Hazard wart 1,4 biliona dolarów: Złudny blask AI i ukryte ryzyka, o których mówi Goldman Sachs

Dlaczego Goldman uważa konsensus rynkowy za zbyt zachowawczy

Rdzeniem argumentacji Goldmana jest twierdzenie, że obecne szacunki Wall Street zakładają nieprawdopodobne spowolnienie wzrostu wydatków. Konsensus na 2027 rok dla wydatków kapitałowych hiperskalerów wynosi około 920 miliardów dolarów, co oznaczałoby gwałtowne hamowanie po zawrotnym tempie z lat 2025 i 2026 . Goldman podważa to założenie, modelując scenariusz, w którym inwestycje w AI nadal pochłaniają od 2% do 3% PKB – co prowadzi do rocznych wydatków na poziomie bazowym 1,1 biliona dolarów, a w wariancie optymistycznym nawet 1,4 biliona .

Za tym modelem stoi przekonanie o rewolucji agentowej AI. W przeciwieństwie do chatbotów, które odpowiadają na pytanie i kończą pracę, agenci AI działają nieprzerwanie – wykonują wieloetapowe zadania, komunikują się z interfejsami API (API to mechanizmy pozwalające aplikacjom wymieniać się danymi) i prowadzą rozbudowane łańcuchy wnioskowania. Goldman spodziewa się, że to właśnie ciągłe działanie napędzi 24-krotny wzrost konsumpcji tokenów do 2030 roku . Każda interakcja agenta zużywa dramatycznie więcej mocy obliczeniowej, a ponieważ przedsiębiorstwa zaczynają wdrażać agentów na dużą skalę, krzywa popytu w niczym nie przypomina liniowych prognoz, na których opierają się modele konsensusu.

Prawdziwe wąskie gardła: prąd, pracownicy i fizyczne ograniczenia

Goldman Sachs jest zaskakująco bezpośredni w kwestii prawdziwych limitów. W swoim raporcie o zasilaniu ery AI bank stwierdza wprost: „brak kapitału nie jest najpilniejszym wąskim gardłem – jest nim energia potrzebna do jego napędzania” . Po dekadzie stagnacji zapotrzebowania na energię elektryczną, globalne zużycie prądu przez centra danych ma wzrosnąć o 160% do 2030 roku . Same Stany Zjednoczone stoją w obliczu szacowanego deficytu mocy na poziomie 45 gigawatów dla centrów danych do 2028 roku, co wymaga 72 gigawatów nowych mocy do 2030 roku – to odpowiednik mocy około 72 dużych elektrowni jądrowych .

Sieć energetyczna nie była projektowana z myślą o takiej przyszłości. Procedury przesyłowe i pozwolenia dla nowych elektrowni gazowych ciągną się od pięciu do siedmiu lat, energia wiatrowa i słoneczna zapewniają jedynie przerywane dostawy, a atom to rozwiązanie długoterminowe . Nowe turbiny spalinowe, będące końmi roboczymi niezawodnej generacji prądu, są praktycznie wyprzedane do 2030 roku .

Problem pracowników może okazać się najtrudniejszy do rozwiązania. Goldman szacuje, że do budowy fizycznej infrastruktury, jakiej wymaga AI, potrzeba około 760 tysięcy dodatkowych elektryków, monterów linii i innych fachowców, w tym 207 tysięcy specjalistycznych stanowisk wymagających trzech do czterech lat szkolenia . To nie są stanowiska, które Dolina Krzemowa może zautomatyzować lub zlecić za granicę – wymagają ludzi na miejscu, a niedobór oznacza, że harmonogramy projektów wydłużają się z każdym nowym gigawatem zapotrzebowania .

W swoim opracowaniu „Tracking Trillions” bank wprowadza pojęcie „ryzyka elongacji” (wydłużenia): kolejki do przyłączeń energetycznych, opóźnienia w wydawaniu pozwoleń i braki kluczowego sprzętu, jak transformatory i rozdzielnice, mogą znacznie wydłużyć czas budowy. W scenariuszach stresowych opóźnienia te sprzęgają się zwrotnie z wątpliwościami po stronie popytu, tworząc samonapędzający się cykl, w którym projekty trwają dłużej, a argumenty za budowaniem kolejnych słabną . Mimo to bazowe szacunki Goldmana przewidują około 7,6 biliona dolarów skumulowanych wydatków kapitałowych na AI w latach 2026–2031 .

Jak wypadają szacunki Morgan Stanley

Prognozy Morgan Stanley również przeszły dramatyczną korektę w górę. Rok temu firma szacowała łączne wydatki hiperskalerów na około 450 miliardów dolarów zarówno na 2026, jak i 2027 rok. Po raportach za pierwszy kwartał 2026 roku analitycy pod wodzą Briana Nowaka podnieśli te wartości do około 800 miliardów na 2026 i 1,2 biliona na 2027 rok .

Morgan Stanley prognozuje obecnie 1,16 biliona dolarów wydatków hiperskalerów w 2027 roku. Kwota ta przewyższa bazową prognozę Goldmana (ok. 1,1 biliona), ale jest niższa od górnej granicy 1,4 biliona dolarów podanej przez Goldmana . Do 2028 roku Morgan Stanley spodziewa się 2,9 biliona dolarów globalnych wydatków na centra danych, z czego 1,4 biliona ma być sfinansowane z przepływów pieniężnych hiperskalerów, a pozostała luka finansowa w wysokości 1,5 biliona dolarów musi zostać pokryta długiem, leasingiem i wspólnymi przedsięwzięciami .

