Rynek sztucznej inteligencji porusza się dziś po torach aż nazbyt znajomych: uspokojenie, poprawa, pewność, dobrobyt, ekscytacja, nadmierny handel, wstrząs, presja, stagnacja i nieszczęście. To nie jest metafora dla poetyckiego efektu. To opis mechaniki zbiorowej wiary, która najpierw podnosi wyceny, potem podnosi koszty, a na końcu podnosi rachunek za błędy. Wystarczy obserwować, jak szybko język „przełomu” przechodzi w język „koniecznych inwestycji”, a ten z kolei w język „tymczasowych strat”.
W centrum tej opowieści stoją trzy napięcia, których nie da się zagłuszyć ani konferencją prasową, ani kolejnym modelem z dłuższą nazwą. Technologia nie dowozi obietnic, finanse nie dowożą zwrotu, a struktura finansowania zaczyna przypominać samonapędzający się układ zależności.
Autor poleca: Euforia wokół AI zaczyna słabnąć – inwestorzy pytają o realne zyski
Technologia: silnik predykcji przebrany za rozumowanie
Generatywna sztuczna inteligencja wyrasta z wcześniejszych narzędzi: sieci neuronowych, systemów regułowych, big data, rozpoznawania wzorców i algorytmów uczenia maszynowego. Jej obecna inkarnacja opiera się na LLM, czyli dużych modelach uczonych na ogromnych zbiorach danych, które potrafią produkować tekst i obrazy. Nad tym wszystkim unosi się „święty Graal” branży: osobliwość, moment, w którym maszyny miałyby przewyższyć inteligencję człowieka, prowadząc do „połączenia” człowieka i maszyny, rzekomo transformującego kreatywność i technologię.
Problem zaczyna się tam, gdzie kończy się marketing. LLM potrzebują gigantycznych ilości danych, a przewagę mają firmy, które już posiadają własne skarbce informacji: wyszukiwarki, platformy sprzedażowe i media społecznościowe. Reszta uzupełnia braki metodą ryzykowną: agresywnym, często nieautoryzowanym scrapowaniem treści z internetu, czasem poufnych, co prowadzi do sporów o dostęp, wynagrodzenie i prywatność. W praktyce wiele modeli opiera się na danych niepełnych i trudnych do oczyszczenia tak, by zachować rzetelność.
Mimo masowego zwiększania mocy obliczeniowej generatywne modele regularnie zawodzą w prostych zadaniach faktograficznych z powodu błędów, uprzedzeń i dezinformacji w danych uczących. Dobrze „wypełniają luki” między elementami, które już widziały, ale słabo radzą sobie z ekstrapolacją. Jak uczeń wkuwający na pamięć, przegrywają w sytuacji problemu naprawdę nowego. Ich zdolność do autonomicznego działania w dynamicznym środowisku pozostaje kwestionowana, a postęp bywa trudny do zmierzenia, ponieważ benchmarki są niejasne i niewystarczająco rozstrzygające.
Kluczowa różnica, o której zbyt łatwo się zapomina, jest brutalnie prosta: modele językowe nie rozumują, tylko przewidują. Są silnikami probabilistycznej predykcji, które przeszukują wzorce w istniejących danych. Taki system, nawet zakładając poprawność danych, nie tworzy „nowego świata”, tylko rekonfiguruje stary. A kiedy dostępne źródła danych zostaną „skonsumowane”, dalsze skalowanie może dawać malejące korzyści. W tej optyce generatywne modele przypominają maszyny do regurgitacji, walczące z prawdą, halucynacjami i kruchym „rozumowaniem”.
Owszem, sztuczna inteligencja potrafi przejmować część prac: badania oparte na danych, pisanie i redagowanie, planowanie podróży, programowanie, wybrane elementy diagnostyki medycznej, testowanie oraz rutynowe działania administracyjne, jak obsługa standardowych zapytań klientów.
Jednak ambicje „wyższe” mogą okazać się nieuchwytne, a obietnice przełomów medycznych już teraz rozczarowują, choć wcześniejsze modele uczenia maszynowego i klasyfikatory nadal bywały użyteczne.
CYNICZNYM OKIEM: Na dziś generatywna AI, jako termin nie do końca techniczny, a mocno marketingowy, pozostaje kosztowną sztuczką salonową dla wybranych zastosowań, przy okazji idealną do memów oraz dla oszustów, którzy chcą skuteczniej zwodzić i wyłudzać.
Finanse: kosmiczne nakłady, ziemskie przychody
Nakłady inwestycyjne na AI mają sięgnąć do 2030 r. od 5 do 7 bln USD. Jednocześnie wyceny startupów AI, liczone na podstawie ostatnich rund finansowania, osiągnęły 2,30 bln, wobec 1,69 bln w 2024 r. i 469 mld w 2020 r. Sama skala wzrostu wycen wygląda jak dowód na dojrzałość sektora, ale pytanie jest bardziej przyziemne: czy ten sektor potrafi generować gotówkę proporcjonalną do kosztów?
