Morgan Stanley ostrzega, że wzrost AI w przedsiębiorstwach zderza się z niedoborem energii

Morgan Stanley wskazał na wyraźny konflikt kryjący się za najnowszym nagłówkiem Google News: wdrażanie AI w przedsiębiorstwach przyspiesza, podczas gdy dostępna moc obliczeniowa pozostaje ograniczona.

Badanie banku wskazuje, że 81% ankietowanych dyrektorów ds. informacji oczekuje, iż do 2026 roku będzie mieć na produkcji co najmniej jedno obciążenie generatywnej AI. Odsetek ten wzrósł z 74% w drugim kwartale 2025 roku i 79% w trzecim kwartale.

Obciążenia produkcyjne mają znaczenie, ponieważ działają nieprzerwanie, obsługują rzeczywistych użytkowników i wymagają większej niezawodności niż tymczasowe eksperymenty. Zużywają też zasoby inferencyjne za każdym razem, gdy pracownik, klient lub zautomatyzowany agent wysyła żądanie.

Ta transformacja zderza się z wolniej rozwijającym się systemem fizycznym. Centra danych potrzebują chipów, pamięci, urządzeń chłodzących, przepustowości przesyłowej i niezawodnej energii elektrycznej. Oprogramowanie może trafić na produkcję w ciągu kilku miesięcy, lecz duże projekty energetyczne często wymagają kilku lat.

Rezultatem jest odwrócenie znanej historii o adopcji AI. Przedsiębiorstwa są coraz bardziej skłonne korzystać z AI, jednak dostawcy infrastruktury nie mogą rozszerzać każdego elementu łańcucha dostaw w tempie oprogramowania.

Morgan Stanley oczekuje, że ograniczenia energetyczne staną się szczególnie istotne w latach 2027 i 2028. Bank dostrzega również, że deweloperzy centrów danych sięgają po gaz ziemny, baterie, mikrosieci i generację na miejscu, gdy tradycyjne przyłącza do sieci wymagają zbyt wiele czasu.

To więcej niż debata inwestycyjna o akceleratorach Nvidia czy nakładach kapitałowych na chmurę. Jest to rywalizacja między szybko narastającym popytem a systemem elektroenergetycznym opartym na długich cyklach planowania, uzyskiwania pozwoleń i budowy.

Nagłówek Google News łączy dwa odrębne sygnały Morgan Stanley

Ostrzeżenie Morgan Stanley łączy mierzalną adopcję w przedsiębiorstwach z rynkiem energii, któremu brakuje wystarczających mocy w krótkim terminie.

Pierwszy sygnał pochodzi z badań technologicznych banku. Jego najnowsza ankieta dotycząca adopcji AI objęła 935 menedżerów korporacyjnych ze Stanów Zjednoczonych, Niemiec, Japonii i Australii.

Firmy, które korzystały z AI przez co najmniej rok, zgłosiły średni wzrost produktywności o 11,5%. Badane przedsiębiorstwa odnotowały również 4% spadek zatrudnienia netto w pięciu sektorach uznawanych za silnie narażone na wpływ AI.

Wyniki te nie dowodzą, że każdy projekt AI przynosi taki sam zwrot. Pokazują, że adopcja wyszła poza demonstracje w istotnej grupie dużych firm.

Osobna ankieta Morgan Stanley wśród CIO wzmacnia ten wniosek. Wykazała, że 81% CIO oczekuje, iż do końca 2026 roku będzie mieć na produkcji co najmniej jedno obciążenie generatywnej AI.

Produkcja zmienia charakter zapotrzebowania na infrastrukturę. Proof of concept może działać przez kilka tygodni, angażować niewielki zespół i zostać zatrzymany, gdy pojawi się przegląd budżetu.

Działająca aplikacja musi obsługiwać powtarzalny ruch, zachowywać mechanizmy bezpieczeństwa, utrzymywać czasy odpowiedzi i pozostawać dostępna w godzinach pracy. Systemy skierowane do klientów mogą wymagać ciągłego działania w różnych regionach.

Obciążenie przesuwa się również ze szkolenia w stronę inferencji. Inferencja to proces uruchamiania wytrenowanego modelu w celu wygenerowania odpowiedzi, prognozy, obrazu lub zautomatyzowanego działania.

