Det 1,4 billioner dollars store AI-væddemål: Goldman Sachs' bull case og de glemte gældsrisici

Derfor mener Goldman, at konsensus er for lav

Kernen i Goldmans argument er, at de nuværende estimater fra Wall Street indebærer en usandsynlig opbremsning i udgiftsvæksten. Konsensus for hyperscaler-udgifter i 2027 ligger på omkring 920 milliarder dollar, hvilket ville repræsentere en brat opbremsning i forhold til det rekordhøje tempo i 2025 og 2026. Goldman udfordrer den antagelse ved at modellere et scenarie, hvor AI-investeringer fortsat sluger 2% til 3% af BNP – et scenarie der skubber de årlige udgifter mod et grundscenarie på 1.100 milliarder dollar og helt op til 1.400 milliarder dollar i et optimistisk scenarie.

Bag modellen ligger et væddemål på agentisk AI. I modsætning til simple chatbots, der svarer på en prompt og stopper, opererer AI-agenter kontinuerligt – de udfører trin-for-trin opgaver, kalder API'er og ræsonnerer i længere tankekæder. Goldman forventer, at denne "always-on"-adfærd vil drive en 24-dobling i token-forbruget inden 2030. Hver enkelt agent-interaktion sluger dramatisk mere computerkraft, og med virksomheder, der begynder at udrulle agenter i stor skala, ligner efterspørgselskurven slet ikke de lineære vækstmodeller, der ligger til grund for konsensusestimaterne.

De reelle flaskehalse: Strøm, arbejdskraft og fysiske begrænsninger

Goldman Sachs er bemærkelsesværdigt direkte omkring, hvor de sande grænser ligger. I sin rapport om at forsyne AI-æraen slår banken fast: "mangel på kapital er ikke den mest presserende flaskehals – det er den nødvendige strøm til at drive den." Efter et årti med flad el-efterspørgsel forventes det globale strømforbrug fra datacentre at stige med 160% frem mod 2030. Alene USA står over for en anslået strømmangel på 45 gigawatt til datacentre i 2028, hvilket kræver 72 gigawatt ny kapacitet inden 2030 – svarende til omtrent 72 store atomkraftværker.

Elnettet var ikke designet til denne fremtid. Transmissions- og tilladelsesprocesser for nye naturgasanlæg tager fem til syv år, vind og sol kan kun levere periodisk energi, og atomkraft er en langsigtet løsning. Nye gasturbiner, som er rygraden i pålidelig strømproduktion, er reelt udsolgt frem til 2030.

Arbejdskraft kan vise sig at være den allersværeste begrænsning. Goldman anslår, at der er brug for omkring 760.000 ekstra elektrikere, linjemontører og håndværkere til at bygge den fysiske infrastruktur, som AI kræver, herunder 207.000 specialiserede roller, der kræver tre til fire års uddannelse. Det er ikke job, som Silicon Valley kan automatisere eller outsource – de kræver folk på jorden, og manglen betyder, at projekttiderne forlænges for hver eneste gigawatt ny efterspørgsel.

Bankens analyse "Tracking Trillions" introducerer begrebet "forlængelsesrisiko" (elongation risk): køer til nettilslutning, tilladelsesforsinkelser og mangel på kritisk udstyr som transformere og koblingsanlæg kan strække byggetiden langt ud over de oprindelige planer. I stress-scenarier kan disse forsinkelser forstærke tvivlen på efterspørgselssiden og skabe en selvforstærkende cyklus, hvor projekter tager længere tid, og argumentet for at bygge mere svækkes. Alligevel venter Goldmans grundscenarie omkring 7.600 milliarder dollar i samlede AI-kapitaludgifter mellem 2026 og 2031.

Hvordan Morgan Stanleys estimater sammenlignes

Morgan Stanleys prognoser har undergået deres egen dramatiske opjustering. For et år siden estimerede firmaet de samlede hyperscaler-udgifter til omkring 450 milliarder dollar for både 2026 og 2027. Efter regnskaber for første kvartal af 2026 hævede analytikere anført af Brian Nowak disse tal til ca. 800 milliarder dollar i 2026 og 1.200 milliarder dollar i 2027.

Morgan Stanley forudser nu 1.160 milliarder dollar i hyperscaler-udgifter for 2027, et tal der overstiger Goldmans grundscenarie på ca. 1.100 milliarder dollar, men er under Goldmans øvre grænse på 1.400 milliarder dollar. Frem mod 2028 forventer Morgan Stanley 2.900 milliarder dollar i globale datacenter-kapitaludgifter, med 1.400 milliarder dollar finansieret af hyperscalernes pengestrømme og et finansieringsgab på 1.500 milliarder dollar, der skal dækkes af gæld, leasing og joint ventures.

Begge banker er enige om, at forholdet mellem kapitaludgifter og omsætning (capex-to-sales) har bevæget sig ind i ukendt territorium. Morgan Stanley forventer et forhold på 34% til 39% fra 2026 til 2028, hvilket overstiger toppen på omkring 32% registreret under dot-com-boblen. Når leasing-justerede tal inkluderes, kan forholdet stige til helt op mod 44% til 45%.

