Matt McLennan twierdzi, że koncentracja wokół AI uśpiła czujność rynków
Matt McLennan zaostrzył debatę wokół akcji spółek AI: ich sukces sprawił, że inwestorzy mniej uważnie podchodzą do ryzyka, mimo bezprecedensowej koncentracji rynku.
Zarządzający strategiami value w First Eagle Investments omówił tę kwestię z Vonnie Quinn w programie Bloomberg Brief 5 sierpnia. Jego argument podważa wygodne założenie stojące za rajdem AI. Inwestorzy traktowali wysokie zyski spółek technologicznych, rosnące wydatki na infrastrukturę i dominującą pozycję konkurencyjną jako dowód, że koncentracja jest bezpieczna.
W tym rozumowaniu kryje się niebezpieczne odwrócenie perspektywy. Spółki przyciągające najwięcej kapitału często prowadzą wyjątkowe biznesy, lecz ich popularność nadal może osłabiać przyszłe stopy zwrotu. Wysokie ceny pozostawiają mniej miejsca na rozczarowanie, a koncentracja indeksów rozprzestrzenia konsekwencje na portfele, które tylko pozornie są zdywersyfikowane.
McLennan nie twierdzi, że sztuczna inteligencja nie ma wartości ekonomicznej. Kwestionuje cenę, jaką inwestorzy płacą za tę wartość, oraz poziom pewności zawarty w tych cenach. To rozróżnienie ma znaczenie, ponieważ solidna technologia, rentowna spółka i atrakcyjna inwestycja to trzy różne rzeczy.
Debata wykracza również poza aktywnych zarządzających funduszami. Każdy, kto posiada indeks ważony kapitalizacją rynkową, ma większy udział w spółce wraz ze wzrostem jej wartości rynkowej. Ten mechaniczny proces może zwiększać ekspozycję bez nowej oceny wyceny, konkurencji czy trwałości technologicznej.
W rezultacie rynek kształtują dwie przeciwstawne idee. Liderzy AI mogą nadal generować rzeczywisty wzrost zysków, lecz ich rosnąca waga w indeksach może również zwiększać kruchość całego rynku.
Ostrzeżenie McLennana dotyczy ceny, a nie potencjału AI
Główna teza nie brzmi, że AI poniesie porażkę, lecz że inwestorzy przestali wymagać wystarczającej ochrony przed porażką.
W wywiadzie dla Bloomberg McLennan połączył rynkowe samozadowolenie z silną koncentracją wokół sztucznej inteligencji. Jego obawy odzwierciedlają szersze podejście First Eagle, skoncentrowane na unikaniu trwałej utraty kapitału.
Trwała utrata kapitału różni się od tymczasowego spadku ceny. Występuje wtedy, gdy inwestor przepłaca za przyszłe przepływy pieniężne, które nigdy nie nadejdą, nie pozostawiając realnej drogi powrotu do pierwotnej wartości.
McLennan kieruje zespołem Global Value w First Eagle Investments. Jego proces koncentruje się na odpornych biznesach, konserwatywnych bilansach i tym, co inwestorzy value nazywają marginesem bezpieczeństwa. Ten margines to różnica między ceną rynkową aktywa a ostrożną oceną jego wartości wewnętrznej.
Entuzjazm wobec AI może zawężać ten margines. Inwestorzy często zakładają wysoki wzrost daleko w przyszłość, a następnie bagatelizują ryzyko konkurencyjne, regulacyjne i wykonawcze. Spółka może spełnić ambitne prognozy, a mimo to przynieść słabe zwroty, jeśli jej początkowa wycena była wystarczająco wymagająca.
Filozofia value First Eagle zaczyna się od ryzyka trwałego uszczerbku wynikającego z przepłacenia. To podejście wyjaśnia, dlaczego McLennan może dostrzegać potencjał AI, pozostając jednocześnie ostrożnym wobec powiązanych z nią akcji.
To rozróżnienie odróżnia również jego argument od prostego stwierdzenia, że mamy do czynienia z bańką. Ogłoszenie bańki sugeruje, że ceny są szeroko oderwane od rzeczywistości gospodarczej. Stanowisko McLennana jest bardziej precyzyjne: wąska grupa odnoszących sukcesy spółek przyciągnęła oczekiwania i kapitał, które pozostawiają mniej ochrony przed niespodziankami.
