Zdanie, które nie pasuje do narracji o boomie na AI

Sam prezes i dyrektor generalny IBM powiedział właśnie w powszechnie słuchanym podcascie technologicznym, publicznie i do protokołu, że arytmetyka stojąca za największymi zakładami infrastrukturalnymi branży się nie zgadza. W rozmowie z Nilayem Patelem w podcascie Decoder serwisu The Verge w sierpniu 2026 roku Arvind Krishna przedstawił proste wyliczenie: zbudowanie jednego gigawata mocy centrów danych AI kosztuje, według jego własnego szacunku, samo około 60-80 miliardów dolarów w układach scalonych. Pomnożone przez około sto gigawatów już zadeklarowanych na całym świecie, rachunek sięga 6-8 bilionów dolarów. Na górnym krańcu tego przedziału, jak powiedział Krishna, same odsetki od tego kapitału wymagałyby blisko 800 miliardów dolarów zysku rocznie tylko na obsługę - zanim jakakolwiek część z tego spłaci sam sprzęt. "Nie wierzę, że istnieje aż tyle dodatkowego przychodu", powiedział, dodając, że przy połowie dzisiejszego poziomu wydatków rachunek "w pełni się zgadza", ale przy podwójnym poziomie niektóre firmy po prostu nie wygenerują wystarczającego zwrotu.

Nic z tego nie brzmi jak tezy funduszu hedgingowego grającego na spadki ani jak hasło aktywisty. To dyrektor generalny firmy, która spędziła trzy dekady na budowaniu i sprzedawaniu infrastruktury informatycznej dla przedsiębiorstw, robiący taki sam rodzaj wyliczenia ekonomii jednostkowej, jaki dyrektor finansowy przeprowadziłby przed podpisaniem zobowiązania kapitałowego - i dochodzący do liczby, która się nie zgadza.

To nie jest jednorazowy cytat

Powód, by traktować te liczbę poważnie, jest taki, że Krishna nie wymyślił jej na potrzeby jednego wywiadu. Przedstawił dokładnie ten sam argument, z dokładnie tym samym szacunkiem 60-80 miliardów dolarów na gigawat, już w podcascie In Good Company Norges Bank Investment Management z Nicolaiem Tangenem w maju 2026 roku - cztery miesiące, jeden cykl wyników oraz zupełnie inny prowadzący wywiad i inna publiczność, zanim powtórzył ja w Decoderze. Pojedyncze uderzające zdanie może być wyuczona kwestia przygotowana na jeden moment. To, że ta sama konkretna ekonomia jednostkowa przetrwała dwie nieprzygotowane, długie rozmowy w odstępie miesięcy, przypomina bardziej model, który zespół Krishny faktycznie wykorzystuje wewnętrznie, niż przekaz stworzony na jeden cykl informacyjny.

To rozróżnienie ma znaczenie dla każdego, kto musi zdecydować, ile wagi przypisać temu twierdzeniu. Jednorazowy cytat zachęca do pytania o kontekst i nastrój danego dnia; liczba powtarzana konsekwentnie w dwóch oddzielnych wywiadach, w odstępie czterech miesięcy i jednego cyklu produktowego, zachęca do trudniejszego pytania, jaki dowód mógłby ja zmienić.

Dlaczego ważne jest, kto to mówi

Dlaczego to ważne: IBM nie jest neutralnym arbitrem w dyskusji o ekonomii infrastruktury AI, i to właśnie sprawia, że ta liczba zasługuje na sprawdzenie, a nie odrzucenie. Firmowy biznes AI w IBM opiera się na oprogramowaniu, doradztwie i mniejszych, szytych na miarę wdrożeniach dla klientów korporacyjnych, a nie na rozbudowie centrów danych hyperscale, która finansują Amazon, Alphabet, Microsoft i Meta - same te cztery firmy wydały w 2026 roku 725 miliardów dolarów na infrastrukturę AI, co oznacza wzrost o 77 procent rok do roku. Jeśli kapitałochłonny wyścig hyperscalerów zwolni, wolniejszy model IBM o wyższej marży wyda się relatywnie bardziej atrakcyjny dla tych samych klientów korporacyjnych, do których zwraca się Krishna. Ten interes komercyjny nie sprawia, że jego wyliczenia są błędne - szacunek kosztu na gigawat i wyliczenie pokrycia odsetek można sprawdzić w oparciu o publiczne ujawnienia wydatków kapitałowych -, ale to fakt, który każdy właściciel ważący jego ostrzeżenie powinien mieć na uwadze razem z sama liczba.

W tym samym tygodniu, gdy krążyły komentarze Krishny, Applied Materials podał rekordowe przychody kwartalne i podniósł prognozę na 2026 rok do wzrostu ponad 30 procent w wydatkach na sprzęt półprzewodnikowy - wynik zbudowany w całości na założeniu, że rozbudowa kwestionowana przez Krishnę wciąż przyspiesza. Applied Materials sprzedaje narzędzia, które budują fabryki produkujące układy scalone trafiające do centrów danych - firma czerpie korzyści z tego, że kapitał jest wydawany, niezależnie od tego, czy ten wydatek kapitałowy kiedykolwiek zwróci się firmom, które go ponoszą. Dwie firmy, ten sam tydzień, dwa całkowicie różne interesy ekonomiczne w kwestii tego, czy Krishna ma rację.

Wniosek dla każdego, kto podpisuje kontrakt na infrastrukturę AI

Wniosek: właściwa reakcja na takie ostrzeżenie to ani zaakceptowanie go, bo powiedziała je wiarygodna osoba, ani odrzucenie go, bo ta osoba ma coś do zyskania, jeśli okaże się ono trafne. Chodzi o traktowanie konkretnych, sprawdzalnych twierdzeń - 60-80 miliardów dolarów w układach scalonych na gigawat, 6-8 bilionów dolarów całkowitych zadeklarowanych wydatków, około 800 miliardów dolarów rocznie niezbędnego zysku na obsługę odsetek na górnym krańcu tego przedziału, oraz dwie do trzech przetrwałych firm tworzących modele wobec rynku wyceniającego sześć do dwunastu - jako modelu do przetestowania wobec własnej ekspozycji, a nie jako werdyktu do zaakceptowania lub odrzucenia na podstawie reputacji tego, kto go wypowiedział.

Dla każdego właściciela lub operatora z wieloletnimi zobowiązaniami dotyczącymi infrastruktury AI, niezależnie od tego, czy chodzi o kontrakt chmurowy, najem w kolokacji, czy zależność od niewielkiej liczby dostawców zaawansowanych modeli, praktyczne ćwiczenie jest proste: zastosować własne liczby Krishny wobec konkretnych dostawców we własnych kontraktach i traktować koncentrację u dwóch lub trzech kontrahentów, a nie sześciu do dwunastu, które rynek obecnie wycenia, jako scenariusz bazowy do planowania, a nie ryzyko ogonowe, przed którym po prostu się ubezpieczamy.

Czytaj dalej: AMD pobiło wszystko. Akcje spadły o 8 procent  |  Anthropic chce wydać 6 mld dol. na tańsze obliczenia