Umowy Anthropic i Google na moc obliczeniową wskazują na dziesięciokrotny wzrost cen GPU

Umowy Anthropic i Google na moc obliczeniową zmieniły niedobór GPU z abstrakcyjnej prognozy w bieżący problem infrastrukturalny. Google zapewniło sobie dostęp do około 110 000 GPU Nvidia od SpaceX po tym, jak ceny mocy obliczeniowej na rynku spot wzrosły o ponad 40% względem lutowych minimów.

Anthropic podjęło jeszcze szersze zobowiązanie, wynajmując dostępną pojemność centrum danych Colossus 1 firmy SpaceX w pobliżu Memphis. Te umowy sugerują, że czołowe laboratoria będą płacić wysoką premię za bezpieczne, niezawodne klastry zdolne obsługiwać szkolenie i inferencję na dużą skalę.

Odwraca to znane założenie, że nowsze układy i coraz lepsze oprogramowanie muszą stopniowo obniżać koszty AI. Prawdziwa rywalizacja toczy się dziś między spadającymi kosztami sprzętu a gwałtownie rosnącą wartością ekonomiczną inteligencji maszynowej. Jeśli zaawansowane modele generują większe przychody z każdego GPU, nabywcy mogą podbijać ceny mocy obliczeniowej, zanim popyt się załamie.

Umowy Anthropic i Google na nowo zdefiniowały rynek mocy obliczeniowej

Najważniejsza zmiana nie polega na tym, że dwie firmy AI wynajęły więcej GPU. Chodzi o to, że gwarantowana dostępność mocy ma dziś strategiczną premię.

Umowa Google zapewnia firmie dostęp do około 110 000 GPU Nvidia, a także powiązanych procesorów, pamięci i infrastruktury. Zdolności obliczeniowe mają być stopniowo uruchamiane, z zapisami kontraktowymi chroniącymi Google, jeśli SpaceX nie dotrzyma terminu dostawy.

Google określiło tę umowę jako tymczasową moc pomostową na potrzeby nieoczekiwanie silnego popytu na Gemini Enterprise. Firma już obsługuje ogromną własną infrastrukturę, w tym własne układy tensor processing units. Jej decyzja o zewnętrznym wynajmie ma więc większe znaczenie niż typowy kontrakt chmurowy.

Umowa wskazuje, że posiadanie dużych centrów danych nie eliminuje krótkoterminowego niedoboru. Zdolności muszą być dostępne we właściwej lokalizacji, z odpowiednią siecią, zasilaniem, bezpieczeństwem i w odpowiednim terminie wdrożenia. Układ, który dotrze zbyt późno, nie zaspokoi natychmiastowego popytu klientów.

Anthropic mierzy się z innym ograniczeniem. Modele Claude przyciągają coraz więcej użytkowników biznesowych i deweloperów, podczas gdy ograniczona moc obliczeniowa wcześniej zmuszała firmę do ograniczania dostępu. Umowa ze SpaceX daje jej szeroki dostęp do infrastruktury Colossus i rosnących zasobów GB200.

Według szczegółów umowy zarówno Anthropic, jak i SpaceX mogą rozwiązać porozumienie po uprzednim powiadomieniu. Ta elastyczność ma znaczenie, ponieważ długoterminowy popyt na AI nadal trudno prognozować.

Google uzyskało podobną opcję rozwiązania umowy po początkowym okresie. Klauzule te zmniejszają ryzyko zobowiązania, ale nie zacierają sygnału wysłanego przez te porozumienia. Dwa czołowe laboratoria przyjęły znaczące zobowiązania dotyczące mocy, zamiast czekać na tańszą podaż.

SpaceX znajduje się w centrum obu porozumień, ponieważ xAI zbudowało Colossus w nietypowo szybkim tempie. Obiekt połączył GPU, sieci, chłodzenie, zasilanie i kompetencje operacyjne w użyteczne zasoby obliczeniowe. SpaceX może teraz sprzedawać ten zintegrowany system zewnętrznym laboratoriom.

To rozróżnienie jest kluczowe. Nabywcy nie wynajmują po prostu układów z magazynu. Kupują dostęp do zsynchronizowanej infrastruktury, która może obsługiwać duże obciążenia AI bez miesięcy budowy i integracji.

