Nvidia traci 700 mld USD: wycena spada poniżej 17x zysku

Rynek kapitałowy zaczął dyskontować trwałość zysków firmy Nvidia, obniżając jej wskaźnik ceny do zysku poniżej 17x, mimo prognozowanego wzrostu przychodów w sektorze data center. Dla architektów IT i CTO w Europie oznacza to zmianę realiów finansowania i dostępności mocy obliczeniowej, w miarę jak wyceny rynkowe zderzają się z wysokim zadłużeniem i koncentracją odbiorców. Spadek wartości rynkowej spółki Nvidia o 700 miliardów USD w ciągu 13 dni roboczych ujawnił strukturalne napięcia w całym łańcuchu dostaw sprzętu AI.

Mechanizm finansowania i struktura długu w projektach Nvidia

Skalowanie infrastruktury sztucznej inteligencji wymaga kapitału przewyższającego tradycyjne budżety operacyjne firm technologicznych. Zamiast finansować inwestycje z własnych przepływów gotówkowych, branża przeszła na model długu projektowego i spółek celowych, przenosząc ryzyko majątkowe poza bilanse.

Wydatki inwestycyjne (capex) pięciu głównych hiperskalerów – firm Oracle, Microsoft, Amazon, Meta oraz Alphabet – wzrosły z 97 mld USD w 2020 roku do ponad 400 mld USD w 2025 roku i mają przekroczyć 800 mld USD w 2026 roku. Łączny capex tych przedsiębiorstw po raz pierwszy przewyższył ich generowane przepływy operacyjne.

Aby utrzymać tempo zakupów układów firmy Nvidia, podmioty te tworzą konsorcja finansowe pozabilansowe. Przykładem jest projekt Hyperion (kampus AI o mocy 2,0 GW i wartości 30 mld USD), w którym spółka Meta sprzedała 80% udziałów funduszowi Blue Owl, a spółka celowa Beignet wyemitowała obligacje o wartości 27 mld USD. Wskaźnik długu do aktywów w tym projekcie sięga 90%, przy wskaźniku pokrycia obsługi długu (DSCR) na poziomie zaledwie 1,12x.

Wskaźniki zadłużenia i zobowiązań w sektorze AI przedstawiają się następująco:

• Zobowiązania leasingowe hiperskalerów: 970 mld USD łącznych zobowiązań, z czego 660 mld USD to umowy przyszłe, niewykazane jeszcze bezpośrednio w bilansach.
• Łączne zobowiązania pozabilansowe 4 głównych graczy: 2,4 biliona USD (w tym 904 mld USD w przyszłych leasingach i 1,52 biliona USD w zobowiązaniach do zakupu układów).
• Realny wzrost lewarowania: Uwzględnienie unieważnialnych leasingów podnosi średni wskaźnik długu do kapitału własnego hiperskalerów z 20% do 48%, a wskaźnik długu do EBITDA z 0,7x do 2,6x.

Koncentracja klientów i zjawisko cyrkularnego finansowania Nvidia

Model biznesowy firmy Nvidia stał się zależny od bardzo wąskiej grupy nabywców oraz od własnych zastrzyków kapitałowych wprowadzanych do ekosystemu klientów. Zależność ta wywołuje obawy analityków rynkowych dotyczące sztucznego podtrzymywania popytu na akceleratory GPU.

W pierwszej połowie roku obrotowego trzej najwięksi klienci odpowiadali za 44% łącznych przychodów firmy Nvidia. Dla porównania, w poprzednim roku dwa podmioty generowały 36%, a dwa lata wcześniej żaden klient nie przekraczał progu 10%. Jeden z bezpośrednich odbiorców odpowiadał za 22% przychodów, a kolejny za 14%. Jednocześnie stan należności firmy Nvidia wzrósł o 64% do 63 mld USD, przy wydłużeniu terminów płatności z 45 do 60 dni, a w poszczególnych umowach nawet do jednego roku.