Te niespodzianki nie muszą podważać tezy dotyczącej AI. Wolniejszy wzrost przychodów, niższe marże, rosnąca amortyzacja lub słabsza siła cenowa mogą zmienić wyniki inwestycyjne. Wyższe stopy procentowe również mogą obniżyć wartość bieżącą odległych zysków.
Nawet niewielka korekta może mieć znaczenie, gdy wyceny już zakładają utrzymanie pozycji lidera. Inwestorzy nie obstawiają jedynie wzrostu popytu na AI. Zakładają też, że dzisiejsi liderzy przejmą wystarczającą część tego wzrostu, by uzasadnić swoje obecne wartości rynkowe.
W tym miejscu pojawia się samozadowolenie. Silne historyczne stopy zwrotu mogą sprawiać, że niepewność wydaje się mniejsza, choć podstawowy zakres możliwych wyników pozostaje szeroki. Rosnące ceny stają się wówczas dowodem potwierdzającym narrację, która je napędziła.
Proces może sam się wzmacniać. Lepsze wyniki przyciągają więcej kapitału, większy kapitał zwiększa wagę w indeksach, a większe wagi prowadzą do dodatkowych zakupów pasywnych. Żaden z tych etapów samodzielnie nie weryfikuje długoterminowych przepływów pieniężnych uzasadniających cenę.
McLennan zgłaszał podobne obawy już wcześniej. W rozmowie z NYSE opisał ogromne przepływy do niewielkiej grupy spółek wzrostowych po kilku latach skoncentrowanych zwrotów.
Wskazał również szansę po drugiej stronie rynku. Defensywne i mniej modne biznesy mogą stać się relatywnie atrakcyjne, gdy inwestorzy odrzucają je jako banalne. To obserwacja dotycząca wycen, a nie prognoza, że liderzy technologiczni natychmiast spadną.
Moment zwrotu pozostaje nieznany. Skoncentrowane rynki mogą pozostawać skoncentrowane, a drogie aktywa mogą drożeć jeszcze bardziej. Ostrzeżenie McLennana dotyczy ekspozycji i przygotowania, a nie precyzyjnego szczytu rynku.
Koncentracja rynku zamienia zaufanie do AI w ryzyko portfelowe
Zdywersyfikowany indeks może obejmować setki spółek, a mimo to silnie zależeć tylko od kilku z nich.
Ważenie kapitalizacją rynkową przydziela większe pozycje spółkom o większej wartości giełdowej. Inwestorzy korzystający z tej struktury nie posiadają każdej spółki w równym stopniu. Liderzy mają więc znacznie większy wpływ na wyniki niż mniejsze komponenty indeksu.
Ten model działał szczególnie dobrze, gdy duże spółki technologiczne osiągały lepsze wyniki. Dawał inwestorom większą ekspozycję na biznesy generujące najsilniejsze wzrosty, bez konieczności aktywnego wyboru akcji.
Ten sam model tworzy ryzyko koncentracji. Odwrócenie trendu w kilku czołowych spółkach może przyćmić pozytywne wyniki w innych obszarach. Szeroka liczba posiadanych spółek nie gwarantuje zrównoważonej ekspozycji na czynniki gospodarcze.
AI wzmacnia powiązania między czołowymi akcjami. Projektanci chipów sprzedają procesory wykorzystywane przez dostawców chmury. Dostawcy chmury budują infrastrukturę dla twórców modeli. Platformy konsumenckie wdrażają te modele, jednocześnie sprzedając usługi klientom korporacyjnym.
Spółki te pozostają odrębnymi biznesami, lecz ich historie wzrostu coraz bardziej zależą od powiązanych wydatków na AI. Spadek popytu na infrastrukturę może więc wpłynąć na kilka części tego łańcucha.
Goldman Sachs Asset Management podał, że dziesięć największych akcji w S&P 500 stanowiło 36,5 procent indeksu w jego analizie koncentracji z 2026 roku. Nvidia, Apple i Microsoft znalazły się wśród największych wag.
