O czym jest ten film
- NVIDIA podpisała porozumienia z sześcioma największymi pulami kapitału świata (Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs, KKR) w sprawie platform finansowych zdolnych zmobilizować ponad 500 mld USD kapitału zewnętrznego na infrastrukturę AI.
- To nie są zebrane pieniądze, tylko listy intencyjne — platformy trzeba jeszcze utworzyć, inwestorzy muszą się zobowiązać, a każdy projekt musi się zakwalifikować do finansowania.
- Autor stawia tezę przewodnią: każda wielka technologia potrzebuje dwóch wynalazków — samej maszyny i sposobu jej sfinansowania. Ten tydzień dotyczy tego drugiego.
- Analogia kolei: Ameryka nie wymyśliła tylko lepszej lokomotywy, ale też system zamieniania przyszłego ruchu kolejowego w pieniądze na budowę torów dzisiaj.
- Problem cyrkularności: te same firmy są dla siebie klientami, dostawcami, wierzycielami i inwestorami — Microsoft zaksięgował 24 mld USD przychodu od OpenAI przy reklamowanym „run rate” AI na poziomie 37 mld USD.
- Popyt końcowy liczony bez podwójnego zliczania (Exponential View): 110 mld USD przychodu z generatywnej AI w 12 miesiącach, ostatni miesiąc w tempie ponad 175 mld USD rocznie.
- Struktura finansowania projektowego: osobna spółka na jeden blok infrastruktury, kontrakt zapewniający minimalny przychód, warstwa kapitału własnego i długu, sprzęt jako zabezpieczenie, ograniczone wsparcie kredytowe NVIDII (do 25% projektu).
- Trzy realne ryzyka: koncentracja kontrahentów, agresywna dźwignia mimo prawdziwego popytu oraz struktura zachęt, w której wszyscy inkasują wcześnie, a długoterminowe ryzyko ponosi ktoś inny.
- Dowody z rynku długu: ratingowana pożyczka CoreWeave na 8,5 mld USD (A3 od Moody’s) i lipcowe stanowisko urzędników SEC, że sekurytyzacje centrów danych nie są papierami zabezpieczonymi aktywami.
- Druga strona pytania — praca: spadek zatrudnienia młodych w zawodach eksponowanych na AI wynika z ograniczonej rekrutacji, nie zwolnień, a rozjazd zaczął się przed ChatGPT.
Redakcyjne tłumaczenie
Fałszywy wybór na wstępie
Jeśli AI jest bańką, to NVIDIA i Wall Street właśnie zamierzają wpompować w nią kolejne 500 miliardów dolarów — a razem z nią pójdzie wasza emerytura. Jeśli AI nie jest bańką i wszystko zadziała, inteligencja stanieje, firmy będą potrzebowały mniej ludzi — i pójdzie wasza praca. Emerytura albo praca. Źle w obie strony.
Nie sądzę jednak, żeby to były rzeczywiste opcje do wyboru. Ten materiał jest o tym, dlaczego.
Dwa wynalazki każdej wielkiej technologii
Każda przełomowa technologia potrzebuje dwóch wynalazków. Ktoś musi wynaleźć maszynę — i ktoś musi wynaleźć sposób opłacenia takiej liczby tych maszyn, żeby naprawdę zmieniły gospodarkę. Ten tydzień dotyczy tego drugiego.
NVIDIA podpisała właśnie porozumienia z Apollo, BlackRockiem, Blackstone’em, Brookfieldem, Goldman Sachsem i KKR. Razem chcą stworzyć platformy finansowe zdolne z czasem zmobilizować ponad 500 miliardów dolarów kapitału zewnętrznego na budowę infrastruktury AI.
(Informacja dodatkowa: wymienione firmy to największe na świecie zarządzające aktywami alternatywnymi i banki inwestycyjne — podmioty, które na co dzień finansują elektrownie, lotniska czy autostrady, a nie startupy technologiczne).
Ale NVIDIA nie pozyskała 500 miliardów dolarów. Nie ma żadnego konta z połową biliona dolarów czekającego na zakup GPU. To są memoranda o porozumieniu. Własne ogłoszenie NVIDII mówi to zupełnie wprost: te partnerstwa pozostają uzależnione od zawarcia ostatecznych umów. Platformy trzeba dopiero utworzyć, inwestorzy muszą jeszcze podjąć zobowiązania, a każdy projekt musi się oczywiście zakwalifikować do finansowania.
