David Cahn pyta: czy AI zdoła odpowiedzieć na pytanie warte 3 biliony dolarów, zanim oczekiwane zyski się oddalą?

Partner Sequoia, David Cahn, podniósł swój szacunek wartości infrastruktury AI do 1,5 biliona dolarów, zmuszając inwestorów do zmierzenia się ze znacznie większym problemem dotyczącym przychodów. Czy AI zdoła odpowiedzieć na pytanie warte 3 biliony dolarów, zanim spodziewane korzyści przesuną się poza 2028 rok?

Kwota ta odpowiada oszacowanym przez Cahna przychodom niezbędnym do uzasadnienia wydatków branży na infrastrukturę w 2026 roku. Obejmuje obciążenia ekonomiczne związane z układami scalonymi, centrami danych, systemami energetycznymi, sprzętem sieciowym oraz marżami operatorów.

Spór nie sprowadza się już jedynie do starcia optymistów AI ze sceptykami. Chodzi o konfrontację obiecywanych przez branżę przychodów z fizycznymi i finansowymi zobowiązaniami podjętymi już przez Google, Meta, Microsoft, Amazon i ich partnerów.

Firmy zajmujące się AI szybko się rozwijają, ale zobowiązania infrastrukturalne rosną w zupełnie innej skali. Spadające koszty tokenów i tańsze modele o otwartych wagach ułatwiają wdrażanie technologii, a jednocześnie utrudniają osiągnięcie docelowych przychodów.

Ta sprzeczność wywiera presję na hiperskalerów. Inwestorzy oczekują, że ich ogromne programy inwestycyjne przełożą się w ciągu najbliższych kilku lat na zdecydowanie wyższe wolne przepływy pieniężne.

Jeśli środki te nie pojawią się zgodnie z harmonogramem, konsekwencje wykroczą poza firmy rozwijające modele. Dotkną dostawców układów scalonych, przedsiębiorstw energetycznych, rynków kredytowych, najważniejszych indeksów giełdowych i całej gospodarki.

David Cahn przekształca ostrzeżenie dotyczące 200 miliardów dolarów w test wart 3 biliony

Nowy szacunek Cahna zmienia debatę o AI z dyskusji na temat popytu na produkty w sprawdzian tego, czy przychody zdołają dogonić wydatki infrastrukturalne.

Cahn zaczął przedstawiać ten argument w 2023 roku, gdy Nvidia raportowała roczne przychody ze sprzedaży procesorów GPU na poziomie około 50 miliardów dolarów. Do tej kwoty doliczył koszty operacyjne i marże wymagane w całym łańcuchu infrastruktury.

Z obliczeń wynikało, że branża potrzebowała około 200 miliardów dolarów przychodów, aby początkowa inwestycja mogła się zwrócić. Szacunek ten stał się znany jako „pytanie AI za 200 miliardów dolarów”.

Pytanie nie miało być zapowiedzią porażki AI. Cahn przedstawił je jako wyzwanie dla przedsiębiorców, by tworzyli aplikacje zdolne do rentownego wykorzystania dostępnej mocy obliczeniowej.

Trzy lata intensywnej rozbudowy zmieniły skalę przedsięwzięcia. Według opublikowanej 9 lipca analizy infrastruktury Cahn szacuje obecnie wydatki na infrastrukturę AI w 2026 roku na 1,5 biliona dolarów.

Z jego modelu wynika, że uzasadnienie tych nakładów wymaga od branży wygenerowania 3 bilionów dolarów przychodów. Kwota ta uwzględnia znacznie więcej niż tylko cenę zakupu akceleratorów.

Centra danych potrzebują energii, chłodzenia, sieci, pamięci, gruntów, prac budowlanych i bieżącego utrzymania. Operatorzy infrastruktury oczekują również zwrotu z zainwestowanego kapitału.

Cahn przekonuje, że ostateczne wymagania mogą być jeszcze wyższe. Ograniczona dostępność pamięci, wyspecjalizowane układy do wnioskowania oraz rosnące koszty budowy mogą zwiększać przychody niezbędne do utrzymania każdego gigawata mocy.

