Teza Eda Zitrona o bańce AI zderza się z boomem wydatków Big Tech
Najnowsza argumentacja Eda Zitrona dotycząca bańki AI trafiła do Google News w czasie rekordowych wydatków na infrastrukturę i narastającego sporu o to, czy popyt jest w stanie uzasadnić rachunek.
Rozmowa Blood in the Machine nie zapowiada nowego modelu ani rundy finansowania. Rejestruje coś istotniejszego: sceptycyzm przesunął się z obrzeży branży do jej codziennego cyklu informacyjnego.
Zitron twierdzi, że generatywna AI pozostaje nieopłacalnym produktem utrzymywanym dzięki wydatkom hyperscalerów, nieprzejrzystym finansom prywatnych firm i obietnicom przyszłego popytu. Big Tech przedstawia tę samą rozbudowę jako niezbędną przepustowość dla klientów chmurowych, produktów konsumenckich i coraz bardziej zaawansowanych modeli.
Ten konflikt ma teraz większe znaczenie niż kolejne zwycięstwo w benchmarkach. Microsoft, Alphabet, Amazon, Meta i ich dostawcy angażują kapitał, zanim ktokolwiek może poznać pełny zwrot z inwestycji w infrastrukturę w całym jej cyklu życia.
Kluczowe pytanie nie brzmi, czy AI działa. Wiele systemów już tworzy użyteczny kod, podsumowania, obrazy, wyniki wyszukiwania i analizy naukowe. Pytanie brzmi, czy te zastosowania mogą uzasadnić inwestycje, zużycie energii i stałe koszty operacyjne, które za nimi stoją.
Argument o bańce jest najmocniejszy, gdy firmy ukrywają ekonomię jednostkową lub zastępują trwałe przychody statystykami adopcji. Słabnie, gdy niższe koszty odblokowują popyt, a istniejące biznesy skutecznie absorbują inwestycje w AI.
Oba te zjawiska występują jednocześnie. Dlatego obecny stan bańki AI wymaga dokładniejszej analizy finansowej, a nie prostego określenia „boom albo krach”.
Co właściwie zmieniła rozmowa z Edem Zitronem
Najważniejsza zmiana polega na tym, że finansowa struktura AI stała się główną historią, a nie tłem dla kolejnej premiery produktu.
Zitron od lat argumentuje, że branża myli możliwości techniczne ze zrównoważonym biznesem. Jego teza koncentruje się na powtarzających się kosztach obliczeniowych, ogromnych potrzebach kapitałowych i ograniczonej transparentności prywatnych twórców modeli.
Blood in the Machine analizuje AI przez pryzmat pracy, władzy korporacyjnej i automatyzacji. Rozmowa publikacji z Zitronem wychodzi więc ze sceptycznego punktu widzenia. Nie jest neutralnym briefingiem dla inwestorów.
Ten kontekst ma znaczenie, ponieważ obecność w Google News może sprawić, że wywiad wygląda jak odrębne wydarzenie korporacyjne. Rzeczywiste wydarzenie ma charakter redakcyjny: prominentny krytyk ocenia, czy finansowe obietnice boomu odpowiadają jego wynikom operacyjnym.
Najmocniejsze twierdzenie Zitrona dotyczy dystansu między wydatkami branży a ujawnianymi zwrotami. Firmy regularnie raportują wzrost chmury, subskrypcje, wykorzystanie lub popyt, nie wyodrębniając jednak zysków z generatywnej AI.
Nie dowodzi to, że te produkty przynoszą straty. Pokazuje, że zewnętrznym obserwatorom często brakuje danych potrzebnych do osobnej oceny ich wyników.
Dział chmurowy może rosnąć, podczas gdy jego najnowsze obciążenia AI nadal są kosztowne. Asystent konsumencki może przyciągać miliony użytkowników, nie pokrywając kosztów inferencji i rozwoju. Narzędzie do programowania może zapewniać realny wzrost produktywności, a jednocześnie działać w ramach większej strategicznej subsydii.
Inferencja to koszt uruchomienia wytrenowanego modelu, gdy ktoś wysyła zapytanie. Trening tworzy model, lecz inferencja staje się stałym wydatkiem wraz ze wzrostem użycia.
