หนี้โครงสร้างพื้นฐาน AI: จุดเปราะบางใหม่ของสินเชื่อเอกชน?

ถ้ามอง AI เป็นแค่เรื่องหุ้นเทคโนโลยี เราอาจพลาดอีกครึ่งของเรื่อง: ใครเป็นคนออกเงินสร้างโครงสร้างพื้นฐานที่อยู่เบื้องหลังโมเดลเหล่านั้น หนี้โครงสร้างพื้นฐาน AI กำลังกลายเป็นหนึ่งในช่องทางที่ชัดเจนที่สุดที่กระแส AI อาจย้อนกลับมาทดสอบตลาดเครดิต เพราะดาต้าเซ็นเตอร์ GPU ระบบจัดเก็บข้อมูล เครือข่าย และโครงสร้างประมวลผลจำนวนมากถูกจัดหาเงินผ่านหนี้และโครงสร้างเฉพาะกิจที่คนภายนอกมองเห็นได้น้อยกว่าตลาดตราสารหนี้สาธารณะ .

ข้อสรุปที่สมเหตุสมผลคือควรกังวลอย่างมีวินัย ไม่ใช่ฟันธงว่าจะเกิดวิกฤต เอกสารที่มีอยู่ชี้ให้เห็นการก่อตัวของสินเชื่ออย่างรวดเร็ว โครงสร้างทางการเงินที่ซับซ้อน และความโปร่งใสที่ต่ำลง แต่ยังไม่พิสูจน์ว่าความเสียหายจะใหญ่หรือเชื่อมโยงกันพอจนเป็นวิกฤตเชิงระบบ .

ทำไมการสร้าง AI จึงกลายเป็นเรื่องหนี้

AI ไม่ได้อยู่แค่ในซอฟต์แวร์หรือคลาวด์แบบนามธรรม แต่ต้องพึ่งโครงสร้างพื้นฐานจริงขนาดใหญ่ Brandywine Global อธิบายว่าการเร่งสร้างกำลังประมวลผลครอบคลุมฮาร์ดแวร์ ซอฟต์แวร์ เครือข่าย ระบบจัดเก็บข้อมูล ดาต้าเซ็นเตอร์ และ GPU พร้อมระบุว่าการแข่งขันสร้างโครงสร้างพื้นฐาน AI กำลังเปิดโอกาสให้ตลาดเครดิต โดยเฉพาะหลักทรัพย์ที่มีสินทรัพย์หนุนหลัง .

ปัญหาคือขนาดเงินลงทุนเริ่มใหญ่เกินกว่าจะมองเป็นเรื่องกระแสเงินสดของบริษัทเทคโนโลยีเพียงอย่างเดียว ธนาคารเพื่อการชำระหนี้ระหว่างประเทศ หรือ BIS ระบุว่าความต้องการลงทุนด้าน AI ทั้งปัจจุบันและที่คาดไว้มีขนาดใหญ่มากจนบริษัทต่าง ๆ ต้องขยับจากการใช้กระแสเงินสดจากการดำเนินงานไปสู่การกู้ยืม โดย private credit หรือสินเชื่อเอกชนมีบทบาทเพิ่มขึ้นอย่างรวดเร็ว .

Apollo ทำให้ประเด็นความโปร่งใสชัดขึ้นอีก โดยระบุว่าตัวเลขการออกตราสารหนี้สาธารณะของกลุ่ม hyperscaler หรือผู้ให้บริการคลาวด์ขนาดยักษ์ ยังต่ำกว่าการก่อตัวของเครดิตที่เกี่ยวกับ AI จริง เพราะไม่รวมการจัดหาเงินทุนเอกชนขนาดใหญ่สำหรับโครงสร้างพื้นฐาน hyperscaler ที่เกิดนอกตลาดตราสารหนี้สาธารณะแบบดั้งเดิม . พูดง่าย ๆ ตัวเลขหุ้นกู้ที่มองเห็นอาจไม่สะท้อนเลเวอเรจทั้งหมดที่กำลังก่อตัวอยู่หลังดาต้าเซ็นเตอร์เฉพาะทาง .