Nvidia równolegle rozwija model finansowania własnych odbiorców. Portfel inwestycji kapitałowych firmy Nvidia wzrósł z 2,2 mld USD w 2024 roku do 9,9 mld USD w połowie 2026 roku. W samym 2026 roku Nvidia zaangażowała ponad 40 mld USD w rundy finansowe klientów (w tym 30 mld USD dla OpenAI i 10 mld USD dla Anthropic). Ponadto Nvidia zapewniła 15 mld USD warunkowej gwarancji kredytowej dla kompleksu OpenAI w Ohio o mocy 10 GW oraz przystąpiła do konsorcjum instytucji finansowych oferujących 500 mld USD długu pod zastaw swoich układów, udostępniając 25% gwarancji wartości końcowej (125 mld USD ryzyka własnego).

Wspierane przez firmę Nvidia neocloudy (np. CoreWeave) zderzają się z wysokim kosztem długu. Rynkowa rentowność obligacji spółki CoreWeave wzrosła do 15,78% przy rocznych kosztach odsetkowych rzędu 640 mln USD i zadłużeniu przekraczającym 51 mld USD. Rynek kredytowy ogranicza finansowanie podmiotom bez operacyjnych przepływów gotówkowych, a prognozy wskazują, że do 2030 roku 80% niezależnych dostawców neocloud zakończy samodzielną działalność.

Ile kosztuje budowa i utrzymanie infrastruktury danych Nvidia?

Nakłady kapitałowe potrzebne do uruchomienia i eksploatacji nowoczesnego centrum obliczeniowego AI determinują minimalny poziom cen, jaki rynek musi zapłacić za jednostkę mocy obliczeniowej. Koszt budowy kampusu szkoleniowego o mocy 200 MW wynosi 8,216 mld USD.

Struktura kosztów pojedynczego obiektu o mocy 200 MW (przy wskaźniku PUE 1,2 i 166,7 MW mocy dedykowanej dla IT) obejmuje następujące składniki:

Prognozowany amerykański program budowy mocy 188,3 GW do 2032 roku wymaga łącznych nakładów wysokości 8,973 biliona USD (średnio 3,22% PKB USA rocznie). Aby inwestycja ta przyniosła 10% zwrotu bez dźwigni przy 50% marży przepływów operacyjnych, wybudowana infrastruktura musi generować 3,549 biliona USD dojrzałego przychodu rocznie (co stanowi 8,8% przewidywanego PKB USA w 2032 roku).

W przeliczeniu na jednostki sprzętowe wymóg ten oznacza stawkę 5,1 USD za godzinę pracy GPU GB300 przy 100% wykorzystaniu lub 6,4 USD za godzinę przy 80% obciążenia. Jeżeli rzeczywisty okres używalności akceleratorów wyniesie 3 lata zamiast księgowanych przez chmury 6 lat, wymagany roczny przychód wzrasta do 5,7 biliona USD (14,1% PKB USA), a próg rentowności skacze do 8,2 USD za godzinę GPU. Amortyzacja wydłużona do 6 lat zniża bieżące koszty w bilansach, ale zdaniem analityków zniżka ta ukrywa niedoszacowanie amortyzacji w branży sięgające 176 mld USD w latach 2026 – 2028.

Wąskim gardłem pozostaje infrastruktura energetyczna. Z 12 GW planowanych w USA na 2026 rok, w budowie znajduje się zaledwie 5 GW. Czas dostawy transformatorów sieciowych wydłużył się do 5 lat, a 40% centrów danych AI zderzy się z brakiem przydziału mocy do 2027 roku.

Ryzyka operacyjne i geopolityczne dla rynku układów Nvidia

Oprócz barier kapitałowych i energetycznych spółka Nvidia mierzy się z presją marżową, ograniczeniami eksportowymi oraz alternatywnymi rozwiązaniami technologicznymi wchodzącymi do przedsiębiorstw.

