Jon Gray kwestionuje sceptycyzm wobec powolnych zwrotów z AI

Jon Gray zakwestionował rosnące oczekiwania natychmiastowych zwrotów z AI, określając tę niecierpliwość jako „nieco chybioną” mimo narastających obaw dotyczących wydatków i przepływów pieniężnych.

Argument prezesa Blackstone, przedstawiony w artykule Business Insider rozpowszechnianym przez google news, opiera się na dłuższym horyzoncie inwestycyjnym. Centra danych wymagają lat planowania, budowy, pozyskiwania energii i wynajmowania powierzchni klientom, zanim ich ekonomika stanie się jasna.

Stanowisko to stoi w sprzeczności z ostrzejszym przekazem rynków publicznych. Inwestorzy coraz częściej oczekują, że Alphabet, Amazon, Meta, Microsoft i Oracle połączą wydatki kapitałowe na AI z mierzalnymi przychodami, marżami i wolnymi przepływami pieniężnymi.

Gray nie jest w tej debacie neutralnym obserwatorem. Blackstone umieścił centra danych, infrastrukturę energetyczną i inne aktywa związane z AI w centrum swojej strategii inwestycyjnej. Wyniki firmy dostarczają mu argumentów za optymizmem, lecz ekspozycja daje jej także wyraźny interes finansowy w utrzymaniu tempa budowy.

Prawdziwy spór nie dotyczy więc tego, czy AI tworzy popyt. Obecny wzrost chmury i zobowiązania infrastrukturalne już dowodzą znaczącego popytu. Kontrowersje dotyczą czasu, koncentracji oraz tego, czy dzisiejsza budowa przyniesie akceptowalne zwroty po uwzględnieniu kosztów finansowania i działalności operacyjnej.

Argument Jona Graya dotyczący zwrotów z AI dotyczy czasu

Gray prosi inwestorów, by oceniali infrastrukturę AI jak długowieczny zasób przemysłowy, a nie funkcję oprogramowania, która ma się zwrócić w ciągu jednego kwartału.

Publiczne materiały Blackstone opisują wieloletni cykl wydatków obejmujący chipy, centra danych, urządzenia chłodzące i wytwarzanie energii elektrycznej. Aktywa te muszą powstać, zanim dostawcy chmury będą mogli sprzedawać tworzoną przez nie moc obliczeniową.

Ta sekwencja sprawia, że wczesne kalkulacje zwrotu są niepełne. Wydatki na budowę pojawiają się od razu, natomiast przychody napływają po podłączeniu budynków do zasilania, instalacji serwerów i rozpoczęciu korzystania przez klientów z zakontraktowanej mocy.

Centrum danych może też obsługiwać kilka generacji sprzętu obliczeniowego. Ekonomiczny okres użytkowania budynku i przyłącza energetycznego może zatem wykraczać poza użyteczność pierwszych zainstalowanych chipów.

Stanowisko Graya zyskuje wiarygodność dzięki własnemu portfelowi Blackstone. Podczas rozmowy wynikowej za drugi kwartał kierownictwo firmy stwierdziło, że AI napędza inwestycje w infrastrukturę cyfrową i energetyczną. Blackstone podał też, że dziewięć z dziesięciu największych kwartalnych wzrostów wartości inwestycji było związanych z biznesami powiązanymi z AI.

Firma poinformowała, że jej łączona strategia infrastruktury cyfrowej wygenerowała od początku działalności 18% rocznej stopy zwrotu netto. Wskaźnik ten dotyczy strategii inwestycyjnej Blackstone, a nie całego rynku AI, i nie powinien być traktowany jako uniwersalny dowód.

Blackstone wskazywał na QTS, operatora centrów danych przejętego przed premierą ChatGPT. Według prognozy śródrocznej firmy, zakontraktowana przez QTS moc wzrosła piętnastokrotnie w ciągu pięciu lat.

To doświadczenie kształtuje tok rozumowania Graya. Blackstone zaangażował kapitał, zanim popyt na generatywną AI stał się oczywisty, a następnie skorzystał na tym, gdy duzi klienci chmurowi zaczęli poszukiwać większej mocy obliczeniowej.