Jedno żądanie inferencyjne może być wydajne. Miliony powtarzalnych żądań w oprogramowaniu korporacyjnym, obsłudze klienta, systemach programistycznych i autonomicznych agentach tworzą jednak znaczne łączne obciążenie.

Drugi sygnał pochodzi z rynku energii. Morgan Stanley twierdzi, że lata ograniczonych inwestycji w sieć sprawiły, iż deweloperzy centrów danych obawiają się niedoborów w latach 2027 i 2028.

Bankowa prognoza rynku energii opisuje rosnące zainteresowanie generacją energii po stronie odbiorcy. Oznacza to, że obiekt pozyskuje część energii elektrycznej bezpośrednio z pobliskiego sprzętu, zamiast polegać wyłącznie na szerszej sieci.

Te dwa sygnały wzajemnie się wzmacniają. Adopcja korporacyjna zwiększa powtarzalny popyt dokładnie wtedy, gdy dostawcy chmury potrzebują większej, niezawodnej mocy obliczeniowej.

To jest sedno informacji Google News. Popyt przedsiębiorstw staje się łatwiejszy do zaobserwowania, lecz nowa podaż nadal jest ograniczana przez fizyczne urządzenia i długotrwałe procesy zatwierdzania.

Podstawowe materiały Morgan Stanley wspierają tę szeroką tezę, choć zbiorczy nagłówek łączy kilka wątków badawczych w jednym zdaniu. Nie należy go odczytywać jako precyzyjnej prognozy, że każdy region doświadczy całkowitego blackoutu.

Zamiast tego niedobór prawdopodobnie ujawni się poprzez opóźnione przyłącza do sieci, ograniczoną pojemność chmury, wyższe koszty infrastruktury i trudniejsze decyzje o tym, gdzie nowe obiekty mogą działać.

Wdrażanie AI w przedsiębiorstwach zamienia eksperymenty w ciągły popyt

Problem infrastrukturalny rośnie, gdy firmy przestają testować AI i zaczynają osadzać ją w codziennych operacjach.

Eksperymentalny chatbot generuje sporadyczny ruch. System produkcyjny połączony ze sprzedażą, inżynierią, finansami lub obsługą klienta tworzy powtarzalne zapotrzebowanie przez cały dzień pracy.

Agenci AI mogą dodatkowo zwiększać ten popyt. Agent to oprogramowanie, które planuje i wykonuje wiele kroków prowadzących do celu, często wielokrotnie wywołując modele i narzędzia zewnętrzne.

Jedno żądanie pracownika może uruchomić pobieranie dokumentów, klasyfikację, rozumowanie modelu, zapytania do bazy danych, walidację i końcową odpowiedź. Każdy etap może zużywać dodatkowe tokeny i czas obliczeniowy.

Ten wzorzec wyjaśnia, dlaczego poprawa wydajności nie zmniejsza automatycznie całkowitego zużycia energii. Wydajniejszy model obniża koszt jednego zadania, co może zachęcić firmy do realizacji znacznie większej liczby zadań.

Międzynarodowa Agencja Energetyczna podała, że zapotrzebowanie centrów danych na energię elektryczną wzrosło o 17% w 2025 roku. Zużycie energii w obiektach skoncentrowanych na AI rosło jeszcze szybciej.

Agencja stwierdziła również, że nakłady kapitałowe pięciu dużych firm technologicznych przekroczyły 400 miliardów dolarów w 2025 roku. Oczekiwała, że kwota ta wzrośnie o kolejne 75% w 2026 roku.

Liczby te opisują rynek przechodzący od rozwoju modeli do powszechnych wdrożeń. Firmy chmurowe muszą budować moce, zanim będą dokładnie wiedzieć, które aplikacje przyniosą trwałe zwroty.

Ustalenia korporacyjne Morgan Stanley wskazują ten sam kierunek. Firmy korzystające z AI od co najmniej roku zgłosiły dwucyfrowe średnie wzrosty produktywności, co tworzy zachętę do rozszerzania udanych wdrożeń.

Mimo to te średnie wymagają kontekstu. Korzyści różnią się w zależności od zadania, branży, jakości danych i dojrzałości wdrożenia.

Morgan Stanley stwierdził także, że większe firmy zgłaszały bardziej wyraźne redukcje zatrudnienia. Wynik ten rodzi pytania, czy część wzrostu produktywności odzwierciedla lepsze narzędzia, mniejszą liczbę pracowników czy oba te czynniki.