Gigawat jest miarą mocy energetycznej, a nie wydajności AI. Ma znaczenie, ponieważ dostępność energii elektrycznej stała się jednym z najwyraźniejszych ograniczeń tempa wdrażania nowych systemów obliczeniowych.

Apollo opublikowało odrębną prognozę infrastrukturalną, która obrazuje tę samą presję. Według niej rozwój infrastruktury AI do 2028 roku będzie wymagał blisko 3 bilionów dolarów kapitału.

Apollo przewidywało, że około połowa tej kwoty będzie pochodzić z finansowania zewnętrznego. Jego prognoza kapitałowa zakładała również, że kredyt prywatny może zapewnić ponad 800 miliardów dolarów.

Szacunki te dotyczą różnych kwestii i nie należy traktować ich jako tożsamych. Cahn analizuje przychody niezbędne do uzasadnienia wydatków, natomiast Apollo ocenia potrzeby związane z finansowaniem infrastruktury.

Oba obliczenia wskazują jednak na ten sam zasadniczy problem. Fizyczna rozbudowa zaplecza AI postępuje szybciej, niż branża jest w stanie wykazać odpowiadający jej, trwały strumień przychodów od klientów.

Ekspansja wiąże się również z długimi terminami realizacji. Cahn twierdzi, że budowa przeciętnego centrum danych AI trwa około dwóch lat.

Projekty zapowiedziane podczas początkowego boomu generatywnej AI są zatem oddawane do użytku już po podjęciu wielu decyzji zakupowych. Ich wartość ekonomiczna zależy od popytu, który musi utrzymać się przez lata.

Infrastruktura chmurowa stanowiła przykład wolniejszej transformacji. Amazon uruchomił AWS w 2006 roku, a przenoszenie obciążeń firmowych do chmury rozciągnęło się na dziesięciolecia.

Takie tempo pozwalało dostawcom stopniowo finansować ekspansję. Obecny cykl AI wymaga od firm zabezpieczenia dostaw układów scalonych, energii elektrycznej i mocy wykonawczych w budownictwie, zanim popyt stanie się równie wyraźny.

Pytanie za 3 biliony dolarów nie dotyczy więc tego, czy ludzie korzystają z AI. Technologia rozpowszechniła się już w wyszukiwarkach, tworzeniu oprogramowania, obsłudze klienta, badaniach, produkcji treści i pracy biurowej.

Chodzi o to, czy klienci będą płacić wystarczająco dużo i wystarczająco długo, aby utrzymać infrastrukturę zbudowaną na ich potrzeby. To znacznie bardziej rygorystyczny sprawdzian.

Czy AI może odpowiedzieć na pytanie za 3 biliony dolarów przy obecnych przychodach?

Czołowe firmy zajmujące się AI zbudowały pokaźne biznesy, lecz ich raportowane przychody pozostają daleko poniżej poziomu wynikającego z obliczeń Cahna.

Według doniesień do lipca 2026 roku Anthropic zbliżało się do 60 miliardów dolarów rocznych przychodów powtarzalnych. Roczne przychody powtarzalne, czyli ARR, stanowią projekcję bieżących wpływów z subskrypcji i umów na cały rok.

Według doniesień OpenAI wygenerowało w 2025 roku 13 miliardów dolarów. W listopadzie 2025 roku firma poinformowała, że osiągnęła ARR na poziomie 20 miliardów dolarów, co sugeruje dalsze przyspieszenie względem zaksięgowanych przychodów rocznych.

Liczby te świadczą o rzeczywistym popycie, zwłaszcza na agentów programistycznych i asystentów ogólnego przeznaczenia. Nie wystarczają jednak, by wypełnić lukę liczoną w bilionach dolarów.

Przychody dostawców modeli stanowią ponadto tylko część odpowiedzi. Google, Microsoft, Amazon i Meta mogą zarabiać na AI poprzez usługi chmurowe, reklamę, handel, subskrypcje oraz poprawę wewnętrznej efektywności.

