, nie w dekadzie.

Jeśli hyperscalerzy nie zrealizują tych celów zysku, konsekwencje mogą być poważne. „Wtedy zaczną zalegać z płatnościami odsetek, a to grozi bankructwem” – ostrzega Wachter. Innymi słowy, przyszłość tego, czy trylionowy zakład na sztuczną inteligencję się opłaci, zależy od tego, czy AI zdoła wygenerować realny, mierzalny wzrost produktywności w gospodarce – a nie tylko postęp w laboratoriach.

Analiza pokazuje, że kwestia opłacalności obecnej fali inwestycji w AI to nie tylko problem finansowy wielkich koncernów technologicznych, ale potencjalne ryzyko systemowe dla amerykańskiej gospodarki, w której wydatki na infrastrukturę AI mogą wkrótce odpowiadać za kilka procent PKB.