Jednak sukces jednej platformy nie rozstrzyga szerszego pytania o zwroty. Ceny wejścia, dostępność energii, struktury finansowania, umowy z najemcami i harmonogramy budowy różnią się między aktywami.

Zyski Blackstone odzwierciedlają również jego miejsce w łańcuchu dostaw. Właściciel nieruchomości z długoterminowymi umowami najmu może osiągać atrakcyjne zwroty, nawet gdy produkty AI najemcy pozostają mniej rentowne, niż oczekiwano.

To rozróżnienie ma znaczenie. Właściciele infrastruktury sprzedają ograniczoną moc, podczas gdy firmy chmurowe muszą przekształcić tę moc w powtarzalne przychody od klientów. Twórcy aplikacji stoją przed kolejnym wyzwaniem, ponieważ muszą zarobić wystarczająco dużo, by pokryć kosztowny dostęp do modeli i zasobów obliczeniowych.

Pierwotną wypowiedź najlepiej rozumieć jako obronę cierpliwego kapitału. Gray nie twierdzi, że każdy model AI, centrum danych czy firma programistyczna odniesie sukces.

Jego węższa teza głosi, że inwestorzy oceniają niedokończoną rozbudowę, zanim znaczna część jej mocy trafi do eksploatacji. W tym punkcie harmonogram budowy przemawia na jego korzyść.

Jednak ten sam harmonogram może ukrywać błędy. Projekt opóźniony przez ograniczenia w dostępie do energii może przegapić najsilniejsze okno popytowe. Obiekt zaprojektowany z myślą o obecnym sprzęcie może wymagać kosztownych modernizacji wcześniej, niż oczekiwano.

Czas jest zatem zarówno obroną Graya, jak i jego ryzykiem. Oczekiwanie pozwala, by zakontraktowany popyt przekształcił się w przychody, ale daje też konkurentom czas na dodanie mocy i obniżenie cen.

Dlaczego google news wypełniają wątpliwości dotyczące wydatków na AI

Sceptycyzm inwestorów nasilił się, ponieważ zobowiązania kapitałowe rosną szybciej, niż firmy są w stanie ujawnić zwroty z nimi związane.

Najwięksi dostawcy chmury rzadko raportują przychody i zyski z AI jako oddzielne pozycje. Działalność AI jest zamiast tego ujęta w szerszych segmentach chmury, reklamy, oprogramowania lub infrastruktury.

Taka struktura księgowa utrudnia bezpośrednie obliczanie zwrotów. Google Cloud obejmuje tradycyjne obciążenia chmurowe obok usług AI, natomiast segment chmurowy Microsoftu łączy Azure z innymi produktami.

Amazon Web Services mierzy się z tym samym problemem atrybucji. Meta wykorzystuje znaczną część swojej infrastruktury wewnętrznie, gdzie AI wspiera rekomendacje, reklamy, narzędzia do tworzenia treści i rozwój produktów.

Analiza wyników wykazała, że marże chmurowe dostarczają wskazówek, lecz nie pozwalają wyodrębnić zwrotów z inwestycji w AI. Tradycyjne obciążenia chmurowe pozostają bardzo rentowne i mogą maskować słabszą ekonomikę AI.

Łatwiej dostrzec liczby dotyczące wydatków. Reuters podał, że konsensusowe szacunki wydatków kapitałowych Microsoftu, Alphabetu, Amazona, Mety i Oracle wzrosły z około 485 mld USD w styczniu do około 730 mld USD w lipcu 2026 roku.

Ta sama analiza przepływów pieniężnych prognozowała, że w 2027 roku pięć spółek może wydać na nakłady kapitałowe więcej, niż wygeneruje w wolnych przepływach pieniężnych.

Szacunki te obejmują inwestycje niezwiązane z AI, ponieważ firmy nie wyodrębniają konsekwentnie wydatków na AI. Jednak menedżerowie wskazywali serwery, centra danych, sieci i powiązaną moc chmurową jako główne czynniki napędzające wydatki.