Analiza koncentracji przedstawiła również istotny kontrargument. Dominacja dużych spółek nie prowadzi automatycznie do kryzysu, szczególnie gdy wiodące biznesy generują wysokie zyski i utrzymują zdrowe bilanse.
Te dane nie pozwalają na łatwy wniosek. Dzisiejsi liderzy AI nie są spekulacyjnymi spółkami bez przychodów, klientów czy skali operacyjnej. Wiele z nich posiada wartościową infrastrukturę, dystrybucję, dane oraz istniejące biznesy generujące gotówkę.
Jednak jakość nie eliminuje ryzyka wyceny. Silna spółka może stać się słabą inwestycją, gdy jej wycena zakłada niemal bezbłędną realizację planów. Koncentracja podnosi koszt, gdy kilka takich oczekiwań zostaje skorygowanych jednocześnie.
Inwestycje w AI łączą również decyzje przedsiębiorstw o wydatkach z przywództwem rynkowym. Hyperscalerzy, czyli najwięksi globalni operatorzy chmur, intensywnie wydają na procesory, centra danych, sieci i energię elektryczną.
Inwestorzy zazwyczaj oczekują, że te wydatki stworzą trwałe przychody i produktywność. Nadal niepewne jest jednak, jak szybko nowe przychody przekroczą pełny koszt obsługi i wymiany infrastruktury.
Na szczególną uwagę zasługuje amortyzacja. Serwery AI mogą stać się ekonomicznie przestarzałe, zanim tradycyjny obiekt osiągnie koniec okresu użytkowania. Szybsze cykle sprzętowe mogą zwiększać stały koszt utrzymania konkurencyjności.
Konkurencja może także przenosić wartość ekonomiczną z dala od obecnych liderów. Spadające ceny modeli mogą przynosić korzyści nabywcom oprogramowania, jednocześnie ograniczając zwroty dostawców modeli. Niestandardowe chipy mogą zmniejszać zależność od komercyjnych dostawców, choć projekty te niosą własne ryzyko.
Oznacza to, że inwestor może trafnie przewidzieć powszechne wdrożenie AI, ale błędnie wskazać, gdzie skumulują się zyski. Upowszechnienie technologii i zwroty dla akcjonariuszy podążają różnymi ścieżkami.
Historia przemawia za ostrożnością. Koleje, sieci telekomunikacyjne i komercyjny internet stworzyły ogromną wartość gospodarczą. Inwestorzy, którzy zapłacili nadmierne ceny za niektórych uczestników tych rynków, nadal ponieśli trwałe straty.
Spółki AI istotnie różnią się od tych precedensów, dlatego porównanie ma swoje ograniczenia. Użyteczna lekcja dotyczy kapitałochłonności i oczekiwań. Ważna infrastruktura może przyciągnąć zbyt dużo kapitału, zanim popyt i ceny staną się jasne.
Koncentracja sprawia, że ta niepewność dotyczy nie tylko specjalistów od technologii. Konta emerytalne, portfele funduszy emerytalnych i ogólne fundusze akcyjne mogą przejmować tę samą ekspozycję poprzez wagi benchmarków.
To właśnie presję argument McLennana wywiera na inwestorów pasywnych. Muszą zdecydować, czy szerokie posiadanie indeksu nadal zapewnia oczekiwaną dywersyfikację, czy też właściwe jest dodatkowe równoważenie.
Dlaczego rynkowe samozadowolenie wokół AI może się samo wzmacniać
Rajd AI stworzył pętlę sprzężenia zwrotnego, w której siła cen przyciąga kapitał, który generuje dalszą siłę cen.
Mechanizm zaczyna się od rzeczywistych wyników biznesowych. Popyt na zaawansowane technologie obliczeniowe zwiększa przychody producentów chipów, operatorów chmur i dostawców rozwiązań sieciowych. Inwestorzy nagradzają najsilniejszych uczestników wyższymi wycenami.
Te wyższe wyceny zwiększają pozycję każdej spółki w indeksach ważonych kapitalizacją rynkową. Fundusze śledzące takie indeksy muszą utrzymywać odpowiadającą im ekspozycję. Nowe środki napływające do tych funduszy kierują więc większą część kapitału do tych samych liderów.
