Budowa infrastruktury sztucznej inteligencji ma kosztować same w Stanach Zjednoczonych około 10,3 bln USD w latach 2025–2032. Aby ta inwestycja się opłacała, sektor AI musiałby wygenerować około 3,7 bln USD rocznych przychodów do końca tego okresu.

Te dane pochodzą od profesora Columbia Business School Stijna Van Nieuwerburgha, którego analiza została zaprezentowana na konferencji Brookings Papers on Economic Activity, forum, na którym ekonomiści od lat przedstawiają nowe badania dotyczące gospodarki USA. Badanie próbuje odpowiedzieć na pytanie, które po cichu nurtuje każdego, kto przygląda się budowie infrastruktury AI: czy ta matematyka w ogóle się spina?

Liczby stojące za budową

Główna prognoza zakłada dodanie około 182,7 GW mocy centrów danych do 2032 roku. Dla porównania — to ogromna ilość infrastruktury energetycznej, a wydatki inwestycyjne odpowiadają w przybliżeniu około 3,63% amerykańskiego PKB rocznie.

Aby uzmysłowić skalę przedsięwzięcia, raport zauważa, że ta budowa przewyższyłaby historyczne inwestycje infrastrukturalne, takie jak budowa sieci kolejowej czy systemu autostrad międzystanowych.

Ekonomia jednostkowa opowiada równie wymagającą historię. Według analizy rentowność wymaga około 5,5 USD przychodu na zainstalowaną godzinę pracy GPU przy pełnym wykorzystaniu mocy — wskaźnik, który bezpośrednio wiąże zwrot z każdej zainstalowanej chipy z tym, co klienci faktycznie płacą za moc obliczeniową AI. Przy bardziej realistycznym wykorzystaniu na poziomie 80% kwota ta rośnie do 6,9 USD za godzinę GPU.

Przyjęty w modelu próg zwrotu zakłada 10% zwrotu bez dźwigni finansowej — miarę liczoną przed uwzględnieniem skutków finansowania długiem — przy marży przepływów pieniężnych na poziomie 50%. Spełnienie tych wskaź wymagałoby od sektora AI utrzymania około 80% skumulowanego rocznego wzrostu przychodów od dziś do 2032 roku.

To tempo wzrostu jest porównywane z obecnym łącznym tempem przychodów OpenAI i Anthropic — twórców odpowiednio ChatGPT i Claude — wynoszącym około 100 mld USD rocznie. Przejście ze 100 mld USD do 3,7 bln USD rocznych przychodów w około siedem lat to trajektoria, która na prezentacji dla inwestorów wygląda imponująco, a na tablicy komitetu ryzyka — niepokojąco.

Jak to jest finansowane

Raport analizuje struktury finansowania — obszar szczególnie istotny dla wszystkich, którzy obawiają się ryzyka systemowego. Hyperscalery — operatorzy największych sieci chmurowych i centrów danych, takie jak Microsoft, Amazon i Google — coraz częściej sięgają po zewnętrzny dług i złożone instrumenty finansowe, aby sfinansować swoje ambicje w zakresie infrastruktury AI.

Raport wskazuje na tę wzajemną powiązaność jako na potencjalne źródło ryzyka systemowego, zwłaszcza jeśli popyt na usługi AI nie będzie rósł tak szybko, jak budowane są moce. Niedobór popytu na AI odczułyby więc nie tylko same firmy technologiczne, ale również pożyczkodawcy i inwestorzy po drugiej stronie tego długu. Nadpodaż mocy centrów danych finansowanych długiem zewnętrznym to zupełnie inny problem niż nadpodaż finansowana z zysków zatrzymanych.

Pytanie o 3,7 bln USD

Cel 3,7 bln USD rocznych przychodów do 2032 roku stanowiłby około 9,2% prognozowanego PKB USA na ten rok.

Istnieją również ograniczenia fizyczne, które mogłyby spowolnić budowę niezależnie od dostępności finansowania. Wytwarzanie energii i przepustowość sieci przesyłowych pozostają wąskimi gardłami w wielu częściach kraju, a terminy uzyskiwania pozwoleń dla nowych elektrowni i linii przesyłowych często znacznie wykraczają poza ramy czasowe wymagane przez harmonogram inwestycji AI.

Raport porusza także kwestię wskaźników wykorzystania. Budowa mocy o wartości 182,7 GW generuje zwroty tylko wtedy, gdy moce te są faktycznie wykorzystywane. Różnica między wymaganiami przychodowymi 5,5 a 6,9 USD za godzinę GPU przy pełnym i 80-procentowym wykorzystaniu pokazuje, jak wrażliwa jest ta ekonomia na wahania popytu.

Badanie przedstawia te dane jako punkt odniesienia do oceny, czy trajektoria przychodów sektora może udźwignąć tempo inwestycji infrastrukturalnych obecnie prowadzonych. Mierząc tym miernikiem, obserwowalnymi wskaźnikami na przyszłość będą raportowanie przychodów przez największe laboratoria AI, wykorzystanie zainstalowanych mocy GPU, warunki, na jakich hyperscalery zaciągają dług zewnętrzny, oraz tempo, w jakim nowe moce wytwórc i pozwolenia pokonają ograniczenia zidentyfikowane w raporcie.