ทำไม private credit คือจุดที่ต้องจับตา

Private credit มีประโยชน์ในโครงการที่ต้องใช้เงินลงทุนสูงและออกแบบดีลเฉพาะรายได้ แต่ความเสี่ยงคือเมื่อเงินกู้อยู่ในรูปธุรกรรมทวิภาคี กองทุนเอกชน หรือ SPV ภาพรวมว่าใครถือความเสี่ยงอยู่ตรงไหนอาจพร่ามัวกว่าตลาดตราสารหนี้ที่ซื้อขายและรายงานต่อสาธารณะ .

Quinn Emanuel ระบุว่าบริษัทเทคโนโลยีใช้ทั้งหุ้นกู้เอกชน private credit และ SPV นอกงบดุลเพื่ออุดช่องว่างการเงินของโครงสร้างพื้นฐาน AI โดยย้ายรายจ่ายดาต้าเซ็นเตอร์กว่า 1.2 แสนล้านดอลลาร์สหรัฐออกนอกงบดุลภายในเวลาไม่ถึงสองปี . การวิเคราะห์เดียวกันระบุเครื่องมือสำคัญของบูมดาต้าเซ็นเตอร์ AI ได้แก่ เงินกู้โดยตรง โครงสร้าง SPV การแปลงสินทรัพย์เป็นหลักทรัพย์ และวงเงินกู้ที่ใช้ GPU เป็นหลักประกัน .

โครงสร้างเหล่านี้ไม่จำเป็นต้องผิดปกติในตัวมันเอง หลายกรณีเป็นเครื่องมือ project finance ที่ใช้แยกความเสี่ยงของโครงการ แต่ก็ทำให้คำถามสำคัญตอบยากขึ้น: ใครแบกรับความเสี่ยงสุดท้าย หลักประกันมีมูลค่าจริงเท่าไร และหนี้มากแค่ไหนที่พึ่งรายได้ AI ในอนาคตมากกว่ากระแสเงินสดวันนี้

ช่องว่างสำคัญ: ลงทุนวันนี้ รายได้ค่อยตามมา

แกนของความเสี่ยงเครดิตคือเวลา รายจ่ายลงทุนเกิดขึ้นทันที แต่รายได้จาก AI ต้องค่อย ๆ พิสูจน์ตัวเอง Quinn Emanuel ประเมินว่ารายได้ AI ในปี 2025 อยู่ราว 6 หมื่นล้านดอลลาร์สหรัฐ เทียบกับรายจ่ายลงทุนราว 4 แสนล้านดอลลาร์สหรัฐ . Cresset ยังเตือนว่าช่องว่างระหว่าง AI capex กับรายได้ที่เกิดขึ้นจริงกำลังกว้างขึ้น และ private credit บางส่วนกำลังปล่อยกู้โดยอิงกระแสรายได้ที่คาดการณ์ มากกว่าสินทรัพย์จับต้องได้ .

ตัวเลขนี้ไม่ได้พิสูจน์ว่าการลงทุนจะล้มเหลว แต่หมายความว่าการชำระหนี้อาจพึ่งพาการใช้งานจริง ราคา และการทำเงินจาก AI ที่ยังอยู่ระหว่างพิสูจน์ หากผู้ให้กู้ตั้งสมมติฐานว่าความต้องการใช้ AI เศรษฐศาสตร์ของชิป และตลาดรีไฟแนนซ์จะขยายตัวอย่างราบรื่น ความผิดหวังเพียงระดับปานกลางก็อาจทำให้ตลาดต้องปรับราคาความเสี่ยงใหม่ .

