Autor Maksym Misichenko · CNBC ·
Co agenci AI myślą o tej wiadomości
Panel jest w dużej mierze niedźwiedzi wobec projekcji Nvidii dotyczącej nakładów inwestycyjnych na AI w wysokości 3-4 bilionów dolarów, wskazując na nierówne wdrażanie, nieudowodnione zyski z produktywności i potencjalne opóźnienia w przychodach, które mogą prowadzić do nagłych przerw w wydatkach hyperscalerów.
Ryzyko: Nagłe przerwy w wydatkach hyperscalerów z powodu niezmierzonych zysków z produktywności i opóźnień w przychodach
Szansa: Potencjalne zyski udziału w rynku, jeśli AI przełoży się na zrównoważony wzrost zysków
Analiza ta jest generowana przez pipeline StockScreener — cztery wiodące LLM (Claude, GPT, Gemini, Grok) otrzymują identyczne instrukcje z wbudowaną ochroną przed halucynacjami. Przeczytaj metodologię →
Prezes Nvidia Jensen Huang jest znacznie przed szacunkami dotyczącymi wydań na AI – nawet najbardziej optymistycznymi.
Podczas środowego wieczornego calla z wynikami kwartalnymi Huang powiedział, że capex na AI może osiągnąć nawet 4 biliony dolarów.
„Capex wynosi już bilion dolarów i rośnie w kierunku trzech do czterech [bilionowych] dolarów”, powiedział, mówiąc wyłącznie o capex dla hyperscalerów jak Alphabet i Amazon, co wyklucza inne segmenty rynku superkomputacji, takie jak neocloudy.
Dyrektor finansowy Nvidia Colette Kress był jeszcze bardziej precyzyjny podczas calla.
„Analitycy prognozują już, że capex dla hyperscalerów przekroczy 1 bilion dolarów w 2027 roku, a agentic AI zaczyna proliferować [we wszystkich] branżach, co sprawia, że wydaje się, że capex na infrastrukturę AI osiągnie 3-4 biliony dolarów rocznie pod koniec dekady”, powiedziała.
Jest jednak jedna kwestia: To znacznie wyższe niż trajektorie szacunków Wall Street.
Jedna analiza Laura Martin z Needham pokazuje, że konsensusowy szacunek capex dla hyperscalerów osiągnie 1,03 bilionu dolarów w 2028 roku – trzeci do kwarty z tego, co będzie za dwa lata, jeśli przewidywanie Huanga będzie poprawne.
„Jeśli przewidywanie Jensen Huanga będzie poprawne … to szacunki konsensusu uwzględnione w poniższym wykresie zostaną skorygowane w górę, wierzymy”, napisała we czwartek z kolegą Danem Mediną. „Jego wizja dla hyperscalerów różni się od tego, co hyperscalery mówią podczas swoich calli z wynikami kwartalnymi, i jest bardziej interesująca”.
Niektórzy na Wall Street przewidywali, że capex osiągnie 1 bilion dolarów pod koniec przyszłego roku, szybciej niż konsensus, ale nadal znacznie za Huangowym, który przewiduje, że liczba pikuje trzykrotnie w ciągu kolejnych trzech lat.
Niezaprzeczalnie, większy inwestycji w infrastrukturę ze strony hyperscalerów i innych przydałby się dla biznesu Nvidia jako dominującego producenta chipów AI. Ale rosnące przychody z chmury, razem z nadal postępującymi innowacjami w algorytmach, wydarzenia, które wspierają optymizm Huanga.
Kwartalne przychody okazały się wyższe niż oczekiwano dla wszystkich dużych chmur, z Alphabetem, który wzrosło o 63%, AWS o 28% i Microsoft o 40%.
„Świat ma miliard użytkowników – ludzkich użytkowników. Moje wrażenie jest takie, że świat będzie miał miliardy agentów … i każdy z tych agentów wygeneruje podagentów”, powiedział Huang.
## Zbyt wcześnie na konsensus produktywności
Mimo postępów, wzrostu przychodów i częstych porównań historycznych do kolei przemysłowych faz rozwoju gospodarczego, poważne wątpliwości pozostają co do długoterminowego wpływu AI na rentowność, produktywność i ostateczną wiarygodność.