Google może wykorzystywać modele w reklamach w wyszukiwarce i obciążeniach chmurowych. Microsoft może integrować asystentów z oprogramowaniem biznesowym, jednocześnie sprzedając moc obliczeniową za pośrednictwem Azure.

Amazon może stosować AI we własnej działalności detalicznej i oferować infrastrukturę dla modeli poprzez AWS. Meta może ulepszać systemy reklamowe i zwiększać zaangażowanie użytkowników bez pobierania bezpośredniej opłaty za każdą interakcję z modelem.

Te pośrednie korzyści komplikują obliczenia Cahna. Każdy dolar uzyskany dzięki lepszej skuteczności reklam może pomóc uzasadnić wydatki na infrastrukturę, nawet jeśli nigdy nie pojawi się jako przychód z API modelu.

Znaczenie mają również oszczędności. Agent, który skraca realizację projektu programistycznego lub automatyzuje obsługę klienta, może tworzyć wartość, nie stając się odrębną linią produktową.

Korzyści pośrednie są jednak trudne do wyodrębnienia. Firmy mogą przypisywać AI usprawnienia wynikające również ze zmian cen, redukcji zatrudnienia, wzrostu rynku lub tradycyjnych aktualizacji oprogramowania.

Najsilniejsze zastosowania krótkoterminowe pozostają skoncentrowane w kilku obszarach. W prognozie AI na 2026 rok Cahn wskazał programowanie i ChatGPT jako dwie sprawdzone, przełomowe aplikacje.

Spodziewał się, że obie kategorie zbliżą się do dziesiątek miliardów dolarów rocznych przychodów lub przekroczą ten poziom. Zauważył również rosnącą grupę startupów zmierzających ku znaczącej skali komercyjnej.

Agenci programistyczni oferują wyjątkowo przejrzyste uzasadnienie ekonomiczne. Potrafią tworzyć kod, przeglądać zmiany, testować interfejsy, analizować awarie i obsługiwać narzędzia deweloperskie.

Nabywca może porównać te rezultaty z czasem pracy inżynierów, szybkością publikowania nowych wersji i liczbą defektów. Pozwala to mierzyć zwrot w sposób bardziej konkretny niż ogólna obietnica usprawnienia pracy umysłowej.

Nawet tutaj przypisywanie przychodów pozostaje wyzwaniem. Firma może płacić za kilku asystentów, podczas gdy inżynierowie nadal korzystają z dotychczasowych narzędzi programistycznych i usług chmurowych.

Istotne pytanie nie brzmi, czy agent tworzy użyteczny kod. Chodzi o to, czy wynikający z niego wzrost produktywności przewyższa koszty subskrypcji, wnioskowania, weryfikacji, bezpieczeństwa i integracji.

Wdrożenia korporacyjne powodują kolejne opóźnienia. Duże organizacje muszą połączyć modele z prywatnymi danymi, uprawnieniami, systemami informatycznymi i procesami zatwierdzania.

Potrzebują także metod oceny, które pozwolą odróżnić płynną odpowiedź od wiarygodnego rezultatu. Model dobrze wypadający podczas demonstracji może nadal zawodzić w ramach długiego procesu produkcyjnego.

Cahn opisywał przedsiębiorstwa jako zmęczone trudnymi wewnętrznymi projektami AI. Zmęczenie to otwiera szansę dla startupów aplikacyjnych, ale jednocześnie opóźnia przychody potrzebne właścicielom infrastruktury.

Wyspecjalizowana aplikacja może obudować modele pod kątem jednego zadania i wyeliminować część prac integracyjnych. Jej dostawca nadal jednak mierzy się z presją wynikającą ze spadających kosztów modeli i szybkiego kopiowania funkcji.

Uzasadnienie przychodowe musi zatem działać na kilku poziomach. Dostawcy modeli potrzebują kontraktów, firmy tworzące aplikacje — utrzymania klientów, a hiperskalerzy — rentownego wykorzystania swoich centrów danych.