Presja wygląda inaczej w każdej firmie. Microsoft odnotował 35,8 mld USD kwartalnych operacyjnych przepływów pieniężnych, przy 37,5 mld USD nakładów kapitałowych, w tym leasingu finansowego.

Amazon poinformował, że kroczące operacyjne przepływy pieniężne osiągnęły 148,5 mld USD, podczas gdy wolne przepływy pieniężne spadły do 1,2 mld USD. Nakłady kapitałowe Oracle w roku finansowym 2026 osiągnęły 55,7 mld USD wobec 32 mld USD operacyjnych przepływów pieniężnych.

Liczby te nie dowodzą, że wydatki zakończą się niepowodzeniem. Wyjaśniają, dlaczego inwestorzy nie uznają już wzrostu mocy za wystarczający dowód.

Akcjonariusze spółek publicznych pierwotnie wyceniali wiele firm technologicznych jako platformy o niskiej intensywności aktywów. Przychody z oprogramowania i reklam mogły rosnąć bez odpowiadającego im wzrostu fabryk, sprzętu czy zapasów.

AI zmienia ten model. Wzrost przychodów coraz bardziej zależy od fizycznych obiektów, wyspecjalizowanych chipów, systemów chłodzenia, urządzeń przesyłowych i niezawodnej energii elektrycznej.

Rezultat przypomina hybrydę ekonomiki oprogramowania i infrastruktury przemysłowej. Takie połączenie może tworzyć trwałe przewagi, lecz zmniejsza również elastyczność i pochłania gotówkę, zanim popyt stanie się pewny.

To napięcie stoi za obecną relacją google news. Gray widzi infrastrukturę, która będzie wspierać lata popytu na zasoby obliczeniowe. Sceptycy widzą ogromne stałe zobowiązania, których rentowność nadal trudno zmierzyć.

Te dwa stanowiska nie są całkowitymi przeciwieństwami. Inwestorzy mogą wierzyć, że popyt na AI będzie rósł, a jednocześnie kwestionować, czy każdy dolar obecnej budowy przynosi odpowiedni zwrot.

To rozróżnienie wyjaśnia, dlaczego reakcje rynku stały się selektywne. Firmy wykazujące wzrost chmury i stabilne marże otrzymują więcej cierpliwości niż spółki silnie polegające na długu lub skoncentrowanych klientach.

Debata wykroczyła poza pytanie, czy menedżerowie wierzą w AI. Inwestorzy chcą teraz dowodów, że dodatkowe wydatki generują dodatkowe przychody bez trwałego osłabiania marż lub zwrotów dla akcjonariuszy.

Cierpliwy kapitał infrastrukturalny zderza się z presją kwartalnego rynku

Główny konflikt przeciwstawia model długoterminowych inwestycji Graya inwestorom publicznym, którzy żądają krótkoterminowych dowodów finansowych.

Blackstone pozyskuje fundusze przeznaczone do utrzymywania prywatnych aktywów przez dłuższy okres. Może strukturyzować inwestycje wokół długich umów najmu, zakontraktowanych przepływów pieniężnych i stopniowego rozwoju.

Publiczne firmy technologiczne działają według innego zegara. Każdy raport wynikowy daje akcjonariuszom kolejną okazję do porównania wydatków kapitałowych ze wzrostem chmury, zyskiem operacyjnym i wolnymi przepływami pieniężnymi.

Ta różnica może sprawiać, że obie strony wydają się mieć rację. Prywatna inwestycja w centrum danych może dobrze radzić sobie przez dekadę, jednocześnie obniżając przepływy pieniężne dostawcy chmury w pierwszych kilku latach.

Model Graya korzysta również na niedoborze. Odpowiednie grunty, przyłącza do sieci, sprzęt, pozwolenia i doświadczeni operatorzy pozostają ograniczeni na głównych rynkach centrów danych.

Blackstone twierdzi, że czas potrzebny do zabezpieczenia dostaw energii elektrycznej w niektórych lokalizacjach wydłużył się z około roku do siedmiu lat lub więcej. Niedobór może wspierać stawki najmu i wartości aktywów właścicieli, którzy już kontrolują obiekty z dostępem do zasilania.