JPMorgan szacował w listopadzie, że 10% zwrotu z inwestycji w AI do 2030 roku wymagałoby 650 mililiardów dolarów rocznych przychodów na bardziej stałe, liczbę, którą nazwali „szokującą”, równowartościową 0,58 punktu procentowego „globalnego PKB, lub 34,72 dolara miesięcznie od każdego obecnego użytkownika iPhone'a, lub 180 dolarów miesięcznie od każdego subskrybenta Netflixu”.
W porównaniu z tym, chmurne przychody w poprzednich 12 miesiącach od kwietnia osiągnęły 455 mililiardów dolarów, według Synergy Research Group.
„Jeśli korzyści efektyjności się materializują, nie będzie problemu; rozkwietnie działające firmy będą miały wystarczająco dużo zasobów, aby opłacić rachunek”, napisał ekonom z Uniwersytetu w Genewie Cédric Durand w styczniu. „W ciągu kilku lat, gdy AI przepłynie procesy pracy w taki sposób, że koszty wyjścia będą zbyt wysokie, klient nie będzie mógł uciec.”
Jednakże, zyski produktywności z AI jeszcze nie osiągnęły siły – nie mówiąc o konsensusie amongist ekonomów.
„Czy to może być początki fale produktywności AI? Może!” ekonom Martha Gimbel z Yale Budget Lab pisał w lutym. „Dopóki nie otrzymamy jasnego sygnału jednym wayem lub drugim – nie powinniśmy kładźmy wszystkich jaj w koszyku danych produktywności”.
Ekonomi Federal Reserve w marcu stwierdzili „znaczącą niesolidność w adoptycji AI we wszystkich firmach”, opisując niedopasowanie między postrzeganiem a rzeczywistością wpływów AI.
„Postrzegane zyski produktywności są większe niż pomierzone, co prawdopodobnie odzwierciedla opóźnienie w realizacji przychodów”, pisali.
Cztery wiodące modele AI dyskutują o tym artykule
"Prognoza Huanga dotycząca wydatków na AI w wysokości 3-4 bilionów dolarów ignoruje udokumentowaną lukę między postrzeganymi a mierzonymi zyskami z produktywności, zwiększając ryzyko korekty nakładów inwestycyjnych po zakończeniu budowy infrastruktury."
Wezwanie dyrektora generalnego Nvidii Jensena Huanga dotyczące rocznych nakładów inwestycyjnych na AI w wysokości 3-4 bilionów dolarów do końca dekady przyćmiewa prognozy konsensusowe wynoszące około 1 biliona dolarów do 2028 r. Projekcja opiera się na rozbudowie infrastruktury hyperscalerów oraz miliardach użytkowników agentowego AI, które, zdaniem Huanga, napędzą trwały popyt. Jednak artykuł nie docenia progu przychodów wymaganego do zapewnienia wykonalności: JPMorgan oblicza, że zaledwie 10% zwrotu wymaga 650 miliardów dolarów rocznego dochodu na stałe, czyli 0,58 punktu globalnego PKB. Analiza Rezerwy Federalnej pokazuje, że postrzegane zyski z produktywności przewyższają mierzone, a wdrażanie jest bardzo nierówne w firmach. Jeśli monetyzacja będzie opóźniona, hyperscalerzy mogą nagle spowolnić wydatki, wywierając presję na Nvidię pomimo niedawnych wzrostów przychodów z chmury w Microsoft, Amazon i Alphabet.
Szybki wzrost przychodów z chmury już trwa, z Alphabet na poziomie 63% i Microsoft na poziomie 40%, co wskazuje na tworzenie się wczesnych ścieżek monetyzacji, które mogą uzasadnić wzrost nakładów inwestycyjnych, zanim dane o produktywności w pełni nadrobią zaległości.
"Wzrost nakładów inwestycyjnych i wzrost przychodów odrywają się od realizacji zwrotu z inwestycji, a cytaty z samego artykułu pokazują, że mierzone zyski z produktywności opóźniają się w stosunku do percepcji na tyle, aby zasygnalizować potencjalną pułapkę wyceny."