Umowa Google dotycząca mocy obliczeniowej ma podobno obejmować około połowy mocy dostępnej dla Anthropic w Colossus 1. SpaceX nie wskazało konkretnego obiektu obsługującego Google.

Ta niepewność ogranicza możliwość precyzyjnego porównania kontraktów. Bazowe generacje GPU, projekt sieci, zobowiązania usługowe i prawa do wykorzystania mogą istotnie wpływać na wartość. Sama liczba GPU nie oddaje tych różnic.

Mimo to ogólny wniosek pozostaje taki sam. Umowy Anthropic i Google ustanawiają rynkową cenę za natychmiastową, niezawodną moc obliczeniową dla projektów z najwyższej półki. Ten rynek wygląda na znacznie bardziej napięty, niż sugerują publiczne notowania spot.

Dlaczego popyt Anthropic i Google wiąże się z premią za dostępność mocy

Moc obliczeniowa spot i moc dla projektów z najwyższej półki to różne produkty, nawet jeśli oba wykorzystują GPU Nvidia.

Zasoby spot to przerywalny lub okazjonalny dostęp sprzedawany, gdy dostawca ma niewykorzystane zasoby. Mogą sprawdzić się w eksperymentach, elastycznych zadaniach wsadowych i obciążeniach odpornych na przerwy. Stanowią słabą podstawę dla wielu operacji z najwyższej półki.

Szkolenie dużych modeli wymaga, aby tysiące akceleratorów współpracowały przez dłuższy czas. Awarie, słaba sieć lub nierówna dostępność mogą pozostawić drogi sprzęt bezczynny. Niezawodność wpływa więc na efektywny koszt każdego użytecznego cyklu szkoleniowego.

Inferencja wprowadza kolejny wymóg. Inferencja to proces uruchamiania wytrenowanego modelu w celu udzielania odpowiedzi użytkownikom. Klienci biznesowi oczekują niskich opóźnień, przewidywalnej dostępności i silnych mechanizmów ochrony informacji wrażliwych.

Laboratorium z najwyższej półki nie może polegać na rozproszonych instancjach spot, gdy obciążenia klientów zawierają prywatny kod lub dokumenty firmowe. Potrzebuje kontrolowanych klastrów ze spójnymi politykami bezpieczeństwa i wystarczającą rezerwą mocy, by absorbować skoki popytu.

Ta różnica wyjaśnia, dlaczego raportowane warunki Anthropic i Google wyglądają na kosztowne w porównaniu z podstawowymi stawkami spot. Kontrakty obejmują opcję blokady mocy, która gwarantuje dostęp, gdy inni nabywcy mogą rywalizować o te same maszyny.

Badacze analizujący wycenę aktywów obliczeniowych twierdzą, że godziny GPU zachowują się inaczej niż składowane towary. Niewykorzystanej dziś mocy nie można zachować i dostarczyć w przyszłym roku. Znika wraz z końcem godziny.

Ta cecha upodabnia moc obliczeniową do energii elektrycznej lub przepustowości transportowej. Podaż musi odpowiadać popytowi w określonym czasie i miejscu. Niedobory mogą więc powodować gwałtowne ruchy cen, nawet gdy całkowita liczba zainstalowanego sprzętu stale rośnie.

Kontrakty terminowe obejmują również usługi operacyjne. Dostawcy muszą utrzymywać zasilanie, chłodzenie, sieć, sprzęt zastępczy i zgodność oprogramowania. Nabywcy płacą za użyteczny wynik klastra, a nie jedynie za zapas jego komponentów.

Bezpieczeństwo dodaje kolejną warstwę. Wagi modeli z najwyższej półki stanowią cenną własność intelektualną, a ruch inferencyjny może zawierać wrażliwe dane klientów. Laboratoria potrzebują silniejszej izolacji i nadzoru, niż zwykle zapewniają anonimowe rynki spot.

Skala również zmienia wykorzystanie zasobów. Pojedynczy dostępny GPU ma niewielką wartość, gdy obciążenie wymaga dużego zsynchronizowanego klastra. Dostawcy zdolni dostarczyć wiele akceleratorów jednocześnie dysponują rzadszym produktem.

Teza Dwarkesha Patela dotycząca cen mocy obliczeniowej szacuje, że stawki spot wzrosły o ponad 40% względem lutowego dołka. Autor twierdzi, że publiczne stawki nadal zaniżają koszty laboratoriów z najwyższej półki.

