AI-boomen låner penger – og obligasjonsmarkedet må absorbere regningen

AI-infrastruktur er i ferd med å bli like mye en historie om kredittmarkeder som om teknologi. Morgan Stanley anslo at global utstedelse av AI-relatert gjeld nådde rundt 236 milliarder dollar innen 31. mai 2026 – omtrent fire ganger nivået i samme periode året før – og spådde nær 570 milliarder dollar for hele året. Goldman Sachs anslo senere at utstedelsen var på rundt 489 milliarder dollar per 22. juli, allerede mer enn beløpet banken anslo for hele 2025.

Tallene motsier ikke nødvendigvis hverandre. De bygger på ulike datoer og beregningsmetoder. Samlet viser de hvor raskt finansieringen av datasentre, datakapasitet, strømforsyning og annen AI-infrastruktur har flyttet inn i både offentlige og private kredittmarkeder.

Teknologigigantene står bak hovedtyngden

De viktigste låntakerne er Amazon, Alphabet, Meta, Microsoft og Oracle – selskaper som ofte omtales som «hyperskalere» fordi de driver enorme sky- og dataplattformer.

Amazon, Alphabet, Meta og Oracle hadde til sammen utstedt rundt 194 milliarder dollar i obligasjoner i 2026 frem til 7. juli, mot omtrent 108 milliarder dollar gjennom hele 2025, ifølge en Reuters-analyse av LSEG-data.

En senere oversikt på selskapsnivå anslo omtrent:

• Amazon: 53 milliarder dollar i gjeld, inkludert en amerikansk obligasjonsutstedelse på 37 milliarder dollar og mer enn 16 milliarder dollar i euroobligasjoner.
• Alphabet: rundt 20 milliarder dollar i obligasjoner.
• Oracle: rundt 25 milliarder dollar hentet inn til AI-satsingen.

Slike selskapsvise tall avhenger av skjæringstidspunktet og av hva som regnes som AI-relatert finansiering. Obligasjoner, leasingavtaler, private kredittavtaler, joint ventures og prosjektfinansiering havner ikke alltid i sammenlignbare datasett. Tallene bør derfor leses som øyeblikksbilder, ikke som en endelig rangering.

Hvorfor låner kontantsterke selskaper?

Skiftet er oppsiktsvekkende fordi teknologiselskapene historisk har finansiert mye av investeringene med egen kontantstrøm. AI-infrastruktur krever imidlertid mange store investeringer samtidig: avanserte prosessorer, nettverksutstyr, tomter, datasenterbygg, kjøleanlegg og tilgang til strøm.

Kostnadene kommer lenge før det er sikkert hvor raskt inntektene fra AI-produkter og skytjenester vil vokse. Reuters rapporterte at de samlede investeringene i teknologisektoren ventet å overstige 730 milliarder dollar i 2026, opp fra et tidligere anslag på rundt 700 milliarder dollar.

Gjeld gjør det mulig for selskapene å starte byggingen og sikre kapasitet før fremtidige AI-inntekter er fullt realisert. Leasing, egenkapital, private kredittfond, infrastrukturfond og joint ventures utvider finansieringsbasen ytterligere.

Prisen er at mer av gjennomføringsrisikoen flyttes fra selskapenes egne kontantbeholdninger til obligasjonseiere, långivere og investorer i prosjektene.

Mer obligasjonsgjeld gir et nytt press i kredittmarkedet

Den umiddelbare effekten er en kraftig økning i tilbudet av langsiktige obligasjoner fra selskaper med såkalt «investment grade»-kredittkvalitet. Når flere teknologiselskaper utsteder gjeld, må investorene bli mer selektive med hensyn til hvor mye de vil kjøpe – og hvilken rente de krever.

Reuters rapporterte at store utstedere måtte låne til stadig høyere renter etter hvert som etterspørselen kjølnet. Det kan få følger langt utenfor de største teknologiselskapene. Mange selskaper konkurrerer om de samme investorene som er opptatt av langsiktig løpetid og kredittkvalitet.

En flom av ny teknologigjeld kan dermed føre til:

• høyere avkastningskrav;
• større kredittpåslag;
• større rabatt eller «konsesjon» på nye obligasjonslån;
• dyrere refinansiering; og
• mer bruk av euro- og andre valutaobligasjoner, private lån og finansiering utenfor morselskapets balanse.

Effekten på amerikanske statsrenter er mer indirekte. Stor selskapsutstedelse kan øke konkurransen om kapital med lang løpetid og bidra til press oppover på lange renter. Men statsrentene bestemmes først og fremst av makroøkonomiske forhold, inflasjonsforventninger, pengepolitikk og statens lånebehov. AI-låneboomen er derfor en ekstra faktor i etterspørselen etter langsiktig kapital – ikke en selvstendig forklaring på bevegelser i statsrentemarkedet.

Bank for International Settlements, sentralbankenes internasjonale samarbeidsorgan, har også pekt på at obligasjonsutstedelsen fra hyperskalere har økt kraftig, at mye av gjelden har lang løpetid, og at kredittforsikringspåslagene har steget særlig for selskaper med lavere kredittvurdering. Det gjenspeiler investorers usikkerhet om den endelige lønnsomheten i prosjektene.

NVIDIA åpner en ny finansieringskanal

NVIDIA kunngjorde i august samarbeid med Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs og KKR. Målet er å etablere uavhengige finansieringsplattformer for datakapasitet som over tid kan mobilisere mer enn 500 milliarder dollar i tredjepartskapital.

Modellen skiller seg fra at NVIDIA eller en skyleverandør ganske enkelt utsteder enda en selskapsobligasjon. Tanken er at eksterne investorer skal kunne finansiere datasentre, kraftinfrastruktur, AI-fabrikker og NVIDIA-utstyr gjennom dedikerte kapitalpooler.