Samo zwiększenie wykorzystania nie wystarczy, jeśli koszt każdej jednostki pracy spada szybciej, niż rośnie popyt. Przychody zależą od relacji między wolumenem użycia a malejącym kosztem jednostkowym.

Aby AI odpowiedziała na pytanie za 3 biliony dolarów, klienci muszą zużywać zdecydowanie więcej „inteligencji” w miarę spadku jej ceny. Taki scenariusz jest możliwy, ale wymagana skala wzrostu jest ogromna.

Tańsze tokeny wywołują kluczowe odwrócenie dynamiki przychodów AI

Te same wzrosty efektywności, które ułatwiają wdrażanie AI, mogą osłabiać przyrost przychodów potrzebny do spłaty infrastruktury.

Firmy tworzące modele zazwyczaj naliczają opłaty za tokeny, czyli niewielkie jednostki tekstu lub kodu przetwarzane podczas generowania treści. Niższe koszty tokenów zmniejszają wydatki związane z działaniem asystentów i agentów.

To dobra wiadomość dla deweloperów i klientów korporacyjnych. Proces, który w ubiegłym roku był zbyt drogi, może stać się opłacalny po udoskonaleniu modelu lub sprzętu.

Niższe koszty jednostkowe wywierają jednak presję na dostawców. Jeśli agent wykonuje to samo zadanie przy użyciu mniejszej liczby tokenów, dostawca uzyskuje niższe przychody z użycia, chyba że klienci zaczną realizować więcej zadań.

To najważniejsze odwrócenie dynamiki w argumentacji Cahna. Postęp techniczny wzmacnia produkt, a zarazem zwiększa skalę użycia niezbędną do odzyskania nakładów na infrastrukturę.

OpenAI poinformowało, że GPT-5.4 potrzebuje mniej tokenów do wykonania wielu zadań niż GPT-5.2. Firma przedstawiła go również jako lepszy model do programowania, korzystania z narzędzi i realizacji profesjonalnych procesów roboczych.

W jednej z publicznych ocen dotyczących programowania GPT-5.4 uzyskał wynik 57,7 procent wobec 55,6 procent w przypadku GPT-5.2. Ocena modelu przeprowadzona przez OpenAI wykazała również znaczne postępy w agentowym wyszukiwaniu internetowym.

OpenAI twierdziło później, że jego najnowszy model jest o 54 procent bardziej efektywny pod względem wykorzystania tokenów w agentowych zadaniach programistycznych. Stwierdzenie to opisuje ilość obliczeń wyrażoną w tokenach, a nie gwarantowany wzrost produktywności.

Niezależne wyniki w środowisku produkcyjnym mogą się różnić zależnie od promptów, narzędzi, długości zadania i ustawień rozumowania. Benchmark nie pozwala ustalić ostatecznego kosztu wdrożenia korporacyjnego.

Mimo to kierunek zmian jest wyraźny. Modele konkurują nie tylko poziomem inteligencji, lecz także efektywnością przekształcania mocy obliczeniowej w wykonaną pracę.

Efektywność może pobudzać popyt poprzez dobrze znany mechanizm ekonomiczny. Gdy dany zasób tanieje, ludzie często odkrywają kolejne sposoby jego wykorzystania.

Deweloperzy mogą przejść od sporadycznego uzupełniania kodu do agentów stale monitorujących testy. Zespoły wsparcia mogą analizować każdą interakcję z klientem zamiast tylko ich próbki.

Badacze mogą prowadzić kilka równoległych analiz. Zespoły produktowe mogą generować, testować i porównywać znacznie więcej prototypów przed wyborem jednego z nich.

Scenariusze te mogą zwiększyć całkowite zużycie tokenów pomimo niższych kosztów poszczególnych zadań. Teza dotycząca infrastruktury zakłada, że taka ekspansja nastąpi na bardzo dużym rynku.

Jedną z możliwych dróg są przepływy pracy oparte na agentach. Agent nie ogranicza się do odpowiedzi na pojedyncze polecenie. Planuje, korzysta z narzędzi, odczytuje pliki, sprawdza wyniki i powtarza kolejne kroki.