Aby tylko „utrzymać tempo” obecnych rocznych inwestycji w ziemię, budynki, szybko tracące na wartości chipy oraz koszty energii, wody i operacji, przychody musiałyby wzrosnąć ponad 20-krotnie z obecnych 15–20 mld rocznie. A jeśli celem jest przyzwoita stopa zwrotu, pada liczba znacznie bardziej wymagająca: ponad 1 bln przychodów. Dla skali porównania przywołuje się, że Windows i Office generują poniżej 100 mld przychodów komercyjnych i konsumenckich, mimo że należą do najbardziej używanych produktów software na świecie.
Monetyzacja generatywnej AI też nie wygląda jak marsz po swoje. Około 5% z 800 mln użytkowników płaci za ChatGPT, a sam rynek słyszy wprost, że nie pojawiła się jeszcze „zabójcza” aplikacja przynosząca zysk na miarę poczty e-mail czy Excela. Nadzieja ma być klasyczna: zapłacą za to produktywność i zyski przedsiębiorstw. Jednak praktyka bywa mniej łaskawa: 95% korporacyjnych pilotaży generatywnej AI nie przełożyło się na wzrost przychodów. W wielu firmach po redukcjach etatów i zastąpieniu ludzi AI trzeba było później zatrudniać ponownie, gdy technologia okazała się niewystarczająca, a zainteresowanie przedsiębiorstw zaczyna wykazywać oznaki wypłaszczenia.
Dochodzi jeszcze presja konkurencyjna. Tańsze modele rozwijane przez firmy chińskie podważają sens kapitałochłonnego podejścia części firm zachodnich. Równolegle preferencja dla rozwiązań open source może osłabiać przychody tych, którzy zainwestowali w technologie własnościowe. I wreszcie ograniczenia, które nie poddają się narracji: prąd i woda jako realne wąskie gardła.
Jeżeli ktoś szuka twardej ilustracji „piecowego” modelu finansowego, wystarczy spojrzeć na przykład firmy OpenAI od ChatGPT, generującej 4,3 mld przychodów w pierwszej połowie 2025 r., przy wydatkach 2 mld na sprzedaż i marketing oraz niemal 2,5 mld na wynagrodzenia w formie akcji, co kończy się operacyjną stratą 7,8 mld. To nie jest drobna niedoskonałość w arkuszu. To sygnał, że rachunek ekonomiczny wciąż stoi na glinianych nogach.
Finansowe sprzężenia zwrotne: boom, który sam sobie sprzedaje
Trzecie napięcie przypomina konstrukcje znane z końcówki lat 90.: sieć wzajemnych inwestycji i powiązań, w której granica między przychodem, a finansowaniem zaczyna się rozmazywać. Przykład modelu biznesowego opartego na kupowaniu procesorów graficznych i wynajmowaniu ich użytkownikom. Jeśli inwestorem jest jednocześnie kluczowy dostawca, a przychody zależą od kilku klientów, rośnie ryzyko koncentracji. Pojawiają się też obawy o praktyki księgowe, zwłaszcza tempo amortyzacji chipów, oraz o istotny poziom zadłużenia.
Na tym tle pojawia się szczególnie niepokojąca konstrukcja: deklaracje inwestycji o gigantycznych kwotach, połączone z zakupami sprzętu od podmiotów, które jednocześnie finansują te działania. W takim układzie sprzedawca dóbr kapitałowych może wykazać sprzedaż i zyski, podczas gdy finansowanie sprzedaży jest traktowane jako inwestycja. Kupujący rozkłada koszt w czasie poprzez amortyzację, często na okresy sięgające do 5 lat lub dłużej, choć architektura chipów bywa regularnie wymieniana. W efekcie powstaje finansowa karuzela, w której zyski papierowe podbijają ceny akcji, a ryzyko chowa się w definicjach i harmonogramach.
Skala potencjalnej bańki ma być większa niż w poprzednich epizodach. Wskazuje się, że inwestycje mogą być 17 razy większe niż w bańce dot-com z 2000 r. i 4 razy większe niż bańka subprime z 2008 r. Zwolennicy twierdzą, że „tym razem jest inaczej”, bo dominuje finansowanie kapitałem własnym, ale równolegle pada twarda liczba: zadłużenie powiązane z AI to około 1,2 bln, czyli 14% całego długu inwestycyjnego (investment grade).