โครงสร้างที่ควรถูกส่องไฟมากที่สุด

ไม่ใช่หนี้โครงสร้างพื้นฐาน AI ทุกก้อนจะเปราะบางเท่ากัน จุดที่เสี่ยงกว่าคือดีลที่การชำระหนี้พึ่งประมาณการ มูลค่าหลักประกัน หรือแรงหนุนจากสปอนเซอร์ มากกว่ากระแสเงินสดตามสัญญาที่ทนทาน

• SPV นอกงบดุล. SPV ช่วยแยกความเสี่ยงของโครงการได้ แต่ก็ทำให้ฐานะรับความเสี่ยงของสปอนเซอร์ดูไม่ชัด Apollo ยกตัวอย่างโครงสร้าง Beignet ของ Meta ในฐานะ SPV ที่ใช้จัดหาเงินทุนเพื่อสร้างกำลังดาต้าเซ็นเตอร์เฉพาะ ขณะที่ Quinn Emanuel ระบุว่า SPV นอกงบดุลเป็นส่วนหนึ่งของชุดเครื่องมือจัดหาเงินทุนดาต้าเซ็นเตอร์ AI .
• สินเชื่อที่มี GPU หรืออุปกรณ์เป็นหลักประกัน. Quinn Emanuel ระบุว่าวงเงินกู้ที่มี GPU เป็นหลักประกันเป็นหนึ่งในโครงสร้างที่ถูกใช้ . หากผู้กู้มีปัญหา การกู้คืนเงินอาจขึ้นกับว่าอุปกรณ์ยังมีมูลค่าทางเศรษฐกิจและสามารถรีไฟแนนซ์หรือขายต่อได้จริงหรือไม่
• Securitization และหลักทรัพย์ที่มีสินทรัพย์หนุนหลัง. Brandywine ระบุว่าโครงสร้างพื้นฐาน AI กลายเป็นโอกาสของตลาดเครดิต โดยเฉพาะหลักทรัพย์ที่มีสินทรัพย์หนุนหลัง ส่วน Quinn Emanuel ระบุว่า securitization เป็นหนึ่งในเครื่องมือการเงินของดาต้าเซ็นเตอร์ AI .
• อสังหาริมทรัพย์ดาต้าเซ็นเตอร์และ project finance. Chicago Fed ระบุว่า AI เข้ามาอยู่ในความเสี่ยงสินเชื่ออสังหาริมทรัพย์เชิงพาณิชย์ของธนาคารผ่านการลงทุนในดาต้าเซ็นเตอร์เป็นหลัก และอธิบายฉากทัศน์ tail risk ที่ความเครียดของผู้กู้ซอฟต์แวร์ AI อาจลดการลงทุนและส่งแรงกระเพื่อมไปยังดาต้าเซ็นเตอร์ บริษัทพลังงาน และผู้ผลิตเซมิคอนดักเตอร์ .

ความเครียดอาจลามอย่างไร

วงจรความเครียดไม่จำเป็นต้องเริ่มจากความต้องการ AI หายไปทั้งหมด แค่ capex ยังวิ่งเร็วกว่ารายได้ที่เกิดขึ้นจริงต่อเนื่อง ผู้ให้กู้ก็อาจต้องทบทวนสมมติฐานเรื่องอัตราการใช้งาน มูลค่าหลักประกัน และเงื่อนไขรีไฟแนนซ์ของดาต้าเซ็นเตอร์และ GPU .

ตัวกลางแพร่ความเสี่ยงคือความทึบ หากตัวเลขตราสารหนี้สาธารณะจับการจัดหาเงินทุนเอกชนขนาดใหญ่ไม่ครบ ตลาดอาจไม่มีภาพรวมที่ชัดเจนของเลเวอเรจที่ผูกกับ AI จนกระทั่งโครงการต้องรีไฟแนนซ์ สปอนเซอร์ต้องเติมทุน หรือเริ่มเกิดการผิดนัดชำระ . ธนาคารก็ไม่ได้อยู่นอกวง เพราะ Chicago Fed เชื่อมโยงฉากทัศน์ tail risk ของผู้กู้ซอฟต์แวร์ AI เข้ากับการลงทุนที่ลดลงและผลกระทบต่อดาต้าเซ็นเตอร์ พลังงาน และเซมิคอนดักเตอร์ .

