AnswersPublished16 sources
Goldman ostrzega przed taniejącymi tokenami AI. Co to znaczy dla chipów, chmur i centrów danych
Według danych Silicon Data koszt użycia modeli LLM spadł do 0,97 USD za milion tokenów po zniżce o 29% w sierpniu. Scenariusz spadkowy nie jest przesądzony: Goldman Sachs Research zakłada, że agenci AI mogą do 2030 r.
Opublikowane przezEdytowane za pomocą GPT-5.6 TerraObrazy wygenerowane za pomocą GPT Image 2
Research answer
Key takeaways
- Według danych Silicon Data koszt użycia modeli LLM spadł do 0,97 USD za milion tokenów po zniżce o 29% w sierpniu.
- Scenariusz spadkowy nie jest przesądzony: Goldman Sachs Research zakłada, że agenci AI mogą do 2030 r.
- Dla inwestorów ważniejsze od samej ceny tokena będą przychody z AI, rzeczywiste wykorzystanie serwerów i akceleratorów oraz obłożenie i zakontraktowana moc centrów danych.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How is Goldman Sachs’ warning that rapidly falling LLM token prices—down to about $0.97–$0.98 per million tokens after a 29% August decline. Article summary: Goldman’s warning implies a more selective, riskier outlook for AI-infrastructure investors: compute demand can grow sharply while the revenue earned per unit of compute falls even faster. If that happens, utilization, p. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
Szybki spadek cen inferencji AI — czyli wykonywania zapytań przez już wytrenowany model — może być świetną wiadomością dla użytkowników. Otwiera drogę do większej liczby aplikacji, eksperymentów i wdrożeń biznesowych. Dla firm finansujących układy, serwery, chmurę i centra danych jest to jednak bardziej złożona sytuacja.
Ostrzeżenie Goldman Sachs dotyczy rozjazdu w czasie: infrastruktura jest budowana z wieloletnim wyprzedzeniem, podczas gdy stawka za jednostkę użycia modelu może gwałtownie maleć. Indeks wydatków na tokeny LLM firmy Silicon Data spadł ostatnio do 0,97 USD za milion tokenów, po spadku o 29% w samym sierpniu. Osobny indeks cen czołowych modeli wskazuje poziom o 84% niższy niż w marcu 2023 r. 2
4
5
Jeżeli wzrost wykorzystania nie zrekompensuje tej deflacji cen, rynek może mieć zbyt dużo drogiej mocy obliczeniowej obsługującej mniej dochodowe zadania inferencyjne. Konsekwencje obejmowałyby cały łańcuch infrastruktury AI.
Kluczowa zależność: wolumen musi rosnąć szybciej niż spada cena
Niższa cena tokena sama w sobie nie jest negatywnym sygnałem. Tańsze AI może zwiększyć liczbę praktycznych zastosowań, zachęcić do testów i podnieść całkowite zużycie. Problem dla dostawców pojawia się wtedy, gdy wzrost płatnego wolumenu tokenów oraz poprawa efektywności operacyjnej nie nadążają za spadkiem przychodu przypadającego na token.
Jak wynika z relacji dotyczących noty Goldman Sachs, silna konkurencja cenowa między modelami może osłabić trwałość monetyzacji pojedynczego tokena. Jeżeli zużycie mocy obliczeniowej nie przyspieszy dostatecznie, efektem może być nadpodaż infrastruktury. 1
2
W praktyce oznacza to, że:
- tańsze AI służy użytkownikom, jeśli pozwala korzystać z wartościowych narzędzi mniejszym kosztem;
- tańsze AI może ciążyć właścicielom infrastruktury, jeśli inwestowali oni przy założeniu, że deficytowa moc obliczeniowa pozostanie droga;
- o wyniku zdecyduje elastyczność popytu — czyli to, czy obniżka cen wywoła wystarczająco duży wzrost użycia, aby utrzymać lub podnieść przychody i popyt na obliczenia.
