AI’s lånebølge ændrer kreditmarkedet

En senere opgørelse på selskabsniveau anslog omtrent:

• Amazon: 53 mia. dollar i gæld, herunder en amerikansk obligationsudstedelse på 37 mia. dollar og mere end 16 mia. dollar i euroobligationer.
• Alphabet: cirka 20 mia. dollar i obligationer.
• Oracle: cirka 25 mia. dollar til selskabets AI-ekspansion.

Beløbene afhænger af skæringsdatoen og af, hvad der tælles som AI-relateret finansiering. Obligationer, leasingaftaler, private kreditfaciliteter, joint ventures og projektfinansiering optræder ikke altid på samme måde i de forskellige datasæt. Tallene bør derfor ses som øjebliksbilleder – ikke som en endelig rangliste.

Hvorfor låner kontante teknologiselskaber?

Skiftet er bemærkelsesværdigt, fordi selskaberne historisk i høj grad har finansieret investeringer gennem deres egne pengestrømme. AI-infrastruktur kræver imidlertid flere store investeringer på én gang: avancerede processorer, netværksudstyr, jord, bygninger, køling og adgang til elektricitet.

Udgifterne kommer, før det er klart, hvor hurtigt AI-tjenesterne vil skabe indtægter. Reuters forventede, at teknologiselskabernes samlede investeringer ville overstige 730 mia. dollar i 2026, op fra et tidligere estimat på cirka 700 mia. dollar.

Gæld gør det muligt at begynde byggeriet og reservere kapacitet, før fremtidige AI-indtægter er realiseret. Leasing, aktieudstedelser, private kreditfonde, infrastrukturfonde og joint ventures udvider finansieringsmulighederne yderligere.

Prisen er, at en større del af gennemførelsesrisikoen flyttes fra selskabernes kontantbeholdninger til obligationsinvestorer, långivere og investorer i projekterne.

Mere gæld betyder et mere krævende obligationsmarked

Den umiddelbare effekt er et kraftigt øget udbud af langfristede obligationer fra selskaber med investment grade-status – altså en relativt høj kreditvurdering.

Når flere teknologiselskaber udsteder obligationer, bliver investorerne mere selektive med hensyn til, hvor meget gæld de vil købe, og til hvilken pris. Reuters rapporterede, at store udstedere måtte låne til stadigt højere renter, mens efterspørgslen kølnede.

Det kan få betydning langt ud over hyperscalerne. Teknologiselskaberne konkurrerer om mange af de samme investorer som andre store virksomheder, der har brug for langfristet finansiering. En flodbølge af ny teknologigæld kan derfor føre til:

• højere krævede renter;
• bredere kreditspænd;
• større rabatter ved nye obligationsudstedelser;
• dyrere refinansiering; og
• større brug af obligationer i andre valutaer, privat kredit eller finansiering uden for selskabets egen balance.

Påvirkningen af det amerikanske statsobligationsmarked er mere indirekte. Stor virksomhedsgæld kan øge konkurrencen om kapital med lang løbetid og dermed bidrage til pres på de lange renter. Men statsrenterne bestemmes først og fremmest af den makroøkonomiske udvikling, inflationsforventninger, pengepolitik og statens lånebehov. AI-lån er derfor en ekstra faktor – ikke en selvstændig forklaring på bevægelserne i statsobligationer.

Bank for International Settlements har samtidig peget på, at hyperscalernes obligationsudstedelser er steget kraftigt, at en stor del af lånene er langfristede, og at credit-default-swap-spænd – prisen på at forsikre sig mod en låntagers misligholdelse – især er steget for lavere ratede selskaber. Det afspejler investorernes usikkerhed om projekternes fremtidige afkast.

NVIDIA vil åbne en ny finansieringskanal

NVIDIA’s samarbejde i august med Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs og KKR skal etablere selvstændige platforme til finansiering af computerkapacitet. Målet er over tid at mobilisere mere end 500 mia. dollar i tredjepartskapital.

Modellen adskiller sig fra, at NVIDIA eller en hyperscaler blot udsteder endnu en virksomhedsobligation. Tanken er, at eksterne investorer skal kunne finansiere datacentre, energiinfrastruktur, såkaldte AI-fabrikker og NVIDIA-udstyr gennem særskilte kapitalpuljer.

NVIDIA beskriver strategien som et forsøg på at gøre computerkapacitet og AI-infrastruktur i hele værdikæden til en investerbar aktivklasse.

Hvis modellen lykkes, kan den reducere den mængde infrastruktur, der skal ligge direkte på hyperscalernes balancer. Den kan også forbinde AI-projekter med private equity, private kreditfonde, infrastrukturfonde og projektfinansiering.

Men risikoen forsvinder ikke, fordi aktiverne flyttes væk fra moderselskabets balance. Den skifter blot hænder: Det afgørende bliver, hvem der ejer aktiverne, hvem der låner mod dem, og hvem der tager tabet, hvis udnyttelsesgraden eller indtægterne bliver lavere end ventet.