Wniosek ten jest wiarygodny, ale dokładna premia kontraktowa pozostaje niepewna. Publiczne ujawnienia nie pokazują każdego modelu układu, gwarancji wydajności, specyfikacji sieci ani zobowiązania usługowego. Porównania z prostymi ofertami godzinowymi powinny pozostać jedynie orientacyjne.

Google określiło swoją umowę ze SpaceX jako krótkoterminową moc pomostową. Takie ujęcie wspiera węższą interpretację. Premia może odzwierciedlać pilność sytuacji, a nie trwałą zmianę na całym rynku GPU.

Jednak pilny popyt sam w sobie ma znaczenie ekonomiczne. Jeśli kilka laboratoriów potrzebuje mocy, zanim powstaną nowe centra danych, przejściowy niedobór może utrzymywać się przez nakładające się cykle budowy. Każdy nabywca konkuruje wtedy z projektami o podobnych terminach.

Porozumienia podważają również przekonanie, że hiperskalerzy zawsze mogą rozwiązać problemy z niedoborami własnymi siłami. Google posiada niestandardowe układy i globalną infrastrukturę chmurową. Mimo to uznało zewnętrzną moc Nvidia za wystarczająco wartościową, by zabezpieczyć ją kontraktem.

Anthropic współpracuje z kilkoma dostawcami infrastruktury, ale również poszukiwało dużego klastra SpaceX. Dywersyfikacja może zwiększać odporność, lecz rozprasza popyt na ograniczoną pulę obiektów najwyższej klasy.

Wywiera to presję na OpenAI, Meta, Microsoft, Amazon i wyspecjalizowanych operatorów chmurowych. Muszą zabezpieczać zasilanie i akceleratory, zanim pojawią się klienci, jednocześnie unikając nadmiaru mocy, jeśli popyt na modele osłabnie.

Rezultatem jest rynek kształtowany przez czas, niezawodność i opcjonalność. Nagłówkowe liczby GPU pokazują skalę. Nie ujawniają pełnej wartości posiadania tych GPU w gotowości, gdy model ich potrzebuje.

Prawdziwym mechanizmem jest inteligentniejsza AI, a nie tylko rzadsze układy

Ceny mocy obliczeniowej mogą trwale rosnąć tylko wtedy, gdy modele tworzą wartość szybciej, niż rozbudowuje się infrastruktura.

Same niedobory układów nie mogą bez końca utrzymywać dziesięciokrotnego wzrostu cen. Wyższe ceny przyciągają inwestycje, zachęcają do efektywności i przenoszą obciążenia ku alternatywom. Trwały wzrost wymaga, by popyt nadal wyprzedzał te reakcje.

Centralny argument Patela zaczyna się od ekonomiki modeli. Gdyby system równoważny H100 ostatecznie osiągnął ludzki poziom w inżynierii oprogramowania, jego wartość produkcyjna znacznie przewyższałaby dzisiejszą wartość najmu.

Nie jest to prognoza, że jeden H100 dosłownie zastąpi jednego inżyniera. To ramy pozwalające zrozumieć gotowość do płacenia. Nabywcy licytują moc obliczeniową na podstawie przychodów lub oszczędności, jakie może ona przynieść.

Obecne modele nadal wymagają nadzoru i często zawodzą przy długich, niejednoznacznych projektach. Jednak postępy w agentach programistycznych pokazują, dlaczego zdolności mają znaczenie. Model wykonujący więcej wartościowej pracy może uzasadniać większe wydatki na inferencję.

Popyt na inferencję staje się tu szczególnie istotny. Szkolenie tworzy model jeden raz, podczas gdy inferencja obsługuje każde żądanie klienta. Udane produkty AI mogą więc przekształcić możliwości modelu w powtarzalny popyt na godziny GPU.

Laboratoria z najwyższej półki stoją przed trudną decyzją alokacyjną. Mogą wykorzystać zasoby do szkolenia przyszłych modeli albo obsługi obecnych użytkowników. Więcej inferencji wspiera przychody, ale pozostawia mniej mocy na eksperymenty i większe cykle szkoleniowe.

