AI:s dolda skuldkris: Kan infrastrukturboomen på 1,4 biljoner dollar sluta i en systemkollaps?

Siffrorna bakom AI-infrastrukturboomen blir allt svårare att ignorera. I en analys från juni 2026 lade Goldman Sachs strateg Ryan Hammond fram ett optimistiskt scenario där hyperscalers samlade kapitalutgifter kan nå svindlande 1,4 biljoner dollar år 2027 – en siffra som fullständigt överskuggar Wall Streets konsensus på 920 miljarder dollar . Motorn i denna prognos är en beräknad 24-faldig ökning av den globala token-konsumtionen fram till 2030, driven av framväxten av avancerade AI-agenter som är långt mer beräkningshungriga än dagens chattbottar . Goldman Sachs kapitalförvaltningsarm uppskattar att dessa agentsystem är 60 till 130 gånger mer energiintensiva än dagens AI-verktyg .

Bankens analys är dock mer komplex än en enkel tillväxthistoria. Samma firma som publicerar det optimistiska scenariot huserar också skeptiker. Jim Covello, senioranalytiker på Goldman Sachs Research, har varnat för att "AI:s ekonomi är mer ifrågasatt idag än för två år sedan" och påpekar att varken företagsköpare, modellbolag eller hyperscalers har kunnat visa meningsfull avkastning på sina massiva investeringar . Spänningen mellan exploderande efterfrågeprognoser och osäker lönsamhet är själva kärnan i denna kapitalcykel.

Varför Goldman Sachs tror att konsensus är för lågt

Kärnan i Goldmans argument är att nuvarande Wall Street-estimat innebär en osannolikt kraftig inbromsning av investeringstakten. Konsensus för hyperscalers capex år 2027 ligger på cirka 920 miljarder dollar, vilket skulle innebära en dramatisk nedväxling från den rasande takten under 2025 och 2026 . Goldman utmanar detta antagande genom att modellera vad som händer om AI-investeringarna fortsätter att utgöra 2 till 3 procent av BNP – ett scenario som driver de årliga utgifterna mot en baslinje på 1,1 biljoner dollar och så högt som 1,4 biljoner i ett optimistiskt fall .

Bakom modellen ligger ett vad på agentisk AI. Till skillnad från enkla chattbottar som svarar på en fråga och sedan stannar, arbetar AI-agenter kontinuerligt – de utför flerstegsuppgifter, anropar API:er och resonerar i utsträckta tankekedjor. Goldman förväntar sig att detta ständigt pågående beteende kommer att driva en 24-faldig ökning av token-konsumtionen till 2030 . Varje agentinteraktion förbrukar dramatiskt mycket mer beräkningskraft, och i takt med att företag börjar driftsätta agenter i stor skala ser efterfrågekurvan inte alls ut som de linjära tillväxtmodeller som ligger till grund för konsensusestimaten.

De verkliga flaskhalsarna: El, arbetskraft och fysiska begränsningar

Goldman Sachs är anmärkningsvärt rakt på sak om var de verkliga gränserna går. I sin rapport om att förse AI-eran med kraft slår banken fast: "brist på kapital är inte den mest akuta flaskhalsen – det är kraften som krävs för att driva den" . Efter ett decennium av stillastående efterfrågan på el förväntas den globala strömförbrukningen för datacenter öka med 160 procent fram till 2030 . Bara USA står inför ett beräknat underskott på 45 gigawatt för datacenter till 2028, vilket kräver 72 gigawatt ny kapacitet fram till 2030 – motsvarande ungefär 72 stora kärnkraftverk .

Elnätet byggdes inte för denna framtid. Tillstånds- och byggtiderna för nya naturgasanläggningar sträcker sig över fem till sju år, vind- och solkraft ger bara intermittent ström som det ser ut idag, och kärnkraft är en långsiktig lösning . Nya gasturbiner, som är arbetshästarna inom tillförlitlig kraftproduktion, är i praktiken slutsålda fram till 2030 .

Arbetskraften kan visa sig vara den svåraste begränsningen av alla. Goldman uppskattar att cirka 760 000 ytterligare elektriker, linjemontörer och yrkesarbetare behövs för att bygga den fysiska infrastruktur som AI kräver, varav 207 000 är specialiserade roller som kräver tre till fyra års utbildning . Det här är inte jobb som Silicon Valley kan automatisera eller flytta utomlands – de kräver folk på plats, och bristen innebär att projekttiderna förlängs för varje ny gigawatt efterfrågan .

Bankens rapport "Tracking Trillions" introducerar begreppet "förlängningsrisk": köer för elnätsanslutning, tillståndsförseningar och brist på kritisk utrustning som transformatorer och ställverk kan dra ut på byggtiderna långt bortom ursprungliga planer. I stresscenarier slår dessa förseningar tillbaka mot efterfrågesidan och skapar en självförstärkande cykel där projekt tar längre tid och argumenten för att bygga mer försvagas . Trots detta räknar Goldmans baslinjeestimat med ungefär 7,6 biljoner dollar i ackumulerade AI-kapitalutgifter mellan 2026 och 2031 .

Jämförelse med Morgan Stanleys estimat

Morgan Stanleys prognoser har genomgått en egen dramatisk upprevidering. För ett år sedan uppskattade firman de kombinerade hyperscaler-utgifterna till ungefär 450 miljarder dollar för både 2026 och 2027. Efter första kvartalets rapporter 2026 höjde analytiker under ledning av Brian Nowak dessa siffror till cirka 800 miljarder dollar för 2026 och 1,2 biljoner dollar för 2027 .