Marża brutto firmy Nvidia obniżyła się z 75% w drugim kwartale i według prognoz spadnie poniżej 72% w czwartym kwartale z powodu wyższych kosztów pamięci HBM oraz komponentów szaf serwerowych. Złożyły się na to również trudności przy wdrażaniu architektury Blackwell GB200, gdzie gęsta integracja doprowadziła do przegrzewania modułów i awarii połączeń we wczesnej fazie produkcji.

Czynniki zewnętrzne wpływające na pozycję firmy Nvidia obejmują:

• Ograniczenia eksportowe w Chinach: Nvidia dokonała odpisu w wysokości 4,5 mld USD na niesprzedane układy H20 i straciła szacunkowo 8 mld USD przychodów. Udział firmy Nvidia w chińskim rynku akceleratorów spadł z 95% do 34% (dostawy 678 tys. sztuk w H1 2026 wobec 572 tys. sztuk dostarczonych przez firmę Huawei).
• Własne układy hiperskalerów: Google wprowadza procesory TPU 8. generacji (Ironwood) z otwartym oprogramowaniem pozwalającym na migrację kodu bez przepisywania aplikacji, generując do 30% oszczędności kosztowych. Meta i SpaceX rozwijają własne układy wspólnie z firmą Broadcom oraz AMD (z opcją na 160 mln akcji AMD).
• Postępowania antymonopolowe: Departament Sprawiedliwości USA (DOJ) prowadzi oficjalne śledztwo w sprawie domniemanych praktyk monopolistycznych firmy Nvidia, powiązanych ze sprzedażą wiązaną oprogramowania CUDA i wymuszaniem wyłączności sprzętowej.
• Presja sieciowa: Zdominowana przez kupioną firmę Mellanox technologia Infiniband wypierana jest w wielkich klastrach przez standard Ethernet (Spectrum X firmy Nvidia kontra rozwiązania Broadcom, Cisco i Marvell) ze względu na otwartość ekosystemu.

Wnioski praktyczne i rekomendacje

• Zweryfikuj umowy z dostawcami mocy obliczeniowej typu neocloud pod kątem ich struktury zadłużenia i wskaźników płynności. Unikaj długoterminowych zaliczek u pośredników o rentowności obligacji przekraczającej 10%.
• Zmierz rzeczywisty koszt TCO wdrożeń AI, przyjmując cykl żywotności sprzętu GPU na poziomie maksymalnie 36 miesięcy zamiast księgowych 60-72 miesięcy. Uwzględnij w budżecie stawkę bazową na poziomie minimum 5,1 – 6,4 USD za godzinę pracy GPU typu GB300.
• Wdróż otwarte warstwy pośrednie (np. Triton, frameworki ONNX/OpenXLA), aby odizolować kod aplikacyjny od stosu oprogramowania CUDA i utrzymać przenośność modeli na układy TPU lub ASIC.
• Skonfiguruj architekturę sieciową w oparciu o standard Ethernet w miejsce własnościowych rozwiązań Infiniband, co zabezpieczy infrastrukturę przed brakiem kompatybilności ze sprzętem innych dostawców.

Źródła

• Economic Analysis Report of Nvidia – Frontier Scientific Publishing
• Financing the AI Buildout Stijn Van Nieuwerburgh Working Paper 35865 – NBER
• Nvidia Is Now the AI Bubble’s Single Point of Failure | Paul Kedrosky – YouTube
• Nvidia’s Cooling Stock Valuations Are Being Looked At As A Warning Signal – TradingView
• Nvidia’s Customer Concentration Hits Record High in First Half as Three Major Clients Account for Over 40% of Revenue – BigGo Finance
• Nvidia’s fat margins are a worrying sign of its market power – Light Reading
• The (Overdue) Collapse of Nvidia’s $900B Empire
• The (Overdue) Collapse of Nvidia’s $900B Empire – YouTube