Zwiększające się zadłużenie oraz skomplikowane umowy kołowe w sektorze sztucznej inteligencji zmieniają strukturę bilansów dostawców chmury i dostawców sprzętu. Goldman Sachs oraz Morgan Stanley podają, że wskaźnik dźwigni finansowej hyperskalerów wzrósł w ciągu sześciu miesięcy z 0,9x do 1,8x, a zobowiązania pozabilansowe osiągnęły poziom 3 mln mln USD. Dla dyrektorów ds. technologii, architektów IT oraz founderów w Europie oznacza to konieczność pilnej weryfikacji stabilności dostawców oraz przeglądu rosnących kosztów utrzymania architektury AI.
Mechanizm finansowania: jak długi i sekurytyzacja GPU zastępują gotówkę
Zwiększający się udział długu w finansowaniu infrastruktury sztucznej inteligencji zmienia bilanse dostawców chmury oraz producentów układów scalonych. Wcześniejsze inwestycje finansowane z bieżących przepływów operacyjnych ustępują miejsca emisjom obligacji oraz skomplikowanym strukturom sekurytyzacyjnym. Dla architektów systemów oznacza to wzrost ryzyka finansowego po stronie dostawców oraz konieczność oceny trwałości oferowanych usług.
Struktura kapitałowa wydatków na infrastrukturę centrum danych gwałtownie się zmieniła. Do 2025 roku budowa zaplecza obliczeniowego opierała się w głównej mierze na gotówce z działalności operacyjnej. W 2026 roku rynek zdominowały emisje długu. Goldman Sachs wskazuje, że wartość wyemitowanego długu związanego z AI sięgnęła 489 mld USD, przekraczając wcześniejsze roczne prognozy na poziomie 322 mld USD. Morgan Stanley szacuje, że pełna wartość emisji w 2026 roku wyniesie 570 mld USD, a nakłady inwestycyjne (capex) samych hyperskalerów przekroczą 1 mln mln USD w 2027 roku.
Model finansowania opiera się obecnie na wykorzystaniu procesorów graficznych jako zabezpieczenia kredytowego. Nvidia pod kierownictwem Jensena Huanga stworzyła program sekurytyzacji długu o wartości 500 mld USD we współpracy z funduszami BlackRock, Blackstone, Apollo Global Management, KKR, Brookfield Asset Management oraz Goldman Sachs. W tym modelu układy Nvidia traktowane są analogicznie do nieruchomości komercyjnych, a Nvidia zobowiązuje się do pokrycia do 25% ewentualnego spadku wartości zabezpieczenia w mechanizmie wsparcia wartości rezydualnej.
| Wskaźnik finansowy | Wartość w źródłach | Podmiot / Źródło danych |
|---|---|---|
| Emisja długu AI w 2026 r. | 489 mld USD (prognoza: 570 mld USD) | Goldman Sachs / Morgan Stanley |
| Wskaźnik dźwigni hyperskalerów | Wzrost z 0,9x do 1,8x w 6 miesięcy | Analiza banków inwestycyjnych |
| Zobowiązania pozabilansowe | 3 mln mln USD | Bilanse 9 głównych firm technologicznych |
| Dług o podwyższonym ryzyku (high-yield) | 40 mld USD w 2026 r. (wzrost z 12 mld USD) | Goldman Sachs |
| Koszt finansowania neocloudów | Marża od 2,25% do 9% powyżej stawki bazowej | Umowy kredytowe CoreWeave |
Pętla umów kołowych: skąd bierze się ryzyko w ekosystemie dostawców
Ekosystem sztucznej inteligencji opiera się na sieci wielomiliardowych umów handlowych i kapitałowych pomiędzy producentami chipów, dostawcami chmury i laboratoriami modeli. Zależności te tworzą zamknięty obieg gotówki, w którym ten sam kapitał wielokrotnie krąży pomiędzy podmiotami. Zjawisko to podnosi wyceny rynkowe, lecz jednocześnie zwiększa wrażliwość całego sektora na ewentualne niewypłacalności kluczowych partnerów.
Zjawisko transakcji wiązanych (circular financing) przypomina mechanizmy znane z okresu rozbudowy sieci telekomunikacyjnych na przełomie wieków. Nvidia zainwestowała 100 mld USD w OpenAI, OpenAI zobowiązało się do zakupu mocy obliczeniowej w chmurze Oracle za 300 mld USD w ciągu pięciu lat, z kolei Oracle przeznacza te środki na zakup układów GPU bezpośrednio od Nvidia. Podobne zależności dotyczą pozostałych graczy: Microsoft zainwestował ponad 13 mld USD w OpenAI, uzyskując zobowiązanie na zakup usług chmurowych Azure za 250 mld USD.