Dla hyperscalerów ten sam niedobór podnosi koszty. Dostawca chmury może płacić więcej za energię elektryczną, budowę, sieci i sprzęt, ponieważ opóźnianie mocy grozi utratą klientów.

Tworzy to nietypową zachętę. Dla menedżerów firm technologicznych niedoinwestowanie może wydawać się groźniejsze niż przejściowe nadmierne wydatki.

Klient, który nie może uzyskać wystarczającej mocy obliczeniowej, może przenieść obciążenia gdzie indziej, zbudować systemy wewnętrzne lub podpisać długą umowę z konkurentem. Utracone relacje mogą utrzymywać się po poprawie podaży.

Moody’s opisał tę obawę jako egzystencjalną z perspektywy hyperscalerów. Jego analiza ostrzegała również, że agresywna budowa może stworzyć nadwyżkę mocy i słabsze zwroty.

Wydatki na centra danych zazwyczaj znacznie wyprzedzają przychody. Projekty wymagają planowania, budowy, uruchomienia, instalacji sprzętu i wdrożenia przez klientów, zanim staną się w pełni produktywne.

To opóźnienie wspiera krytykę niecierpliwości formułowaną przez Graya. Oczekiwanie, że centrum w budowie wygeneruje taki sam zwrot jak dojrzały, w pełni wynajęty obiekt, byłoby nierozsądne.

Inwestorzy nie oceniają jednak wyłącznie niedokończonych budynków. Oceniają, czy zespoły zarządzające potrafią prognozować popyt wystarczająco dokładnie, by uniknąć skoordynowanej nadbudowy.

Alphabet, Amazon, Meta, Microsoft i Oracle rozwijają się w tym samym czasie. Wyspecjalizowani dostawcy chmury i projekty państwowe dodają kolejną warstwę planowanej podaży.

Jeśli wszyscy uczestnicy korzystają z podobnych prognoz wzrostu, mogą łącznie zbudować więcej mocy, niż klienci będą w stanie wchłonąć. Ceny chmurowe spadłyby wówczas, podczas gdy koszty amortyzacji, odsetek i energii elektrycznej pozostałyby.

Jason Helfstein z Oppenheimer ujął tę obawę wprost: jeśli branża stworzy zbyt dużo mocy, jej cena spadnie. To klasyczne ryzyko na rynkach kapitałochłonnych.

Telekomunikacja stanowi trafne porównanie historyczne. Inwestycje w światłowody pod koniec lat 90. stworzyły infrastrukturę, która z czasem stała się niezbędna, jednak wielu inwestorów poniosło straty, ponieważ przepustowość pojawiła się przed opłacalnym popytem.

Internet nie był technologią, która poniosła porażkę. Mimo to wiele pojedynczych projektów i firm przyniosło słabe zwroty.

Infrastruktura AI może przynieść podobnie zróżnicowany rezultat. Społeczeństwo może wykorzystywać znacznie więcej mocy obliczeniowej, podczas gdy niektórzy właściciele odkryją, że zapłacili zbyt dużo lub zbyt agresywnie finansowali projekty.

Goldman Sachs szacuje, że wydatki hyperscalerów na AI musiałyby osiągnąć 700 mld USD w 2026 roku, aby dorównać szczytowi wydatków telekomunikacyjnych z końca lat 90. jako udział w gospodarce. Jego perspektywa inwestycyjna wskazuje również, że duzi dostawcy dysponują znaczną zdolnością finansową.

Skala zmniejsza zatem ryzyko natychmiastowych trudności finansowych najsilniejszych firm. Nie gwarantuje jednak, że kolejna jednostka mocy obliczeniowej przyniesie taki sam zwrot jak poprzednia.

Argument Graya jest najsilniejszy w odniesieniu do rzadkiej, zakontraktowanej infrastruktury należącej do dobrze dokapitalizowanych inwestorów. Słabnie, gdy rozszerza się go na projekty spekulacyjne, operatorów korzystających z dźwigni finansowej i niesprawdzone zastosowania.