Silne wyniki benchmarków zachęcają następnie do kolejnych inwestycji indeksowych. Wywierają też presję na aktywnych zarządzających, którzy mają mniejsze pozycje w spółkach liderach. Pozostawanie w tyle za benchmarkiem może prowadzić do odpływu klientów, nawet jeśli ostrożność zarządzającego ostatecznie okaże się uzasadniona.
Ryzyko kariery zmienia zachowania. Zarządzający portfelem może stracić klientów, unikając drogiej akcji, która nadal rośnie. Posiadanie tej samej akcji co wszyscy inni może wydawać się bezpieczniejsze, ponieważ ewentualne odwrócenie trendu dotknie jednocześnie konkurentów i benchmarki.
To bezpieczeństwo jest społeczne, a nie finansowe. Wspólna ekspozycja zmniejsza reputacyjną karę za samodzielne popełnienie błędu. Nie zmniejsza jednak podstawowego ryzyka utraty kapitału.
Bodźce korporacyjne mogą wzmacniać tę pętlę. Rosnąca cena akcji zwiększa atrakcyjność wynagrodzeń opartych na akcjach i ułatwia finansowanie przejęć. Może również wzmacniać zaufanie klientów, dostawców i pracowników.
Spółki mogą wtedy inwestować bardziej agresywnie, wspierając pierwotną narrację wzrostową. Konkurenci muszą odpowiadać własnymi wydatkami, co dodatkowo zwiększa popyt na infrastrukturę AI.
Cykl ten nie wymaga nieracjonalnych uczestników. Każda decyzja z osobna może wydawać się rozsądna. Ryzyko wynika ze sposobu, w jaki te decyzje wzajemnie na siebie oddziałują.
Dostawca chmury wydaje pieniądze, ponieważ klienci chcą mocy obliczeniowej dla AI. Dostawca chipów zwiększa skalę działalności, ponieważ dostawcy chmury składają zamówienia. Fundusz indeksowy kupuje, ponieważ wyceny spółek wzrosły. Inwestor kupuje fundusz, ponieważ jego ostatnie stopy zwrotu były wysokie.
Łącznie działania te mogą sprawić, że rynek stanie się mniej wrażliwy na wyceny. Mogą też ukrywać różnice zdań, ponieważ zakupy kierowane przez benchmark nie wyrażają opinii o przyszłych zyskach konkretnej spółki.
State Street Global Advisors wskazał wysokie zyski związane z AI jako ważną siłę stojącą za koncentracją indeksów. Jego badanie koncentracji podkreśla również, że koncentracja wymaga analizy, a nie automatycznie pesymistycznego wniosku.
Pętla sprzężenia zwrotnego może działać tak długo, jak zyski uzasadniają wydatki. Problemy pojawiają się, gdy jedno z ogniw słabnie. Klienci mogą opóźniać wdrożenia, dostawcy chmury mogą ograniczać plany inwestycyjne, a nowa podaż mocy może obniżać ceny.
Zmiana nie musi być gwałtowna. Spółki wzrostowe czerpią znaczną część wartości z zysków oczekiwanych dopiero za wiele lat. Niewielkie zmiany założeń dotyczących wzrostu lub stóp dyskontowych mogą więc prowadzić do większych zmian cen.
Inwestorzy stają też przed problemem pomiaru. Przychody z AI mogą być trudne do oddzielenia od szerszej sprzedaży chmurowej, reklamowej lub oprogramowania. Nakłady inwestycyjne są wyraźnie widoczne w sprawozdaniach finansowych, podczas gdy związane z nimi zwroty mogą pozostawać rozproszone między liniami produktowymi.
Ta asymetria sprzyja interpretacjom opartym na narracji. Menedżerowie mogą przedstawiać AI jako czynnik wspierający wyniki, nie ujawniając jednak wystarczających danych, by obliczyć samodzielną stopę zwrotu. Inwestorzy wykorzystują wtedy pośrednie sygnały, takie jak wzrost chmury czy wykorzystanie modeli, aby ocenić postępy.
