एआई इंफ्रास्ट्रक्चर का कर्ज: प्राइवेट क्रेडिट की अगली परीक्षा?

एआई सिर्फ सॉफ्टवेयर की कहानी नहीं है। इसके पीछे भारी-भरकम भौतिक ढांचा है: चिप, सर्वर, डेटा सेंटर, स्टोरेज, नेटवर्किंग और बिजली। Brandywine Global एआई compute buildout को hardware, software, networking, storage, data centers और GPUs तक फैला हुआ बताता है, और कहता है कि इस दौड़ ने credit markets, खासकर asset-backed securities, के लिए नया financing अवसर बनाया है .

मुद्दा यह है कि जरूरत इतनी बड़ी हो रही है कि उसे केवल कंपनियों के मौजूदा नकदी प्रवाह से पूरा करना कठिन है। Bank for International Settlements यानी BIS के अनुसार मौजूदा और अनुमानित एआई निवेश जरूरतों का पैमाना इतना बड़ा है कि कंपनियां operating cash flow से आगे बढ़कर debt financing की ओर जा रही हैं, और इसमें private credit की भूमिका तेजी से बढ़ रही है .

Apollo इस तस्वीर में transparency की कमी को और साफ करता है। उसके अनुसार public hyperscaler debt issuance एआई से जुड़े कुल credit formation को कम करके दिखाता है, क्योंकि इसमें traditional public bond markets के बाहर होने वाली बड़ी private financings शामिल नहीं होतीं . आसान भाषा में कहें तो headline bond numbers से यह नहीं पता चलता कि dedicated data-center capacity के पीछे कुल कितना leverage बन रहा है।

प्राइवेट क्रेडिट असली दबाव-बिंदु क्यों है

प्राइवेट क्रेडिट, यानी सार्वजनिक bond बाजार से बाहर negotiated private lending, बड़े और खास तरह के projects के लिए उपयोगी हो सकता है। लेकिन यही विशेषता उसे कम पारदर्शी भी बनाती है। जब financing bilateral loans, private funds या SPV के जरिए होती है, तो बाहर बैठे निवेशकों और नियामकों के लिए कुल exposure को समझना मुश्किल हो जाता है।

Quinn Emanuel के अनुसार technology companies ने AI infrastructure funding gap को भरने के लिए corporate bonds, private credit और off-balance-sheet SPVs का इस्तेमाल किया है, और दो साल से कम समय में $120 अरब से अधिक data-center spending को balance sheet से बाहर ले जाया गया है . उसी विश्लेषण में direct loans, SPV structures, securitizations और GPU-collateralized facilities को AI data-center boom से जुड़े प्रमुख financing mechanics के रूप में पहचाना गया है .

ये ढांचे अपने आप में गलत नहीं हैं। Project finance में risk को अलग करना सामान्य बात है। लेकिन सवाल कठिन हो जाते हैं: अंतिम जोखिम कौन उठा रहा है, collateral की असली कीमत क्या है, और कितना कर्ज भविष्य की एआई कमाई पर टिका है, न कि आज के मजबूत cash flow पर?

मुख्य असंतुलन: खर्च आज, कमाई कल

सबसे बड़ा credit risk timing का है। Quinn Emanuel की legal-risk analysis के अनुसार 2025 में एआई revenue करीब $60 अरब था, जबकि capital expenditures करीब $400 अरब थे . Cresset भी AI capex और realized revenue के बीच बढ़ती खाई की ओर इशारा करता है, और कहता है कि private credit अब AI growth को hard assets के बजाय projected revenue streams के आधार पर underwrite कर रहा है .

इससे यह साबित नहीं होता कि निवेश असफल होगा। लेकिन इसका मतलब है कि debt service भविष्य की utilization, pricing और monetization पर निर्भर हो सकता है। अगर lenders यह मानकर चलें कि AI demand, chip economics और refinancing markets सब कुछ बिना झटके के बढ़ेंगे, तो मामूली निराशा भी repricing शुरू कर सकती है।

किन ढांचों पर सबसे ज्यादा नजर रखनी चाहिए

हर AI infrastructure loan कमजोर नहीं है। जोखिम वहां अधिक है जहां debt service durable contracted cash flow के बजाय projections, collateral values या sponsor support पर बहुत ज्यादा निर्भर है।