Niecierpliwość rynku nie jest wyłącznie krótkoterminowym myśleniem. To próba odróżnienia trwałej infrastruktury od mocy zbudowanej na założeniach, które nie zostały przetestowane.

Brak danych o zwrotach tworzy realną lukę w weryfikacji

Optymizm Graya nie może rozwiązać centralnego problemu, ponieważ ani Blackstone, ani hyperscalerzy nie przedstawiają pełnego obrazu rentowności AI.

Blackstone może raportować wyniki wybranych strategii infrastrukturalnych i poszczególnych spółek portfelowych. Wyniki te pokazują, jak aktywa funduszu radziły sobie w ramach konkretnych umów i struktur własnościowych.

Nie ujawniają jednak zwrotu osiąganego przez klientów chmurowych korzystających z tych obiektów. Nie pokazują też, czy aplikacje generatywnej AI mogą utrzymać ceny potrzebne w całym łańcuchu dostaw.

Ujawnienia hyperscalerów mają odwrotne ograniczenie. Pokazują skonsolidowane przychody, marże, przepływy pieniężne i nakłady kapitałowe, lecz rzadko wyodrębniają wkład infrastruktury AI.

W efekcie inwestorzy łączą pośrednie sygnały. Obserwują wzrost chmury, portfel zamówień, wykorzystanie mocy, marże operacyjne, amortyzację, zobowiązania leasingowe i komentarze zarządów.

Każdy z tych sygnałów ma słabości. Portfel zamówień może obejmować umowy rozciągające się na wiele lat, a klienci mogą negocjować harmonogramy wdrożeń przed rozpoznaniem przychodów.

Wykorzystanie mocy może rosnąć, podczas gdy ceny spadają. Wzrost chmury może odzwierciedlać popyt na tradycyjne bazy danych, pamięć masową i sieci, a nie na generatywną AI.

Marże mogą również pozostać stabilne, ponieważ rentowne usługi starszej generacji równoważą straty na nowszych obciążeniach AI. Bez ujawnień na poziomie segmentów dobre wyniki chmury nie dowodzą atrakcyjnych zwrotów z AI.

Koncentracja klientów tworzy kolejną niewiadomą. Badania technologiczne HSBC szacują, że OpenAI i Anthropic odpowiadają za około połowę portfeli zamówień związanych z AI ujawnionych przez kilku największych dostawców chmury.

Dokładny udział jest trudny do zweryfikowania, ponieważ dostawcy ujawniają ograniczone informacje o klientach. Ta możliwość ma jednak znaczenie, ponieważ oba laboratoria zależą od dalszych inwestycji zewnętrznych i dużych zobowiązań infrastrukturalnych.

Skoncentrowany rynek może wyglądać na silniejszy, niż jest w rzeczywistości. Przychody jednego dostawcy z infrastruktury mogą pochodzić od klienta, którego wydatki finansuje inna firma z tej samej sieci inwestycyjnej.

Relacje te nie są automatycznie koliste ani nie do utrzymania. Inwestorzy strategiczni mogą racjonalnie finansować twórców modeli, jednocześnie sprzedając im moce obliczeniowe.

Mimo to takie ustalenia komplikują analizę popytu. Inwestorzy muszą ustalić, jaka część wykorzystania pochodzi od niezależnych, płacących klientów, a nie od kapitału krążącego w niewielkiej grupie.

Sceptyczne spojrzenie wykracza też poza hyperscalerów. Przedsiębiorstwa informują o eksperymentowaniu z AI, lecz eksperymenty nie zawsze przekształcają się w szerokie wdrożenia.

Pilotaż może wykazać wartość techniczną, nie pokrywając jednak kosztów integracji, bezpieczeństwa, szkoleń, zarządzania i inferencji. Firmy mogą ograniczać wykorzystanie, gdy koszty te przewyższają mierzalne oszczędności.

Blackstone informuje, że około połowa jego spółek portfelowych przeszła do pewnej formy wdrażania AI. Daje to użyteczny obraz obejmujący różne przedsiębiorstwa, lecz etapy adopcji nie są równoznaczne ze zwrotami finansowymi.