Tradycyjne oprogramowanie często osiąga wysokie marże krańcowe po zakończeniu rozwoju. Generatywna AI ma bardziej złożoną krzywą kosztów, ponieważ każda odpowiedź zużywa moc obliczeniową, pamięć, sieć i energię elektryczną.
To porównanie może jednak być zbyt uproszczone. Dostawcy modeli obniżają koszty inferencji dzięki lepszym chipom, mniejszym modelom, optymalizacji oprogramowania, buforowaniu i wyspecjalizowanej infrastrukturze.
Branża może więc dziś tracić pieniądze na danym obciążeniu, a później poprawić jego ekonomię. Może także obniżać ceny szybciej, niż spadają koszty, utrzymując ten sam problem z marżami.
Rzeczywistym wkładem wywiadu nie jest ostateczna diagnoza bańki. Stanowi on sprawdzalne wyzwanie: pokażcie, skąd pochodzą przychody AI, ile kosztuje ich obsługa i jak ta ekonomika poprawia się wraz ze skalą.
Czytelnicy powinni stosować ten test inaczej wobec każdej firmy. Nvidia sprzedaje rzadki sprzęt obliczeniowy. Microsoft i Google sprzedają przepustowość chmurową. OpenAI i Anthropic sprzedają dostęp do modeli i aplikacje. Ich ryzyka są powiązane, ale nie są identyczne.
Załamanie na jednej warstwie nie wymazałoby każdego użytecznego zastosowania. Zmieniłoby ceny, warunki finansowania, kontrakty i to, które firmy kontrolują pozostałą infrastrukturę.
To rozróżnienie oddziela poważną analizę bańki od prognozy, że cała technologia AI zniknie.
Dlaczego Google News zapełnia się argumentami o bańce AI
Debata o bańce rośnie, ponieważ coraz trudniej oddzielić zobowiązania infrastrukturalne od wyników korporacyjnych.
Przez kilka lat inwestorzy nagradzali firmy za demonstrowanie dostępu do modeli, chipów i przepustowości centrów danych. Rynek oczekuje teraz dowodów, że te zasoby tworzą trwałe przychody lub chronią istniejące biznesy.
Microsoft ilustruje to napięcie. W swoim raporcie rocznym za 2025 r. firma wykazała 64,6 mld dolarów dodatków do rzeczowych aktywów trwałych, wobec 44,5 mld dolarów rok wcześniej.
Firma stwierdziła, że inwestycje w infrastrukturę chmurową i AI będą nadal zwiększać koszty operacyjne. Ostrzegła też, że inwestycje te mogą obniżyć marże operacyjne.
Te ujawnienia nie wspierają narracji o natychmiastowym załamaniu. Microsoft wygenerował 136,2 mld dolarów gotówki operacyjnej w tym samym roku fiskalnym, co daje mu znaczną zdolność inwestycyjną.
Pokazują jednak, dlaczego ciężar dowodu rośnie. Rentowny, ugruntowany gracz może finansować kosztowny eksperyment dłużej niż startup, lecz cierpliwy kapitał nie gwarantuje atrakcyjnego zwrotu.
Alphabet prezentuje podobny konflikt w większej planowanej skali. Firma podała 91,4 mld dolarów nakładów inwestycyjnych w 2025 r., głównie na infrastrukturę techniczną.
Podczas telekonferencji wynikowej za 2025 r. Alphabet prognozował nakłady inwestycyjne na 2026 r. na poziomie od 175 mld do 185 mld dolarów.
Firma podała, że około 60 procent jej inwestycji w 2025 r. trafiło do serwerów. Pozostałe 40 procent obejmowało centra danych i sprzęt sieciowy.
Alphabet stwierdził również, że wyższa amortyzacja i koszty operacyjne będą obciążać jego rachunek wyników. Amortyzacja wzrosła z 15,3 mld dolarów w 2024 r. do 21,1 mld dolarów w 2025 r.
Liczby te wzmacniają argument Zitrona, ponieważ infrastruktura nie znika po wydaniu przez firmę komunikatu prasowego. Serwery się starzeją, budynki wymagają zasilania, a amortyzacja z czasem trafia do sprawozdań finansowych.
Alphabet raportował jednak również znaczący popyt ze strony klientów chmurowych. Firma podała, że ponad połowa jej mocy obliczeniowej do uczenia maszynowego w 2026 r. będzie obsługiwać biznes chmurowy.