Badanie opublikowane w 2026 roku wykazało, że zadania programistyczne wykonywane przez agentów mogą zużywać znacznie więcej tokenów niż zwykła rozmowa o kodzie. To samo badanie ujawniło duże różnice między kolejnymi uruchomieniami.

Ta zmienność pomaga zrozumieć, dlaczego deklaracje dotyczące wydajności wymagają ostrożności. Większa liczba tokenów nie przekładała się konsekwentnie na wyższą trafność, a modele miały trudności z przewidywaniem własnego zużycia.

Nabywcy będą coraz częściej oczekiwać ukończonej pracy, a nie samej liczby wykorzystanych tokenów. Zwiększy to nacisk na ocenę opartą na rezultatach, przewidywalne budżety i możliwość audytowania realizacji zadań.

Firmy organizujące własną pracę z AI mogą zyskać na przechowywaniu źródeł, decyzji i wyników modeli w jednym miejscu. Przeszukiwalna baza wiedzy AI może ograniczyć wielokrotne wyszukiwanie tych samych informacji i zachować kontekst stojący za wynikami.

Lepszy kontekst może ograniczyć marnotrawstwo, ale nie gwarantuje niezawodności. Zespoły nadal potrzebują nadzoru człowieka przy istotnych decyzjach finansowych, prawnych, medycznych, dotyczących bezpieczeństwa i operacji.

Kluczowe pytanie ekonomiczne brzmi: czy te przepływy pracy wygenerują wystarczająco dużo dodatkowej aktywności, aby zrównoważyć wzrost wydajności. Dostawcy potrzebują, by konsumpcja rosła szybciej, niż spadają koszty jednostkowe.

Wymóg ten przypomina inne przełomy w informatyce. Tańsze przechowywanie danych doprowadziło do powstania większej ilości danych, a tańsza przepustowość umożliwiła strumieniowanie wideo i rozwój aplikacji chmurowych.

AI może podążyć podobną drogą. Różnica polega na skali kapitału zaangażowanego, zanim nowa krzywa popytu w pełni się ukształtowała.

Modele z otwartymi wagami wywierają presję na prognozy hiperskalerów

Konkurencja ze strony modeli z otwartymi wagami podważa założenie, że rosnące wykorzystanie AI będzie kierowane przede wszystkim do najdroższych amerykańskich platform modeli i usług chmurowych.

Model z otwartymi wagami udostępnia użytkownikom swoje wytrenowane parametry do pobrania lub samodzielnego uruchomienia. Nie oznacza to jednak, że ujawnia dane treningowe lub cały proces rozwoju.

Organizacje mogą uruchamiać takie modele we własnej infrastrukturze, korzystać ze specjalistycznych usług hostingowych albo dostosowywać je do węższych zastosowań. Ta elastyczność może zmniejszyć zależność od jednego dostawcy.

Główny ekonomista Apollo, Torsten Slok, wskazał tę zmianę jako zagrożenie dla prognoz hiperskalerów. Zauważył, że chińskie modele zdobywają udział w rynku, podczas gdy ceny tokenów nadal spadają.

Według lipcowej analizy Apollo chińskie modele wyprzedzały amerykańskie odpowiedniki pod względem wykorzystania tokenów wśród 20 najczęściej używanych modeli. Wykresy źródłowe opierały się na danych OpenRouter i innych zbiorach dotyczących użytkowania.

Takie zbiory danych nie odzwierciedlają całego rynku. Mogą nadmiernie reprezentować programistów często przełączających się między modelami i niedoszacowywać prywatnych wdrożeń korporacyjnych.

Mimo to ujawniają istotne zachowania konkurencyjne. Użytkownicy często wybierają tańszy model, jeśli radzi on sobie wystarczająco dobrze z rutynowym zadaniem.

Zespół programistyczny może zarezerwować model pionierski do podejmowania decyzji architektonicznych, a mniejszych modeli używać do testów, dokumentacji, klasyfikacji i formatowania.