Inna analiza Morgan Stanley zbadała telekonferencje dotyczące wyników finansowych firm. Wykazała, że 25% spółek z indeksu S&P 500 opisało co najmniej jeden mierzalny wpływ AI w pierwszym kwartale 2026 roku.

Porównywalny odsetek rok wcześniej wynosił 13%. Firmy technologiczne częściej zgłaszały wymierne korzyści, podczas gdy 75% szerszego indeksu wciąż nie podało żadnych skwantyfikowanych korzyści.

Ta luka ma znaczenie. Pokazuje przyspieszającą adopcję, nie dowodząc jednak, że AI przekształciła każdą firmę ani uzasadniła każdy projekt infrastrukturalny.

Deweloperzy i nabywcy korporacyjni powinni odróżniać wdrożenie od wartości. Wejście obciążenia na produkcję oznacza, że przekroczyło ono wewnętrzny próg, ale nie gwarantuje atrakcyjnej ekonomiki w długim terminie.

Produkcja może również ujawnić koszty ukryte podczas pilotażu. Obejmują one korzystanie z modeli, infrastrukturę pobierania danych, przegląd wykonywany przez ludzi, monitoring bezpieczeństwa, przygotowanie danych i obsługę awarii.

Aplikacje AI stają się droższe, gdy wymagają niskich opóźnień lub ścisłej dostępności. Firmy mogą potrzebować zarezerwowanej mocy obliczeniowej zamiast kupować jedynie okazjonalny dostęp do chmury.

Wrażliwe obciążenia tworzą kolejne ograniczenie. Usługi finansowe, opieka zdrowotna, obronność i branże regulowane często wymagają silniejszej kontroli danych oraz bardziej przewidywalnych środowisk wdrożeniowych.

Wymagania te mogą ograniczać miejsca uruchamiania obciążeń. Mogą też uniemożliwiać firmom swobodne przenoszenie ruchu między regionami chmury, gdy jedna lokalizacja nie ma wystarczającej pojemności.

Niedobór energii dla AI wykracza zatem poza samą produkcję energii elektrycznej. Obejmuje cały łańcuch między żądaniem korporacyjnym a odpowiedzią modelu.

Łańcuch ten obejmuje zaawansowane chipy, pamięć, sieci, chłodzenie, transformatory, stacje elektroenergetyczne, linie przesyłowe, zasilanie awaryjne i orkiestrację oprogramowania. Niedobór na jednej warstwie może ograniczyć cały system.

Dane Morgan Stanley dotyczące adopcji sprawiają, że ograniczenie to staje się bardziej pilne. Strona popytowa nie opiera się już wyłącznie na prognozach dotyczących przyszłych produktów konsumenckich.

Rzeczywiste firmy umieszczają AI w procesach operacyjnych. Gdy pracownicy i klienci zaczynają zależeć od tych systemów, redukcja mocy staje się trudniejsza niż zakończenie eksperymentu.

Rzeczywisty niedobór energii dla AI zaczyna się na przyłączu do sieci

Energia elektryczna może istnieć w danym regionie, a mimo to pozostawać niedostępna dla konkretnego centrum danych w wymaganym harmonogramie.

Dostawy energii często opisuje się jako jedną krajową liczbę. Rozwój centrów danych zależy od lokalnych warunków, w tym przepustowości przesyłowej, wyposażenia stacji elektroenergetycznych, dostępności generacji i zatwierdzenia przyłącza.

Przyłącze do sieci jest fizycznym i umownym rozwiązaniem umożliwiającym nowemu obiektowi odbiór energii elektrycznej. Duże przyłącza wymagają analiz inżynieryjnych, ponieważ mogą wpływać na niezawodność w szerszej sieci.

Departament Energii Stanów Zjednoczonych podał, że centra danych zużyły 176 terawatogodzin energii elektrycznej w 2023 roku. Stanowiło to około 4,4% krajowego zużycia energii elektrycznej.

Departament prognozował zużycie od 325 do 580 terawatogodzin do 2028 roku. Przy takim zakresie centra danych stanowiłyby od 6,7% do 12% całkowitego zapotrzebowania na energię elektryczną w USA.

Nowszy szacunek Lawrence Berkeley National Laboratory rozszerza prognozę do 2030 roku. W scenariuszu centralnym centra danych osiągają wówczas 11,8% zużycia energii elektrycznej w USA.