To twierdzenie daje optymistycznej tezie mierzalną podstawę. Jeśli klienci nadal kupują przepustowość, infrastruktura wspiera ugruntowany silnik przychodów, a nie jedną spekulacyjną aplikację.
Problemem pozostaje przypisanie. Przychody Google Cloud obejmują bazy danych, pamięć masową, sieci, bezpieczeństwo, oprogramowanie produktywnościowe i tradycyjne obliczenia obok AI.
Inwestorzy nadal nie mogą przypisać każdego dolara wydanego na centra danych generatywnej AI. Nie mogą też zakładać, że każda sprzedaż chmurowa wydarzyłaby się bez nowych modeli.
Relacje Google News mają tendencję do sprowadzania tej niepewności do przeciwstawnych nagłówków. Jedna historia traktuje rekordowe wydatki jako dowód popytu. Druga uważa te same wydatki za dowód bańki.
Żaden z tych wniosków nie jest wystarczający. Nakłady inwestycyjne ujawniają przekonanie i ekspozycję, a nie ostateczny zwrot.
Debata pozostanie widoczna, ponieważ decyzja o wydatkach zapada najpierw. Najbardziej jednoznaczne dowody dotyczące wykorzystania, cen, amortyzacji i retencji klientów pojawiają się później.
Ta luka czasowa to miejsce, w którym rosną bańki. To także miejsce, w którym zaczynają się udane cykle infrastrukturalne.
Prawdziwym przeciwnikiem jest obietnica AI kontra jej ekonomika
Główny konflikt nie przebiega między Edem Zitronem a Doliną Krzemową; dotyczy on branżowej obietnicy skali i ekonomiki niezbędnej do jej utrzymania.
Firmy AI obiecują, że szersza adopcja rozłoży stałe koszty rozwoju na większą liczbę klientów. Oczekują też, że lepszy sprzęt i oprogramowanie obniżą koszt każdej odpowiedzi.
Pierwsza część przypomina konwencjonalną ekonomikę oprogramowania. Druga uznaje, że generatywna AI podczas użycia nadal pozostaje związana z fizycznymi zasobami.
Skala może pomagać dzięki większym umowom zakupowym, lepszemu wykorzystaniu chipów i wydajniejszym centrom danych. Może też szkodzić, gdy popularne systemy rozumowania zużywają więcej mocy obliczeniowej na każdą odpowiedź.
Modele rozumowania generują i oceniają pośrednie kroki, zanim zwrócą wynik. Proces ten może poprawiać wydajność, ale często wymaga większej liczby tokenów i dłuższego czasu przetwarzania.
Wynikająca z tego ekonomika zależy od projektu obciążenia. Krótkie żądanie klasyfikacji różni się od długiego zadania badawczego. Generowanie kodu różni się od tworzenia obrazów. Czat konsumencki różni się od agenta przedsiębiorstwa połączonego z systemami wewnętrznymi.
Jeden średni koszt nie może opisać wszystkich tych przypadków. Ta złożoność sprawia, że szerokie twierdzenia o powszechnej rentowności lub powszechnych stratach są równie niewiarygodne.
Najmocniejszy kontrargument branży wynika ze spadających cen inferencji. AI Index Stanforda wykazał, że koszty inferencji na poziomie GPT-3.5 spadły ponad 280-krotnie między listopadem 2022 r. a październikiem 2024 r.
To znacząca poprawa. Oznacza, że aplikacja, która kiedyś wydawała się niemożliwa, może stać się przystępna cenowo bez zmiany podstawowego doświadczenia użytkownika.
Niższe koszty mogą również zwiększać konsumpcję. Deweloperzy mogą wysyłać więcej zapytań, korzystać z dłuższych kontekstów lub powierzać modelom zadania, które wcześniej wymagały ręcznej weryfikacji.
Ten efekt odbicia komplikuje optymistyczną narrację. Większa wydajność nie zmniejsza automatycznie całkowitego zapotrzebowania na infrastrukturę, gdy użycie rośnie szybciej, niż spadają koszty jednostkowe.
Komplikuje także argument o bańce. Kategorii produktów o szybko poprawiającej się ekonomice nie można oceniać wyłącznie na podstawie jej najwcześniejszej struktury kosztów.
