Чотири причини, через які Geo Chen прогнозує завершення AI-буму

Його аргументація побудована на чотирьох процесах, які підсилюють один одного.

1. Корейські роздрібні інвестори: розплата за левериджовані ставки

На думку Chen, саме роздрібні інвестори з Південної Кореї стали головним прикладом «низькоякісного капіталу» на фінальній стадії перегріву. Вони масово вкладалися у біржові фонди з подвійним і потрійним левериджем, пов’язані з акціями SK Hynix, Samsung та індексом KOSPI, створюючи сотні мільярдів доларів штучної купівельної спроможності .

Механіка хеджування таких продуктів змусила маркетмейкерів накопичити значну негативну гамму: купувати під час зростання і продавати під час падіння. Це посилювало рухи ринку та запускало ланцюгові маржин-колли — вимоги терміново поповнити заставу або закрити позиції .

За оцінкою Citi, згортання левериджованих продуктів знищило 38,7 млрд доларів, а ліквідації торкнулися приблизно 1,2 млн рахунків — орієнтовно одного з кожних 30 дорослих у Південній Кореї . Від червневого піку індекс KOSPI обвалився майже на 30%, а після падінь понад 10% оператор ринку кілька разів призупиняв торги .

Chen вважає, що цей капітал, який зазнав значних втрат, навряд чи швидко повернеться. На його думку, параболічні ралі, засновані на такому рівні левериджу, зазвичай завершуються тривалими ведмежими фазами .

2. Китайські AI-моделі руйнують перевагу закритих систем

Другий удар припадає на бізнес-модель передових AI-лабораторій. Chen вважає, що китайські моделі з відкритим кодом та відкритими вагами дедалі сильніше підривають припущення, на яких трималися високі оцінки закритих платформ.

Серед прикладів, на які він звертає увагу:

• Kimi K3 від Moonshot AI набрала 1 679 балів у Code Arena, випередивши Claude Fable 5 із результатом 1 631 .
• Alibaba представила Qwen 3.8 — модель із відкритими вагами та 2,4 трлн параметрів .
• GLM-5 від Zai та мультиагентна система Fugu від Sakana AI показують, що менші й гнучкіші конкуренти за допомогою нових методів підвищення ефективності, зокрема DeepSeek Sparse Attention і Recursive Self-Improvement, скорочують розрив у якості за значно нижчої вартості .

Ключовий висновок Chen звучить так: якщо 80–90% токенів — одиниць, які використовують для вимірювання обсягу роботи мовних моделей, — перемістяться до дешевших або відкритих рішень, пул доходів на найвищому рівні якості різко звузиться .

Це може зламати «маховик» капітальних витрат, який підтримував оцінки AI-інфраструктури. Дотепер інвестиційна історія сектору значною мірою спиралася на припущення, що передові моделі матимуть преміальну ціну й виправдають масштабні витрати на дата-центри та чипи. Конкуренція знизу ставить це припущення під сумнів.

3. Обчислювальні потужності: від дефіциту до надлишку

Найбільш структурно небезпечним для AI-сектору Chen вважає розворот у пропозиції обчислювальних потужностей. Ринок довго виходив із того, що потужності для навчання та роботи моделей залишатимуться дефіцитними. Тепер ця теза, на його думку, слабшає.

Він виокремлює кілька ознак такого розвороту:

• Meta будує хмарний бізнес, щоб здавати власні обчислювальні ресурси в оренду, збільшуючи загальну пропозицію потужностей .
• AI-лабораторії швидко знижують вартість інференсу, тобто виконання моделлю запитів після навчання. Індекси витрат на токени від Silicon Data знижуються після піку в червні, що може свідчити: ефективність обладнання зростає швидше, ніж попит .
• OpenAI відкладає первинне публічне розміщення акцій і стикається з труднощами у залученні коштів, що, за логікою Chen, зрештою позначиться на ланцюжку постачання напівпровідників .
• Google підвищила прогноз капітальних витрат на AI у 2026 році до 205 млрд доларів, однак після цієї новини її акції впали на 7%. Chen трактує це як сигнал, що ринок більше не винагороджує саме по собі нарощування витрат .
• Кредитні спреди дата-центрів розширюються, вказуючи на зростання кредитних ризиків в інфраструктурному сегменті .

Логіка Chen проста, але важлива: інвестиції, покликані усунути дефіцит, зрештою знищують сам дефіцит, який зробив акції привабливими . Що більше великі хмарні компанії будують, то менш рідкісними стають обчислювальні ресурси — і то нижчою може бути віддача на вкладений капітал.

4. ФРС і стагфляційний фон

До специфічних проблем AI додаються два макроекономічні ризики.

Енергетичний шок та Іран

За даними, наведеними в тезі Chen, війна з Іраном уже коштувала США 37,5 млрд доларів після зриву режиму припинення вогню в липні 2026 року. Ціна на Brent піднялася з 70 до 85 доларів за барель. Аналітик попереджає про затяжний конфлікт за сценарієм «то загострення, то затишшя», який періодично провокуватиме нові стрибки цін на нафту .

У поєднанні з чотирма інфляційними шоками це, за його визначенням, створює «найсильніший і найтриваліший стагфляційний тиск» за останні роки . Стагфляція — це поєднання слабкого економічного зростання та високої інфляції, особливо несприятливе для дорогих і спекулятивних активів.

Сумніви в політиці Федеральної резервної системи

Ще один ризик — зниження довіри до Федеральної резервної системи США. Дохідність 30-річних казначейських облігацій перевищила 5,2%, досягнувши дворічного максимуму. Ведмеже steepening — ситуація, коли довгострокові дохідності зростають швидше за короткострокові, — відображає побоювання ринку, що ФРС під керівництвом Крістофера Воллера втрачає контроль над інфляцією. На думку Chen, нездатність Федерального комітету з операцій на відкритому ринку підвищити ставки дозволила інфляційним очікуванням вийти з-під контролю .

Сильніший, ніж очікувалося, показник PCE — індекс цін видатків на особисте споживання, який уважно відстежує ФРС, — може знову поставити в центр уваги ставки, короткострокову дохідність облігацій і долар. Для переповнених AI-позицій це створило б додатковий тиск саме тоді, коли інвестори вже скорочують найбільш довгострокові та спекулятивні активи .

Висновок Chen: готівка, золото та ротація

Поточну ситуацію Chen прямо порівнює з березнем 2000 року, березнем 2008-го, січнем 2020-го та груднем 2022-го — періодами, які передували різким потрясінням на ринках . Зараз він тримає кошти в готівці, нарощує позиції в золоті під час просідань і бачить переміщення капіталу з AI у медицину, фінансовий сектор, програмне забезпечення та біотехнології .

Базовий сценарій аналітика — формування вершини протягом кількох місяців і подальша турбулентність у міру згортання спекулятивних надмірностей.

Це не просто загалом ведмежий прогноз. Chen стверджує, що самі механізми, які підняли AI-акції до параболічних максимумів, тепер розвертаються у протилежний бік: леверидж скорочується, конкуренція здешевлює моделі, обчислювальні потужності стають доступнішими, а макроекономічний фон погіршується. Для інвесторів, які досі володіють AI-активами, ця теза є приводом перевірити, чи має ралі простір для продовження, чи ринок уже побачив свою вершину.