Geo Chen varnar för att AI-börsrallyt har nått toppen

Hans analys vilar på fyra faktorer som förstärker varandra.

1. Hävstångsspekulationen i Sydkorea har vänt till tvångsförsäljningar

Chen pekar ut sydkoreanska småsparare som den mest spekulativa delen av den senaste uppgången. Många investerade i två- och tredubbelt hävstångsbelånade ETF:er med exponering mot SK Hynix, Samsung och KOSPI – det sydkoreanska börsindexet. Enligt Chen skapade detta hundratals miljarder dollar i konstgjord köpkraft .

När marknaden vände tvingades produkternas hedgingmekanismer market makers att hantera stora negativa gamma-positioner. Resultatet blev köp under uppgångsdagar och försäljningar under nedgångsdagar, vilket förstärkte svängningarna och bidrog till en kedja av margin calls .

Citi uppskattar att upplösningen av de hävstångsbaserade produkterna har raderat 38,7 miljarder dollar och att omkring 1,2 miljoner konton har likviderats – ungefär ett av 30 vuxenkonton i Sydkorea . KOSPI har därefter fallit nästan 30 procent från toppen i juni. Vid flera tillfällen har börsoperatören stoppat handeln efter att nedgången överstigit 10 procent .

Chens slutsats är att det kapital som slagits ut knappast kommer tillbaka i närtid. Historiskt tenderar paraboliska uppgångar som drivs av den här typen av hävstång att följas av utdragna björnmarknader, menar han .

2. Kinesiska AI-modeller pressar de slutna modellernas försprång

Den andra delen av tesen handlar om konkurrensen från kinesiska öppna och öppet tillgängliga AI-modeller. Chen anser att utvecklingen hotar själva affärslogiken hos de ledande, slutna AI-labbens modeller.

• Moonshot AI:s Kimi K3 fick 1 679 poäng i Code Arena och passerade Claude Fable 5, som fick 1 631 poäng .
• Alibaba lanserade Qwen 3.8, en modell med öppna vikter och 2,4 biljoner parametrar .
• Zai:s GLM-5 och Sakana AI:s Fugu-system visar enligt Chen hur mindre och mer rörliga konkurrenter kan minska kvalitetsgapet till en bråkdel av kostnaden, bland annat genom metoder som DeepSeek Sparse Attention och Recursive Self-Improvement .

Det centrala resonemanget är att intäkterna kan pressas kraftigt om 80–90 procent av alla tokens flyttas till billigare eller öppna modeller. Då krymper intäktspotten i toppen av kvalitetsmarknaden, vilket i sin tur kan bryta den investeringsspiral som har stöttat värderingarna på AI-infrastruktur .

Med andra ord: om de mest avancerade modellerna inte längre kan ta ut en tydlig premium blir det svårare att motivera de enorma investeringarna i datacenter, chip och elförsörjning.

3. Beräkningskapacitet kan gå från bristvara till överutbud

Under AI-rallyt har en viktig berättelse varit att datorkapacitet – eller compute – är strukturellt knapp. Chen menar att den berättelsen håller på att vändas.

Flera utvecklingar pekar enligt honom åt samma håll:

• Meta bygger en molnverksamhet för att hyra ut sin beräkningskapacitet, vilket ökar det totala utbudet .
• AI-labb sänker snabbt kostnaderna för inferens, alltså kostnaden för att köra en modell efter att den har tränats. Tokenutgiftsindex från Silicon Data har fallit sedan toppen i juni, vilket tyder på att effektivare hårdvara växer snabbare än efterfrågan .
• OpenAI skjuter upp sin börsnotering och har svårt att ta in nytt kapital. Enligt Chen kan det få följdeffekter genom hela halvledarkedjan .
• Google höjde sin prognos för AI-relaterade investeringar 2026 till 205 miljarder dollar, men aktien föll 7 procent på beskedet. Marknaden tycks alltså inte längre belöna ökade investeringar i sig .
• Kreditspreadarna för datacenterobligationer vidgas, vilket signalerar stigande kreditrisk i sektorn .

Chen framhåller en paradox: när de stora molnbolagen investerar för att lösa kapacitetsbristen försvinner samtidigt den bristberättelse som gjorde AI-aktierna attraktiva från början . Ju mer hyperskalare bygger ut, desto mindre sällsynt blir beräkningskapaciteten – och desto lägre kan avkastningen på investeringarna bli.

4. Fed, oljepris och stagflation skapar en besvärlig makromiljö

Till de AI-specifika riskerna kommer ett svagare makroekonomiskt läge, enligt Chen.

Den kollapsade vapenvilan i kriget mot Iran har redan kostat USA 37,5 miljarder dollar. Brentoljan steg från 70 till 85 dollar per fat, och Chen varnar för en utdragen konflikt som kan blossa upp och avta i omgångar – med återkommande oljeprischocker som följd . Tillsammans med fyra inflationschocker skapar detta, enligt hans formulering, ”det starkaste och mest ihållande stagflationstrycket” på flera år .

Samtidigt ifrågasätts Federal Reserves trovärdighet. Räntan på den 30-åriga amerikanska statsobligationen steg över 5,2 procent, den högsta nivån på två år. En så kallad björnbrantning av räntekurvan speglar marknadens oro för att centralbanken, under Christopher Wallers ledning, tappar kontrollen över inflationen. Att Federal Open Market Committee inte har höjt räntan har enligt Chen bidragit till att inflationsförväntningarna lossnar från målet .

Ett oväntat starkt PCE-inflationsmått kan då åter föra in Fed, korta marknadsräntor och dollarn i centrum för den trångt positionerade AI-handeln . De mest spekulativa AI-bolagen är ofta också de mest räntekänsliga, eftersom en stor del av deras värdering bygger på framtida vinster. Högre räntor gör de vinsterna mindre värda i dag.

Chens slutsats: kontanter, guld och sektorrotation

Chen jämför den nuvarande situationen med mars 2000, mars 2008, januari 2020 och december 2022 – perioder som föregick kraftig marknadsoro . Han uppger att han nu håller kontanter, köper guld när priset försvagas och ser kapital flyttas från AI till vård, finans, mjukvara och bioteknik .

Hans huvudscenario är inte ett omedelbart börsras, utan en toppningsprocess som kan pågå i flera månader medan den spekulativa överdriften gradvis avvecklas.

Chens argument är därför bredare än en vanlig varning om övervärderade teknikaktier. Han hävdar att de krafter som drev AI-bolagen till parabolisk uppgång nu vänder åt motsatt håll: hävstången avvecklas, konkurrensen pressar marginalerna, beräkningskapaciteten blir mindre knapp och makroläget missgynnar långsiktiga riskplaceringar. För investerare med AI-exponering är det ett ramverk för att ställa den avgörande frågan: finns det fortfarande bränsle kvar för uppgången – eller har toppen redan passerats?