Goldman Sachs kieruje uwagę na infrastrukturę fizyczną stojącą za boomem sztucznej inteligencji, argumentując, że dostęp do energii wysokiego napięcia stał się ostrzejszym ograniczeniem niż kapitał wymagany do zakupu chipów. Według banku popyt na infrastrukturę AI nadal przewyższa dostępne moce, a luka między podażą a popytem na moc obliczeniową się pogłębia — na podstawie niedawnych rozmów z zespołami zarządzającymi firm technologicznych.

W ocenie Goldmana wąskie gardło przesuwa się z chipów w stronę energii. Operatorzy, którzy już zabezpieczyli moce sieciowe, mogą być lepiej przygotowani do ekspansji, a dostępność energii, a nie podaż chipów, może wyznaczać tempo budowy nowych centrów danych do 2027 roku. Bank podał, że wiodący hiperskalerzy — najwięksi operatorzy chmur i centrów danych AI — już działają, aby zabezpieczyć kontrakty energetyczne na 2028 rok i późniejsze, ponieważ moce sieciowe na 2026 i 2027 rok są w zasadzie w pełni zarezerwowane; horyzont ten pokazuje, jak z wyprzedzeniem trzeba obecnie planować dostęp do energii.

Goldman powiedział, że przewidywane spowolnienie trenowania modeli jest kompensowane zwiększonymi inwestycjami w bezpieczeństwo AI i monitoring tempa. Działania te wymagają dodatkowych zasobów obliczeniowych, co utrzymuje ogólny popyt na moc obliczeniową na wysokim poziomie pomimo potencjalnego ochłodzenia aktywności treningowej.

Bank stwierdził również, że nakłady inwestycyjne rosną z powodu inflacji kosztów komponentów i potrzeby większej liczby chipów. W tym samym czasie przychody generowane na jednostkę energii wzrosły w ciągu minionego roku o około dwie trzecie w porównaniu z wcześniejszymi poziami cen — wskaźnik, który bezpośrednio wiąże przychody operatora z zużywaną przez niego energią elektryczną. W ocenie Goldmana sam posiadanie kapitału na zakup procesorów GPU nie wystarcza już samodzielnie; dostęp do infrastruktury energetycznej wysokiego napięcia w coraz większym stopniu decyduje o tym, które firmy mogą się rozwijać.

Raport opisał sytuację zwięźle: pieniądze mogą kupić GPU, ale to energia decyduje o tym, kto może je włączyć.

Goldman zidentyfikował także strukturalną zmianę w wydatkach na oprogramowanie korporacyjne. Według banku platformy danych i bezpieczeństwa należą do najwyraźniejszych beneficjentów inwestycji w AI, ponieważ systemy AI zależą od czystych, uporządkowanych i bezpiecznych danych. Dyrektorzy działów informatyki coraz częściej kierują budżety w stronę fundamentalnych warstw danych i narzędzi cyberbezpieczeństwa, aby chronić integralność danych i ograniczać ryzyka związane z nieautoryzowanym korzystaniem z tzw. „shadow AI” — narzędzi AI przyjętych bez oficjalnej zgody działu IT — wewnątrz organizacji.

Z kolei oprogramowanie aplikacyjne jest coraz częściej tworzone dla agentów AI, a nie dla użytkowników ludzkich. Goldman określił tę przemianę jako „headless” — bezinterfejsowość oprogramowania aplikacyjnego. Zmiana pozwala dostawcom dodawać potężniejsze funkcje AI do istniejących platform i na razie wspiera wzrost branży, choć bank ostrzegł, że może ona ostatecznie zmienić sposób, w jaki firmy software'owe wyceniają i monetyzują swoje produkty.

Zmiana struktury wydatków wskazuje na pogłębiającą się przepaść między platformami fundamentalnymi a dostawcami aplikacji. Nacisk Goldmana na zwroty z platform podstawowych sugeruje, że udowodniona monetyzacja mocy obliczeniowej może być postrzegana przychylniej niż spekulacyjne nowe linie przychodów, choć bank nie przedstawił tego jako prognozy wyników rynkowych.

Wśród wyróżnionych firm Goldman podał, że Meta nadal generuje dwu- do trzykrotny zwrot z inwestycji na megawat mocy w swoim podstawowym biznesie — miarę zwrotu w odniesieniu do zużywanej energii elektrycznej — jednocześnie badając dodatkowe źródła przychodów przyrostowych. Google natomiast korzysta z tego, co Goldmanślił jako przewagę full-stack łączącą własne układy scalone, chmurę, bezpieczeństwo i ogromną bazę dystrybucji, wspierającą podstawową monetyzację. Sprzedaż chipów TPU Google'a jest jednym z elementów tej szerszej strategii portfelowej.

Goldman podsumował, że monetyzacja AI oferuje znaczne możliwości. Mimo to, w jego ocenie, monetyzacja platform podstawowych pozostaje jednym z bardziej pewnych i bardziej dochodowych zastosowań mocy obliczeniowej. W tym kontekście ugruntowane platformy, które już teraz generują wysokie zwroty ze swojej energii, mogą pozostać bardziej niezawodnymi beneficjentami, dopóki moce pozostają deficytowe. Praktyczne wskaźniki do śledzenia, wynikające z obserwacji banku, obejmują harmonogramy budowy centrów danych do 2027 roku, to jak z wyprzedzeniem operatorzy zabezpieczają kontrakty energetyczne na 2028 rok i późniejsze oraz czy budżety korporacyjne będą się dalej przesuwać w stronę fundamentów danych i bezpieczeństwa.