Najważniejszą brakującą daną jest przyrostowy zysk. Inwestorzy muszą wiedzieć, czy AI generuje przychody lub oszczędności wykraczające poza to, co firmy zarobiłyby bez dodatkowej infrastruktury.

Takie obliczenie wymaga scenariusza kontrfaktycznego, czyli oszacowania wyników bez inwestycji. Firmy rzadko go publikują, a osoby z zewnątrz nie mogą go precyzyjnie skonstruować.

System rekomendacji może zwiększać przychody reklamowe przy użyciu nowego sprzętu AI. Jednak te same przychody mogą również odzwierciedlać wyższe ceny, wzrost liczby odbiorców lub niezwiązane z tym zmiany produktowe.

Asystent programistyczny AI może zwiększać liczbę subskrypcji oprogramowania. Jego wkład nadal zależy od utrzymania klientów, kosztów obliczeniowych, wydatków na wsparcie oraz możliwej kanibalizacji istniejących produktów.

Ta luka w weryfikacji daje obu stronom pole do wybierania korzystnych dowodów. Gray może wskazywać na wzrost leasingu i zwroty z infrastruktury. Krytycy mogą wskazywać na spadające wolne przepływy pieniężne i ograniczone ujawnienia.

Żadna ze stron nie dowodzi ostatecznego wyniku. Rozbudowa nadal trwa, a znaczna część istotnych mocy nie działa wystarczająco długo, by ustalić stabilną ekonomię.

Dla czytelników trafiających z google news ta niepewność jest ważniejsza niż różnica zdań w nagłówkach. Sporu nie da się rozstrzygnąć samą pewnością siebie.

Dowody muszą ostatecznie pojawić się w powtarzalnych przychodach, utrzymującym się wykorzystaniu mocy, stabilnych cenach, poprawiających się marżach i generowaniu gotówki po uwzględnieniu kosztów kapitału.

Dopóki te liczby nie staną się widoczne, komentarz Graya pozostaje wiarygodną tezą inwestycyjną, a nie zweryfikowanym wnioskiem dotyczącym całej gospodarki AI.

Gdzie teza Jona Graya staje przed najtrudniejszym testem

Największym ryzykiem nie jest zanik popytu na AI, lecz brak zbieżności między podażą, finansowaniem i ekonomiką klientów.

Popyt na moc obliczeniową może szybko rosnąć, a inwestorzy nadal mogą osiągać rozczarowujące zwroty. To cena zapłacona za aktywa i koszt finansowania decydują o tym, kto przechwytuje wartość.

Wysokie koszty odsetkowe mogą zniwelować korzyści z silnych przychodów leasingowych. Opóźnienia budowlane mogą generować koszty, zanim obiekt zacznie fakturować klientów.

Energia elektryczna to kolejne ograniczenie. Centra danych potrzebują niezawodnego zasilania, a nowe projekty przesyłowe lub wytwórcze mogą trwać dłużej niż sama budowa obiektów obliczeniowych.

Deweloperzy z zabezpieczonym dostępem do energii mogą mieć większą siłę w kształtowaniu cen. Ci, którzy go nie mają, mogą posiadać kosztowną ziemię i sprzęt, czekając na przyłączenie do sieci.

Społeczności i regulatorzy również wpływają na harmonogram. Obawy obejmują stawki za energię elektryczną dla gospodarstw domowych, zużycie wody, hałas, emisje i konkurencję o grunty.

Nowe wymogi mogą przenieść koszty infrastruktury na operatorów centrów danych. Może to chronić mieszkańców, jednocześnie obniżając zwroty z projektów lub opóźniając budowę.

Cykle sprzętowe dodają kolejną niepewność. Zaawansowane procesory mogą starzeć się komercyjnie znacznie szybciej niż budynki, podstacje i systemy chłodzenia.

Właściciele muszą projektować obiekty tak, by obsługiwały przyszłe gęstości sprzętowe. Budynek, który nie może sprostać nowym wymaganiom dotyczącym zasilania i chłodzenia, może wymagać dodatkowych inwestycji.