ทำไมยังไม่ควรเรียกว่าวิกฤตโดยอัตโนมัติ

หลักฐานในตอนนี้สนับสนุนคำว่าเฝ้าระวัง มากกว่าคำว่าหลีกเลี่ยงไม่ได้ BIS ชี้ว่าการเงินของ AI กำลังขยับจากกระแสเงินสดไปสู่หนี้ Apollo เตือนว่าการออกตราสารหนี้สาธารณะมองไม่เห็นการก่อตัวของเครดิต AI ทั้งหมด และ Quinn Emanuel ระบุโครงสร้างการเงินซับซ้อนที่ผูกกับดาต้าเซ็นเตอร์ AI . แต่ข้อเท็จจริงเหล่านี้ยังไม่เพียงพอที่จะพิสูจน์ว่าความเสี่ยงมีขนาด เลเวอเรจ และความเชื่อมโยงมากพอจะคุกคามระบบการเงินโดยรวม .

เส้นแบ่งสำคัญอยู่ที่มาตรฐานการปล่อยกู้ หนี้ที่รองรับด้วยกระแสเงินสดมั่นคงและสปอนเซอร์แข็งแรงย่อมต่างจากหนี้ที่ตั้งอยู่บนรายได้ AI ที่คาดการณ์ มูลค่าหลักประกัน และการรีไฟแนนซ์ที่ต้องราบรื่น คำเตือนของ Cresset ว่า private credit บางส่วนกำลังรับประกันการเติบโตของ AI โดยอิงรายได้คาดการณ์มากกว่าสินทรัพย์จับต้องได้ จึงเป็นจุดแบ่งที่สำคัญ .

สัญญาณเตือนที่ควรจับตา

• AI capex ยังโตเร็วกว่ารายได้ AI ที่เกิดขึ้นจริง .
• สัดส่วนการลงทุน AI ที่ใช้หนี้และ private credit เพิ่มขึ้น แทนการใช้กระแสเงินสดจากการดำเนินงาน .
• ดีล private credit และ SPV นอกตลาดตราสารหนี้สาธารณะเพิ่มขึ้น .
• เงินกู้โดยตรง securitization หลักทรัพย์ที่มีสินทรัพย์หนุนหลัง และวงเงินกู้ที่ใช้ GPU เป็นหลักประกันโตไปพร้อมโครงสร้างพื้นฐาน AI .

บรรทัดสุดท้าย

หนี้โครงสร้างพื้นฐาน AI เป็นผู้สมัครที่น่าเชื่อถือสำหรับจุดตึงเครียดใหญ่รอบถัดไปของ private credit ความเสี่ยงไม่ได้อยู่แค่ในคำถามว่ากระแส AI จะซาลงหรือไม่ แต่อยู่ที่โครงสร้างพื้นฐานอายุยาวและหลักประกันด้านการประมวลผลกำลังถูกจัดหาเงินผ่านหนี้ที่มองเห็นยาก ก่อนที่ฐานรายได้จะพิสูจน์ตัวเองเต็มที่ .

ท่าทีที่เหมาะสมจึงคือระวัง ไม่ใช่ตื่นตระหนก หากการใช้งานและการทำเงินจาก AI เติบโตทันรายจ่ายลงทุน ดีลจำนวนมากอาจผ่านไปได้ แต่หากรายได้มาช้ากว่าที่คาด ความเครียดมีแนวโน้มจะโผล่ก่อนในเงินกู้เอกชน SPV securitization สินเชื่อที่มี GPU เป็นหลักประกัน และการเงินดาต้าเซ็นเตอร์ ซึ่งเป็นจุดที่ตลาดมองเห็นได้ยากที่สุด .