Mimo to sześć największych na świecie pul kapitału uznało, że moc obliczeniowa AI może stać się czymś, co potrafią finansować. A to wcześniej nie było prawdą.
Karuzela pieniędzy — ile w tym prawdziwego popytu
Microsoft inwestuje w OpenAI, OpenAI kupuje moc obliczeniową od Microsoftu. NVIDIA inwestuje w CoreWeave, CoreWeave pożycza pieniądze na zakup układów NVIDII, a OpenAI rezerwuje moce u CoreWeave. NVIDIA zgodziła się też — pod pewnymi warunkami — odkupować niewykorzystane moce CoreWeave. Tam i z powrotem, w kółko.
A oto skala tego koła zamknięta w jednej liczbie. Microsoft zaksięgował 24 miliardy dolarów przychodu od OpenAI w roku obrotowym 2026. Zestawcie to z 37 miliardami dolarów „run rate” w AI, którymi Microsoft się chwali, a zobaczycie, jak duża część tej nagłówkowej liczby to jeden klient — w którego Microsoft dodatkowo inwestuje.
(Informacja dodatkowa: „run rate” to przychód z ostatniego okresu przeliczony na tempo roczne — wskaźnik popularny w komunikacji firm technologicznych, bo pokazuje bieżącą dynamikę, a nie faktycznie zarobione pieniądze).
Można więc rozrysować na kartce reinwestycję, kontrakt, pożyczkę i zakup układów — i patrzeć na te same pieniądze krążące w kółko, po drodze sprawiające, że każda firma wygląda bogaciej.
Te kontrakty są prawdziwe, ale to nie jest jedna zamknięta pętla, w której NVIDIA wysyła dolara i dostaje z powrotem tego samego dolara. Koncentracja rodzi jednak uczciwe pytanie: czy te firmy finansują autentyczny popyt, czy finansują siebie nawzajem, żeby móc raportować popyt?
Dlaczego finansiści nie są opcjonalni — lekcja kolei
Finansiści nie są dodatkiem. Koleje są tu najczystszym przykładem. Spółka kolejowa musiała kupić ziemię, zbudować mosty, położyć tory, kupić lokomotywy i zatrudnić robotników na lata przed tym, zanim przychody z biletów i frachtu mogły cokolwiek z tego zwrócić. Technologia była ogromnie użyteczna, ale firma i tak nie mogła sfinansować sieci krajowej z gotówki leżącej na koncie.
Ameryka zbudowała więc nadania ziemi, obligacje kolejowe, syndykaty gwarantujące emisje, banki inwestycyjne i rynki publiczne, które potrafiły zebrać pieniądze od inwestorów w Stanach i w Europie i sfinansować ekspansję kolei. Kraj nie wynalazł po prostu lepszej lokomotywy — nauczył się zamieniać przyszły ruch kolejowy, często oddalony o lata, w pieniądze pozwalające kłaść tory już dziś.
Ten system wyprodukował spekulację. Wyprodukował oszustwa. Wyprodukował niewypłacalności i panikę roku 1873. Wyprodukował też sieć kolejową.
(Informacja dodatkowa: panika 1873 roku zaczęła się od upadku banku Jay Cooke & Company finansującego Northern Pacific Railway i przerodziła się w wieloletnią depresję gospodarczą w USA i Europie).
Mechanizm zmienia się wraz z maszyną, ale cel nigdy. Przesuwasz pieniądze od tych, którzy je mają, do produktywnego aktywa, które potrzebuje lat, żeby je zwrócić. Potrzebujesz gruntu, zasilania, stacji transformatorowych, chłodzenia, sieci, budynków i szaf z drogimi akceleratorami — zanim klient dostanie pierwszy token. Kapitał wychodzi pierwszy, przychód przychodzi później.
Jak zmierzyć prawdziwy popyt
Trzeba umieć zmierzyć ten popyt bez liczenia tego samego klienckiego dolara czterokrotnie. Próbowała tego firma Exponential View. Kiedy przedsiębiorstwo płaci aplikacji AI, ta aplikacja płaci firmie modelowej, a firma modelowa płaci dostawcy chmury — nie można zaliczyć wszystkich trzech płatności jako trzech osobnych kawałków popytu końcowego. Exponential View liczy dolara od klienta z zewnątrz dokładnie raz, co jest właściwym sposobem ustalenia, ile realnego popytu jest w systemie.
