Tańsze tokeny AI napędzają popyt na GPU – teoria Jevonsa

Dane analizowane przez firmę inwestycyjną a16z pokazują mechanizm, który w świecie Jensena Huanga, szefa Nvidii, brzmi wręcz jak marzenie: ceny tokenów AI spadają, ale zamiast obniżać zyski branży, napędzają jeszcze większy popyt na moc obliczeniową. To zjawisko znane w ekonomii jako paradoks Jevonsa – a dane z Ornn, Silicon Data i Bloomberga, zebrane do sierpnia 2026 roku, zdaniem a16z stanowią jego podręcznikowy przykład w kontekście rynku sztucznej inteligencji.

Ceny tokenów, czyli jednostek, w których rozliczane jest korzystanie z modeli AI, systematycznie spadają. Jednocześnie ceny wynajmu GPU H100 – flagowych układów Nvidii wykorzystywanych do trenowania i obsługi modeli – nie idą w dół razem z nimi. Utrzymują się na stałym poziomie albo nawet rosną.

Kluczowe wnioski

• Dane Ornn, Silicon Data i Bloomberga (do sierpnia 2026) pokazują, że mimo spadających cen tokenów AI, ceny wynajmu GPU H100 pozostają stabilne lub rosną.
• a16z nazywa to zjawisko podręcznikowym przykładem paradoksu Jevonsa – tańsze tokeny odblokowują nowe zastosowania (agenci AI, automatyzacja), więc wolumen zużycia rośnie szybciej niż spadają jednostkowe koszty.
• Nie jest jasne, jaka część wzrostu popytu pochodzi od ludzi, a jaka od samych systemów AI – agentyczna sztuczna inteligencja zużywa tokeny w zatrważającym tempie.
• Popyt na moc obliczeniową może być sztucznie zawyżony, co oznacza, że nawet umiarkowany wzrost użycia ze strony ludzi mógłby wywołać nieproporcjonalnie duże potrzeby sprzętowe.
• Cały system opiera się na założeniu, że wykorzystanie AI musi rosnąć szybciej niż spadają ceny tokenów – gdy popyt zwolni, ucierpią producenci chipów, dostawcy pamięci, firmy energetyczne i chmurowe.

Paradoks Jevonsa jako fundament rynku GPU

Paradoks Jevonsa to zjawisko ekonomiczne znane od XIX wieku: gdy jakiś zasób staje się bardziej wydajny lub tańszy w użyciu, jego całkowite zużycie – wbrew intuicji – może wzrosnąć, a nie spaść. W przypadku rynku AI mechanizm działa następująco: spadające ceny tokenów czynią modele AI dostępne dla coraz większej liczby zastosowań – agentów AI działających autonomicznie, procesów automatyzacji biznesowej, nowych aplikacji konsumenckich. Te nowe zastosowania generują tak duży wolumen zapytań, że całkowity popyt na infrastrukturę rośnie szybciej, niż spadają koszty jednostkowe.

Dla Nvidii i branży producentów sprzętu to najlepszy możliwy scenariusz. Zamiast kanibalizować własny biznes niższymi marżami na tokeny, rynek kompensuje spadek cen jednostkowych gwałtownie rosnącym wolumenem – a to oznacza, że zapotrzebowanie na kosztowne GPU H100 nie słabnie, mimo że korzystanie z samych modeli staje się coraz tańsze dla użytkowników końcowych.

Problem w tym, że nikt do końca nie wie, skąd bierze się ten wzrost zużycia tokenów. Autor artykułu zwraca uwagę, że trudno jednoznacznie określić, jaka część dodatkowego popytu wynika z realnego wzrostu liczby użytkowników ludzkich, a jaka z aktywności samych systemów agentycznych, które – działając autonomicznie, podejmując kolejne decyzje i wywołując kolejne zapytania – potrafią zużywać tokeny w tempie nieporównywalnym z typowym użyciem przez człowieka. To rozróżnienie ma kluczowe znaczenie, bo jeśli znaczna część popytu generowana jest przez same systemy AI napędzające się nawzajem, rynek może mierzyć popyt, który nie przekłada się proporcjonalnie na realną wartość biznesową.

Ryzyko sztucznie zawyżonego popytu

Z artykułu wynika wyraźne ostrzeżenie: skoro agentyczna AI zużywa tokeny tak intensywnie, nawet niewielki wzrost realnego zainteresowania ze strony ludzi mógłby wywołać nieproporcjonalnie duży skok zapotrzebowania na sprzęt. Innymi słowy, popyt widoczny w statystykach może być w pewnym stopniu sztucznie napompowany przez mechanizmy wewnętrzne systemów AI, a nie organiczny wzrost zastosowań komercyjnych.

To stawia całą konstrukcję rynku na dość niepewnym fundamencie. Autor podkreśla, że cały system – od producentów chipów, przez dostawców pamięci, firmy energetyczne, aż po operatorów centrów danych i dostawców usług chmurowych – opiera się na jednym założeniu: wykorzystanie AI musi rosnąć szybciej, niż spadają ceny tokenów. Dopóki ten warunek jest spełniony, sprzęt pozostaje towarem rzadkim i drogim, co napędza przychody Nvidii i całej infrastruktury wokół AI.

Jeśli jednak popyt się spłaszczy – z jakiegokolwiek powodu, czy to spadku entuzjazmu wobec agentów AI, czy racjonalizacji wydatków przez firmy wdrażające automatyzację – skutki odczuje cały łańcuch dostawców, od producentów chipów po dostawców energii dla centrów danych. Temat skali inwestycji w infrastrukturę AI i konsekwencji, jakie niesie ich ewentualne wyhamowanie, poruszał już wcześniej artykuł o tym, że AI2 zmienia sposób przydziału mocy GPU, wprowadzając budżety czasu zamiast priorytetów – pokazujący, jak kluczowe staje się efektywne zarządzanie ograniczonym zasobem obliczeniowym.

Nerwowość rynków finansowych

Jak wrażliwe są już dziś rynki finansowe na sygnały dotyczące realnego popytu na AI, pokazały niedawne wydarzenia: akcje w USA spadły po doniesieniach, że zannualizowane przychody OpenAI mogą być niższe, niż wcześniej podawano. To pokazuje, że inwestorzy traktują każdy sygnał o słabnącym popycie na usługi AI jako potencjalny wczesny wskaźnik szerszego spowolnienia w całym sektorze – od chipów, przez centra danych, po spółki chmurowe.

W kontekście rosnącej skali wydatków na infrastrukturę AI warto przypomnieć, że część analiz rynkowych wskazuje, że niewielu użytkowników płaci za usługi AI, ale ci, którzy płacą, wydają naprawdę duże sumy – co dodatkowo komplikuje ocenę, czy rosnący wolumen tokenów przekłada się na proporcjonalny wzrost realnych przychodów branży.

Podsumowanie

Dane analizowane przez a16z sugerują, że rynek AI działa dziś zgodnie z klasycznym paradoksem Jevonsa – spadające ceny tokenów nie szkodzą producentom sprzętu, bo napędzają jeszcze większy wolumen zużycia. Dla Jensena Huanga i Nvidii to scenariusz idealny, o ile popyt – niezależnie od tego, czy generują go ludzie, czy same systemy AI – utrzyma dotychczasowe tempo wzrostu.