Czterej najwięksi dostawcy chmury (hyperscalerzy) przeznaczą w 2026 roku łącznie około 725 miliardów dolarów na wydatki kapitałowe (Capex), co stanowi wzrost o 77% w porównaniu do 410 miliardów dolarów w 2025 roku. Skumulowana inwestycja w centra danych, krzem i infrastrukturę energetyczną przesuwa środek ciężkości wyścigu technologicznego z optymalizacji modeli na kontrolę fizycznych zasobów obliczeniowych i logistyki energii.
Architektura wydatków: dominacja sprzętu i bariera energetyczna
Globalny Capex w 2026 roku jest zdominowany przez cztery podmioty, które dążą do zabezpieczenia mocy obliczeniowej przed wystąpieniem popytu, obawiając się strukturalnych niedoborów mocy (compute shortage). Budowa pojedynczego kampusu AI kosztuje obecnie od 5 do 10 miliardów dolarów i wymaga przyłącza energetycznego o mocy od 500 MW do ponad 1 GW.
Podział wydatków kapitałowych według spółek (prognoza 2026): Amazon: 200 mld USD (wzrost o ok. 100% r/r), główny cel: AWS, Trainium 2, Anthropic. Microsoft: 190 mld USD (wzrost o ok. 100% r/r), główny cel: Azure, OpenAI, Maia 200. Google (Alphabet): 175–185 mld USD (wzrost o ok. 110% r/r), główny cel: TPU v6, Gemini, DeepMind. Meta: 115–135 mld USD (wzrost o ok. 80% r/r), główny cel: Llama, ranking reklam, MTIA.
Struktura kosztowa typowej infrastruktury AI obejmuje: 50% na serwery i układy scalone (Nvidia GB200/GB300 oraz własne chipy jak TPU v6, Trainium 2 czy Maia), 35% na budowę centrów danych (chłodzenie cieczą, networking InfiniBand) oraz 15% na infrastrukturę energetyczną. Brak dostępu do energii elektrycznej zastępuje brak GPU jako główny czynnik hamujący rozwój, co wymusza na spółkach tech podpisywanie umów PPA na energię nuklearną i budowę własnych turbin gazowych.
Ekonomia tokenów: przewaga infrastruktury on-premise nad chmurą publiczną
Model TCO (Total Cost of Ownership) w 2026 roku wykazuje drastyczne skrócenie punktu rentowności dla infrastruktury on-premise przy wysokim obciążeniu (utylizacja >20%). Analiza porównawcza systemów takich jak Lenovo ThinkSystem SR680a V4 z układami Nvidia B300 wykazuje, że koszt wygenerowania 1 miliona tokenów jest do 18 razy niższy w modelu własnym niż w przypadku korzystania z API modeli typu frontier (np. GPT-5 mini).
| Parametr porównawczy (2026) | Chmura Publiczna (Retail API) | Infrastruktura On-Premise (Lenovo/B300) |
|---|---|---|
| Koszt 1M tokenów (Llama 70B) | ~0,89 USD | ~0,11 USD |
| Czas zwrotu inwestycji | Nie dotyczy | 3,7 – 10,4 miesiąca |
| Oszczędności w 5-letnim cyklu | 0% | Około 5,2 mln USD na serwer |
| Przepustowość (tokeny/sek) | Zależna od limitów | 30 576 (H100) – 101 608 (B300) |
Kluczowym wskaźnikiem wydajności (KPI) staje się TPS/$ (Tokens Per Second per Dollar), zastępujący surowe FLOPS. Architektury oparte na Blackwell (B200/B300) oferują 3-krotny wzrost przepustowości przy tych samych modelach w porównaniu do architektury Hopper (H100). Optymalizacja procesów inferencji on-premise pozwala na uniknięcie marż „rent-seeking” narzucanych przez dostawców chmurowych.
Ryzyko amortyzacji i luka przychodowa rzędu 1,5 biliona dolarów
Obecne praktyki księgowe hyperscalerów zakładają amortyzację sprzętu serwerowego w cyklu 5–6 lat, podczas gdy rzeczywisty okres ekonomicznej użyteczności chipów AI wynosi 1–3 lata ze względu na szybką degradację fizyczną pod obciążeniem oraz technologiczną przestarzałość. Ta rozbieżność tworzy tzw. „subsydium kapitałowe”, które sztucznie zawyża raportowane zyski i pozwala na agresywne ceny usług w fazie formowania się rynku.