Stawka jest wysoka, bo skala inwestycji jest ogromna
Ryzyko to pojawia się w trakcie bardzo dużej rozbudowy infrastruktury. Bazowy scenariusz Goldman Sachs zakłada około 7,6 bln USD nakładów kapitałowych związanych z AI w latach 2026–2031 — na moc obliczeniową, centra danych i energetykę. Model banku zakłada wzrost rocznych wydatków z około 765 mld USD w 2026 r. do 1,6 bln USD w 2031 r.; Goldman wyraźnie podkreśla, że są to szacunki wrażliwe na przyjęte założenia, a nie pewne prognozy. 9
Znaczna część tych nakładów trafia w aktywa o długim okresie użytkowania: akceleratory obliczeniowe, serwery, sieci, budynki centrów danych i infrastrukturę energetyczną. Aby inwestycje te się zwróciły, potrzebne są trwałe obciążenie systemów oraz rozsądna rentowność.
Co to oznacza dla producentów chipów
Dla dostawców półprzewodników spowolnienie wywołane presją cenową nie musi od razu oznaczać załamania popytu. Klienci mogą nadal rozbudowywać moce, rozwijać nowe produkty AI albo zabezpieczać dostęp do sprzętu.
Ryzyko rośnie, gdy uruchomiona pojemność zaczyna wyraźnie przewyższać rentowny popyt. Wtedy klienci mogą ograniczać zakupy akceleratorów i serwerów, silniej negocjować ceny lub wymagać lepszego stosunku wydajności do kosztu. Relatywnie lepiej chronione mogą być firmy z wyraźnie zróżnicowanym sprzętem, silnym ekosystemem oprogramowania albo energooszczędnymi rozwiązaniami do inferencji.
Najważniejsze pytanie brzmi więc nie tylko, czy sprzęt jest dostarczany, lecz czy zamienia się on w stale wykorzystywaną infrastrukturę obsługującą płatne obciążenia.
Centra danych: test wykorzystania mocy
Projekty centrów danych wymagają dużych i długoterminowych zobowiązań dotyczących gruntów, energii oraz obiektów technicznych. Jeżeli inferencja modeli stanie się tańsza lub bardziej wydajna, klienci mogą potrzebować mniej infrastruktury do uzyskania tej samej skali wyników aplikacji. To mogłoby wywierać presję na obłożenie, warunki najmu i stopę zwrotu z projektów powstających przy założeniu trwałego niedoboru mocy.
Nie oznacza to, że popyt na centra danych zniknie. Dostępność energii i techniczne wymogi wdrożeń AI nadal mogą ograniczać podaż. Niedobór w jednej lokalizacji lub na konkretnym rynku energii może jednak współistnieć ze słabszą ekonomią projektów gdzie indziej. Warto odróżniać fizyczną rzadkość zasobów od dowodów, że klienci wykorzystują pojemność rentownie oraz przedłużają lub zwiększają kontrakty.
Chmury i dostawcy modeli muszą zastąpić cenę wolumenem oraz wartością
Platformy chmurowe i dostawcy modeli mogą skorzystać na niższych cenach inferencji, bo większa dostępność przyciąga deweloperów i firmy. Jednocześnie każda obniżka zmniejsza przychód przypadający na jednostkę użycia.
Aby utrzymać marżę brutto, dostawcy potrzebują jednego lub kilku z trzech elementów:
- znacznie większego wolumenu tokenów wynikającego z powtarzalnego użycia produkcyjnego;
- wzrostu efektywności, który obniża ich koszty szybciej, niż spadają ceny dla klientów;
- usług o wyższej wartości wokół modeli, takich jak wdrożenie, bezpieczeństwo, integracja danych i narzędzia do automatyzacji procesów.
W opisywanym przez Goldman ryzyku kluczową rolę odgrywa konkurencja cenowa w modelach własnościowych. 1
2 Liczy się nie sama nominalna cena tokena, ale relacja między ceną dla klienta, kosztem po stronie dostawcy i łącznym płatnym wykorzystaniem.