Skyggebogen: Ikke-balanceførte leasingkontrakter og SPV-gæld

Under overfladen af de opsigtsvækkende udgiftstal gemmer der sig et mere foruroligende lag af finansiel ingeniørkunst. Moody's Ratings har estimeret, at de fem største amerikanske hyperscalere – Amazon, Meta, Alphabet, Microsoft og Oracle – har forpligtelser til fremtidige datacenterleasingkontrakter for 662 milliarder dollar, som endnu ikke er påbegyndt. Efter de almindeligt accepterede regnskabsprincipper (GAAP, svarer til dansk ÅRL) optræder disse forpligtelser ikke som løbende gæld, fordi leveringen af servicen ikke er startet. De står uden for balancen, primært synlige i fodnoterne til regnskaberne.

Sammenlægger man alle fremtidige, udiskonterede leasingforpligtelser, når beløbet op på anslået 969 milliarder dollar – svarende til ca. 113% af de fem selskabers samlede, justerede gæld. I takt med at disse leasingkontrakter træder i kraft over de kommende år, vil de begynde at blive omkostningsført i resultatopgørelserne, hvilket potentielt kan presse de frie pengestrømme og reducere kapaciteten til de aktietilbagekøb, som investorerne længe har været afhængige af.

En parallel bekymring er den voksende brug af special purpose vehicles (SPV'er) til at finansiere AI-infrastruktur. Store teknologiselskaber har struktureret mere end 120 milliarder dollar i datacentergæld gennem konkursbeskyttede SPV'er, der ligger uden for de konsoliderede balancer. Morgan Stanley forventer, at denne ikke-balanceførte finansieringsmekanisme kan nå op på 800 milliarder dollar i 2028. Disse selskaber opererer typisk med en tynd egenkapitalbuffer på 8% til 10%, er baseret på GPU-sikkerhed, der afskrives hurtigt, og har leasingvilkår så korte som fire år, sammenlignet med de traditionelle ti år eller mere.

Oracle-advarslen og stigende kreditspænd

Oracle er blevet et skoleeksempel på, hvor hurtigt forudsætningerne for AI-finansiering kan bryde sammen. I slutningen af 2025 brød selskabet med Blue Owl Capital om finansieringen af et datacenter i Michigan, hvilket afslørede skrøbeligheden i den ikke-balanceførte model. Oracle bærer en gæld på 124 milliarder dollar og leasingforpligtelser for 248 milliarder dollar, og markedets reaktion var hurtig – kreditten blev ompriset "med brutal hastighed," selv for en udsteder med investment grade-rating.

Den Internationale Betalingsbank (BIS) har observeret, at præmierne på credit default swaps (en slags forsikring mod konkurs) for hyperscalere med lavere kreditvurderinger allerede er steget, hvilket afspejler både den enorme mængde ny gæld og voksende usikkerhed om, hvorvidt AI-projekter vil generere et passende afkast. Det amerikanske finansielle stabilitetsråd (FSOC) og Bank of England har udtrykkeligt markeret ophobningen af ikke-balanceført AI-infrastrukturgæld som en potentiel systemisk sårbarhed.

Koncentrationsrisiko forværrer problemet. Meget af den SPV-baserede gæld er knyttet til datacentre med en enkelt aktivtype eller lejer. Hvis lejeren fejler, eller efterspørgslen svækkes, giver SPV-strukturen begrænset adgang til moderselskabets balance, hvilket skaber potentiale for kaskadetab. PIMCO har også påpeget den cirkulære natur i AI-finansiering, hvor leverandører som GPU-producenter yder kredit eller tager ejerandele i de samme SPV'er, som de leverer til, og dermed eksponerer sig for refinansieringsrisici, hvis kapitalmarkederne strammer.

Et boom med to fortællinger

AI-infrastrukturopbygningen er uden fortilfælde i både skala og hastighed. De fem største hyperscalere er på vej til at bruge tilsammen 755 milliarder dollar alene i 2026 – en stigning på 83% i forhold til året før. Morgan Stanley bemærker, at tallet på 800 milliarder dollar for 2026 nogenlunde svarer til, hvad hele den ikke-teknologiske del af S&P 500-indekset brugte på kapitaludgifter det foregående år.

Alligevel skaber de finansieringsstrukturer, der muliggør dette, deres egne risici. Den optimistiske fortælling hviler på en 24-dobling i efterspørgslen på tokens fra AI-agenter, som endnu ikke er blevet implementeret i stor skala. Det pessimistiske modargument, som artikuleres internt i Goldman Sachs selv, er, at afkastet indtil nu ikke retfærdiggør investeringen. Mellem disse to poler ligger de fysiske realiteter: et elnet, der ikke kan følge med, en arbejdsstyrke af faglærte, som ikke findes i tilstrækkeligt antal, og en skyggebog med forpligtelser for næsten tusind milliarder dollar, der snart forfalder – med konsekvenser, der rækker langt ud over teknologisektoren.