Analiza rynku swapów ryzyka kredytowego (CDS) pokazuje rosnący niepokój inwestorów instytucjonalnych. Pięcioletnie CDS dla Nvidia osiągnęły rekordowy poziom 82 punktów bazowych 27 lipca 2026 roku, co było najszybszym wzrostem od momentu uruchomienia obrotu tymi instrumentami. Dla Oracle koszt CDS wzrósł do poziomu 215 – 261 punktów bazowych, co zbiegło się w czasie z obniżeniem ratingu kredytowego tej spółki przez S&P Global Ratings do poziomu BBB-, czyli jednego stopnia powyżej poziomu śmieciowego. Przepływy pieniężne hyperskalerów się pogarszają: Alphabet po raz pierwszy od 22 lat odnotował ujemne kwartalne wolne przepływy pieniężne (free cash flow) ze względu na spadek dynamiki przychodów z reklam i rosnące koszty serwerowe.
Główne powiązania kapitałowo-usługowe w ekosystemie: – Nvidia -> OpenAI: deklaracja 30-100 mld USD inwestycji kapitałowej w zamian za wdrożenie 10 GW mocy w centrach danych opartych na GPU. – AMD -> Anthropic: umowa inwestycyjna do 5 mld USD w połączeniu z dostawą 2 GW układów z serii AMD Instinct MI450. – Amazon -> OpenAI: 15 mld USD zainwestowane bezpośrednio z zapowiedzią kolejnych 35 mld USD pod warunkiem korzystania z infrastruktury obliczeniowej AWS. – Broadcom -> Anthropic: dostarczenie finansowania o wartości 35 mld USD za pośrednictwem konsorcjum z udziałem Apollo, z czego Broadcom bierze na siebie ryzyko 29 mld USD.
Czy opóźnienia w wdrażaniu agentów AI zagrażają budżetom IT?
Przepaść pomiędzy deklarowanym wykorzystaniem modeli sztucznej inteligencji a ich pełnym wdrożeniem produkcyjnym jest głównym wyzwaniem dla kadry zarządzającej technologią. Większość organizacji zatrzymuje się na etapie pilotaży, co utrudnia uzasadnienie rosnących wydatków na licencje i infrastrukturę. Dział IT musi precyzyjnie oszacować zwrot z inwestycji przed podjęciem decyzji o skalowaniu rozwiązań agentowych.
Wydatki na oprogramowanie i sprzęt AI wg IDC osiągną 409 mld USD w 2026 roku, rosnąc o 53% rok do roku, z perspektywą dojścia do 700 mld USD w 2029 roku. Dane z raportu Stanford 2026 AI Index pokazują jednak duży dysonans wdrożeniowy: 88% przedsiębiorstw deklaruje używanie narzędzi AI w jakiejkolwiek formie, ale rzeczywiste wdrożenie autonomicznych agentów AI w kluczowych procesach biznesowych nie przekracza kilku procent. Mark Surman z organizacji Mozilla zwraca uwagę, że 95% wewnętrznych eksperymentów z AI w przedsiębiorstwach kończy się niepowodzeniem przed trafieniem na środowisko produkcyjne.
Infrastruktura obliczeniowa boryka się również z problemami fizycznymi i eksploatacyjnymi: – Awaryjność sprzętu: Podczas 54-dniowego cyklu trenowania modelu Llama 3 na infrastrukturze Meta roczny wskaźnik awaryjności układów GPU wyniósł 9%. – Szybka amortyzacja: Nowe generacje chipów są znacznie bardziej efektywne energetycznie, co obniża wartość rynkową starszych jednostek, takich jak Nvidia A100 czy H100. – Spadek rentowności laboratorium: OpenAI prognozuje 74 mld USD straty operacyjnej w samym 2028 roku, a łączna skumulowana strata tej spółki w latach 2024 – 2029 szacowana jest przez Deutsche Bank na 140 mld USD. Generowanie wideo w usłudze Sora wiąże się z kosztami rzędu 15 mln USD dziennie.
Rynki azjatyckie i neokloudy: pęknięcie bańki na sprzęcie i dostawcach
Pierwsze symptomy przeceny w sektorze infrastruktury sztucznej inteligencji pojawiły się na giełdach w Azji Południowo-Wschodniej oraz w segmentach dłużnych o wysokiej rentowności. Spadki wycen producentów pamięci i dostawców specjalistycznych serwerowni pokazują, jak szybko kapitał wycofuje się z rynku przy pierwszych sygnałach spowolnienia popytu. Konsekwencje tych zmian odczuwają również podmioty korzystające z wynajmu mocy obliczeniowych.