Ich czerwcowy raport podaje 110 miliardów dolarów przychodu z generatywnej AI w ciągu ostatnich dwunastu miesięcy, przy czym ostatni miesiąc szedł w tempie rocznym powyżej 175 miliardów. Innymi słowy: rośnie szybko.
Anthropic podał, że jego run rate przekroczył 47 miliardów dolarów w maju, a najnowsze plotki od osób z wnętrza firmy mówią, że przed tegorocznym debiutem giełdowym przekroczy 100 miliardów. To plotka — dowiemy się, co naprawdę mówią liczby, z prospektu S-1, a plotki będą krążyć aż do IPO. Ale sens jest taki, że wciąż widzimy szybki wzrost.
Mediana firmy wydaje około 12 dolarów na pracownika, a górny 1% firm — 7400 dolarów. To wygląda na rynek rozprzestrzeniający się z różnymi prędkościami, a nie na rynek bez klientów zewnętrznych.
Elastyczność cenowa tokenów
Szacunek Exponential View mówi, że każde 10-procentowe obniżenie cen tokenów prowadzi do zużycia większego o 12–18%. Z tym trzeba jednak ostrożnie. To ich szacunek, a nie wynik zmierzony na rynku. To zasadniczo wczesna estymacja elastyczności popytu na tokeny i będziemy musieli myśleć o tym głębiej w miarę, jak gospodarka tokenowa rośnie.
Ogólnie rzecz biorąc: kiedy firmy dostają niższe ceny tokenów, nie chowają po prostu oszczędności do kieszeni. Uruchamiają model częściej, dają agentowi więcej kroków, pozwalają mu sprawdzić własną pracę. Jedno ukończone zadanie po tej bardziej zaawansowanej stronie może obejmować 50, a nawet 500 wywołań modelu. Spadające ceny mogą więc z czasem zwiększać całkowity popyt. Lepsze modele znów poszerzają rynek, bo zaczynają konkurować o pieniądze wydawane na pracę, a nie tylko o pieniądze wydawane na oprogramowanie.
Strona infrastrukturalna
CoreWeave pokazuje stronę infrastrukturalną. Jego portfel zamówień przekroczył mniej więcej sto miliardów dolarów, a kwartalne przychody więcej niż podwoiły się rok do roku. Portfel zamówień to nie przychód i CoreWeave musi dopiero zbudować i dostarczyć te moce. Ale klienci nie rezerwują stu miliardów dolarów mocy obliczeniowej dlatego, że nikt jej nie chce.
I właśnie dlatego NVIDIA potrzebuje Wall Street. Pierwsza fala pochodziła z gotówki hiperskalerów, z venture capital i z długu zaciąganego przez wyspecjalizowane chmury. Następna fala potrzebuje ubezpieczycieli, funduszy emerytalnych, funduszy infrastrukturalnych, kredytu prywatnego i kapitału suwerennego — tych samych inwestorów, którzy już finansują elektrownie, samoloty, światłowody, magazyny i płatne drogi.
Każda wielka technologia potrzebuje tych dwóch wynalazków. A NVIDIA próbuje właśnie zbudować ten drugi, publicznie i na termin. Nikt relacjonujący tę historię nie tłumaczy tej części — więc zrobię to ja, bo uważam, że to jest cała istota rzeczy.
Jak działa taka struktura finansowania
Wyobraźcie sobie osobną spółkę. Została utworzona po to, by być właścicielem jednego bloku infrastruktury AI: budynku, przyłącza energetycznego, chłodzenia, sieci i układów GPU. Ma klienta, który zgadza się zarezerwować te moce albo płacić minimalną kwotę przez kilka lat.
Inwestor kapitałowy wkłada pieniądze, które przyjmują pierwszą stratę. Kredytodawca dostarcza dług i otrzymuje spłatę przed właścicielem kapitału. Sprzęt pełni funkcję zabezpieczenia, a rachunek rezerwowy pokrywa przejściowe niedobory. W niektórych strukturach NVIDIA zapewnia ograniczone wsparcie kredytowe. Jensen Huang podał na to liczbę: do 25% danej transakcji. Zaznaczył przy tym starannie, że projekt po projekcie. NVIDIA bierze więc na siebie część ryzyka rezydualnego w systemie, ale nie całość.
Kiedy przychodzą płatności od klienta, projekt pokrywa koszty operacyjne, potem kredytodawców, a potem właścicieli. Ryzyko nie zniknęło. Zostało podzielone na kawałki, które różni inwestorzy potrafią ocenić i kupić.