Dział obsługi klienta może kierować proste zapytania do modelu lokalnego, a niejednoznaczne rozmowy przekazywać do bardziej zaawansowanego systemu hostowanego.

Takie połączenie ogranicza kwotę, jaką może pobierać pojedynczy dostawca. Zmniejsza również znaczenie przewagi w benchmarkach, gdy kilka modeli osiąga wymagany przez nabywcę poziom.

Google, Meta, Microsoft i Amazon nadal korzystają z ochrony, jaką zapewniają skala, dystrybucja i istniejące relacje z klientami. Mogą łączyć AI z usługami chmurowymi, oprogramowaniem biurowym, systemami reklamowymi i platformami dla programistów.

Dysponują również bilansami pozwalającymi kontynuować inwestycje podczas wojny cenowej. Mniejsi dostawcy infrastruktury nie mają takiego zabezpieczenia.

Skala zapewnia jednak nie tylko ochronę, lecz także zwiększa ekspozycję na ryzyko. Największe firmy zaangażowały najwięcej kapitału i mierzą się z najwyższymi oczekiwaniami inwestorów.

Analizowane przez Apollo prognozy konsensusu zakładają, że wolne przepływy pieniężne hiperskalerów wzrosną w nadchodzących latach ponad dwukrotnie. Wolne przepływy pieniężne to środki pozostające po pokryciu kosztów operacyjnych i nakładów inwestycyjnych.

Prognozy te zakładają, że dzisiejsze inwestycje doprowadzą do powstania większych i bardziej rentownych przedsiębiorstw. Zakładają również, że zwrot nastąpi wystarczająco szybko, by wyprzedzić amortyzację i koszty finansowania.

Amortyzacja rozkłada koszt aktywa na przewidywany okres jego użytkowania. Nabiera szczególnego znaczenia, gdy nowsze akceleratory sprawiają, że istniejący sprzęt staje się mniej atrakcyjny ekonomicznie.

Centrum danych może pozostać w pełni sprawne technicznie, a jednocześnie generować niższy zwrot od zakładanego. Szybsze układy mogą obniżyć wartość starszych systemów przed końcem ich księgowego okresu użytkowania.

Cahn ostrzegał również, że opóźnienie terminu osiągnięcia sztucznej inteligencji ogólnej może narazić obecną moc obliczeniową na ryzyko. Jeśli zaawansowane możliwości pojawią się później, część sprzętu może się zestarzeć, zanim popyt uzasadni jego zakup.

Ryzyko to nie oznacza, że zainstalowane układy staną się bezużyteczne. Istniejące systemy mogą obsługiwać mniejsze modele, zadania dostrajania, wnioskowanie, badania i obciążenia o niższym priorytecie.

Problemem jest zwrot w stosunku do pierwotnej prognozy. Moce obliczeniowe zbudowane z myślą o rzadkiej inteligencji klasy premium mogą ostatecznie zaopatrywać konkurencyjny rynek usług masowych.

Slok przedstawił trzy możliwe konsekwencje, jeśli zwrot z inwestycji okaże się rozczarowujący. Po pierwsze, prognozy przepływów pieniężnych i zysków spadłyby, podczas gdy nakłady inwestycyjne i amortyzacja nadal by rosły.

Po drugie, wyprzedaż akcji największych firm technologicznych mogłaby rozprzestrzenić się na rynki układów scalonych, energii, centrów danych i akcji.

Po trzecie, hiperskalerzy mogliby w większym stopniu korzystać z zadłużenia, gdy przepływy pieniężne z działalności operacyjnej przestałyby wystarczać na finansowanie ekspansji. Zwiększyłoby to poziom dźwigni finansowej i naraziło kredytodawców na większe ryzyko infrastrukturalne.

Analiza Apollo idzie jeszcze dalej, argumentując, że opóźniony zwrot z inwestycji mógłby przyczynić się do recesji i korekty indeksu S&P 500. Jest to scenariusz ryzyka, a nie ustalona prognoza.

Twierdzenie to wymaga również odpowiedniego kontekstu. Najwięksi hiperskalerzy prowadzą zróżnicowane działalności, generują duże przepływy pieniężne i mogą zmieniać plany wydatków.

