Bain & Company wystawił globalnej branży sztucznej inteligencji rachunek, który — według samej firmy doradczej — będzie można w większości opłacić wyłącznie produktami, które jeszcze nie istnieją. Niedawno opublikowany siódmy Global Technology Report concludes that the industry must generate $6 trillion in annual revenue by 2031 to justify the capital now flowing into data centres — and roughly 70% of that sum depends on revenue streams that have yet to be built.** — siódmy Global Technology Report stwierdza, że branża musi wygenerować 6 bilionów dolarów rocznego przychodu do 2031 roku, aby uzasadnić kapitał obecnie wpływający do centrów danych, a około 70% tej kwoty zależy od źródeł przychodów, które dopiero muszą powstać.

Według raportu istniejące konsumenckie i korporacyjne usługi AI mogą stanowić do 1,8 biliona dolarów tej kwoty, co pozostawia 4,2 biliona dolarów nowego przychodu do wykreowania. Wszystko, co ta technologia sprzedaje obecnie — od chatbotów po asystentów w miejscu pracy — pokrywa mniej niż jedną trzecią prognozowanej sumy.

Bain oczekuje, że luka zostanie wypełniona przez dopiero powstające segmenty: autonomiczne maszyny i robotykę, odkrywanie leków, zdrowie psychiczne oraz produkcję energii. To sektory, które pozostają niewielkie, są mocno regulowane lub wciąż ograniczone do laboratoriów, a branża liczy, że w cią pięciu lat wygenerują one biliony.

David Crawford, główny autor raportu, przyznał, jak dużego wysiłku to wymaga. Powiedział, że branża potrzebuje fali innowacji większej niż cokolwiek, co odblokowały technologie mobilne i chmurowe, a zrównoważone sfinansowanie budowy wymagałoby podniesienia rocznego tempa wzrostu globalnego PKB o około 1% — przyspieszenia, którego gospodarki rzadko osiągają tylko dlatego, że wymaga go jakaś branża.

To nie jest pierwsza próba oszacowania tej luki przez Bain. We wrześniu zeszłego roku firma obliczyła, że firmy AI będą potrzebować 2 bilionów dolarów rocznego przychodu do 2030 roku i przewidziała niedobór 800 miliardów dolarów. Nowy cel jest trzykrotnie większy i pojawia się rok później. Chociaż oba raporty mogą inaczej definiować zakres, kierunek jest spójny: koszty budowy rosną szybciej niż dowody na to, że ktokolwiek za to zapłaci.

Strona kosztowa jest brutalna. Bain prognozuje wydatki na centra danych w wysokości od 5 do 6,5 biliona dolarów do 2030 roku, co oznacza dodanie co najmniej 150 gigawatów mocy. Rozmiary i koszty centrów danych podwajają się mniej więcej co 12 do 16 miesięcy, częściowo z powodu rosnących cen chipów. Finansowanie można zapewnić, ale transformatorów, wody i przyłączy sieciowych nie da się pozyskać w tym samym harmonogramie. Niedobory wszystkich trzech zasobów, w połączeniu z silnym oporem lokalnych społeczności, doprowadziły w kwartale czerwcowym do zablokowania lub opóźnienia projektów w USA o wartości 68 miliardów dolarów.

Inni analitycy doszli do podobnych wniosków. Goldman Sachs ustalił w tym tygodniu próg rentowności dla pięciu największych amerykańskich hiperskalerów — gigantycznych operatorów chmurowych — na poziomie około 300 miliardów dolarów rocznego przychodu z AI, w zestawieniu z 800 miliardami dolarów wydatków na infrastrukturę w 2026 roku. Przy przychodach chmury AI o około 70 miliardów dolarów wyższych niż trend sprzed ery AI Goldman szacuje lukę na około 230 miliardów dolarów rocznie.

Miernik Goldmana jest węższy niż Bain — obejmuje tylko hiperskalerów i tylko tegoroczną budowę — ale wskazuje ten sam kierunek. David Cahn z Sequoia obliczył lukę na około 600 miliardów dolarów rocznie, a Allianz Research szacuje rozbieżność między wydatkami kapitałowymi na AI a wzrostem przychodów na około 46% — powyżej % odnotowanych podczas nadmiaru z 2001 roku w telekomunikacji, gdy operatorzy budowali sieci światłowodowe znacznie szybciej, niż popyt był w stanie wchłonąć.

Oba zbiory liczb mają zastrzeżenia. Sam Goldman ostrzega przed ryzykiem podwójnego liczenia i zakłada, że niemal wszystkie nakłady kapitałowe powyżej poziomów z 2022 roku są związane z AI, skoro faktycznie każdy dolar wydatków kapitałowych hiperskalerów liczy się obecnie jako wydatek na AI. Z kolei liczba Bain to stopa wymaganego zwrotu, a nie prognoza: opisuje, co musi się wydarzyć, a nie to, co nastąpi.

Bardziej niepokojąca dynamika polega na tym, że żaden hiperskaler nie będzie prawdopodobnie jednostronnie ograniczał wydatków i ustępował rywalom, co sprawia, że cykl nakładów kapitałowych jest samonapędzający się niezależnie od krótkoterminowych zwrotów. W wyścigu, w którym zatrzymanie się jest nieopłacalne, słabe zwroty mogą właśnie kumulować się niezauważenie, ponieważ decyzja o wydatkach nie zależy już od zwrotów.

Bain przekształcił nastrój w mierzalny test. Pytanie, czy AI jest użyteczne, przestało być aktualne już jakiś czas temu; pytaniem teraz jest, czy tę użyteczność da się wycenić w skali wykraczającej poza gospodarkę smartfonów, na rynkach, które ledwo istnieją, zanim sieć energetyczna i rynek obligacji stracą cierpliwość.

Dwa wskaźniki pokażą, jak ta równania będzie się rozwijać do 2027 roku. Pierwszym jest to, czy firmy z branży robotyki i odkrywania leków zaczną raportować rzeczywiste pozycje przychodowe. Drugim — czy wytyczne dotyczące nakładów kapitałowych będą dalej rosnąć bez nich. Jeśli zajdzie drugie bez pierwszego, branża nie będzie już inwestować w sprawdzone rynek — będzie zakładać, że się pojawi.