Trzy realne ryzyka
Koncentracja kapitału. Ta sama niewielka grupa producentów układów, chmur, laboratoriów modelowych i hiperskalerów bywa dla siebie nawzajem klientami, dostawcami, kredytodawcami i inwestorami. Jeśli jeden duży klient nie honoruje kontraktu, strata przechodzi przez kilka firm naraz.
Dźwignia. CoreWeave ma szybki wzrost i świetny portfel zamówień, ale ma też długi, koszty odsetkowe i utrzymujące się straty w trakcie budowy. Oba te fakty mają znaczenie. Popyt może być prawdziwy, a finansowanie mimo to zbyt agresywne.
Tu warto jednak zestawić coś jeszcze. Układ A100, wprowadzony w 2020 roku, w 2029 będzie miał dziewięć lat i wciąż będzie generował wartość. Mamy więc generację układów z 2020 roku z wciąż obowiązującym kontraktem klienckim, przynoszącą przychód dziewięć lat po premierze — przy konwencjonalnym założeniu, że GPU żyje od trzech do pięciu lat.
Nie znaczy to, że układ przestaje się amortyzować. Znaczy to, że najmocniejsza wersja argumentu o „aktywach osieroconych”, w której stare GPU szybko staje się bezwartościowe, niekoniecznie pasuje do obserwowanych faktów. Stare GPU może dalej zarabiać — co nie czyni go pozbawionym ryzyka, bo wciąż może sprzedać się taniej, niż zakładał kredytodawca. Jest to jednak dużo mniej ryzykowne niż idea stojąca za wieloma założeniami o bańce, czyli przekonanie, że ludzie zakładają dłuższą żywotność i sprawność GPU, niż wynika z rzeczywistości. Zaczyna wyglądać na to, że GPU żyją dłużej — a to czyni finansowanie bezpieczniejszym dla wszystkich.
Zachęty. NVIDIA dostaje zapłatę, kiedy sprzęt się sprzeda. Operator chmury korzysta na ogłaszaniu dużego portfela zamówień. Firma finansowa może zainkasować opłaty, zanim projekt przepracuje pełne dziesięć lat. Jeśli wszyscy dostają zapłatę wcześnie, a ktoś inny jest właścicielem ryzyka długoterminowego, standardy oceny kredytowej mogą się psuć bardzo, bardzo szybko.
Infrastruktura AI ma dźwignię, skoncentrowanych kontrahentów, motywacje oparte na opłatach i niepewną wartość zabezpieczeń. To są prawdziwe sygnały ostrzegawcze. To są rzeczy, nad których odryzykowaniem musimy pracować.
Rynek długu jest bardziej dojrzały, niż się wydaje
Rynku jest tu jednak znacznie więcej, niż większość zakłada. W marcu CoreWeave zamknął linię kredytową na 8,5 miliarda dolarów z ratingiem A3 od Moody’s i A low od DBRS. CoreWeave nazwał to pierwszym finansowaniem o ratingu inwestycyjnym zabezpieczonym infrastrukturą obliczeń wysokiej wydajności, stojącym za kontraktem klienckim. Dług zabezpieczony układami GPU już jest ratingowany, a instytucje już zaczynają go kupować.
W lipcu urzędnicy SEC zajęli się kolejnym krokiem. Potwierdzili, że sekurytyzacje centrów danych nie są papierami zabezpieczonymi aktywami w rozumieniu Exchange Act — co oznacza, że nie stosuje się do nich reguła zatrzymania ryzyka napisana po 2008 roku. To wzbudziło u mnie pewien niepokój. Przeżyłem rok 2008, pamiętam to.
(Informacja dodatkowa: „reguła zatrzymania ryzyka” (risk retention) wymaga od emitenta zachowania części ryzyka sekurytyzowanych aktywów — zwykle 5% — żeby nie mógł sprzedać całości ryzyka dalej. Wprowadzono ją ustawą Dodda-Franka jako odpowiedź na kryzys kredytów hipotecznych).
Chcę być jednak precyzyjny, co się tam wydarzyło, a co nie. To nie jest uchylenie reguły. To urzędnicy potwierdzają, że reguła nigdy nie przewidywała takiego typu transakcji. Ratingowany dług oparty na GPU istnieje. Droga prawna do sprzedawania go znacznie szerzej jest jaśniejsza niż miesiąc temu. Spodziewamy się, że pójdzie za tym sekurytyzacja — choć transakcja na 500 miliardów, o której mówiłem na początku, niekoniecznie ją implikuje.