Ogólnokrajowa aktualizacja energetyczna przedstawia zakres scenariuszy od 9,5% do 15,3%. Tak szeroki przedział odzwierciedla niepewność dotyczącą dostaw sprzętu, wykorzystania, wydajności chłodzenia i wdrożeń.

Nawet niższy scenariusz oznacza istotną zmianę dla przedsiębiorstw energetycznych. Zapotrzebowanie na energię elektryczną pozostawało relatywnie płaskie w wielu gospodarkach rozwiniętych, zanim centra danych, produkcja przemysłowa, pojazdy i elektryfikacja budynków ponownie ożywiły wzrost.

IEA oczekuje, że globalne zużycie energii elektrycznej przez centra danych przekroczy 900 terawatogodzin do 2030 roku. Jej analiza wskazuje, że Stany Zjednoczone odpowiadają za największą część prognozowanego wzrostu.

Agencja oczekuje, że centra danych będą odpowiadać za niemal połowę wzrostu zapotrzebowania na energię elektryczną w USA do 2030 roku. Taka koncentracja zamienia pojedyncze decyzje dotyczące przyłączeń w regionalne problemy planistyczne.

Przedsiębiorstwa energetyczne nie mogą traktować planowanego kampusu o skali gigawata jak zwykłego budynku biurowego. Jeden gigawat odpowiada mocy dużej jednostki wytwórczej w sprzyjających warunkach pracy.

Centrum danych może również zażądać mocy gwarantowanej, co oznacza, że energia elektryczna musi pozostawać dostępna w określonych warunkach systemowych. Wymóg ten zmienia sposób, w jaki planiści sieci oceniają potrzeby w zakresie generacji i przesyłu.

Nowy popyt może pojawiać się szybciej niż nowa podaż. Deweloper może zamówić serwery i wznieść budynki, zanim duży projekt przesyłowy zakończy proces uzyskiwania pozwoleń i budowę.

Wytwarzanie energii stwarza własny problem związany z harmonogramem. Turbiny gazowe, transformatory, rozdzielnice i inny sprzęt elektryczny podlegają ograniczeniom produkcyjnym i długim terminom realizacji zamówień.

Projekty odnawialne mogą w niektórych rynkach wejść do eksploatacji szybciej, ale ich zmienna produkcja często wymaga magazynowania energii, elastycznego popytu, przesyłu lub dyspozycyjnych źródeł wytwórczych.

Elektrownie jądrowe oferują stabilną produkcję, lecz zazwyczaj wymagają długiego okresu realizacji. Małe reaktory modułowe pozostają potencjalnym źródłem przyszłej energii, a nie szerokim rozwiązaniem w krótkim terminie.

Gaz ziemny może zapewnić sterowalne wytwarzanie energii, jednak gazociągi i turbiny nakładają dodatkowe ograniczenia. Lokalny sprzeciw i cele emisyjne mogą komplikować nowe projekty.

Dlatego Morgan Stanley podkreśla „czas do uzyskania energii”. Decydującą miarą nie jest po prostu teoretyczna ilość energii elektrycznej dostępnej kiedyś w przyszłości.

Deweloperzy muszą wiedzieć, kiedy konkretna lokalizacja będzie w stanie dostarczyć określoną ilość niezawodnej energii. Niepewność może sprawić, że skądinąd odpowiednia nieruchomość stanie się bezużyteczna.

Problem przyciągnął uwagę władz federalnych. W czerwcu 2026 r. Federalna Komisja Regulacji Energetyki nakazała sześciu regionalnym operatorom sieci uzasadnić lub zreformować zasady przyłączania dużych odbiorców.

Zarządzenia dotyczące dużych odbiorców obejmują centra danych, fabryki i innych znaczących użytkowników energii elektrycznej. Mają również wprowadzić zabezpieczenia, które zapobiegają przerzucaniu na zwykłych klientów nieuzasadnionych kosztów infrastruktury.

Działania regulacyjne potwierdzają, że wąskie gardło nie ogranicza się do prognozy analityków. Władze sieci energetycznych aktywnie ponownie rozważają zasady stworzone zanim kampusy AI zaczęły wnioskować o bezprecedensowe obciążenia.

Jednak szybsze procedury nie są w stanie wyprodukować transformatorów ani mocy wytwórczych. Zmiany zasad mogą usunąć opóźnienia administracyjne, ale fizyczna rozbudowa nadal będzie wymagała czasu.