• Off-balance-sheet SPV। SPV किसी खास project के लिए बनी अलग इकाई हो सकती है। यह project risk को अलग करती है, लेकिन sponsor exposure को कम स्पष्ट भी बना सकती है। Apollo ने Meta की Beignet structure को dedicated data-center capacity finance करने वाले special-purpose vehicle के उदाहरण के रूप में उद्धृत किया है, जबकि Quinn Emanuel off-balance-sheet SPVs को AI data-center financing mix का हिस्सा बताता है .
• GPU-backed और equipment-backed lending। Quinn Emanuel GPU-collateralized facilities को इस्तेमाल हो रहे structures में शामिल करता है . अगर borrower दबाव में आता है, तो recovery इस पर टिक सकती है कि equipment की economic value बची रहती है या नहीं, और उसे बेचा या refinance किया जा सकता है या नहीं।
• Securitization और asset-backed structures। Brandywine के अनुसार AI infrastructure credit-market opportunity बन रहा है, खासकर asset-backed securities के लिए; Quinn Emanuel भी AI data-center financing में securitizations की पहचान करता है .
• Data-center real estate और project finance। Chicago Fed के अनुसार एआई bank commercial real estate exposure में मुख्यतः data-center investments के जरिए आया है . वही एक tail-risk scenario भी बताता है जिसमें AI software borrowers पर stress निवेश घटा सकता है और data centers, energy companies तथा semiconductor manufacturers पर असर डाल सकता है .
• Nonbank leverage और funding fragility। S&P Global Ratings के 2026 liquidity outlook के सारांश में private credit को तेजी से बढ़ता funding source बताया गया है, और कहा गया है कि limited transparency तथा highly leveraged nonbank financial institutions में short-term funding पर निर्भरता financial fragility का स्रोत बन सकती है .

तनाव कैसे फैल सकता है

किसी stress cycle के लिए यह जरूरी नहीं कि एआई की मांग गायब हो जाए। तनाव वहां से शुरू हो सकता है जहां capex realized revenue से आगे चलता रहे और lenders को data centers तथा GPUs के लिए utilization assumptions, collateral values और refinancing terms पर दोबारा विचार करना पड़े .

Opacity इस तनाव को फैलाने वाला चैनल बन सकती है। अगर public debt issuance बड़े private financings को नहीं दिखाता, तो market को कुल AI-linked leverage की साफ तस्वीर तब तक नहीं मिलेगी जब तक projects refinancing के लिए न आएं, sponsors को और capital न डालना पड़े या defaults सामने न आने लगें . Banks भी पूरी तरह बाहर नहीं हैं: Chicago Fed के tail-risk scenario में AI software borrowers का stress data centers, energy और semiconductors तक knock-on effects पैदा कर सकता है .

यह अपने आप संकट क्यों नहीं है

उपलब्ध evidence vigilance का समर्थन करता है, inevitability का नहीं। BIS cash flow से debt की ओर shift दिखाता है, Apollo public issuance से बाहर छिपी private financing की ओर ध्यान दिलाता है, और Quinn Emanuel AI data centers से जुड़े complex financing structures की पहचान करता है . लेकिन इन बातों से अकेले यह साबित नहीं होता कि exposures इतने बड़े, leveraged और interconnected हैं कि पूरे financial system को खतरा हो।

फर्क underwriting में है। Durable contracted cash flows और मजबूत sponsors से backed debt अलग चीज है; projected AI revenue, collateral assumptions और आसान refinancing पर खड़ा debt अलग। Cresset की यह चेतावनी कि private credit कुछ AI growth को hard assets के बजाय projected revenue streams पर underwrite कर रहा है, इसी सीमा रेखा को दिखाती है .

किन warning signs पर नजर रखें

• AI capex का realized AI revenue से लगातार आगे निकलना .
• AI investment में operating cash flow के बजाय debt और private credit का बढ़ता हिस्सा .
• Public bond markets से बाहर private-credit और SPV financing का बढ़ना .
• AI infrastructure से जुड़े direct loans, securitizations, asset-backed securities और GPU-collateralized facilities का विस्तार .
• Contracted cash flow या hard assets के बजाय projected AI revenue पर underwriting .
• Data-center commercial real estate में bank exposure और energy या semiconductor lending में second-round effects .
• कम transparency वाले leveraged nonbank financial institutions में short-term funding का अधिक इस्तेमाल .

निचली बात

AI infrastructure debt प्राइवेट क्रेडिट का अगला बड़ा stress point बन सकता है। जोखिम सिर्फ यह नहीं है कि AI hype ठंडी पड़ जाए; जोखिम यह है कि लंबी उम्र वाले infrastructure और compute collateral को ऐसे opaque debt structures से finance किया जा रहा है जिनके पीछे revenue base अभी पूरी तरह साबित नहीं हुआ है .

इसलिए सही रुख सावधानी है, सनसनी नहीं। अगर AI usage और monetization आज के capex तक पहुंच जाते हैं, तो कई deals टिक सकती हैं। लेकिन अगर revenue उम्मीद से धीमा आता है, तो stress सबसे पहले उन जगहों पर दिखने की संभावना है जहां visibility सबसे कम है: private loans, SPVs, securitizations, GPU-backed facilities और data-center finance.