Mogą opóźniać projekty, renegocjować zobowiązania wobec dostawców, przenosić obciążenia lub przekierowywać zasoby do produktów wewnętrznych. Ich programy inwestycyjne nie są całkowicie nieelastyczne.

Istnieje także optymistyczna interpretacja otwartej konkurencji. Tańsze modele mogą upowszechnić AI w większej liczbie organizacji, zwiększając popyt na przechowywanie danych w chmurze, sieci, bezpieczeństwo i narzędzia wdrożeniowe.

Hiperskalerzy mogą zarabiać na hostowaniu konkurencyjnych modeli, nawet jeśli ich własne modele tracą udział w rynku. Platformy infrastrukturalne historycznie korzystały z rozbudowanych ekosystemów oprogramowania.

Presja dotyczy więc czasu i marż, a nie prostego załamania popytu. Adopcja może nadal rosnąć, nawet jeśli zwroty finansowe pojawią się później, niż oczekują rynki.

Trzy sygnały pokażą, czy inwestycje w AI zaczynają się zwracać

Odpowiedź pojawi się najpierw we wskaźnikach wykorzystania, wolnych przepływach pieniężnych i zachowaniu przedsiębiorstw, a nie w kolejnym nagłówku o wynikach benchmarku.

Pierwszym sygnałem są wolne przepływy pieniężne hiperskalerów. Google, Meta, Microsoft i Amazon muszą wykazać, że inwestycje w AI wspierają wzrost generowanych środków pieniężnych do 2028 roku.

Sam wzrost przychodów nie rozstrzygnie tej kwestii. Inwestorzy muszą zobaczyć, że przepływy pieniężne z działalności operacyjnej przewyższają potrzeby związane z budową centrów danych, zakupem sprzętu i infrastrukturą pomocniczą.

Firmy będą przedstawiać różne wyjaśnienia, ponieważ różnią się ich modele biznesowe. Portfel zakontraktowanych usług chmurowych ma znaczenie dla Microsoft, Amazon i Google, podczas gdy w przypadku Meta większą wagę mają zwroty z działalności reklamowej.

Przydatnym punktem odniesienia jest zależność między nakładami inwestycyjnymi a przyrostowymi przepływami pieniężnymi. Rosnąca luka wzmocniłaby tezę o opóźnionym zwrocie.

Zmniejszająca się luka osłabiłaby tę tezę, zwłaszcza gdyby firmy wskazały powtarzalne przychody z AI, zamiast opierać się na ogólnych deklaracjach dotyczących zaangażowania użytkowników.

Drugim sygnałem jest fizyczne wykorzystanie centrów danych. Cahn sugerował, że układy składowane w magazynach wskazywałyby na opóźnienia w budowie albo niedopasowanie dostaw sprzętu do dostępności obiektów.

Sprzęt potrzebuje zasilania, chłodzenia, sieci i ukończonych budynków, zanim zacznie generować przychody. Dostarczony akcelerator, który pozostaje nieużywany, nadal stanowi koszt kapitałowy.

Należy obserwować opóźnienia terminów otwarcia, ograniczenia w dostępie do energii i zmiany harmonogramów wdrażania sprzętu. Warto też śledzić, czy dostawcy informują o szybkim wyprzedawaniu nowych mocy obliczeniowych po ich uruchomieniu.

Apollo podało w lipcu, że dostępne na żądanie moce GPU pozostawały w praktyce całkowicie wyprzedane. Firma informowała również o stabilnym popycie na wynajem niektórych starszych układów.

Dowody te wspierają tezę o krótkoterminowym niedoborze. Utrzymujące się niedobory osłabiłyby pogląd, że branża już zbudowała nadmierne moce.

Obraz zmieni się, jeśli stawki najmu spadną, a ukończone moce pozostaną niewykorzystane. Taka kombinacja sugerowałaby, że podaż dogania popyt, zanim przychody osiągną skalę wymaganą według obliczeń Cahna.