Hiperskalerzy Przybliżają Energię do Centrum Danych

Dostawcy chmury reagują, traktując pozyskiwanie energii jako część architektury obliczeniowej.

Tradycyjne podejście oddziela centrum danych od systemu elektroenergetycznego. Deweloper występuje o przyłącze do sieci, kupuje energię i instaluje generatory awaryjne na wypadek sytuacji kryzysowych.

Model ten staje się mniej niezawodny, gdy moc dostarczana przez zakład energetyczny nie może być dostępna zgodnie z harmonogramem projektu. Deweloperzy rozważają obecnie obiekty łączące obliczenia, wytwarzanie energii, magazynowanie i usługi sieciowe.

Morgan Stanley oczekuje, że większą rolę odegrają gaz ziemny, baterie, mikrosieci i projekty jądrowe. Mikrosieć to lokalna sieć elektroenergetyczna, która może koordynować wytwarzanie, magazynowanie i zużycie energii.

Wytwarzanie energii po stronie odbiorcy może zmniejszyć ilość gwarantowanej mocy wymaganej od szerszej sieci. Może też pomóc obiektowi rozpocząć działalność, zanim zakończą się wszystkie planowane modernizacje przesyłu.

To podejście wiąże się z kompromisami. Produkcja energii na miejscu wymaga paliwa, pozwoleń, sprzętu, konserwacji i kapitału, których konwencjonalne centrum danych mogłoby w innym przypadku uniknąć.

Może również przenieść obciążenia środowiskowe na lokalne społeczności. Wytwarzanie energii z gazu powoduje emisje, a duże kampusy mogą wpływać na zużycie wody, dostępność gruntów, hałas i koszty energii elektrycznej dla mieszkańców.

Baterie oferują szybką reakcję i mogą ograniczać krótkotrwałe szczyty. Nie tworzą energii pierwotnej, więc ich użyteczność zależy od możliwości ładowania i czasu trwania niedoboru.

Elastyczność popytu oferuje kolejną opcję. Centrum danych może ograniczyć wybrane obciążenia robocze, gdy sieć staje się przeciążona, pod warunkiem że aplikacje tolerują opóźnienie.

Zadania treningowe często łatwiej przesunąć w czasie niż inferencję skierowaną do klienta. Proces trenowania modelu można czasem wstrzymać, podczas gdy system wykrywania oszustw w banku nie może czekać na spadek zapotrzebowania na energię.

Obciążenia robocze mogą być także przenoszone między regionami. Strategia ta wymaga wolnej mocy obliczeniowej, wystarczających połączeń sieciowych, zgodnych zasad dotyczących danych oraz oprogramowania zaprojektowanego do dystrybucji geograficznej.

Te opcje dają przewagę hiperskalerom. Największe firmy chmurowe i technologiczne dysponują bilansami, zespołami inżynieryjnymi i zasięgiem geograficznym potrzebnymi do negocjowania złożonych ustaleń energetycznych.

Morgan Stanley szacuje, że pięć największych amerykańskich firm technologicznych może wydać około 800 mld dolarów w 2026 r. Ich łączne nakłady inwestycyjne mogą osiągnąć 1,16 bln dolarów w 2027 r.

Takie liczby pozostają prognozami, a rzeczywiste wydatki mogą się zmieniać wraz z przychodami, warunkami finansowania i wynikami technologii. Mimo to ilustrują skalę, która oddziela hiperskalerów od mniejszych dostawców.

Duzi nabywcy mogą podpisywać długoterminowe umowy na energię elektryczną lub wspierać nowe projekty wytwórcze. Mogą też rezerwować deficytowe układy scalone, sprzęt sieciowy i moce wykonawcze w budownictwie.

Mniejsi dostawcy chmury i operatorzy przedsiębiorstw znajdują się w trudniejszej sytuacji. Mogą płacić wyższe stawki, akceptować dłuższe harmonogramy wdrożeń lub lokalizować obiekty dalej od preferowanych użytkowników.

Może to wzmacniać koncentrację rynku. Jeśli dostęp do energii elektrycznej stanie się aktywem konkurencyjnym, firmy posiadające istniejące kampusy i relacje z siecią zyskają kolejną barierę chroniącą przed nowymi uczestnikami rynku.

