AI tanieje, ale infrastruktura drożeje. Nadchodzi gospodarka wąskich gardeł

Gospodarka sztucznej inteligencji rozdziela się na dwie części. Sama „inteligencja” — mierzona kosztem uruchamiania modeli i przetwarzania tokenów — gwałtownie tanieje. Jednocześnie coraz droższe i trudniej dostępne stają się elementy potrzebne do dostarczania tej inteligencji: zaawansowane chipy, pamięci o dużej przepustowości, serwery, sieci, energia oraz powierzchnia w centrach danych.

To nie jest wyłącznie historia o cenach. Ta rozbieżność przesuwa marże, zmienia sposób oceny inwestycji w AI i może wskazać miejsca, w których gromadzi się ryzyko kredytowe. Największymi zwycięzcami nie muszą być firmy sprzedające najwięcej tokenów. Większą przewagę mogą zyskać te, które kontrolują deficytową infrastrukturę, mają własne dane, silną dystrybucję albo oprogramowanie powiązane z mierzalnym wynikiem biznesowym.

Wojna cenowa przenosi wartość poza tokeny

Według niektórych szacunków koszt uzyskania porównywalnego poziomu wnioskowania AI spadł w ciągu około dwóch lat o mniej więcej 95%. Dokładna skala zależy od modeli, zadań i jakości uwzględnionej w porównaniu, ale kierunek zmian jest jednoznaczny: możliwości, za które wcześniej pobierano wysokie opłaty API, są coraz częściej dostępne w tańszych modelach i rozwiązaniach z otwartymi wagami. 39

Presję cenową dobrze pokazują ostatnie decyzje OpenAI. W lipcu 2026 r. firma obniżyła cenę mniejszego modelu GPT-5.6 Luna o 80%, a modelu średniej klasy Terra o 20%. W sierpniu zapowiedziała kolejną, przekraczającą 20%, obniżkę ceny frontierowego modelu GPT-5.6 Sol dla deweloperów. 3433

Dla użytkowników to dobra wiadomość. Tańsze wnioskowanie ułatwia wdrażanie agentów, automatyzację obsługi klienta, generowanie treści, programowanie i analizę większych zbiorów danych. Dla dostawców modeli każda obniżka oznacza jednak mniejszy przychód z pojedynczego użycia — chyba że wzrost wolumenu zdoła tę różnicę zrekompensować.

Kluczowe jest rozróżnienie między tańszą inteligencją a tańszymi systemami AI. Spadająca cena tokenów nie oznacza, że tanieje cały produkt. Wydatki na wyszukiwanie danych, monitoring, bezpieczeństwo, integrację, niskie opóźnienia, kontrolę jakości i pracę człowieka nadal mogą być znaczące.

Fizyczny łańcuch dostaw idzie w przeciwnym kierunku

Infrastruktura potrzebna do obsługi rosnącej liczby zadań AI nie przyrasta tak szybko jak popyt. Samsung miał podnieść ceny wybranych zaawansowanych usług produkcji kontraktowej chipów nawet o 15% przy nowych zamówieniach, ponieważ popyt na układy AI zwiększa presję na moce produkcyjne. 1

Samsung sygnalizował również, że niedobory chipów mogą się pogłębiać i utrzymać do 2028 r. Firma zawiera wieloletnie porozumienia z dużymi operatorami centrów danych, aby zabezpieczyć przyszłą podaż. 2 W jej biznesie pamięci rozważany jest model, w którym po zakończeniu negocjacji umowami długoterminowymi objęte byłoby około 60–70% mocy produkcyjnych. 56

To zmienia charakter rynku. Moc produkcyjna nie jest już po prostu dostępna dla tego, kto zaoferuje najwyższą cenę w danym kwartale. Najwięksi klienci rezerwują dostawy z wieloletnim wyprzedzeniem. Zyskują w ten sposób większą pewność, ale mniejsi odbiorcy stają się bardziej podatni na niedobory i wahania cen.