De vigtigste risici for investorerne

1. Lange renter kan gøre AI-byggeriet dyrere

Højere lange amerikanske statsrenter øger de samlede finansieringsomkostninger for virksomhedsobligationer, leasingaftaler og projektgæld. Samtidig falder nutidsværdien af indtægter, der først ligger langt ude i fremtiden.

En forretningsmodel, der ser attraktiv ud ved lave renter, kan derfor blive mindre overbevisende, når projekterne skal bære højere renteudgifter.

2. Indtægterne kan komme efter gælden

Finansiering af infrastruktur bliver ofte arrangeret flere år, før et anlæg når fuld kapacitetsudnyttelse. Det skaber en tidsmæssig risiko: Gældsbetalingerne følger en fast plan, mens efterspørgslen efter computerkraft og indtægterne fra AI-produkter kan udvikle sig langsommere.

Det centrale spørgsmål er derfor ikke, om hyperscalerne stadig kan låne. Mange af dem har betydelig finansiel kapacitet. Spørgsmålet er, om den samlede gæld vokser hurtigere end den varige efterspørgsel og pengestrøm fra AI.

3. Oracle viser, hvordan bekymringer kan blive selskabsspecifikke

Oracle er blevet fulgt tæt, fordi selskabet finansierer en offensiv AI-ekspansion og samtidig er mere følsomt over for gæld og refinansieringsvilkår end de mest kontantstærke konkurrenter.

Rapporter har beskrevet en markant udvidelse af Oracles credit-default-swap-spænd, selv om de præcise niveauer varierer efter kilde og dato.

Et bredere CDS-spænd betyder ikke, at en konkurs er nært forestående. Det betyder, at det er blevet dyrere at forsikre selskabets gæld, og at investorerne kræver større kompensation for den kreditrisiko, de oplever.

4. GPU’er kan skabe et misforhold mellem aktiver og gæld

AI-hardware kan miste økonomisk værdi hurtigere, end de obligationer eller infrastruktur lån, der finansierer udstyret, udløber. Hvis nye processorer gør eksisterende GPU’er mindre konkurrencedygtige, eller hvis udnyttelsen falder, kan værdien af sikkerheden falde, mens gælden består.

Det adskiller sig fra traditionel ejendomsfinansiering. En datacenterbygning kan være nyttig i mange år, mens computerudstyret indenfor kan blive teknologisk forældet på langt kortere tid.

5. Projekter kan være afhængige af få lejere

Datacentre og projektfinansierede anlæg kan være eksponeret mod en begrænset gruppe hyperscalere. En opbremsning i investeringerne, genforhandling af en kontrakt eller lavere cloud- og AI-efterspørgsel hos én stor kunde kan derfor ramme flere projekter samtidig – særligt når anlæggene er bygget til specialiserede AI-opgaver.

6. Kreditmarkedets kapacitet kan blive flaskehalsen

De største teknologiselskaber kan muligvis optage mere gæld uden straks at miste deres investment grade-status. Men obligationsmarkedets evne til at absorbere gælden til attraktive priser er ikke ubegrænset.

Goldman Sachs’ analyser, som er omtalt i den foreliggende rapportering, peger på et muligt gab mellem den gæld, hyperscalerne i princippet kan optage, og den mængde dollar-denominerede investment grade-obligationer, markedet komfortabelt kan absorbere.

Det er med til at forklare, hvorfor selskaberne i stigende grad søger alternative kanaler: euroobligationer og andre udenlandske valutaer, private investment grade-lån, infrastrukturfonde, leasing og projektobligationer gennem joint ventures.

Disse kanaler spreder finansieringen ud, men de kan også gøre det vanskeligere at vurdere den samlede gældsbelastning på tværs af hele AI-økosystemet.

Konklusionen

AI-lånebølgen har ændret finansieringsmodellen for det globale AI-byggeri. Det, der begyndte som teknologiinvesteringer finansieret primært af selskabernes egne kontanter, er blevet til en bred kapitalmarkeds-cyklus med offentlige obligationer, private lån, infrastrukturfonde, leasing og projektfinansiering.

Den tydeligste kortsigtede effekt er et større udbud af investment grade-gæld og større selektivitet blandt obligationsinvestorerne. Den langsigtede risiko er et misforhold mellem aktiver og forpligtelser: Infrastruktur og hardware finansieres i dag på forventning om AI-efterspørgsel og indtægter i morgen – men de kan blive mindre eller komme senere end ventet.

Skillelinjen går mellem en produktiv infrastrukturcyklus og en gældsdrevet cyklus. Lånene er holdbare, hvis kapacitetsudnyttelse, priser og indtægter fra AI-tjenester vokser, før hardwareforældelse og gældsservice bliver en begrænsning. Modellen bliver sårbar, hvis kapaciteten udbygges hurtigere end den varige efterspørgsel.