Bardziej użyteczne jest rozróżnienie między efektywnością techniczną a efektywnością biznesową. Efektywność techniczna mierzy wynik na jednostkę mocy obliczeniowej. Efektywność biznesowa mierzy zysk brutto i wartość dla klienta na każdego wydanego dolara.
Dostawca może poprawić pierwszą z nich, jednocześnie pogarszając drugą poprzez agresywne rabaty. Może też poprawić efektywność biznesową, kierując modele do zadań o wysokiej wartości.
Rozwój oprogramowania oferuje konkretny przykład. Asystent programistyczny, który oszczędza kilka godzin podczas złożonej migracji, może uzasadniać znaczny koszt obliczeniowy.
Asystent tworzący niewiarygodny boilerplate może przenosić pracę do etapu przeglądu i debugowania. Wysokie użycie zawyżałoby wtedy skalę adopcji, nie potwierdzając wartości ekonomicznej.
Ten sam test dotyczy wyszukiwania w przedsiębiorstwie. Model, który znajduje ukrytą politykę lub klauzulę umowy, może skrócić czas badań. Niedokładna odpowiedź może tworzyć ryzyko prawne lub operacyjne.
Zespoły potrzebują możliwego do prześledzenia materiału źródłowego, procedur oceny i kontroli człowieka. Przeszukiwalna baza wiedzy AI może wspierać ten proces, ale nie eliminuje potrzeby osądu.
W tym miejscu debata o bańce AI staje się praktyczna dla kupujących. Przedsiębiorstwa nie powinny pytać, czy AI jest ogólnie transformacyjna. Powinny mierzyć, czy jeden zdefiniowany proces pracy poprawia się po uwzględnieniu błędów i nadzoru.
Branża chce, by klienci wierzyli, że skala rozwiąże problem ekonomiki. Krytyka Zitrona pyta, czy skala jedynie powiększa koszty, których firmy nie ujawniły jasno.
Obie strony mają już dowody. Żadna nie ma ich jednak wystarczająco dużo, by przesądzić o końcowym wyniku.
Czego nadal nie dowodzą liczby dotyczące bańki AI
Wielkie sumy wydatków pokazują skalę ekspozycji, ale nie dowodzą ani nieuchronnego krachu, ani racjonalności inwestycji.
Rozpoznanie bańki wymaga czegoś więcej niż drogich aktywów i promocyjnego języka. Zwykle wiąże się z cenami lub zobowiązaniami finansowymi, których nie da się uzasadnić wiarygodnymi przyszłymi przepływami pieniężnymi.
Publiczni hyperscalerzy pozostają rentowni dzięki ugruntowanym biznesom. Reklama, oprogramowanie chmurowe, handel i działalność związana z systemami operacyjnymi mogą przez lata finansować inwestycje w AI.
To odróżnia obecny cykl od zbioru startupów polegających wyłącznie na finansowaniu zewnętrznym. Zarazem utrudnia obserwację rzeczywistej ekonomiki.
Istniejące przychody mogą subsydiować eksperymenty. AI może też wzmacniać te dotychczasowe produkty, nie pojawiając się jako odrębna pozycja.
Google może ulepszać systemy reklamowe za pomocą uczenia maszynowego, równocześnie oferując Gemini. Microsoft może chronić relacje związane z Azure, zapewniając dostęp do modeli, nawet jeśli jeden asystent ma słabe marże.
Meta może wykorzystywać infrastrukturę AI do rekomendacji i reklamy obok produktów generatywnych. Amazon może sprzedawać moc obliczeniową, eksperymentując jednocześnie z własnymi modelami i aplikacjami.
Krytyk może zasadnie twierdzić, że firmy wykorzystują rentowne, starsze biznesy do ukrywania spekulacyjnych inwestycji. Optymista może równie zasadnie argumentować, że zintegrowane zwroty są sednem całej strategii.
Żadnego z tych stanowisk nie da się rozstrzygnąć wyłącznie przez zliczanie subskrypcji chatbotów.
Prywatni twórcy modeli tworzą odrębny problem weryfikacyjny. Ujawniają wybrane dane o przychodach, wycenach, wykorzystaniu i partnerstwach, nie publikując pełnych, audytowanych sprawozdań finansowych.
Raportowane przychody mogą szybko rosnąć, podczas gdy rosną także straty. Przychody zakontraktowane mogą różnić się od przychodów rozpoznanych. Zobowiązania dotyczące mocy obliczeniowej mogą rozciągać się na lata i obejmować warunki podlegające renegocjacji.