Gdy przychody rosną szybciej niż fizyczna moc obliczeniowa, możliwe są trzy dostosowania. Marże laboratoriów mogą wzrosnąć, ceny mocy obliczeniowej mogą pójść w górę albo inferencja może zużywać większą część dostępnych zasobów.

Konkurencja ogranicza pierwszą opcję. Laboratorium nie może utrzymywać wyjątkowo wysokich marż, jeśli porównywalne modele pozostają dostępne przy niższym koszcie. Różnice w możliwościach muszą być wystarczająco duże, by klienci zaakceptowali premię.

Trzecia opcja także ma ograniczenia. Laboratoria chcą przychodów, ale nadal są przekonane, że lepsze modele wymagają dalszych inwestycji w szkolenie. Przeznaczenie większości zasobów na bieżącą inferencję osłabiłoby ten wysiłek.

Pozostaje więc wzrost cen mocy obliczeniowej jako jeden z mechanizmów równoważących. Laboratorium o wysoce rentownym popycie może przebić ofertę mniej produktywnego nabywcy. Zasoby przepływają wtedy do obciążeń generujących najwyższą oczekiwaną stopę zwrotu.

Ta logika tworzy pętlę sprzężenia zwrotnego. Lepsze modele generują większe przychody, pozwalając ich twórcom zabezpieczać więcej mocy obliczeniowej. Większa moc wspiera dalsze szkolenie, szerszą dystrybucję i kolejne ulepszenia produktów.

Pretendenci wpadają w przeciwną pętlę. Startup bez znaczących przychodów musi finansować zasoby, zanim udowodni, że jego model może konkurować. Rosnące stawki najmu powiększają tę lukę finansową.

Umowy Anthropic i Google mają znaczenie, ponieważ obie firmy mogą monetyzować duże klastry. Google może rozpowszechniać Gemini wśród klientów chmurowych, w produktach zwiększających produktywność, wyszukiwarce i usługach dla deweloperów. Anthropic może obsługiwać użytkowników biznesowych i obciążenia programistyczne za pośrednictwem Claude.

Mniejsi deweloperzy zwykle nie są w stanie dorównać tej skali. Mogą polegać na przychodach z aplikacji, finansowaniu venture capital lub dostępie za pośrednictwem większych platform chmurowych. Każda z tych dróg naraża ich na ceny ustalane przez lepiej dokapitalizowanych nabywców.

Efektywność modeli może pogłębiać tę koncentrację. Gdy moc obliczeniowa jest droga, silniejszy model, który zużywa mniej tokenów na każde pomyślnie wykonane zadanie, staje się atrakcyjniejszy. Klienci mogą go preferować, nawet jeśli jego usługa wiąże się z wyższą ceną premium.

Przypomina to przesunięcie w stronę jakości przy stałym koszcie realizacji. Gdy bazowy zasób drożeje, zapłacenie nieco więcej za lepszy wynik może wyglądać ekonomicznie. Słabsze modele marnują ograniczoną przepustowość przez dłuższe lub nieudane próby.

Ten sam mechanizm może jednak działać na niekorzyść laboratoriów tworzących modele z czołówki. Otwarte modele, wyspecjalizowane systemy i mniejsze architektury mogą ograniczyć ilość mocy obliczeniowej potrzebnej do wielu zadań. Nabywcy nie zawsze potrzebują najbardziej zaawansowanego modelu ogólnego przeznaczenia.

Firma podsumowująca rutynowe zgłoszenia do wsparcia może wybrać kompaktowy model. Zespół programistyczny realizujący trudne zmiany w repozytorium może uzasadnić użycie systemu z najwyższej półki. Wyższe ceny mocy obliczeniowej pogłębiłyby tę segmentację obciążeń.

Prawdopodobnym skutkiem nie będzie powszechna inflacja cen we wszystkich zadaniach AI. Będzie nim raczej wyraźniejszy podział rynku. Obciążenia o wysokiej wartości będą konkurować o premiumową moc obliczeniową, a rutynowe zadania przeniosą się do tańszych i bardziej efektywnych systemów.

Dziesięciokrotny wzrost to scenariusz, a nie ustalona prognoza

Teza cenowa zależy od tego, czy jednocześnie wystąpią niepewne wzrosty zdolności modeli, ograniczona podaż i ograniczona możliwość substytucji.