Model finansowania również zmienił się jakościowo. Hiperskalerzy, czyli operatorzy wielkich centrów danych dostarczających chmurę, magazynowanie i sieć, mają wydawać około 60% przepływów operacyjnych (nie wolnych) na CAPEX, w większości pod AI. Braki uzupełniają długiem, korzystając z wiarygodności kredytowej. Coraz większą rolę ma odgrywać kredyt prywatny: wolumeny nawet do 800 mld w ciągu dwóch lat i 5,5 bln do 2035 r. Przy apetycie na wysokie zwroty i wysokie ryzyko pozostaje pytanie o dyscyplinę kredytową.
CYNICZNYM OKIEM: W praktyce duże firmy zaczynają działać jak pośrednik finansujący: pożyczają pieniądze i lokują je w startupy AI o niepewnych perspektywach. To niepokoi szczególnie wtedy, gdy inwestorzy i kredytodawcy sądzą, że mają ekspozycję na „silną spółkę”, a w rzeczywistości ta spółka jest głęboko zanurzona w spekulacyjnych projektach.
Gdy infrastruktura nie istnieje, a ryzyko już jest wyceniane
Szczególnie pouczający bywa przypadek firmy Oracle, której akcje wzrosły o 25% po ogłoszeniu transakcji dotyczącej zapewnienia mocy chmurowej dla kluczowego gracza AI. Problem polega na tym, że centra danych jeszcze nie istnieją i trzeba je dopiero zbudować, a to wymaga finansowania długiem przez firmę już znacząco zadłużoną.
Przy długu netto przekraczającym 100 mld, który musiałby wzrosnąć, koszt ubezpieczenia od niewypłacalności wyraźnie rośnie, co wpływa na wycenę istniejącego zadłużenia i koszt przyszłego. Pojawia się realne ryzyko obniżki ratingu z poziomu BBB, czyli niskiego, nawet do poziomu spekulacyjnego.
Co istotne, cena akcji potrafi wrócić do poziomów sprzed ogłoszenia, jakby rynek po euforii przeczytał drobny druk.
Boom AI nie jest już lokalną historią sektora technologicznego. Wskazuje się, że firmy AI odpowiadają za 75%–80% zwrotów giełdowych i wzrostu zysków w USA oraz za 90% wzrostu nakładów inwestycyjnych. Do wzrostu gospodarczego w 2025 r. miało to dołożyć około 40%, czyli pełny 1 pkt proc.
Jeśli nastąpi odwrót, gospodarka ucierpi szeroko, a przy tym wzrośnie istnieje ogromne ryzyko niestabilności finansowej ze względu na bezpośrednią i pośrednią ekspozycję banków oraz instytucji finansowych na sektor.
Pojawia się nawet scenariusz, w którym część firm technologicznych mogłaby wymagać ratunkowego wsparcia, obok tradycyjnej pomocy dla finansistów, którzy w kryzysie zwykle argumentują, że bez pomocy „gospodarka się zawali”.
Iluzja mniejszego ryzyka i lekcja z historii
Wielu inwestorów uznało, że większym ryzykiem jest niedoinwestowanie, a nie przeinwestowanie. Pojawia się też uspokajający slogan o „dobrej bańce”, w której wydane pieniądze mają przynieść długoterminowe korzyści. Tyle że historia infrastrukturalnych zachwytów bywa bezlitosna: w bańce telekomunikacyjnej i światłowodowej lat 90. dramatycznie przeszacowano potrzebną przepustowość. Dziś wykorzystanie zainstalowanej wtedy, „oświetlonej” przepustowości światłowodów wynosi około 50%, a średnie globalne wykorzystanie sieci to 26%.
Popularna strategia „kilofów i łopat” też nie daje gwarancji. Inwestorzy wolą kupować dostawców infrastruktury, wierząc, że to bezpieczniejsza ekspozycja niż bezpośredni zakład na zwycięzców AI.
Jednak analogia z firmą Cisco, która w latach 90. stała się na krótko najcenniejsza na świecie, bo dostarczała kluczowe elementy internetu, jest ostrzeżeniem: mimo generalnie stabilnych wyników operacyjnych inwestorzy mogli ponieść dotkliwą porażkę, gdy kurs załamał się w 2000 r. i wrócił do tamtych poziomów dopiero po 25 latach.
W poprzednim pęknięciu bańki technologicznej największe spółki spadały o 65%, 80%, 88% i 94%, a na powrót do szczytów z 2000 r. potrzebowały odpowiednio 16, 5, 14 i 7 lat. Potem przyszło spowolnienie, wsparcie państwa i niskie stopy, co pośrednio dołożyło cegłę do kolejnej bańki, zakończonej kryzysem 2008 r.
Jeżeli ktoś dziś oczekuje finału całkowicie odmiennego, powinien pamiętać, że najbardziej kosztowne bańki nie pękają dlatego, że nie ma w nich technologii. Pękają dlatego, że między oczekiwaniami, inwestycjami i zdolnością do generowania przychodów powstaje luka, której nie da się zasypać entuzjazmem.