Czytelnicy powinni więc traktować ujawnione projekcje jako twierdzenia, a nie zrealizowane wyniki. Ta sama ostrożność dotyczy prognoz nieuchronnego bankructwa.
Krytyka Zitrona jest najbardziej przekonująca, gdy wskazuje niedopasowane przepływy pieniężne, finansowanie kołowe lub nieujawnione zależności. Jest mniej przekonująca, gdy każde użyteczne zastosowanie staje się dowodem marnotrawstwa.
Systemy AI wyraźnie dostarczają wartości w niektórych zastosowaniach. Trudne pytanie dotyczy skali, trwałości i podziału tej wartości.
Technologia ma także wartość strategiczną, którą sprawozdawczość finansowa może ujmować pośrednio. Firma może wydawać środki defensywnie, aby nie dopuścić do przejścia klientów na platformę konkurenta.
Wydatki defensywne mogą być racjonalne, nawet gdy samodzielny produkt generuje skromne zyski. Mogą też wywołać wyścig zbrojeń, w którym każdy uczestnik osiąga słaby zwrot.
Historia dostarcza przykładów dla obu stron. Firmy telekomunikacyjne nadmiernie rozbudowały sieci światłowodowe w erze dot-comów, powodując duże straty, ale pozostawiając po sobie użyteczną infrastrukturę.
Przetwarzanie w chmurze wymagało lat inwestycji, zanim stało się ważnym źródłem zysków. Istnienie wcześniejszych nadmiernych inwestycji nie przesądza, która analogia pasuje do AI.
Sceptyczna teza potrzebuje też jasnego mechanizmu porażki. Wysokie nakłady kapitałowe same w sobie nie zmuszą rentownych firm do zatrzymania inwestycji.
Presja narastałaby przez niższy popyt na chmurę, słabe wykorzystanie zasobów, spadające ceny, rosnącą amortyzację, napięcia finansowe lub opór klientów. Prawdopodobnie kilka sygnałów musiałoby pojawić się jednocześnie.
Pojedyncze rozczarowanie modelem nie wystarczyłoby. Upadek prywatnego startupu nie musiałby zakończyć inwestycji hyperscalerów.
Z kolei jeden mocny kwartał w chmurze nie potwierdziłby zasadności każdego centrum danych. Jedna produktywna aplikacja nie uzasadniłaby każdej wyceny modelu.
Obecne dowody wspierają węższy wniosek: branża podjęła ogromne zobowiązania, zanim dostępne stały się przejrzyste zwroty.
To realne ryzyko. Nazwanie go gwarantowanym krachem wykracza poza dostępne dowody.
Kto znajdzie się pod największą presją, jeśli wydatki spowolnią
Pierwszymi ofiarami resetu wydatków na AI byłyby silnie narażeni dostawcy i finansowane projekty infrastrukturalne, a nie każdy użytkownik AI.
Łańcuch dostaw AI obejmuje firmy o bardzo różnych zabezpieczeniach. Hyperscalerzy generują gotówkę z zdywersyfikowanej działalności. Startupy tworzące modele bardziej bezpośrednio zależą od wsparcia inwestorów i partnerstw dotyczących mocy obliczeniowej.
Deweloperzy centrów danych mogą zależeć od niewielkiej liczby klientów. Dostawcy chipów korzystają na tym, że ci klienci konkurują o deficytowe akceleratory.
Dostawcy energii, producenci sprzętu sieciowego i pamięci, specjaliści od chłodzenia oraz firmy budowlane znajdują się dalej w tym samym łańcuchu inwestycyjnym.
Spowolnienie przebiegałoby więc nierównomiernie. Nabywcy mogliby opóźniać nowe kampusy, nadal eksploatując zainstalowane systemy. Mogliby przenosić obciążenia do mniejszych modeli zamiast rezygnować z AI.
Mogliby też żądać niższych cen od dostawców modeli. Taka reakcja pomogłaby klientom korporacyjnym, jednocześnie ściskając marże dostawców.
Nvidia jest najwyraźniejszym symbolem boomu, ponieważ jej akceleratory umożliwiają znaczną część obecnych mocy treningowych i inferencyjnych. Jej ekonomika różni się jednak od ekonomiki laboratorium tworzącego modele.