NVIDIA beskriver dette som et forsøk på å gjøre datakapasitet og komplett AI-infrastruktur til en investerbar aktivaklasse. Dersom modellen lykkes, kan en mindre del av infrastrukturen måtte ligge direkte på hyperskalernes balanser.

Det kan samtidig knytte AI-prosjekter tettere til private equity, private kredittfond, infrastrukturfond og prosjektfinansiering. Men risikoen forsvinner ikke fordi eiendelene flyttes ut av morselskapet. Den skifter bare eier. Spørsmålene blir da hvem som eier anleggene, hvem som låner pengene, og hvem som tar tapet dersom kapasitetsutnyttelsen eller inntektene blir lavere enn ventet.

Risikoene investorene følger med på

1. Høyere lange renter kan gjøre utbyggingen dyrere

Når lange amerikanske statsrenter stiger, øker den samlede finansieringskostnaden for selskapsobligasjoner, leasing og prosjektgjeld. Samtidig faller nåverdien av kontantstrømmer som ligger langt frem i tid.

En forretningsmodell som ser attraktiv ut når finansieringen er billig, kan derfor bli mindre overbevisende når prosjektene må bære høyere rentekostnader.

2. AI-inntektene kan komme etter at gjelden er tatt opp

Infrastruktur finansieres ofte flere år før et anlegg er fullt utnyttet. Det skaper en tidsrisiko: Gjeldsbetjeningen starter etter en fast plan, mens etterspørselen etter datakapasitet og inntektene fra AI-tjenester kan utvikle seg saktere.

Det avgjørende spørsmålet er derfor ikke om hyperskalere fortsatt kan låne. Mange har betydelig finansiell kapasitet. Spørsmålet er om den samlede gjeldsveksten blir større enn den varige etterspørselen etter AI-tjenester og kontantstrømmen disse tjenestene skaper.

3. Oracle viser hvordan kredittbekymring kan bli selskapsspesifikk

Oracle følges tett fordi selskapet finansierer en aggressiv AI-ekspansjon og samtidig er mer følsomt for gjeldsgrad og refinansieringsvilkår enn de mest kontantsterke konkurrentene. Rapporter har beskrevet en tydelig økning i Oracles kredittbyttepåslag, såkalte CDS-spreader, selv om nivåene varierer med kilde og dato.

En høyere CDS-spread betyr ikke at mislighold er nært forestående. Den viser at det har blitt dyrere å forsikre selskapets gjeld, og at investorene krever mer kompensasjon for den opplevde kredittrisikoen.

4. GPU-er kan skape et misforhold mellom eiendeler og gjeld

AI-brikker kan miste økonomisk verdi raskere enn obligasjonene eller infrastruktur-lånene som finansierte dem, forfaller. Hvis nye prosessorgenerasjoner gjør eksisterende GPU-er mindre konkurransedyktige, eller hvis bruken faller, kan verdien av sikkerheten synke mens gjelden består.

Dette er en annen type risiko enn i tradisjonell eiendomsfinansiering. En datasenterbygning kan være nyttig i mange år, mens datamaskinutstyret inne i bygningen kan bli teknologisk utdatert langt raskere.

5. Prosjektene kan være avhengige av få leietakere

Datasentre og prosjektfinansierte anlegg kan ha en konsentrert kundebase med bare noen få hyperskalere. En utgiftsbrems, reforhandling av kontrakter eller svakere etterspørsel etter sky- og AI-tjenester hos én stor kunde kan dermed ramme flere prosjekter samtidig.

6. Kapasiteten i kredittmarkedet kan bli flaskehalsen

De største teknologiselskapene kan trolig øke gjelden betydelig uten umiddelbart å miste «investment grade»-status. Men obligasjonsmarkedets evne til å absorbere all denne gjelden til gunstige priser er ikke ubegrenset.

Goldman Sachs-forskning omtalt i materialet har pekt på et mulig gap mellom hvor mye hyperskalere kan låne, og hvor mye det amerikanske markedet for selskapsobligasjoner med høy kredittkvalitet komfortabelt kan ta imot.

Det bidrar til å forklare hvorfor selskapene søker flere finansieringskanaler: euro- og andre utenlandske obligasjoner, private lån med høy kredittkvalitet, infrastrukturfond, leasing og prosjektobligasjoner i joint ventures.

Disse kanalene sprer finansieringen, men kan også gjøre det vanskeligere å se den samlede gjeldsbelastningen i AI-økosystemet.

Konklusjonen

AI-låneboomen har endret finansieringsmodellen for utbyggingen. Det som startet som et teknologiløft i stor grad finansiert med selskapskontanter, er blitt en bred kapitalmarkedsbølge med offentlige obligasjoner, private lån, infrastrukturfond, leasing og prosjektfinansiering.

Den tydeligste kortsiktige markedseffekten er større tilbud av obligasjoner med høy kredittkvalitet og mer kresne investorer. Den langsiktige risikoen er et misforhold mellom eiendeler og gjeld: Infrastruktur og maskinvare finansieres i dag mot AI-etterspørsel og inntekter som kommer senere – eller ikke når forventet nivå.

Skillet går mellom en produktiv infrastruktursyklus og en gjeldsdrevet vekstsyklus. Lånefinansieringen er bærekraftig dersom kapasitetsutnyttelse, priser og inntekter fra AI-tjenester øker før teknologisk verdifall og gjeldsbetjening blir en begrensning. Den blir sårbar dersom kapasiteten bygges ut raskere enn den varige etterspørselen.