Trzecim sygnałem są wydatki przedsiębiorstw na ukończoną pracę. Firmy muszą wyjść poza etap eksperymentów i odnawiać systemy AI, ponieważ przynoszą one wymierne rezultaty.

Przydatne wskaźniki obejmują odsetek zadań ukończonych przez agentów, utrzymanie klientów, wzrost obciążeń produkcyjnych oraz udokumentowane oszczędności pracy lub skrócenie czasu realizacji. Sama liczba poleceń dostarcza mniej informacji.

Tworzenie oprogramowania pozostanie ważnym sprawdzianem. Programowanie ma jasno określone przepływy pracy, wysokie koszty zatrudnienia, cyfrowe narzędzia i mierzalne wyniki.

Jeśli agenci programistyczni staną się standardowym elementem infrastruktury produkcyjnej, mogą podtrzymać popyt na różne modele i chmury. Jeśli adopcja zatrzyma się na poziomie nadzorowanego wsparcia, oczekiwania dotyczące przychodów będą wymagały korekty.

Obsługa klienta stanowi kolejny test. Modele muszą prawidłowo rozwiązywać sprawy, przestrzegać zasad, chronić dane i wiedzieć, kiedy przekazać zgłoszenie człowiekowi.

Niższy koszt rozmowy ma znaczenie tylko wtedy, gdy jakość pozostaje akceptowalna. W przeciwnym razie oszczędności zostają przesunięte na kontrolę, poprawki i działania naprawcze wobec klientów.

Praca oparta na wiedzy stwarza trudniejszy problem pomiarowy. Organizacje muszą połączyć asystentów z wiarygodnym kontekstem wewnętrznym, zanim wyniki staną się konsekwentnie użyteczne.

Wymaga to dostępu do dokumentów, odpowiednich uprawnień, śledzenia źródeł i pamięci instytucjonalnej. Praktyczny przepływ pracy z wiedzą może pomóc zespołom sprawdzić, czy AI oszczędza czas w powtarzalnych zadaniach.

Najbliższe kilka kwartałów powinno pokazać, czy te przykłady przekształcą się w trwałe systemy, czy pozostaną rozproszonymi funkcjami zwiększającymi produktywność. Trwałe systemy generują powtarzalny popyt i są mniej podatne na cięcia budżetowe.

Inwestorzy powinni również oddzielać przychody z modeli od zwrotów z infrastruktury. Sukces aplikacji nie gwarantuje automatycznie wysokich marż każdemu właścicielowi centrum danych.

Podobnie spadające koszty API nie dowodzą automatycznie słabego popytu. Mogą umożliwić realizację zadań, które wcześniej były nieopłacalne.

Czy AI może odpowiedzieć na pytanie warte 3 biliony dolarów? Branża wykazała istnienie popytu, szybki rozwój produktów i kilka wartościowych zastosowań.

Nie wykazała jeszcze przychodów w skali odpowiadającej jej zobowiązaniom infrastrukturalnym. Rozstrzygających dowodów dostarczą środki pieniężne, wykorzystanie mocy i ponawiane zakupy przedsiębiorstw.

Obliczenia Cahna najlepiej traktować jako test warunków skrajnych, a nie odliczanie do porażki. Określają one skalę wartości ekonomicznej, którą obecna rozbudowa infrastruktury będzie musiała ostatecznie obsłużyć.

Dla programistów i nabywców korporacyjnych praktyczną odpowiedzią nie jest rezygnacja z wdrażania AI. Należy uważnie mierzyć rezultaty i zachowywać dowody stojące za każdą decyzją.

Warto śledzić ukończoną pracę, koszty kontroli, zamiany modeli i rzeczywisty wzrost wykorzystania. Dane te pokażą, czy wyższa wydajność tworzy większą wartość, czy tylko obniża rachunek.

Odpowiedź na pytanie warte 3 biliony dolarów nie pojawi się podczas jednej prezentacji wyników finansowych. Wyłoni się wraz z decyzjami tysięcy organizacji o tym, które przepływy pracy wykorzystujące AI zasługują na trwałe wdrożenie.