Oba banki są zgodne, że wskaźniki wydatków do przychodów weszły na niezbadane terytorium. Morgan Stanley prognozuje wskaźniki na poziomie 34% do 39% w latach 2026–2028, co przekracza szczyt z ery dot-comów, wynoszący około 32%. Po uwzględnieniu leasingu wskaźniki te mogą wzrosnąć nawet do 44–45% .

Ukryta księga: leasing pozabilansowy i dług w spółkach celowych (SPV)

Pod powierzchnią szokujących liczb kryje się bardziej niepokojąca warstwa inżynierii finansowej. Moody's Ratings oszacował, że pięć największych amerykańskich hiperskalerów – Amazon, Meta, Alphabet, Microsoft i Oracle – ma 662 miliardy dolarów w przyszłych zobowiązaniach z tytułu leasingu centrów danych, które jeszcze się nie rozpoczęły . Zgodnie z Powszechnie Akceptowanymi Zasadami Rachunkowości (GAAP – amerykańskie standardy księgowe), zobowiązania te nie figurują jako bieżące długi, ponieważ usługi nie zostały jeszcze uruchomione. Siedzą one poza bilansem, widoczne głównie w przypisach .

Gdy zsumuje się wszystkie niezdyskontowane przyszłe zobowiązania leasingowe, kwota sięga szacunkowo 969 miliardów dolarów – to około 113% łącznego skorygowanego długu tych pięciu firm . W miarę jak te umowy leasingowe będą wchodzić w życie w ciągu najbliższych lat, zaczną one obciążać rachunki zysków i strat jako koszty operacyjne, potencjalnie zmniejszając wolne przepływy pieniężne i ograniczając możliwość skupu akcji własnych, na których tak długo polegali inwestorzy .

Równoległym problemem jest rosnące wykorzystanie spółek specjalnego przeznaczenia (Special Purpose Vehicles – SPV) do finansowania infrastruktury AI. Giganci technologiczni przenieśli ponad 120 miliardów dolarów długu związanego z centrami danych do oddzielonych od upadłości SPV, które znajdują się poza ich skonsolidowanymi bilansami . Morgan Stanley prognozuje, że ten pozabilansowy mechanizm finansowania może osiągnąć 800 miliardów dolarów do 2028 roku . Wehikuły te zazwyczaj działają z cienką poduszką kapitałową (8-10%), opierają się na zabezpieczeniu w postaci procesorów graficznych (GPU), które szybko tracą na wartości, i wiążą się z krótkimi, bo zaledwie czteroletnimi, okresami leasingu w porównaniu do tradycyjnych dziesięciu i więcej lat .

Sygnał ostrzegawczy Oracle i rosnące marże kredytowe

Oracle stał się studium przypadku tego, jak szybko mogą się rozsypać założenia dotyczące finansowania AI. Pod koniec 2025 roku firma zakończyła współpracę z Blue Owl Capital w sprawie finansowania centrum danych w Michigan, obnażając kruchość modelu pozabilansowego. Oracle dźwiga 124 miliardy dolarów długu i 248 miliardów zobowiązań leasingowych, a reakcja rynku była błyskawiczna – wycena kredytu została skorygowana „z brutalną prędkością”, nawet dla emitenta o ratingu inwestycyjnym .

Bank Rozrachunków Międzynarodowych (BIS) zauważył, że marże swapów ryzyka kredytowego (kosztów ubezpieczenia od niewypłacalności, tzw. CDS) dla hiperskalerów z niższymi ratingami już wzrosły, co odzwierciedla zarówno ogromną podaż długu, jak i rosnącą niepewność, czy projekty AI przyniosą odpowiednie zwroty . Amerykańska Rada Nadzoru Stabilności Finansowej (FSOC) i Bank Anglii wyraźnie wskazały akumulację pozabilansowego długu infrastrukturalnego związanego z AI jako potencjalne systemowe zagrożenie .

Problem pogłębia ryzyko koncentracji. Znaczna część długu w SPV jest powiązana z aktywami pojedynczego centrum danych lub najemcy. Jeśli najemca upadnie lub popyt osłabnie, struktura SPV daje ograniczony dostęp do bilansu spółki-matki, co stwarza możliwość kaskadowych strat . PIMCO również zwróciło uwagę na okrężny charakter finansowania AI, gdzie dostawcy, na przykład producenci procesorów graficznych, udzielają kredytów lub obejmują udziały kapitałowe w tych samych SPV, które zaopatrują, narażając się na ryzyko refinansowania, jeśli rynki kapitałowe się zacieśnią .

Boom o dwóch narracjach

Rozbudowa infrastruktury AI ma bezprecedensową skalę i tempo. Pięć największych hiperskalerów jest na dobrej drodze, by w samym 2026 roku wydać łącznie 755 miliardów dolarów – to wzrost o 83% rok do roku . Morgan Stanley zauważa, że kwota 800 miliardów dolarów na 2026 rok w przybliżeniu odpowiada temu, co cała grupa firm z indeksu S&P 500, niebędących spółkami technologicznymi, wydała na inwestycje rok wcześniej .

Jednak struktury finansowe, które to umożliwiają, same generują własne ryzyka. Optymistyczna narracja opiera się na 24-krotnym wzroście zapotrzebowania na tokeny ze strony agentów AI, którzy nie zostali jeszcze wdrożeni na masową skalę. Niedźwiedzi kontrapunkt, wyartykułowany wewnątrz samego Goldman Sachs, mówi, że dotychczasowe zwroty nie uzasadniają inwestycji . Pomiędzy tymi dwoma biegunami znajdują się realia fizyczne: sieć energetyczna, która nie nadąża, kadra techniczna, której zwyczajnie nie ma w wystarczającej liczbie, oraz ukryta księga prawie biliona dolarów w zobowiązaniach, które wkrótce staną się wymagalne, niosąc konsekwencje wykraczające daleko poza sektor technologiczny.