Najmocniejsze dowody dotyczą obecnego niedoboru. Stawki spot odbiły, laboratoria z czołówki podpisały duże kontrakty, a dostawcy rozbudowują klastry. Fakty te nie dowodzą przyszłego dziesięciokrotnego wzrostu.

Patel wyraźnie przedstawia swój argument jako scenariusz. Zakłada on, że systemy AI zbliżą się do ludzkiego poziomu inżynierii oprogramowania i że ich efekty gospodarcze pozostaną wartościowe. Oba założenia zasługują na wnikliwą ocenę.

Benchmarki programistyczne nie odzwierciedlają w pełni inżynierii produkcyjnej. Rzeczywista praca obejmuje zbieranie wymagań, koordynację z ludźmi, poruszanie się po starszych systemach oraz przyjmowanie odpowiedzialności za awarie. Postępy w odizolowanych zadaniach mogą nie przenosić się równomiernie.

Nawet jeśli AI stanie się zdolna, dodatkowa praca maszynowa może obniżyć rynkową wartość każdego ukończonego zadania. Nagły wzrost podaży możliwości programistycznych mógłby zmniejszyć marże w oprogramowaniu i ograniczyć gotowość klientów do płacenia.

Nowy popyt może skompensować tę presję. Tańsze tworzenie oprogramowania może uczynić opłacalnymi projekty, które wcześniej nie miały uzasadnienia ekonomicznego, rozszerzając cały rynek. Historia gospodarcza zna przykłady, w których wyższa produktywność zwiększała popyt zamiast eliminować wartość.

Żaden z tych efektów nie musi dominować. Tempo wdrażania, budżety klientów, regulacje i zmiany organizacyjne wpłyną na to, jak szybko zdolności modeli przełożą się na przychody.

Podaż również reaguje. Nvidia nadal wprowadza nowsze akceleratory, a AMD i układy projektowane na zamówienie oferują alternatywy. Dostawcy chmury mogą optymalizować sieci, harmonogramowanie i obsługę modeli, aby uzyskać więcej efektów z zainstalowanego sprzętu.

Starsze GPU nie stają się od razu bezużyteczne. Mogą przechodzić od trenowania modeli z czołówki do inferencji, dostrajania, badań lub mniej wymagających obciążeń. To kaskadowe ponowne wykorzystanie zwiększa efektywną podaż.

Usprawnienia programowe mają równie duże znaczenie. Kwantyzacja obniża precyzję numeryczną stosowaną przez model, zmniejszając wymagania dotyczące pamięci i mocy obliczeniowej. Destylacja przenosi wybrane zachowania do mniejszych systemów, których uruchomienie kosztuje mniej.

Lepsze batchowanie może obsługiwać wiele żądań jednocześnie. Dekodowanie spekulacyjne może przyspieszyć generowanie, pozwalając mniejszemu modelowi proponować tokeny, które większy model następnie weryfikuje. Routing może rezerwować drogie modele dla trudnych żądań.

Techniki te osłabiają związek między wykorzystaniem modeli a surowym popytem na GPU. Aplikacja może rosnąć bez zwiększania zapotrzebowania na moc obliczeniową w tym samym tempie. Ten wzorzec wielokrotnie obniżał koszty przypadające na użyteczny wynik AI.

Rynek pokazał już oba kierunki. Stawki wynajmu GPU spadały we wcześniejszych okresach, gdy podaż rosła, a dostawcy rywalizowali. Później popyt zaostrzył sytuację na rynku i podniósł niektóre stawki.

Analiza J.P. Morgan z początku 2026 roku wykazała, że kilka kategorii wynajmu GPU potaniało w poprzednim roku. Zauważono w niej również, że starsze akceleratory pozostawały użyteczne dłużej, niż zakładały początkowe okresy amortyzacji.

Ten historyczny spadek jest ważną przeciwwagą. Odbicie o 40% od dołka nie ustanawia trwałej krzywej wzrostowej. Może częściowo odwracać wcześniejszą korektę.

Porównanie kontraktów Anthropic i Google również ma ograniczenia danych. Publiczne raporty łączą GPU, CPU, pamięć, sieci oraz zobowiązania usługowe. Podzielenie wartości kontraktu przez liczbę GPU może prowadzić do mylącego szacunku stawki godzinowej.