Szybki wzrost efektywności tworzy kolejne napięcie. Bardziej wydajne układy mogą obniżać koszt obliczeń na zadanie, co zachęca do większego wykorzystania dzięki niższym cenom.

Jednak efektywność może też zmniejszać liczbę maszyn potrzebnych do obsługi stałego obciążenia. Popyt musi rosnąć wystarczająco szybko, aby wchłonąć te zyski.

Konkurencja oddziałuje na każdą warstwę. Nvidia dostarcza znaczną część sprzętu do przyspieszonych obliczeń, podczas gdy firmy chmurowe rozwijają własne procesory, aby obniżyć koszty i zależność od dostawców.

Google od dawna wykorzystuje jednostki tensorowe, czyli wyspecjalizowane procesory zaprojektowane dla obciążeń uczenia maszynowego. Amazon i Microsoft również oferują wewnętrznie projektowane układy AI.

Własny sprzęt może poprawiać ekonomikę hyperscalerów. Może też osłabiać założenia stojące za obiektami lub ustaleniami finansowymi zoptymalizowanymi pod konkretny zewnętrzny procesor.

Największa presja w krótkim terminie może dotknąć operatorów korzystających z dźwigni finansowej, a nie największe firmy technologiczne. Hyperscalerzy mogą wspierać wydatki zdywersyfikowanymi przychodami i dużymi przepływami gotówkowymi.

Mniejsi dostawcy infrastruktury często zależą od długu, finansowania sprzętu lub ograniczonej liczby najemców. Opóźniony kontrakt lub problem z refinansowaniem może mieć znacznie większy wpływ.

S&P Global Ratings szacuje, że pięciu dużych dostawców chmury wyda około 750 mld USD na nakłady kapitałowe w 2026 roku, co odpowiada około 38% ich przychodów. Jego ocena kredytowa zakłada, że przepływy pieniężne odbudują się wraz ze wzrostem przychodów z AI.

Agencja ostrzega również, że długoterminowa jakość kredytowa zależy od tego, czy wzrost przychodów będzie wyprzedzał zobowiązania kapitałowe. Warunek ten oddaje centralny test precyzyjniej niż szerokie twierdzenia o bańce AI.

Teza Graya utrzymuje się, jeśli popyt pozostaje wyższy od dostępnej podaży, a długoterminowe umowy zamieniają niedobór w przepływy pieniężne. Słabnie, jeśli koszty finansowania rosną, podczas gdy moce stają się wzajemnie zastępowalne.

Słabnie również, jeśli główni klienci AI nie mogą finansować swoich zobowiązań z przychodów operacyjnych. Popyt na infrastrukturę staje się wówczas zależny od dalszego pozyskiwania kapitału, a nie od samowystarczalnego wykorzystania.

Wyzwaniem dla czytelników jest unikanie traktowania AI jako jednego jednolitego rynku. Rentowny zasób energetyczny, w pełni wynajęty obiekt, usługa chmurowa i konsumencki chatbot mają odmienną ekonomikę.

Sukces Blackstone w jednej warstwie nie dowodzi rentowności w każdej warstwie. I odwrotnie, słaba ekonomika aplikacji nie sprawia automatycznie, że zakontraktowane centrum danych jest nierentowne.

Taki fragmentaryczny rezultat jest bardziej prawdopodobny niż prosty werdykt boomu lub załamania. Silne platformy mogą osiągać atrakcyjne zwroty, podczas gdy słabsze projekty będą restrukturyzowane, konsolidowane lub zamykane.

Argument Graya dotyczący niecierpliwości należy więc stosować selektywnie. Czas sprzyja aktywom wspieranym przez realny popyt i zdyscyplinowane finansowanie. Czas nie naprawia nadmiernej ceny wejścia ani nierzetelnego klienta.

Co czytelnicy google news powinni obserwować dalej

Kolejne trzy sygnały pokażą, czy Gray wyprzedza wydarzenia, ma rację, czy też pomija rosnącą lukę między budową a rentownym popytem.

Po pierwsze, w następnym cyklu wyników hyperscalerów należy obserwować wolne przepływy pieniężne obok nakładów kapitałowych. Sam wzrost przychodów nie rozstrzygnie tej kwestii.