Konkurencja w zakresie układów scalonych nie eliminuje tego problemu. Nvidia, AMD i niestandardowe akceleratory mogą poprawiać wydajność na wat, ale całkowite zapotrzebowanie na energię nadal rośnie, gdy klienci wdrażają więcej systemów.

Efektywność może nawet przyspieszać wykorzystanie. Niższe koszty inferencji sprawiają, że nowe zastosowania stają się opłacalne, zwiększając liczbę żądań wysyłanych do centrów danych.

IEA twierdzi, że zużycie energii elektrycznej na zadanie AI szybko spada. Jednocześnie oczekuje, że całkowite zużycie energii przez centra danych podwoi się do 2030 r., ponieważ wdrażanie AI i intensywność obciążeń rosną szybciej.

Efekt ten przypomina inne przełomy w informatyce. Bardziej wydajne procesory rozszerzały zakres praktycznego oprogramowania, zamiast ustanawiać stały pułap całkowitych obliczeń.

Dla nabywców korporacyjnych bezpośrednia lekcja dotyczy architektury. Zespoły nie powinny zakładać, że pojemność chmury zawsze pojawi się natychmiast w każdym preferowanym regionie.

Potrzebują planów dotyczących zastępowania modeli, harmonogramowania obciążeń, regionalnego przełączania awaryjnego, buforowania i wydajnego wyszukiwania. Te mechanizmy kontroli mogą zmniejszyć ryzyko bez konieczności obsługi własnej elektrowni przez firmę.

Systemy AI intensywnie wykorzystujące wiedzę zależą również od uporządkowanych materiałów źródłowych uwzględniających uprawnienia. Lepsze wyszukiwanie może uniknąć niepotrzebnych wywołań modeli i ograniczyć wielokrotne przetwarzanie tych samych informacji korporacyjnych.

Szerszy punkt strategiczny pozostaje fizyczny. Rynki oprogramowania AI mogą zmieniać się w ciągu tygodni, lecz infrastruktura elektroenergetyczna angażuje kapitał na dziesięciolecia.

Czego Perspektywa Morgan Stanley Nie Dowodzi

Dowody wskazują na poważne ograniczenie mocy, ale nie ustanawiają jednolitego ani trwałego kryzysu energetycznego.

Pierwotny zbiorczy nagłówek używa ostrego języka. Czytelnicy powinni oddzielić udokumentowane ustalenia Morgan Stanley od ram interpretacyjnych dostarczanych przez platformy dystrybucyjne.

Bank wskazuje na znaczny nadmierny popyt na moce obliczeniowe i ograniczenia energetyczne w krótkim terminie. Jego publiczna analiza podkreśla szczególne obawy dotyczące lat 2027 i 2028.

To różni się od przewidywania ogólnokrajowych niedoborów energii elektrycznej dla każdego klienta przez kilka lat. Ograniczenia będą zależeć od regionu, rodzaju przyłącza, projektu obiektu i gotowości do zapłaty.

Niektóre proponowane centra danych nigdy nie rozpoczną działalności. Deweloperzy często ogłaszają nakładające się projekty, decydując, które lokalizacje mogą pozyskać klientów i energię.

Zakłady energetyczne także mierzą się z niepewnością dotyczącą powielonych wniosków. Kilku deweloperów może ubiegać się o moce dla konkurencyjnych kampusów, choć ostatecznie realizowany będzie tylko jeden projekt.

Budowa infrastruktury dla każdego spekulacyjnego wniosku może prowadzić do powstania osieroconej infrastruktury. Jeśli obiekt zostanie anulowany, klienci mieszkaniowi i komercyjni mogą przejąć koszty poprzez taryfy za energię elektryczną.

FERC uczyniła ochronę konsumentów częścią przeglądu zasad dotyczących dużych odbiorców. Komisja chce szybszych przyłączeń, zapewniając jednocześnie, że znaczący użytkownicy pokrywają odpowiednią część kosztów niezbędnych modernizacji.

Prognozy popytu zawierają kolejną niewiadomą. Modele AI mogą stać się bardziej wydajne szybciej niż oczekiwano, a firmy mogą ograniczać kosztowne obciążenia agentowe, które nie przynoszą mierzalnych zwrotów.

Własne dane korporacyjne Morgan Stanley pokazują nierównomierny rynek. Tylko jedna czwarta spółek z indeksu S&P 500 opisała skwantyfikowane korzyści z AI w pierwszym kwartale 2026 r.