Szczególnie napięta jest sytuacja na rynku pamięci. Kwak Noh-jung, prezes SK Hynix, ocenił, że 2027 r. może być najgorszym rokiem dla podaży pamięci w historii branży, a popyt może przewyższać możliwości produkcyjne także po 2030 r. To prognoza przedsiębiorstwa, a nie pewny scenariusz, ale pokazuje, jak długo może trwać reakcja podaży. 17

Nvidia pokazuje, że infrastruktura nadal ma siłę cenową

Najnowsze wyniki Nvidii wskazują, że spadek cen modeli nie osłabił jeszcze popytu na warstwę sprzętową. W II kwartale roku fiskalnego 2027 firma osiągnęła 96,2 mld dolarów przychodów, o 106% więcej niż rok wcześniej. Przychody z centrów danych wyniosły 89 mld dolarów i były wyższe o 117% rok do roku. 4950

To centralne napięcie rynku AI. Wydajniejsze modele mogą ograniczyć ilość mocy obliczeniowej potrzebnej do wykonania konkretnego zadania, ale niższe ceny mogą jednocześnie wywołać ogromny wzrost wykorzystania. Jeśli popyt rośnie szybciej niż efektywność, całkowite zużycie infrastruktury nadal będzie się zwiększać, nawet gdy koszt pojedynczego zapytania spada.

Wąskie gardła mogą po prostu przenosić się w inne miejsce. Dostępne akceleratory nie wystarczą, jeśli zabraknie pamięci, zaawansowanego pakowania układów, przepustowości sieci, energii albo przyłączy do sieci elektroenergetycznej.

Nvidia zaraportowała marżę brutto na poziomie 75%. Jednocześnie rosnące ceny pamięci mogą w przyszłości wywierać presję na marże firmy. 4953 Wniosek nie brzmi więc: „ekonomia infrastruktury AI się załamała”. Raczej: silny popyt nie gwarantuje, że każdy element łańcucha dostaw będzie równie rentowny.

Najwięksi operatorzy chmury mogą amortyzować szok — do pewnego momentu

Największe firmy chmurowe są lepiej przygotowane niż mali dostawcy AI do zarządzania rozbieżnością między spadającymi cenami usług a rosnącymi kosztami infrastruktury. Mogą rozkładać inwestycje na chmurę, reklamę, oprogramowanie dla przedsiębiorstw i platformy konsumenckie. Mogą też łączyć usługi AI z większymi umowami, wykorzystywać własną dystrybucję i negocjować wieloletnie kontrakty na dostawy.

To czyni hyperscalerów najbardziej prawdopodobnymi amortyzatorami całego sektora. Mogą zaakceptować niższe marże na usługach AI, aby utrzymać relacje z klientami chmurowymi lub zdobyć udział w rynku. Ceną będzie jednak efektywność kapitałowa. Jeśli ceny spadną szybciej, niż wzrośnie wykorzystanie, zwrot z ogromnych inwestycji w centra danych może pojawić się później.

Dla mniejszych dostawców sytuacja jest znacznie trudniejsza. Firma, która wynajmuje drogą moc obliczeniową i odsprzedaje ogólny dostęp do modeli, ma niewielką ochronę, jeśli ceny API spadną szybciej niż rośnie jej baza klientów.

Trwalsze przewagi będą prawdopodobnie wynikać z:

• integracji z konkretnymi procesami i danymi przedsiębiorstwa;
• silnego kanału dystrybucji;
• bezpieczeństwa, niezawodności lub przewagi regulacyjnej;
• cen powiązanych z osiągniętym rezultatem, a nie liczbą tokenów.

Tańsze modele nie gwarantują szybkiego wzrostu produktywności

Niższe ceny powinny zachęcać firmy do eksperymentowania i wdrażania AI, ale samo wdrożenie nie jest jeszcze wartością ekonomiczną. Przedsiębiorstwa nadal muszą przebudować procesy, uporządkować dane, zintegrować systemy, przeszkolić pracowników i wprowadzić mechanizmy kontroli.

Dla inwestorów oznacza to ryzyko opóźnienia. Wydatki mogą rosnąć szybciej niż mierzalne korzyści — zwłaszcza gdy firmy kupują moc obliczeniową lub oprogramowanie dlatego, że robią to konkurenci. Jeżeli wzrost produktywności przyjdzie później, niż zakładano, zobowiązania infrastrukturalne pozostaną stałe, a prognozy przychodów z AI mogą zostać obniżone.

Możliwy jest zarówno scenariusz wzrostowy, jak i spadkowy. W pierwszym znacznie tańsze wnioskowanie prowadzi do tak dużego wzrostu wykorzystania, że całkowite wydatki na AI, przychody chmury i produktywność nadal rosną. W drugim ceny modeli załamują się szybciej niż wolumen, a część projektów centrów danych przynosi słabsze zwroty, niż zakładały plany finansowania.

Rynek kredytowy będzie patrzył na zakontraktowany popyt

Rozbudowa AI stała się również kwestią kredytową. Centra danych, przejęcia infrastrukturalne i zobowiązania wobec producentów komponentów wymagają dużego kapitału, często finansowanego długoterminowym długiem.