Agenci AI są potencjalną przeciwwagą
Optymistyczny scenariusz opiera się na agentach AI, czyli systemach wykonujących zadania wieloetapowo. Mogą one zużywać znacznie więcej tokenów niż pojedyncza rozmowa z chatbotem. Goldman Sachs Research prognozuje, że wdrażanie takich agentów przez konsumentów i przedsiębiorstwa może zwiększyć miesięczne zużycie tokenów 24-krotnie w latach 2026–2030, do około 120 kwadrylionów tokenów miesięcznie. 7
To pokazuje, dlaczego spadające ceny tokenów nie muszą automatycznie oznaczać niższego zapotrzebowania na obliczenia. Jeśli agenci przejdą od demonstracji do częstego wykonywania wartościowych zadań, całkowite użycie może wzrosnąć na tyle, by uzasadnić rozbudowę infrastruktury.
Jest to jednak prognoza, a nie gwarancja. Teza inwestycyjna dla infrastruktury wymaga, by agenci generowali powtarzalne obciążenia, za które użytkownicy lub firmy będą skłonni płacić — a nie jedynie dużą liczbę tanich zapytań testowych.
Wskaźniki ważniejsze niż nagłówki o cenie tokena
Przy ocenie ryzyka nadpodaży mocy obliczeniowej warto śledzić kilka powiązanych wskaźników:
- wzrost przychodów z AI wobec spadku cen tokenów — czy łączna monetyzacja rośnie mimo niższej ceny jednostkowej;
- zamówienia na akceleratory i serwery wobec realnych wdrożeń — czy kupiona pojemność faktycznie pracuje;
- wykorzystanie centrów danych, zakontraktowana pojemność i odnowienia umów — czy popyt pozostaje trwały po uruchomieniu obiektów;
- marże brutto usług chmurowych — czy efektywność i usługi o wyższej wartości równoważą tańszą inferencję;
- produkcyjne wykorzystanie agentów — czy tworzą powtarzalne, istotne dla biznesu procesy, a nie tylko odosobnione pilotaże;
- dostępność energii — czy jest trwałym ograniczeniem dla użytecznej mocy, czy jedynie wąskim gardłem wyprzedzającym popyt.
Najważniejszy wniosek
Ostrzeżenie Goldman Sachs nie mówi, że niższe ceny tokenów LLM są z definicji złe. Tańsza inferencja może właśnie odblokować szerszą adopcję AI. Ryzyko polega na tym, że deflacja cen i poprawa wydajności modeli obniżą przychody oraz potrzebną moc obliczeniową szybciej, niż wzrośnie użycie napędzane przez agentów.
Dla inwestorów w infrastrukturę AI oznacza to przejście od prostej historii o rozbudowie mocy do testu jej wykorzystania i monetyzacji. Najodporniejsze mogą okazać się firmy, które potrafią przełożyć tańsze tokeny na trwałe, wartościowe obciążenia, zachowując przewagę kosztową, wydajnościową lub usługową. 1
7
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Goldman ostrzega przed taniejącymi tokenami AI. Co to znaczy dla chipów, chmur i centrów danych"?
Według danych Silicon Data koszt użycia modeli LLM spadł do 0,97 USD za milion tokenów po zniżce o 29% w sierpniu.
What are the key points to validate first?
Według danych Silicon Data koszt użycia modeli LLM spadł do 0,97 USD za milion tokenów po zniżce o 29% w sierpniu. Scenariusz spadkowy nie jest przesądzony: Goldman Sachs Research zakłada, że agenci AI mogą do 2030 r.
What should I do next in practice?
Dla inwestorów ważniejsze od samej ceny tokena będą przychody z AI, rzeczywiste wykorzystanie serwerów i akceleratorów oraz obłożenie i zakontraktowana moc centrów danych.