Sprzedaż chipa tworzy rozpoznany przychód dla dostawcy. Nabywca ponosi następnie ryzyko wykorzystania i amortyzacji.
To rozróżnienie ma znaczenie przy ocenie bańki AI. Nierentowna aplikacja może nadal generować rentowną sprzedaż sprzętu podczas rozbudowy infrastruktury.
Ryzyko pojawia się, gdy klienci uznają, że dodatkowa pojemność nie przyniesie wystarczających zysków. Zamówienia mogą zwolnić, zanim znikną istniejące aplikacje.
Publiczni dostawcy chmury stoją przed inną kalkulacją. Mogą wynajmować infrastrukturę klientom zewnętrznym, wykorzystywać ją wewnętrznie albo przekierowywać ją między obciążeniami.
Ta elastyczność ogranicza ryzyko związane z pojedynczym produktem. Nie eliminuje jednak możliwości nadmiarowej pojemności ani słabych zwrotów.
Prywatne laboratoria AI znajdują się pod większą presją, ponieważ moc obliczeniowa ma kluczowe znaczenie zarówno dla dostarczania produktu, jak i badań. Rosnące użycie może jednocześnie zwiększać przychody i koszty operacyjne.
Ich siła negocjacyjna zależy od jakości modeli, lojalności klientów i dostępu do konkurencyjnych dostawców infrastruktury. Partnerstwa mogą zmniejszać bieżące potrzeby gotówkowe, tworząc jednocześnie długoterminowe zobowiązania.
Nabywcy korporacyjni stoją przed mniej widocznym ryzykiem. Mogą uzależnić się od narzędzi, których ceny, modele lub warunki zmieniają się, gdy dostawcy poszukują trwałych marż.
Pilotaż może wyglądać atrakcyjnie przy cenach promocyjnych. Wdrożenie produkcyjne musi wytrzymać wyższe wykorzystanie, wymogi zgodności, koszty oceny i zmiany po stronie dostawcy.
Pracownicy wiedzy również ponoszą koszty zmiany, gdy AI zostaje osadzone w codziennych rutynach. Zastąpienie modelu może zmienić jakość wyników, zachowanie lub zgodność z istniejącymi promptami.
Zespoły powinny zachowywać dokumenty źródłowe, notatki możliwe do eksportu i przepływy pracy niezależne od dostawcy. Osobisty system zarządzania wiedzą może ograniczyć zależność od jednego interfejsu modelu.
Nie wymaga to odrzucenia narzędzi AI. Oznacza traktowanie modeli jako wymiennych komponentów, a nie trwałych repozytoriów pamięci organizacyjnej.
Jeśli wydatki zwolnią, użyteczne aplikacje powinny przetrwać dzięki tańszym modelom, węższym systemom i bardziej zdyscyplinowanym zakupom. Słabe produkty wspierane głównie subsydiami inwestorów znajdą się pod większą presją.
Taki wynik przypominałby korektę rynkową, a nie zniknięcie sztucznej inteligencji.
Najostrzejsza korekta dotknęłaby firmy, których wyceny wymagają nieprzerwanego wzrostu. Dotknęłaby również projektów finansowanych w oparciu o optymistyczne założenia dotyczące pojemności.
Ostrzeżenie Zitrona jest więc istotne nie tylko dla akcjonariuszy. Nadmierna rozbudowa może wpływać na planowanie energetyczne, lokalną infrastrukturę, zatrudnienie i umowy z klientami.
Rozkład ryzyka pozostaje jednak ważniejszy niż jego skala widoczna w nagłówkach. Hyperscaler, startup tworzący modele i nabywca oprogramowania nie podejmują tego samego zakładu.
Co czytelnicy Google News powinni obserwować dalej
Trzy sygnały pokażą, czy teza o bańce się wzmacnia: wykorzystanie zasobów, marże powiązane z AI oraz trwała zmiana nakładów kapitałowych.
Pierwszym sygnałem jest wykorzystanie centrów danych. Firmy obecnie podkreślają ograniczenia po stronie podaży i popyt klientów.
Warto obserwować zmianę tego języka. Opóźnione projekty, krótsze umowy najmu, dostępna pojemność akceleratorów lub słabsze zaległe zamówienia chmurowe sugerowałyby, że oczekiwany popyt nie nadchodzi.