Załamanie rynkowe w Azji dotknęło bezpośrednio dostawców komponentów. Południowokoreański indeks KOSPI spadł o 44% w ciągu 40 dni, wymazując 2,18 mln mln USD wartości rynkowej ze względu na gwałtowną wyprzedaż akcji Samsung Electronics oraz SK Hynix. Przecena ta została wywołana obawami hyperskalerów o brak krótkoterminowego zwrotu z inwestycji (ROI) oraz zapowiedzią wprowadzenia przez chińską konkurencję tańszych pamięci High Bandwidth Memory (HBM). W Chinach indeks spółek technologicznych STAR50 stracił 40% wartości, co przełożyło się na spadek o 480 mld USD.
Na rynku amerykańskim ryzyko przesuwa się w stronę dostawców chmury GPU, tzw. neocloudów: – CoreWeave pozyskał finansowanie dłużne w wysokości 2,6 mld USD z oprocentowaniem wyższym o ponad 9 punktów procentowych od stawek bazowych. – Galaxy Digital wyemitował obligacje śmieciowe (junk bonds) o wartości 3,5 mld USD z oprocentowaniem sięgającym niemal 10%, aby sfinansować budowę centrum danych w Teksasie pod wynajem dla CoreWeave. – Koszt finansowania dla dostawców bez własnego ekosystemu rośnie, ponieważ banki przestają traktować same układy GPU jako pewny kolaterał kredytowy ze względu na ryzyko wprowadzenia tańszych chipów z Chin.
Wnioski praktyczne i rekomendacje
Przy narastającym ryzyku finansowym w łańcuchu dostaw AI kadra zarządzająca IT w firmach w Polsce i Unii Europejskiej powinna natychmiast wprowadzić zmiany organizacyjne i architektoniczne.
- Zweryfikuj stabilność finansową dostawców chmury: Skontroluj struktury własnościowe oraz wskaźniki dłużne mniejszych dostawców mocy obliczeniowej (neocloudów), z których korzysta Twój zespół. Sprawdź, czy dostawca nie opiera swojego finansowania na wysoko oprocentowanych obligacjach śmieciowych lub zobowiązaniach zabezpieczonych wyłącznie sprzętem GPU.
- Zmierz wskaźnik konwersji z pilotażu do produkcji (Pilot-to-Production Ratio): Przeanalizuj wszystkie projekty oparte na generatywnej AI w firmie. Jeśli projekt od ponad 6 miesięcy pozostaje w fazie proof-of-concept (PoC) ze względu na problemy z audytowalnością, brakiem kontroli dostępu lub halucynacjami modeli, zawieś dalsze finansowanie do czasu wdrożenia natywnych mechanizmów governance.
- Skonfiguruj architekturę pod kątem przenoszalności modeli (Model Portability): Unikaj ścisłego wiązania kodu aplikacji z własnościowymi interfejsami API jednego dostawcy (np. zamkniętych modeli OpenAI). Wdróż warstwy abstrakcji (np. rozwijane wewnętrznie lub open-source’owe ramki), które pozwalają przełączyć zaplecze na modele lokalne (np. Oumi, Flower AI) lub na rozwiązania uruchamiane we własnej infrastrukturze przy gwałtownej zmianie cenników dostawcy.
- Wdróż umowy licencjonowania oparte na rezultatach (Outcome-based Commercial Models): Renegocjuj umowy z dostawcami oprogramowania biznesowego (Oracle, SAP, ServiceNow). Przechodź z modeli rozliczanych według liczby użytkowników (seats) lub zużycia tokenów na rozliczenia powiązane z wdrożonymi procesami agentowymi i mierzoną wydajnością operacyjną.
Źródła
- AI Is Ready. Enterprises Are Not. Vendors Need to Fix It. – IDC
- AI bubble – Wikipedia
- AI build-out financing – Wikipedia
- AI: IN A BUBBLE? | Goldman Sachs
- Are AI stocks in a bubble? 3 Reasons We Think Not | iShares
- Boom, Bubble, or Buildout?A Multi-Method Evaluation of Whether Artificial Intelligence Is in an Ongoing Financial Bubble – arXiv
- Goldman Sachs and Morgan Stanley say AI debt has already passed 2026 forecasts
- Is The AI Bubble (finally) Popping?

Dodaj komentarz