Sygnały te są ważne, lecz nie odpowiadają na każde pytanie. Wykorzystanie może rosnąć, gdy ceny jednostkowe spadają. Przychody mogą rosnąć, podczas gdy koszty infrastruktury rosną szybciej. Zyski produktywności mogą bardziej korzystnie wpływać na klientów niż na dostawców.
Rynek zależy zatem od sekwencji założeń. Popyt na AI musi pozostać silny, czołowe platformy muszą bronić swoich pozycji, a ekonomika infrastruktury musi się poprawiać. Obecne wyceny określają, jak duży margines błędu inwestorzy mogą zaakceptować.
Argument McLennana dotyczący samozadowolenia dotyczy właśnie tego marginesu błędu. Gdy inwestorzy uważają liderów za niemal pewnych zwycięzców, wymagają mniejszej rekompensaty za niepewność.
Silne wyniki komplikują pesymistyczną tezę
Koncentracja jest słabością, ale nie dowodzi, że akcje AI oderwały się od fundamentów swoich biznesów.
Każda poważna ocena musi zmierzyć się z najsilniejszym argumentem przeciwko ostrożności McLennana. Czołowe spółki technologiczne osiągają znaczące zyski, mają ugruntowane relacje z klientami i finansują inwestycje dzięki dużym biznesom operacyjnym.
Ta podstawa odróżnia obecny rynek od najsłabszych spółek z okresu bańki internetowej. Wiele wcześniejszych firm internetowych zależało od finansowania zewnętrznego i niesprawdzonych modeli biznesowych. Dzisiejsze największe spółki technologiczne sprzedają dojrzałe produkty w globalnej skali.
Ich przewagi konkurencyjne są również konkretne. Operatorzy chmurowi kontrolują rozległe sieci obliczeniowe. Projektanci chipów dysponują wyspecjalizowaną wiedzą i systemami oprogramowania. Platformy konsumenckie docierają do miliardów użytkowników za pośrednictwem istniejących usług.
AI może wzmacniać te przewagi. Spółka mająca dystrybucję może umieszczać nowe narzędzia bezpośrednio przed klientami. Spółka z przepływami pieniężnymi może finansować kosztowną infrastrukturę, podczas gdy mniejszym rywalom trudno jej dorównać.
Argument za adopcją wykracza poza głośne chatboty. Firmy wykorzystują uczenie maszynowe do programowania, obsługi klienta, reklamy, logistyki, wykrywania oszustw, badań i wyszukiwania wewnętrznego. Zastosowania te mogą wspierać powtarzalny popyt, nawet jeśli entuzjazm konsumentów będzie się wahał.
Badania nad adopcją w dużych spółkach sugerują również, że wdrożenia pozostają niepełne. Badanie z 2026 roku, analizujące spółki z indeksu S&P 500, wykazało zróżnicowany poziom integracji AI do 2025 roku. Pozostawia to pole do dalszej adopcji, choć sama adopcja nie gwarantuje zysków dostawców.
Bycza teza opiera się więc na czymś więcej niż ekscytacji. Łączy istniejące zyski, wysokie koszty zmiany dostawcy, szeroką dystrybucję i długi potencjalny horyzont wzrostu.
Koncentracja rynkowa może też odzwierciedlać koncentrację gospodarczą. Jeśli niewielka grupa spółek generuje dużą część całkowitych zysków, wysokie wagi w indeksach nie muszą być błędem. Mogą odzwierciedlać strukturę gospodarki bazowej.
Historia dostarcza przykładów dominujących grup, które utrzymywały się dłużej, niż oczekiwali sceptycy. Liderzy nie muszą tracić pozycji tylko dlatego, że stali się wyraźnie widoczni.
Inwestorzy powinni też odróżniać koncentrację absolutną od względnej szansy. Unikanie wszystkich dużych spółek technologicznych może wprowadzać własne ryzyko. Portfel może pominąć trwałe spółki systematycznie zwiększające wartość, jednocześnie posiadając tańsze biznesy o pogarszającej się ekonomice.
Podejście First Eagle odnosi się do tego napięcia, oddzielając wartość od niskiego mnożnika wyceny. Biznes nie jest atrakcyjny wyłącznie dlatego, że wygląda na tani. Istotne pytanie brzmi, czy jego przepływy pieniężne, odporność i cena tworzą korzystne prawdopodobieństwa.