Najsilniejszym dowodem na rzecz Graya byłby wzrost przychodów z AI lub chmury przy stabilnych marżach operacyjnych oraz przepływach pieniężnych zaczynających pokrywać nowe koszty kapitałowe.

Przeciwny wzorzec osłabiłby jego pogląd. Wydatki, które nadal rosną, gdy wolne przepływy pieniężne spadają, zwiększyłyby presję na opóźnianie projektów, ograniczanie wykupu akcji własnych lub pozyskiwanie większego finansowania zewnętrznego.

Inwestorzy powinni porównywać nakłady kapitałowe z operacyjnymi przepływami pieniężnymi, zamiast rozpatrywać każdą z tych wartości osobno. Powinni również uwzględniać leasing finansowy, który może przenosić zobowiązania infrastrukturalne poza prostsze porównania wydatków gotówkowych.

Po drugie, należy obserwować, czy ujawnione portfele zamówień zamieniają się w rozpoznane przychody. Duże kontrakty wspierają tezę infrastrukturalną tylko wtedy, gdy klienci wdrażają obciążenia i dokonują stałych płatności.

Użyteczne dowody obejmują wyższe wykorzystanie mocy, przyspieszający wzrost sprzedaży chmurowej i rzadsze wzmianki o ograniczeniach przepustowości. Stabilne lub rosnące ceny sugerowałyby, że popyt nadal przewyższa dostępną podaż.

Opóźnione wdrożenia wysłałyby inny sygnał. Podobnie jak spadki cen spowodowane jednoczesnym uwolnieniem mocy przez kilku dostawców.

Struktura klientów ma równie duże znaczenie jak całkowity portfel zamówień. Szersza adopcja w przedsiębiorstwach zmniejszyłaby zależność od OpenAI, Anthropic i niewielkiej grupy silnie finansowanych nabywców.

Po trzecie, warto obserwować, jak zmienia się finansowanie. Emisje długu, wspólne przedsięwzięcia, sprzedaż aktywów i prywatne struktury finansowania pokazują, kto ponosi ryzyko budowy.

Kapitał zewnętrzny może być rozsądnym rozwiązaniem, ponieważ centra danych są aktywami długowiecznymi. Dopasowanie ich do finansowania długoterminowego może uchronić firmy technologiczne przed koniecznością bezpośredniego finansowania każdego projektu.

Finansowanie staje się bardziej niepokojące, gdy zaciemnia obraz dźwigni finansowej lub przenosi ryzyko na podmioty zależne od optymistycznych założeń dotyczących wykorzystania mocy. Inwestorzy powinni analizować gwarancje, zobowiązania leasingowe i koncentrację najemców.

Sygnały te powinny stać się wyraźniejsze w ciągu kilku okresów wynikowych, a nie po jednym nagłówku. Taki horyzont czasowy potwierdza część przesłania Graya, jednocześnie zachowując prawo rynku do żądania dowodów.

Jego wypowiedź sprzeciwia się kwartalnemu werdyktowi w sprawie wieloletniego cyklu inwestycji infrastrukturalnych. Nie eliminuje jednak potrzeby wyznaczania kamieni milowych po drodze.

Najbardziej użyteczne pytanie nie brzmi więc, czy inwestorzy są zbyt niecierpliwi. Chodzi o to, czy firmy potrafią wykazać stały postęp, zanim cierpliwość stanie się wymówką.

Czytelnicy mogą śledzić ten postęp poprzez przepływy pieniężne, zrealizowany portfel zamówień i jakość finansowania. Te wskaźniki powiedzą więcej niż kolejna fala optymistycznych zapowiedzi dotyczących AI.

Zachowaj te trzy wskaźniki na uwadze przy kolejnym nagłówku google news o wydatkach na AI. Jeśli wszystkie będą poprawiać się jednocześnie, argument Graya za cierpliwością zyska na sile. Jeśli będą się rozchodzić, sceptycyzm rynku będzie wyglądał na coraz bardziej uzasadniony.