Wysokie wykorzystanie wspierałoby przeciwny pogląd. Pokazywałoby, że klienci pochłaniają pojemność, nawet zanim każde obciążenie osiągnie dojrzałe marże.
Samo wykorzystanie nie może potwierdzić rentowności. Ujawnia jednak, czy nadmierna rozbudowa staje się widoczna w fizycznej infrastrukturze.
Drugim sygnałem jest ujawnianie marż powiązanych z usługami AI. Inwestorzy potrzebują czegoś więcej niż liczby użytkowników, wolumeny tokenów czy ogólny wzrost chmury.
Potrzebują dowodów dotyczących kosztów świadczenia usług, rabatów, utrzymania klientów oraz relacji między wzrostem przychodów a wydatkami na obliczenia.
Marża brutto mierzy przychód pozostający po odjęciu bezpośrednich kosztów dostawy. Daje wyraźniejszy obraz ekonomiki modeli niż wycena lub przychód w ujęciu rocznym.
Spółki publiczne mogą nie wyodrębniać tych danych. Prywatni twórcy mają jeszcze mniej wymogów dotyczących ujawnień.
Taki brak utrzymywałby krytykę Zitrona przy życiu. Przejrzyste i poprawiające się marże osłabiłyby najmocniejszą wersję jego argumentu o bańce.
Trzecim sygnałem jest trwałe ograniczenie planowanych nakładów kapitałowych wśród kilku hyperscalerów. Jedno opóźnione centrum danych niewiele by znaczyło, ponieważ pozwolenia, energia i sprzęt mogą zmieniać harmonogram projektu.
Skoordynowane ograniczenia oznaczałyby, że zespoły zarządzające widzą słabsze zwroty lub wystarczającą pojemność. Dalsze wzrosty świadczyłyby o pewności, lecz niekoniecznie o potwierdzeniu racji.
Znaczenie ma także jakość wydatków. Firmy mogą przekierowywać kapitał na inferencję, własne chipy, sieci lub budynki o długim okresie użytkowania.
Przesunięcie w stronę tańszego, wyspecjalizowanego sprzętu mogłoby poprawić ekonomikę bez obniżania całkowitych wydatków. Przesunięcie w stronę spekulacyjnych kampusów mogłoby zwiększyć długoterminową ekspozycję.
Czytelnicy powinni też odróżniać raportowanie od agregacji. Google News może ujawnić, że debata o bańce AI się rozprzestrzenia, ale jego nagłówek nie potwierdza żadnej ze stron.
Źródła bazowe, dokumenty regulacyjne i definicje finansowe mają większe znaczenie niż liczba podobnych historii w kanale.
Krytyka Zitrona zasługuje na uwagę, ponieważ domaga się rachunkowości tam, gdzie branża często oferuje aspiracje. Jego wnioski zasługują na taką samą kontrolę, jaką on stosuje wobec twierdzeń firm.
Optymistyczne stanowisko również wymaga dyscypliny. Spadające koszty inferencji, rosnący popyt na chmurę i użyteczne aplikacje nie gwarantują, że dzisiejsze wyceny się utrzymają.
Prawdopodobny wynik nie będzie jednym jasnym werdyktem. Część infrastruktury przyniesie silne zwroty, część zostanie odpisana, a część subsydiowanych produktów stanie się droższa.
Deweloperzy powinni obserwować ceny modeli i dostępność pojemności. Nabywcy korporacyjni powinni mierzyć wyniki przepływów pracy i koszty zmiany. Pracownicy wiedzy powinni zachowywać dostęp do swoich podstawowych informacji.
Pytanie o bańkę AI staje się praktyczne, gdy czytelnicy przestają pytać, czy AI jest realna. Lepsze pytanie brzmi: które przychody pozostaną po ujawnieniu subsydiów, rabatów i kosztów infrastruktury.
Śledź kolejną rundę wyników finansowych, stosując ten test. Porównuj nakłady kapitałowe z wykorzystaniem, amortyzacją i ujawnionymi marżami AI, a nie z głośną adopcją.
Jeśli te wskaźniki poprawią się razem, najmocniejsza teza o krachu osłabnie. Jeśli wydatki będą rosły, a zwroty pozostaną nieprzejrzyste, ostrzeżenie Eda Zitrona zyska na znaczeniu.
To sygnał, który warto śledzić poza następnym nagłówkiem w Google News.