Zidentyfikowane zagrożenia finansowe i operacyjne: Luka przychodowa (Revenue Gap): Do 2030 roku branża AI może potrzebować 1,5 biliona dolarów rocznych przychodów, aby pokryć koszty wymiany infrastruktury, podczas gdy obecne projekcje są o rzędu wielkości niższe. Brak „drugiej szansy”: W przeciwieństwie do bańki telekomunikacyjnej z 2001 roku, gdzie światłowody miały dekady żywotności, 3-letnie GPU po upadku firmy będą bezużyteczne dla nowych graczy ze względu na 4-5 krotny wzrost wydajności nowych generacji krzemu. * Finansowanie cyrkularne: Nvidia posiada m.in. 7% udziałów w CoreWeave, które kupuje GPU od Nvidii i wynajmuje je OpenAI, w które Nvidia również inwestuje. Taka struktura potęguje ryzyko systemowe w przypadku spowolnienia adopcji AI w przedsiębiorstwach.
Integracja pionowa a bezpieczeństwo danych i suwerenność AI
Organizacje technologiczne przekształcają się w pionowo zintegrowane imperia, kontrolujące łańcuch dostaw od własnego krzemu (TPU, Maia, Trainium), przez infrastrukturę chłodzenia cieczą (jak Lenovo Neptune™ redukujące PUE do 1.1), aż po własne źródła energii (reaktory atomowe). Model ten tworzy „zamknięte ogrody” (Walled Gardens) inteligencji, utrudniając migrację danych między dostawcami.
Analiza ryzyk projektowych i bezpieczeństwa: Persistent Memory Trap: Agenci AI przechowują własność intelektualną (IP) przedsiębiorstw na serwerach w USA bez gwarancji rezydencji danych i automatycznego usuwania, co omija standardowe reguły 30-dniowego retencyjnego czyszczenia (zasada DTA AGT.2). Blokada dostawcy (Lock-in): Koszty przełączenia (switching costs) w AI są o rzędy wielkości wyższe niż w tradycyjnych usługach wyszukiwania, obejmując specyficzny prompt engineering, zestawy danych do dostrajania (fine-tuning) i integrację z głębokimi stosami technologicznymi koalicji (np. Microsoft-OpenAI). * Ryzyko fizyczne: Wysoka utylizacja GPU (60-70%) skraca ich życie do 1-2 lat z powodu naprężeń termicznych, co wymusza wdrażanie zaawansowanych systemów chłodzenia cieczą jako standardu dla szaf klasy GB.
Wnioski praktyczne i rekomendacje
- Zweryfikuj model TCO: Przy stałych obciążeniach inferencyjnych przekraczających 20% utylizacji, należy przeprowadzić migrację z modelu API na własną infrastrukturę on-premise lub kolokację, aby zredukować koszty operacyjne o co najmniej 80%.
- Wdróż mechanizmy czyszczenia pamięci agentów: Skonfiguruj procesy zarządzania retencją danych dla agentów AI, aby zapobiec niekontrolowanemu gromadzeniu IP na serwerach zewnętrznych, wymuszając przestrzeganie lokalnych ram prawnych dotyczących prywatności.
- Zabezpiecz moce energetyczne: Przy planowaniu nowych centrów danych, priorytetem jest zabezpieczenie kontraktów energetycznych (PPA) przed zakupem sprzętu, gdyż czas oczekiwania na przyłącze do sieci wynosi obecnie od 5 do 7 lat.
- Zastosuj abstrakcję API: Wykorzystuj narzędzia takie jak LangChain lub LlamaIndex w celu uniknięcia sztywnego powiązania z API jednego dostawcy, co pozwoli na zachowanie mobilności modeli i redukcję kosztów przełączenia w przyszłości.
- Monitoruj utylizację sprzętu: Ze względu na szybką degradację fizyczną komponentów pracujących pod stałym obciążeniem, należy uwzględnić w planach budżetowych cykl wymiany hardware’u co 3 lata, ignorując standardowe 5-letnie okresy amortyzacji księgowej.
Źródła
- AI Hyperscaler Capex Compared: Why Microsoft, Google, Meta, and Amazon Are All Spending at Once – Value Add VC
- How AI orgs are becoming vertically integrated empires – YouTube
- On-Premise vs Cloud: Generative AI Total Cost of Ownership (2026 Edition) – Lenovo Press
- Sovereign AI: The Trillion- Dollar Frontier – PitchBook
- Tech Giants will splurge $700 Billion on AI infrastructure in 2026 – Disruption News
- The $700 Billion Reckoning: Why Tech Titans Are Betting the Future on AI—And Borrowing Like Sovereigns to Do It – Cyber News Centre
- The AI Infrastructure Revenue Gap
- The AI Investment Boom: When Will It Pay Off? | Goldman Sachs
Dodaj komentarz