To samo rozumowanie dotyczy liderów AI. Wysoki mnożnik może być uzasadniony trwałym wzrostem, ale dopiero po uwzględnieniu konkurencji, potrzeb reinwestycyjnych i niepewności.
MSCI Global Artificial Intelligence Index oferuje inne spojrzenie na ekspozycję tematyczną. Jego metodologia wybiera spółki z kilku uniwersów geograficznych i wykorzystuje wynik istotności AI. Wagi poszczególnych składników są ograniczone do 10 procent.
Ta metodologia indeksu AI ilustruje jedną odpowiedź na koncentrację. Limit może ograniczyć zależność od jednej spółki, zachowując ekspozycję na szerszy temat.
Taka konstrukcja nie eliminuje jednak wspólnych ryzyk. Różne spółki AI mogą nadal zależeć od tego samego cyklu wydatków, warunków finansowania i oczekiwań klientów.
Dywersyfikacja według tickerów może więc zawyżać dywersyfikację według przyczyn ekonomicznych. Inwestorzy muszą ustalić, które pozycje opierają się na tych samych założeniach.
Pesymistyczny argument może także posuwać się zbyt daleko, traktując nakłady inwestycyjne jako z definicji marnotrawne. Wydatki na infrastrukturę mogą tworzyć wartościową zdolność produkcyjną, własne know-how i niższe koszty jednostkowe. Ich zwrot staje się widoczny dopiero z czasem.
McLennan nie może stwierdzić, że rynek osiągnął szczyt wyłącznie przez wskazanie samozadowolenia. Pewność inwestorów jest trudna do zmierzenia, a sygnały wyceny są słabymi narzędziami krótkoterminowego wyczucia momentu.
Jego ostrzeżenie najlepiej traktować jako pytanie o portfel. Jak duża część wyniku inwestora zależy od tego, czy kilka powiązanych spółek spełni wymagające oczekiwania?
Pytanie to pozostaje użyteczne nawet wtedy, gdy bycza teza jest słuszna. Zarządzanie ryzykiem dotyczy konsekwencji pomyłki, a nie tylko prawdopodobieństwa przypisanego każdemu scenariuszowi.
Rzeczywistym ryzykiem jest wspólny cykl wydatków na AI
Największym zagrożeniem nie jest jeden nieudany produkt, lecz zsynchronizowana ponowna ocena spółek z obszaru chipów, infrastruktury chmurowej i oprogramowania.
Ekspozycja na rynek AI często wydaje się zdywersyfikowana między kilkoma branżami. Portfel może obejmować projektantów półprzewodników, producentów sprzętu, operatorów centrów danych, przedsiębiorstwa użyteczności publicznej, platformy chmurowe i twórców aplikacji.
Jednak biznesy te mogą dzielić jeden podstawowy czynnik: oczekiwania dotyczące trwałych nakładów kapitałowych na AI. Gdy ten czynnik się zmienia, pozornie odrębne pozycje mogą poruszać się razem.
Popyt na chipy znajduje się blisko początku łańcucha. Spółki chmurowe kupują procesory i sprzęt sieciowy, aby budować moce. Twórcy modeli i przedsiębiorstwa następnie wynajmują lub wykorzystują te zasoby.
Jeśli końcowy popyt rośnie zgodnie z oczekiwaniami, wykorzystanie mocy rośnie, a dostawcy mogą rozłożyć koszty stałe na większą liczbę obciążeń. To poprawia ekonomikę całego systemu.
Jeśli wdrożenia trwają dłużej, niewykorzystane moce mogą wywierać presję na zwroty. Dostawcy mogą obniżać ceny, by przyciągnąć obciążenia, podczas gdy klienci opóźniają zobowiązania, ponieważ przyszły sprzęt zapowiada lepszą wydajność.
Niedopasowanie czasowe ma znaczenie. Infrastruktura często musi zostać zbudowana, zanim popyt stanie się pewny. Spółki podejmują więc duże zobowiązania na podstawie prognoz, a nie zrealizowanych zamówień.