Udział ten podwoił się w porównaniu z poprzednim rokiem, ale trzy czwarte nadal nie zgłaszało mierzalnych korzyści. Niektóre firmy mogą spowolnić wdrażanie po tym, jak pilotaże ujawnią słabą ekonomikę lub problemy z zarządzaniem.

Obciążenie robocze wdrożone produkcyjnie może pozostać niewielkie. Wskaźnik 81% CIO mierzy, czy organizacja oczekuje co najmniej jednego wdrożenia produkcyjnego, a nie całkowity wolumen obliczeniowy każdego respondenta.

Pochodzi on również z ankiety przeprowadzonej wśród 100 CIO z USA i Europy. Kierunek jest informacyjny, ale próba nie reprezentuje każdej firmy na świecie.

Morgan Stanley działa w obszarach bankowości inwestycyjnej, zarządzania majątkiem, badań i rynków prywatnych. Jego perspektywa może identyfikować rzeczywiste trendy, jednocześnie odzwierciedlając instytucję aktywnie finansującą powiązane aktywa.

Szacunki banku należy zatem rozpatrywać obok niezależnych analiz energetycznych. Ustalenia IEA i Lawrence Berkeley wspierają tezę o rosnącym popycie, jednocześnie przedstawiając przedziały zamiast jednego stałego wyniku.

Zmiany technologiczne mogą osłabić tezę o niedoborze. Lepsze akceleratory, mniejsze modele, udoskonalone chłodzenie i bardziej zdyscyplinowane oprogramowanie mogą zmniejszyć zużycie energii elektrycznej na ukończone zadanie.

Reforma regulacyjna może skrócić harmonogramy przyłączeń. Elastyczne umowy mogłyby pozwolić centrom danych przyłączać się wcześniej, jeśli ograniczą zużycie w okresach stresu systemowego.

Nowe moce wytwórcze i przesyłowe mogą również pojawić się szybciej niż oczekiwano na wybranych rynkach. Regiony z dostępnymi gruntami, dostawami gazu, zasobami odnawialnymi lub istniejącą energetyką jądrową mogą przyciągnąć więcej inwestycji.

Z drugiej strony niedobór może się pogłębić. Opóźnienia w dostawach sprzętu, lokalny opór, ograniczenia paliwowe lub szybsze wdrażanie agentów zwiększyłyby lukę między planowanym popytem a dostępną podażą.

Czytelnicy Google News powinni traktować tę historię jako wyścig o moce, a nie odliczanie do nieuniknionych blackoutów. Widoczne symptomy będą często handlowe, a nie katastrofalne.

Objawy te obejmują opóźnione kampusy, wyższe zobowiązania chmurowe, regionalne limity mocy i agresywne inwestycje w wytwarzanie energii. Nadal mogą one kształtować konkurencję w całej branży AI.

Trzy Sygnały Zweryfikują Tezę o Infrastrukturze AI

Decyzje sieciowe, wydatki hiperskalerów i wykorzystanie produkcyjne pokażą, czy popyt wyprzedza podaż tak wyraźnie, jak oczekuje Morgan Stanley.

Pierwszym sygnałem jest wdrożenie zarządzeń FERC dotyczących dużych odbiorców. Regionalni operatorzy sieci muszą wyjaśnić lub zmienić zasady regulujące przyłączanie głównych użytkowników.

Warto obserwować jasne harmonogramy, wymogi dotyczące depozytów, elastyczne opcje usług i zasady przypisywania kosztów infrastruktury. Szybsze zatwierdzenia zmniejszyłyby niepewność administracyjną, choć nie wyeliminowałyby niedoborów sprzętu.

Na szczególną uwagę zasługują elastyczne ustalenia przesyłowe. Centrum danych może zaakceptować ograniczoną usługę sieciową, pozyskując resztę energii elektrycznej z pobliskiego źródła wytwórczego.

Jeśli takie struktury staną się powszechne, teza Morgan Stanley dotycząca czasu do uzyskania energii stanie się silniejsza. Deweloperzy zmienialiby modele operacyjne, ponieważ konwencjonalne przyłącza nie są w stanie dotrzymać ich harmonogramów.

Jeśli regionalni operatorzy będą przyłączać duże obciążenia bez rozbudowanych specjalnych ustaleń, najbardziej dotkliwe oczekiwania dotyczące niedoborów osłabną. Wynik prawdopodobnie będzie różnił się między rynkami.