Różne akceleratory zapewniają różną wydajność. Systemów GB200 i GB300 nie można traktować jako wymiennych ze samodzielnymi jednostkami H100. Konstrukcja klastra dodatkowo wpływa na szybkość trenowania i przepustowość inferencji.

Znaczenie mają także prawa do wykorzystania zasobów. Klient mający wyłączną, stale dostępną przepustowość otrzymuje większą wartość niż nabywca korzystający z instancji wywłaszczalnych. Kontrakt usługowy może obejmować personel, utrzymanie i gwarancje realizacji.

Ograniczenia energetyczne pozostają mocniejszą częścią optymistycznego argumentu. Nowe akceleratory potrzebują przyłączy elektrycznych, sprzętu chłodniczego, transformatorów, pozwoleń i odpowiednich gruntów. Projekty te realizowane są w dłuższych horyzontach niż popyt na oprogramowanie.

Produkcja stanowi kolejne wąskie gardło. Zaawansowane układy zależą od wyspecjalizowanego sprzętu produkcyjnego, zaawansowanego pakowania i pamięci o wysokiej przepustowości. Rozbudowa jednego etapu nie usuwa ograniczeń w innych miejscach.

Niedobór zachęca jednak do substytucji. Twórcy mogą opóźnić trening, wynająć zasoby w innym regionie, optymalizować modele albo kupić przepustowość od konkurencyjnych dostawców. Przedsiębiorstwa mogą też korzystać z interfejsów programowania aplikacji zamiast zarządzać własnymi klastrami.

Kontrakty futures na moc obliczeniową mogą poprawić planowanie. CME Group ogłosiła plany kontraktów opartych na benchmarkach wynajmu GPU, z zastrzeżeniem uzyskania zgody regulatorów. Takie instrumenty pozwoliłyby dostawcom i nabywcom zarządzać ryzykiem przyszłych cen.

Rynek compute futures nie stworzyłby fizycznej przepustowości. Mógłby jednak poprawić odkrywanie cen i pokazać, czy uczestnicy rynku oczekują utrzymywania się niedoboru.

Badacze ostrzegają, że fizyczne kontrakty terminowe obejmują realną opcję na przepustowość. Cena kontraktu futures może zatem pozostać niższa od gwarantowanego kontraktu najmu. Różnica mierzyłaby coś więcej niż oczekiwania dotyczące stawek spot.

Wszystkie te niepewności sprawiają, że precyzyjny mnożnik jest niewiarygodny. Teza o dziesięciokrotnym wzroście najlepiej sprawdza się jako test warunków skrajnych. Pyta, co stanie się, jeśli popyt napędzany zdolnościami modeli będzie rosnąć znacznie szybciej, niż fabryki i centra danych zdołają zareagować.

Dla nabywców użyteczna lekcja nie polega na założeniu, że inferencja z roku na rok tanieje. Modele kosztowe powinny uwzględniać sytuacje, w których dostępność zasobów się kurczy, klastry premium pozostają drogie, a efektywność modeli poprawia się nierównomiernie.

Dla inwestorów wniosek jest równie zastrzeżony. Wyższe stawki najmu mogą pomagać dostawcom infrastruktury, lecz opóźnienia budowy i koncentracja klientów tworzą ryzyko. Duży kontrakt nie gwarantuje atrakcyjnych zwrotów z każdego nowego centrum danych.

Co ujawnią trzy kolejne sygnały

Trzy obserwowalne sygnały pokażą, czy umowy Anthropic i Google oznaczają przejściowe zatory, czy trwałą zmianę wyceny mocy obliczeniowej AI.

Pierwszym sygnałem będzie realizacja kontraktów SpaceX. Przepustowość Google ma być stopniowo zwiększana, z mechanizmami naprawczymi na wypadek, gdy SpaceX nie osiągnie docelowej, zobowiązanej liczby GPU. Anthropic również rozszerza wykorzystanie przepustowości GB200 w Colossus 2.

Terminowa realizacja pokazałaby, że SpaceX potrafi przekształcić szybką budowę w niezawodną infrastrukturę dla podmiotów trzecich. Opóźnienia pokazałyby, jak trudne pozostaje uruchamianie dużych klastrów, wzmacniając argument o niedoborze.