Energia elektryczna i budownictwo dodają kolejne ograniczenia. Nowe centra danych wymagają przyłączy do sieci, systemów chłodzenia, gruntów i wyspecjalizowanego sprzętu. Opóźnienia mogą podnosić koszty, nawet gdy popyt pozostaje zdrowy.
Na poziomie aplikacji presja konkurencyjna może szybko obniżać ceny. Twórcy mogą zmieniać modele, łączyć dostawców lub korzystać z otwartych alternatyw. Lepsza wydajność nie zawsze przekłada się na trwałą siłę cenową.
Adopcja w przedsiębiorstwach wprowadza kolejną niepewność. Udana demonstracja nie jest tym samym co wdrożenie produkcyjne. Firmy muszą rozwiązać kwestie bezpieczeństwa, dostępu do danych, niezawodności, integracji i procesów pracy pracowników.
Pracownicy umysłowi potrzebują także dowodów, że wyniki AI są oparte na użytecznym kontekście. Dobrze zorganizowana baza wiedzy AI może poprawić dostęp do materiałów źródłowych, lecz nie eliminuje potrzeby weryfikacji.
Te praktyczne bariery mogą spowalniać rozpoznawanie przychodów bez kończenia adopcji. Taka wolniejsza ścieżka nadal ma znaczenie, gdy ceny rynkowe zakładają szybką monetyzację.
Wspólny cykl wydatków może odwrócić się przez kilka kanałów. Spółki chmurowe mogą obniżyć prognozy nakładów kapitałowych. Klienci korporacyjni mogą wydłużyć procesy zakupowe. Spadające ceny modeli mogą osłabić prognozy przychodów.
Regulacje mogą zwiększać koszty, choć prawdopodobnie nie wpłyną na każdego uczestnika w takim samym stopniu. Spory dotyczące praw autorskich, wymogi prywatności i zasady bezpieczeństwa mogą zmienić ekonomikę trenowania i wdrażania.
Ograniczenia geopolityczne stanowią kolejne źródło niepewności. Kontrole eksportowe mogą ograniczać dostępne rynki dla zaawansowanych chipów, a polityka dotycząca łańcucha dostaw może podnosić koszty produkcji.
Konkurencja pozostaje najszerszą presją. Rynek może trafnie identyfikować AI jako dużą zmianę platformową, jednocześnie przeceniając zysk dostępny dla obecnych dostawców. Nowe architektury mogą zmniejszać popyt na konkretne komponenty.
Wzrost efektywności tworzy podobną niejednoznaczność. Tańsza inferencja, czyli obliczenia potrzebne do uruchomienia wytrenowanego modelu, może zwiększać całkowite wykorzystanie. Może także obniżać przychód na zadanie.
To klasyczne napięcie między niższymi kosztami a rosnącym popytem. Inwestorzy potrzebują dowodów pokazujących, który efekt dominuje.
Sekcja ryzyka w tezie McLennana powinna więc pozostać ograniczona. Koncentracja nie oznacza, że każda spółka AI będzie spadać jednocześnie. Różne bilanse, produkty i bazy klientów nadal mają znaczenie.
Wysokie nakłady kapitałowe nie dowodzą też, że nastąpi załamanie. Wskazują punkt, w którym oczekiwania można sprawdzać poprzez obserwowalne wyniki finansowe.
Kluczowe pytanie brzmi, czy zwroty gotówkowe poszerzają się wraz z inwestycjami. Wzrost przychodów musi ostatecznie pokrywać amortyzację, koszty operacyjne i koszt alternatywny kapitału.
Bez tych dowodów inwestorzy w dużym stopniu polegają na prognozach zarządów i zaufaniu rynku. To właśnie środowisko, w którym samozadowolenie może stać się kosztowne.
Wywiad Bloomberga z McLennanem wskazuje trzy sygnały do obserwowania
Nakłady kapitałowe, monetyzacja i szerokość rynku pokażą, czy zaufanie do AI nadal znajduje potwierdzenie w wynikach.
Pierwszym sygnałem są prognozy nakładów kapitałowych hyperscalerów podczas kolejnego cyklu wyników. Inwestorzy powinni porównać planowane wydatki z popytem na chmurę, przychodami z usług AI oraz komentarzami zarządów na temat wykorzystania mocy.