Drugim sygnałem są wydatki kapitałowe i uruchomione moce w największych firmach technologicznych. Ogłoszone budżety mają mniejsze znaczenie niż działające centra danych przyłączone do niezawodnej energii.

Inwestorzy powinni porównywać wydatki z przychodami z chmury, wykorzystaniem AI, postępem budowy oraz komentarzami kierownictwa dotyczącymi regionów o ograniczonej dostępności zasobów. Powtarzające się odniesienia do dostępności energii wspierałyby tezę o wąskim gardle.

Anulowane kampusy lub spadające wykorzystanie wskazywałyby na coś przeciwnego. Mogłyby oznaczać, że wcześniejsze prognozy uwzględniały popyt, którego klienci nie byli skłonni finansować.

Global energy outlook stanowi użyteczny punkt odniesienia. Zakłada, że globalne zużycie energii elektrycznej przez centra danych osiągnie około 945 terawatogodzin w 2030 roku.

Istotne korekty tej wartości wpłynęłyby na oczekiwania wobec przedsiębiorstw użyteczności publicznej, dostawców chipów, operatorów chmurowych i deweloperów centrów danych.

Trzecim sygnałem jest mierzalne wykorzystanie AI w przedsiębiorstwach. Komunikatom o wdrożeniach produkcyjnych powinny towarzyszyć dane o zużyciu tokenów, aktywnych użytkownikach, ukończonych procesach, wpływie na przychody lub potwierdzonych wzrostach produktywności.

Szczególnie wymowna będzie liczba firm raportujących mierzalne rezultaty. Morgan Stanley odnotował wzrost z 13% do 25% wśród spółek z indeksu S&P 500 w ciągu jednego roku.

Kolejny duży wzrost wzmocniłby związek między wdrożeniami korporacyjnymi a trwałym popytem na infrastrukturę. Stabilne lub spadające wyniki sugerowałyby, że określenia „produkcyjne” zawyżają skalę faktycznego wykorzystania.

Nabywcy korporacyjni powinni również monitorować ograniczenia w umowach chmurowych. Dłuższe zobowiązania, ograniczenia regionalne i wymogi rezerwacji mocy mogą ujawnić niedobór wcześniej niż statystyki krajowe.

Deweloperzy dostrzegą ograniczenia poprzez dostęp do akceleratorów, opóźnienia, limity i lokalizację wdrożeń. Pracownicy umysłowi zetkną się z nimi poprzez dostępność produktów, szybkość odpowiedzi i zmieniające się zasady korzystania.

Szersza historia nie dotyczy już tego, czy firmy będą eksperymentować z AI. Chodzi o to, czy fizyczna infrastruktura może obsłużyć powtarzalne użycie na skalę przewidywaną przez dostawców.

Ostrzeżenie Morgan Stanley uwypukla ten konflikt. Adaptacja oprogramowania przyspiesza w procesach korporacyjnych, podczas gdy projekty sieciowe i inwestycje w wytwarzanie energii nadal są powiązane z wieloletnimi harmonogramami.

Ta rozbieżność nie gwarantuje jednego uniwersalnego kryzysu. Sprawia jednak, że dostępność energii elektrycznej staje się kluczową zmienną w strategii produktów AI, konkurencji chmurowej i regionalnym rozwoju gospodarczym.

Kolejna aktualizacja Google News ma mniejsze znaczenie niż stojące za nią dowody operacyjne. W nadchodzących kwartałach warto obserwować reformy przyłączeń do sieci, ukończoną moc obliczeniową oraz mierzalne wykorzystanie AI w przedsiębiorstwach.

Jeśli wszystkie trzy wskaźniki będą rosły jednocześnie, rozbudowa infrastruktury pozostanie wyścigiem z popytem. Jeśli wdrożenia zwolnią lub terminy przyłączeń ulegną poprawie, narracja o niedoborze będzie wymagała korekty.

Dla zespołów planujących dziś systemy AI praktyczne pytanie jest proste: czy aplikacja może pozostać ekonomiczna i niezawodna, gdy preferowana moc obliczeniowa jest ograniczona? Projektowanie z myślą o wydajnych modelach, elastycznych regionach i mierzalnej wartości daje lepszą odpowiedź niż zakładanie nieograniczonej podaży.