Goldman Sachs prognozuje, że nakłady inwestycyjne na infrastrukturę AI osiągną 1,2 biliona dolarów do 2027 roku. Bank ostrzega, że ten wzrost wydatków może obciążyć zasoby energetyczne, zwiększyć zależność od długu i wywrzeć presję na wzrost przychodów hyperscalerów. Według firmy, energia staje się kluczowym wąskim gardłem dla ekspansji.
Budowa za 1,2 biliona dolarów
Goldman Sachs oczekuje, że firmy zainwestują 1,2 biliona dolarów w infrastrukturę AI do 2027 roku. Ta kwota obejmuje centra danych, chipy i sprzęt sieciowy potrzebny do trenowania i uruchamiania dużych modeli AI. Prognoza podkreśla, jak szybko technologia przeniosła się z laboratoriów badawczych do wdrożeń na skalę przemysłową.
Jednak bank nie postrzega tych wydatków jako pozbawionych ryzyka. W swojej ocenie skala inwestycji może obciążyć zasoby energetyczne i zwiększyć zależność od długu — dwa ograniczenia, które rzadko pojawiają się w optymistycznych prognozach dotyczących AI.
Energia: ciche wąskie gardło
Energia staje się kluczowym wąskim gardłem dla ekspansji infrastruktury AI, według Goldman Sachs. Centra danych już zużywają ogromne ilości energii elektrycznej, a oczekuje się, że kolejna fala obiektów dedykowanych AI będzie wymagać jeszcze więcej. W wielu regionach sieci energetyczne nie są przystosowane do obsługi takiego obciążenia bez znaczących modernizacji.
Ostrzeżenie banku sugeruje, że czynnikiem ograniczającym rozwój AI może nie być podaż chipów czy kapitał, ale zdolność do wytwarzania i dostarczania wystarczającej ilości energii elektrycznej. Ta zmiana stawiałaby przedsiębiorstwa energetyczne, regulatorów i rynki energii w centrum historii AI.
Ekspansja napędzana długiem budzi pytania
Goldman Sachs zauważa również, że prognozowany wzrost wydatków może zwiększyć zależność od długu. Budowa infrastruktury AI na taką skalę wymaga ogromnych inwestycji początkowych, a firmy mogą sięgać po pożyczki, aby je sfinansować. To zwiększa stawkę, jeśli wzrost przychodów nie zmaterializuje się tak szybko, jak oczekiwano.
Obawa nie jest abstrakcyjna. Jeśli hyperscalerzy — duzi dostawcy chmury napędzający większość tej budowy — odczują presję na wzrost przychodów, obsługa tego długu może stać się trudniejsza. Notatka banku łączy te wątki: wysokie wydatki, ograniczenia energetyczne i obciążenie długiem tworzą trójkąt ryzyka.
Presja na hyperscalerów
Te same wydatki, które napędzają postęp AI, mogą wywierać presję na wzrost przychodów hyperscalerów. Oczekuje się, że te firmy będą przewodzić inwestycjom w infrastrukturę, ale koszty są ogromne. Goldman Sachs nie precyzuje, które firmy ani jak dużej presji doświadczą, ale implikacja jest jasna: ekonomika infrastruktury AI nie gwarantuje sukcesu wszystkim.
Hyperscalerzy byli wśród najbardziej entuzjastycznych inwestorów w AI, ale prognoza banku sugeruje, że entuzjazm ten wiąże się z kosztem bilansowym. Jeśli wzrost przychodów spowolni, a nakłady inwestycyjne pozostaną wysokie, tę lukę trzeba będzie zarządzić — poprzez ceny, cięcia kosztów lub dodatkowe finansowanie.
Na co zwrócić uwagę
Prognoza Goldman Sachs na 2027 rok opiewająca na 1,2 biliona dolarów jest przewidywaniem, a nie pewnością. Prawdziwym testem będzie to, czy infrastruktura energetyczna nadąży za potrzebami i czy firmy będą w stanie sfinansować tę budowę bez nadmiernego zadłużania się. Na razie notatka banku nadaje liczbę boomowi AI i wskazuje ograniczenia, które mogą go spowolnić.
Inwestorzy i operatorzy będą obserwować raporty finansowe hyperscalerów w poszukiwaniu oznak presji na przychody. Regulatorzy energetyczni i przedsiębiorstwa użyteczności publicznej staną przed pytaniami o przepustowość sieci. A rynki długu pokażą, czy pożyczkodawcy są nadal skłonni finansować kolejną fazę infrastruktury AI — czy też koszt kapitału zacznie doskwierać.