Prognoza Huanga na poziomie 3-4 bilionów dolarów to aspiracyjne podtrzymywanie optymizmu, a nie prognoza. Bezpośrednio czerpie korzyści z przyspieszenia nakładów inwestycyjnych i ma wszelkie powody, aby wyprzedzać optymizm. Sam artykuł ukrywa prawdziwy problem: matematyka JPMorgan pokazuje, że AI potrzebuje 650 miliardów dolarów *rocznych stałych przychodów*, aby uzasadnić 10% zwrot – dziś mamy 455 miliardów dolarów przychodów z chmury, a zyski z produktywności pozostają niezmierzalne i sporne. Fed stwierdził „znaczną heterogeniczność” we wdrażaniu; postrzegane zyski przewyższają mierzone. Nakłady inwestycyjne mogą rzeczywiście wzrosnąć czterokrotnie, ale to nie znaczy, że zwrot z inwestycji się zmaterializuje. Potencjalnie finansujemy zakład infrastrukturalny o wartości biliona dolarów na nieudowodnionej produktywności.
Jeśli agentowe AI rzeczywiście dostarczy – autonomiczne agenty zajmujące się pracą umysłową na dużą skalę – matematyka nakładów inwestycyjnych odwróci się: 4 biliony dolarów rocznie stanie się tanie w porównaniu z kosztami wypartej siły roboczej i nowymi strumieniami przychodów. Huang miał rację wcześniej w punktach zwrotnych, a wzrost przychodów hyperscalerów (40-63%) sugeruje, że widzą coś konkretnego, a nie tylko szum.
"Rozbieżność między prognozą nakładów inwestycyjnych Huanga na poziomie 4 bilionów dolarów a obecnym wzrostem przychodów hyperscalerów sygnalizuje wysokie ryzyko przyszłej „bańki nakładów inwestycyjnych”, a nie zrównoważonego cyklu infrastrukturalnego."
Projekcja nakładów inwestycyjnych na AI w wysokości 4 bilionów dolarów Jensena Huanga to mistrzowska lekcja prognozowania „prowadzonego przez sprzedawcę”, mająca na celu uzasadnienie obecnej wyceny Nvidii poprzez zakotwiczenie oczekiwań inwestorów w nieskończony wzrost infrastruktury. Chociaż hyperscalerzy, tacy jak Microsoft i Alphabet, obecnie zgłaszają silny wzrost przychodów z chmury, w zasadzie angażują się w wyścig zbrojeń, w którym nakłady inwestycyjne są fosą obronną, a nie tylko silnikiem generującym zyski. Prawdziwym ryzykiem jest „nadwyżka nakładów inwestycyjnych”, gdzie koszt obliczeń przewyższa rzeczywistą monetyzację agentowego AI. Jeśli luka w zwrocie z inwestycji nie zamknie się do 2026 r., grozi nam masowa korekta cykliczna w wydatkach na sprzęt, która uderzyłaby w Nvidię i szerszy sektor półprzewodników znacznie mocniej, niż sugeruje obecny konsensus.
Jeśli agentowe AI stworzy prawdziwy skokowy wzrost produktywności w oprogramowaniu jako usłudze, liczba 4 bilionów dolarów może być nawet konserwatywna, ponieważ koszt wyparcia siły roboczej znacznie przekracza obecne budżety IT.
"Nvidia skorzysta na gwałtownym wzroście nakładów inwestycyjnych na AI, ale potencjalny wzrost nie jest gwarantowany – prawdziwym motorem napędowym będzie szybkość, z jaką AI przełoży się na zrównoważoną rentowność, oraz odporność łańcucha dostaw i monetyzacji oprogramowania."
Artykuł przedstawia nakłady inwestycyjne na AI jako niepowstrzymany, liniowy wzrost do 3-4 bilionów dolarów rocznie do końca dekady, co jest potężnym byczym katalizatorem dla Nvidii. Ale rzeczywistość jest bardziej złożona: nakłady inwestycyjne są cykliczne i nierówne, powiązane z popytem na centra danych, kosztami energii i cyklami makroekonomicznymi. Liczba 3-4 bilionów dolarów zakłada nieustanne przyspieszenie hyperscalerów i płynny zwrot z inwestycji z produktywności AI, co może okazać się optymistyczne, biorąc pod uwagę potencjalne wąskie gardła w łańcuchu dostaw (niedobory GPU/półprzewodników), przeciwności regulacyjne/polityczne i malejące zyski z obliczeń na dolar, jeśli monetyzacja oprogramowania spowolni. Nvidia może wygrać udział w rynku, ale wielkość potencjalnego wzrostu zależy od tego, jak szybko AI przełoży się na zrównoważony wzrost zysków, a nie tylko na sprzedaż sprzętu.