Interpretacja nie jest jednostronna. Skuteczna realizacja dodaje również znaczącą podaż. Jeśli te klastry zaspokoją popyt bez kolejnych pilnych kontraktów, argument za trwałym przyspieszeniem wzrostu cen osłabnie.

Drugim sygnałem będzie ujawniony popyt na inferencję. Google powiązało swoją umowę z silniejszą, niż oczekiwano, adopcją Gemini Enterprise. Wcześniejsze ograniczenia wykorzystania stosowane przez Anthropic podobnie wskazywały, że dostępna moc obliczeniowa ograniczała dostęp klientów.

Należy obserwować, czy firmy te nadal podnoszą limity, rozszerzają dostępność dla przedsiębiorstw i informują o silniejszym wykorzystaniu. Utrzymujący się popyt po dodaniu przepustowości wspierałby pogląd, że wartościowa inferencja szybko absorbuje nową podaż.

Spowolnienie wskazywałoby na coś innego. Mogłoby oznaczać, że klienci opierają się kosztom, przechodzą na mniejsze modele albo uznają, że agenci nie zapewniają wystarczająco niezawodnej wartości. Każdy z tych wyników osłabiłby tezę o cenach napędzanych zdolnościami modeli.

Trzecim sygnałem będzie relacja między indeksami cen GPU a efektywnością modeli. Szeroki wzrost cen obejmujący kilka generacji akceleratorów sugerowałby, że popyt rozprzestrzenia się poza jeden ograniczony klaster.

Stabilne lub spadające ceny za ukończone zadanie opowiadałyby inną historię. Dostawcy mogą pobierać więcej za każdą godzinę GPU, podczas gdy oprogramowanie wydobywa z tej godziny więcej użytecznej pracy. Klienci ostatecznie dbają o ekonomikę zadań.

To rozróżnienie powinno kierować działaniami twórców. Nie optymalizujcie wyłącznie pod kątem podanej stawki konkretnego akceleratora. Mierzcie, ile niezawodnych zadań, zaakceptowanych zmian kodu lub rezultatów dla klientów daje każda jednostka mocy obliczeniowej.

Przedsiębiorstwa powinny również oddzielać cenę modelu od wartości przepływu pracy. Drogi model może być ekonomiczny, gdy dokładnie wykonuje trudną pracę. Tańszy model może okazać się kosztowny, gdy błędy wymagają wielokrotnych wywołań i kontroli człowieka.

Mniejsze firmy AI mają mniej możliwości absorpcji szoku podażowego. Powinny projektować systemy routingu, cache'owania i mechanizmy awaryjne, zanim dostępność zasobów się skurczy. Zależność od jednego dostawcy może zmienić ruch na rynku w awarię operacyjną.

Twórcy potrzebują także zapisów tego, jak modele radzą sobie w rzeczywistej pracy. Przeszukiwalna baza wiedzy inżynierskiej może zachować oceny, incydenty, decyzje architektoniczne i założenia dotyczące dostawców mimo zmieniających się wyborów infrastrukturalnych.

Szersze pytanie strategiczne dotyczy koncentracji. Jeśli najlepiej finansowane laboratoria szybciej niż konkurenci przekształcą lepsze modele w przychody, mogą przebić ich oferty za kolejny klaster. Ta przewaga może się kumulować.

Mimo to efektywność, specjalizacja i otwarte modele pozostają istotnymi siłami równoważącymi. Droga ogólna inteligencja tworzy przestrzeń dla systemów projektowanych wokół węższych zadań. Nie każde obciążenie potrzebuje największego dostępnego modelu.

Umowy Anthropic i Google ujawniają zatem rywalizację, a nie zakończoną transformację. Zdolności modeli czynią moc obliczeniową bardziej wartościową, podczas gdy inżynieria nadal stara się sprawić, by każde zadanie wymagało jej mniej.

W ciągu najbliższych kilku miesięcy obserwujcie kolejno realizację klastrów, adopcję inferencji i efektywność na poziomie zadań. Razem te sygnały pokażą, czy dzisiejsza premia odzwierciedla okres przejściowy, czy nową strukturę rynku.

Zespoły powinny już teraz przetestować swoje plany względem obu wyników. Co przestaje działać, jeśli premiumowa moc obliczeniowa znacznie zdrożeje, i jaka inwestycja stanie się marnotrawstwem, jeśli zamiast tego wygra efektywność?