Zadłużenie jest łatwiejsze do obrony, gdy stoi za nim wiarygodny klient z wieloletnim kontraktem i przewidywalnym wykorzystaniem. Ryzyko rośnie, gdy spłata zależy głównie od spekulacyjnego przyszłego popytu.

Niższe ceny AI, wolniejszy wzrost wykorzystania, droższa energia lub niedobory komponentów mogą osłabić przepływy pieniężne projektu. Większa część długu podporządkowanego albo rosnące koszty ubezpieczenia kredytowego wskazywałyby, że kredytodawcy żądają większej premii za ryzyko spadku. Nie oznaczałoby to automatycznie, że kryzys kredytowy jest blisko. Zwiększałoby jednak znaczenie jakości kontraktów i odporności przepływów pieniężnych.

Skutki dla gospodarki będą mieszane

AI może działać dezinflacyjnie w usługach cyfrowych. Tańsze wnioskowanie może obniżać koszty programowania, analityki, obsługi klienta, produkcji treści i części pracy administracyjnej. Oszczędności trafią do firm i konsumentów, jeśli konkurencja zmusi dostawców do ich przekazania.

Rozbudowa infrastruktury może jednak działać w przeciwną stronę. Deficytowe pamięci, zaawansowane chipy, serwery, grunty, moce budowlane, energia i przyłącza do sieci mogą drożeć. W krótkim terminie możliwe jest więc jednoczesne tanienie usług cyfrowych wspieranych przez AI i wzrost cen dóbr kapitałowych oraz energii potrzebnych do ich dostarczania.

Nie powstanie jeden uniwersalny efekt „inflacji AI” albo „deflacji AI”. Rezultat będzie zależał od tego, czy wzrost efektywności rozprzestrzeni się szybciej niż wąskie gardła oraz czy przedsiębiorstwa przekażą oszczędności klientom, czy zatrzymają je jako marżę.

Łańcuchy dostaw stają się aktywami strategicznymi

Wieloletnie rezerwacje mocy produkcyjnych zwiększają geopolityczne znaczenie półprzewodników. Samsung i SK Hynix mają większą siłę negocjacyjną w segmencie pamięci, natomiast zaawansowana logika i pakowanie układów pozostają skoncentrowane u niewielkiej liczby dostawców i w ograniczonej liczbie regionów.

Gdy moc produkcyjna jest zakontraktowana na lata, większe znaczenie mają kontrola eksportu, subsydia i zakłócenia regionalne. Podaży nie da się szybko przekierować do innego odbiorcy.

Chińscy producenci pamięci mogą znaleźć nowe możliwości w mniej restrykcyjnych segmentach rynku. Nadrobienie dystansu w zaawansowanych pamięciach HBM i innych komponentach kluczowych dla AI jest jednak trudniejsze. Certyfikacja klientów, wymogi niezawodności, złożoność technologiczna, ograniczenia eksportowe i zasady zakupowe mogą ograniczać tempo zdobywania udziałów przez alternatywnych dostawców.

Kto zapłaci za różnicę?

Najważniejsze pytanie brzmi: kto przejmie koszt rozbieżności między tańszym korzystaniem z AI a droższą produkcją infrastruktury? Możliwych jest kilka odpowiedzi:

• Hyperscalerzy mogą zaakceptować niższe marże, wykorzystując AI do obrony szerszego ekosystemu.
• Producenci chipów i pamięci mogą utrzymywać ceny dzięki deficytowej podaży.
• Inwestorzy mogą ponieść koszt w postaci niższych zwrotów z inwestycji w infrastrukturę AI.
• Kredytodawcy mogą żądać wyższych spreadów albo ponosić straty, jeśli projekty zostaną nadmiernie zadłużone.
• Klienci mogą zapłacić więcej, jeśli dostawcom uda się zamienić koszty infrastruktury w produkty o wyższej wartości, rozliczane za efekt.

Najbardziej prawdopodobny jest w krótkim terminie miks pierwszych trzech scenariuszy. Dostęp do AI będzie nadal taniał, ale infrastruktura potrzebna do jego zapewnienia pozostanie droga, dopóki podaż nie nadąży za popytem — albo dopóki popyt nie okaże się zbyt słaby, by uzasadnić już podjęte zobowiązania.

Wniosek strategiczny jest prosty: spadające ceny tokenów nie kończą historii inwestycji w AI. Są testem tego, gdzie znajduje się trwała wartość, gdy sama inteligencja staje się powszechna, a maszyny, pamięć, energia i dystrybucja potrzebne do jej wykorzystania pozostają rzadkie.