Rosnące wydatki w połączeniu z silniejszym popytem wspierałyby optymistyczny scenariusz. Wskazywałyby, że inwestycje w infrastrukturę podążają za klientami, a nie jedynie ich wyprzedzają.
Rosnące wydatki bez wyraźniejszej monetyzacji wzmacniałyby obawy McLennana. Sugerowałyby, że rynek nadal nagradza inwestycje, zanim firmy wykażą odpowiednie zwroty.
Spowolnienie wydatków wymaga ostrożnej interpretacji. Może sygnalizować słabszy popyt, co wywierałoby presję na dostawców infrastruktury. Może też odzwierciedlać poprawę efektywności po okresie wyjątkowo intensywnej rozbudowy.
Drugim sygnałem jest relacja między przychodami z AI a całkowitymi kosztami infrastruktury. Inwestorzy potrzebują czegoś więcej niż liczby użytkowników, premier modeli czy wolumenów przetwarzania.
Potrzebują dowodów, że dodatkowe przychody mogą pokryć amortyzację, energię, sieć oraz bieżącą wymianę sprzętu. Poprawiające się marże osłabiłyby tezę o samozadowoleniu, ponieważ potwierdziłyby większą część oczekiwań rynku.
Spadające ceny przy rosnącym wykorzystaniu przyniosłyby mieszany rezultat. Mogłyby rozszerzyć rynek, jednocześnie opóźniając zyski. Skutki różniłyby się w zależności od dostawców chipów, operatorów chmury i firm tworzących aplikacje.
Znaczenie będzie miała jakość ujawnień. Firmy, które oddzielają przychody, koszty i moce związane z AI, mogą ograniczyć niepewność. Ogólne deklaracje dotyczące popytu są mniej pomocne, gdy wydatki osiągają istotną skalę.
Trzecim sygnałem jest szerokość rynku, czyli stopień, w jakim wzrosty są rozłożone między firmy i sektory. Szerszy wzrost zysków zmniejszyłby zależność od kilku liderów powiązanych z AI.
Szerokość rynku może poprawić się na dwa sposoby. Inne sektory mogą generować wyższe zwroty albo czołowe firmy technologiczne mogą się zatrzymać, podczas gdy reszta rynku je dogania.
Każdy z tych scenariuszy sprawiłby, że ekspozycja indeksowa byłaby mniej skoncentrowana. Dałby też aktywnym zarządzającym więcej możliwości poza największymi akcjami wzrostowymi.
Węższa szerokość rynku wzmacniałaby argumentację McLennana. Jeśli wzrosty indeksów nadal będą zależeć od tych samych firm, portfele staną się bardziej wrażliwe na ich wyniki i plany kapitałowe.
Inwestorzy nie powinni traktować tych sygnałów jako automatycznych instrukcji transakcyjnych. Każda miara może zmieniać się z kilku powodów, a krótkoterminowe reakcje rynku często przesłaniają podstawowy trend.
Lepszym podejściem jest wielokrotne weryfikowanie tej narracji. Czy popyt na AI generuje zwroty gotówkowe? Czy te zwroty trafiają do większej liczby firm? Czy obecne ceny pozostawiają miejsce na zwykłe problemy z realizacją planów?
Ostrzeżenie McLennana dotyczy ostatecznie dyscypliny. AI może pozostać jedną z najważniejszych technologii obecnego okresu, podczas gdy jej czołowe akcje staną się trudnymi inwestycjami przy określonych cenach.
Dla czytelników śledzących tę historię za pośrednictwem Bloomberg lub kanałów RSSHub Bloomberg, kolejne rozstrzygające dowody pojawią się w sprawozdaniach finansowych, a nie w kolejnej pewnej siebie prognozie. Wydatki, marże i szerokość rynku zdecydują, czy koncentracja odzwierciedla trwałą ekonomikę, czy zanikającą ostrożność.
Praktyczne pytanie jest proste: jak wiele rozczarowania może pochłonąć Twój portfel? Przejrzyj, które pozycje opierają się na tych samych założeniach dotyczących wydatków na AI, a następnie śledź, czy wyniki operacyjne uzasadniają tę łączną ekspozycję.