Morgan Stanley förutspår nu 1,16 biljoner dollar i hyperscaler capex för 2027, en siffra som överstiger Goldmans baslinje på cirka 1,1 biljoner dollar men hamnar under Goldmans övre intervall på 1,4 biljoner . Fram till 2028 förväntar sig Morgan Stanley globala kapitalutgifter för datacenter på 2,9 biljoner dollar, där 1,4 biljoner finansieras av hyperscalers kassaflöden och ett finansieringsgap på 1,5 biljoner dollar måste fyllas av skulder, leasing och samriskbolag .

Båda bankerna är överens om att capex i förhållande till försäljning har gått in i okänt territorium. Morgan Stanley förutspår kvoter på 34 till 39 procent från 2026 till 2028, vilket överskrider den högsta noteringen på cirka 32 procent under IT-bubblan. Inkluderas leasingjusterade siffror kan kvoterna klättra så högt som 44 till 45 procent .

Skuggredovisningen: Leasing utanför balansräkningen och SPV-skulder

Under rubrikernas utgiftssiffror döljer sig ett mer oroväckande lager av finansiell ingenjörskonst. Moody's Ratings har uppskattat att de fem största amerikanska hyperscalers – Amazon, Meta, Alphabet, Microsoft och Oracle – har 662 miljarder dollar i framtida leasingåtaganden för datacenter som ännu inte har påbörjats . Enligt god redovisningssed, GAAP, redovisas inte dessa åtaganden som löpande skulder eftersom tjänsterna inte har påbörjats. De ligger utanför balansräkningen, mestadels synliga i fotnoter .

När alla odiskonterade framtida leasingåtaganden summeras når siffran uppskattningsvis 969 miljarder dollar – ungefär 113 procent av dessa fem bolags sammanlagda justerade skuld . I takt med att dessa leasingavtal påbörjas under de kommande åren kommer de att flöda genom resultaträkningarna som rörelsekostnader, vilket potentiellt kan pressa det fria kassaflödet och begränsa utrymmet för de aktieåterköp som investerare länge har förlitat sig på .

En parallell oro är den växande användningen av speciella bolag, så kallade SPV:er, för att finansiera AI-infrastruktur. Stora teknikbolag har strukturerat över 120 miljarder dollar i datacenterskuld genom konkursfjärrande SPV:er som ligger utanför de konsoliderade balansräkningarna . Morgan Stanley förutspår att denna finansieringsmekanism utanför balansräkningen kan nå 800 miljarder dollar till 2028 . Dessa bolag har typiskt tunna kapitalbuffertar på 8 till 10 procent, förlitar sig på GPU-säkerheter som snabbt sjunker i värde och har leasingvillkor så korta som fyra år jämfört med de traditionella tio plus åren .

Oracle-varningen och ökande kreditspreadar

Oracle har blivit ett typexempel på hur snabbt antaganden om AI-finansiering kan rasa samman. I slutet av 2025 bröt företaget med Blue Owl Capital om finansieringen av ett datacenter i Michigan, vilket blottlade skörheten i modellen utanför balansräkningen. Oracle bär på 124 miljarder dollar i skuld och 248 miljarder dollar i leasingåtaganden, och marknadens reaktion var omedelbar – krediter omprissattes "med brutal hastighet", även för en emittent med investment grade-rating .

Bank for International Settlements har noterat att kreditswappspreadar (CDS) för hyperscalers med lägre kreditbetyg redan har stigit, vilket speglar både den enorma volymen av skuldemissioner och en växande osäkerhet om huruvida AI-projekt kommer att generera tillräcklig avkastning . Financial Stability Oversight Council och Bank of England har uttryckligen pekat på ackumulationen av AI-infrastrukturskulder utanför balansräkningen som en potentiell systemrisk .

Koncentrationsrisken förvärrar problemet. Mycket av den SPV-baserade skulden är kopplad till datacenter med en enda tillgång eller hyresgäst. Om hyresgästen misslyckas eller efterfrågan mjuknar, erbjuder SPV-strukturen begränsad regress till moderbolagets balansräkning, vilket skapar potential för kaskadförluster . PIMCO har också flaggat för den cirkulära karaktären hos AI-finansiering, där leverantörer som GPU-tillverkare ger krediter eller tar aktieposter i samma SPV:er de levererar till, vilket exponerar dem för refinansieringsrisker om kapitalmarknaderna stramas åt .

En boom med två berättelser

AI-infrastrukturens utbyggnad är utan motstycke i skala och hastighet. De fem största hyperscalers är på väg att spendera sammanlagt 755 miljarder dollar bara under 2026 – en ökning med 83 procent jämfört med föregående år . Morgan Stanley noterar att siffran 800 miljarder dollar för 2026 ungefär motsvarar vad hela den icke-teknikrelaterade gruppen i S&P 500 spenderade på investeringar året innan .

Ändå skapar de finansiella strukturer som möjliggör detta sina egna risker. Den optimistiska berättelsen vilar på en 24-faldig ökning av token-efterfrågan från AI-agenter som ännu inte har driftsatts i stor skala. Den pessimistiska motvikten, formulerad inom självaste Goldman Sachs, är att avkastningen hittills inte rättfärdigar investeringen . Mellan dessa två poler ligger de fysiska realiteterna: ett elnät som inte kan hålla jämna steg, en kvalificerad arbetskraft som inte finns i tillräckligt antal, och en skuggredovisning med nästan en biljon dollar i åtaganden som snart förfaller – med konsekvenser som sträcker sig långt bortom tekniksektorn.