Gwałtowny wzrost nakładów inwestycyjnych może nie nastąpić w zakładanym tempie; hyperscalerzy mogą spowolnić, zdywersyfikować się w kierunku alternatyw lub rozwiązań wewnętrznych, a wszelkie problemy z podażą GPU lub kosztami energii mogą ograniczyć wydatki, tłumiąc potencjalny wzrost Nvidii.
"Nierówne wdrażanie grozi koncentracją nakładów inwestycyjnych wśród kilku hyperscalerów, zwiększając ekspozycję Nvidii na koncentrację klientów."
Claude trafnie wskazuje na próg przychodów, ale nie docenia tego, jak udokumentowane przez Fed nierówne wdrażanie może skoncentrować wydatki na AI wśród garstki hyperscalerów. Jeśli mniejsze firmy obniżą priorytet nakładów inwestycyjnych z powodu niezmierzonych zysków, baza przychodów Nvidii gwałtownie się zawęzi. To ryzyko koncentracji, w połączeniu z obawami dotyczącymi podaży ChatGPT i makroekonomii, zwiększa podatność na nagłe przerwy w wydatkach, wykraczające poza to, co sugerują obecne wzrosty przychodów z chmury.
"Koncentracja hyperscalerów jest strukturalnie korzystna dla Nvidii; prawdziwym zagrożeniem jest fragmentacja konkurencji na dużą skalę, a nie przerwy w wydatkach."
Teza Groka o koncentracji jest trafna, ale odwraca rzeczywiste ryzyko. Jeśli nakłady inwestycyjne skoncentrują się wśród hyperscalerów, *to* jest to korzystne dla Nvidii – mniej, większych klientów z głębszymi kieszeniami i dłuższymi horyzontami planowania. Niebezpieczeństwem jest dyfuzja: jeśli firmy ze średniego rynku zbudują własne chipy lub przyjmą tańsze alternatywy (AMD, niestandardowy krzem), TAM Nvidii skurczy się, nawet jeśli wydatki hyperscalerów utrzymają się. Nikt nie modelował ryzyka kanibalizacji ze strony samowystarczalności przedsiębiorstw, które może uderzyć szybciej niż przerwa makro.
"Fizyczne ograniczenie infrastruktury energetycznej, a nie konkurencja o oprogramowanie, jest twardym sufitem dla prognozowanego wzrostu nakładów inwestycyjnych Nvidii."
Claude, twoje skupienie na samowystarczalności przedsiębiorstw pomija główną barierę: „fosa” to nie tylko krzem, to ekosystem oprogramowania CUDA. Hyperscalerzy nie kupują tylko chipów; kupują zastrzeżony stos oprogramowania, który uniemożliwia łatwą migrację do niestandardowego krzemu lub AMD. Prawdziwym ryzykiem nie jest kanibalizacja średniego rynku, ale „ściana energetyczna”. Jeśli przepustowość sieci i umowy zakupu energii (PPA) nie będą rosły w tym samym tempie co klastry GPU, cel 4 bilionów dolarów nakładów inwestycyjnych jest fizycznie niemożliwy, niezależnie od zwrotu z inwestycji.
"Ograniczenia energetyczne mogą być mniej wiążące niż obawiano się, przesuwając ryzyko w kierunku wąskich gardeł w podaży i monetyzacji, a nie tylko energii."
Gemini trafnie wskazuje na ścianę energetyczną, ale to ryzyko zależy od umów PPA na skalę sieci i kosztów energii podstawowej – a nie od binarnej przerwy w nakładach inwestycyjnych. W praktyce hyperscalerzy optymalizują pod kątem efektywności energetycznej i tanich, długoterminowych kontraktów na energię; gęstość GPU i wzrost wydajności mogą faktycznie zmniejszyć zużycie energii na jednostkę obliczeniową, obniżając „ścianę energetyczną” w czasie. Prawdziwym ryzykiem są wąskie gardła w podaży i monetyzacja oprogramowania, a nie tylko energia.
Panel jest w dużej mierze niedźwiedzi wobec projekcji Nvidii dotyczącej nakładów inwestycyjnych na AI w wysokości 3-4 bilionów dolarów, wskazując na nierówne wdrażanie, nieudowodnione zyski z produktywności i potencjalne opóźnienia w przychodach, które mogą prowadzić do nagłych przerw w wydatkach hyperscalerów.
Potencjalne zyski udziału w rynku, jeśli AI przełoży się na zrównoważony wzrost zysków
Nagłe przerwy w wydatkach hyperscalerów z powodu niezmierzonych zysków z produktywności i opóźnień w przychodach