Dlaczego to nie jest 2008 rok
System hipoteczny pękł, kiedy standardy kredytowe osłabły, a kredytobiorcy przestali płacić. Nie to widzimy dzisiaj. Czerwcowe dane, o których mówiłem, pokazują przyspieszający przychód od klienta końcowego — i to widać spójnie we wszystkim, co dziś płynie z branży.
W takim świecie zły projekt AI ma większe szanse zacząć się jako zły kredyt udzielony pod jednego skoncentrowanego klienta niż stać się dowodem, że szersza branża nie płaci za AI. Ale korekta na giełdzie, upadek operatora chmury i kryzys finansowy w stylu 2008 to nie są te same rzeczy. Żeby dostać to ostatnie, ryzyko musi stać się duże, mocno lewarowane, szeroko rozproszone, źle ocenione ratingowo i na tyle powiązane, by wiele instytucji upadło jednocześnie.
Widzę niektóre z tych wczesnych elementów, ale nie widzę żadnego zamiaru złożenia z nich pełnej maszyny — a ta pełna maszyna z pewnością dziś nie istnieje.
Idea finansowania jest fundamentalnie powiązana z oczekiwaniem popytu ze strony klienta końcowego. W przeciwieństwie do 2008 roku, gdzie fundamentalnym problemem było to, że klient końcowy przestał spłacać hipotekę, tutaj klient końcowy kupuje coraz więcej AI. To bardzo podstawowy fakt ekonomiczny, na który musimy patrzeć, jeśli chcemy zdrowego systemu. Klient końcowy musi chcieć płacić za AI. W chwili, gdy to przestanie być prawdą, wszyscy mamy kłopot. Ale teraz klient końcowy chce coraz więcej.
A co z twoją pracą
Jeśli finansowanie zadziała, moce zostaną zbudowane, zaczną konkurować na rynku, a firmy zaczną kupować więcej AI — czy nie zaczną zwalniać więcej ludzi? To jest kluczowe pytanie.
Wśród pracowników w wieku 22–25 lat w zawodach silnie eksponowanych na AI zatrudnienie było o mniej więcej 19% niższe, niż byłoby, gdyby nadążało za pracą mniej eksponowaną. Ta zmiana nie wzięła się ze zwolnień. Wzięła się z ograniczonej rekrutacji.
Można pomyśleć: no i proszę, mamy odpowiedź, to kosztuje miejsca pracy, tyle że młodych ludzi, których się po prostu nie zatrudnia. Możecie mieć rację. Możecie się mylić. Na tym polega problem z danymi ekonomicznymi. W tym przypadku ten sam rozjazd zaczął się przed generatywną AI. Czy to jest kontynuacja trendu sprzed ChatGPT? Czy to jest związek przyczynowy? Trudno to rozstrzygnąć w skali.
Gusto przeprowadziło ankietę wśród 1051 osób, które założyły firmy w 2025 roku. 60% korzystało z AI przy starcie, a połowa powiedziała, że dzięki temu założenie firmy było znacząco szybsze lub tańsze — ale tylko 3% stwierdziło, że prawdopodobnie nie zaczęłoby bez tego.
Szczerze mówiąc, uważam, że minęliśmy już punkt, w którym Dolina Krzemowa powiedziałaby, że mamy inteligencję zdolną wykonywać pracę większości ludzi. A mimo to nie widzimy, żeby to prowadziło w prostej linii do zastępowania miejsc pracy. Powód jest, jak sądzę, ten, o którym mówię od zawsze: praca jest skomplikowana. Praca to znacznie więcej niż surowa inteligencja przyłożona do problemu. Praca wymaga ludzi, żeby wykonać ją dobrze — i myślę, że większość firm jest dość mądra, by dostrzec, że w wielu z tych ról naprawdę potrzebują ludzi, których mogą wspomóc AI. AI może być narzędziem, którego oczekuje się od pracownika, ale nie potrafi niezawodnie, z przekonaniem, przy realnych pieniądzach na stole, zastąpić człowieka.
I tu naiwne założenie Doliny stoi w konflikcie z tym, jak świat widzą ludzie prowadzący zwyczajne firmy. Oni nie patrzą na to tak: „ten model zyskał nowe zdolności, jest inteligentny, mogę mu powierzyć wszystko”. Oni patrzą tak: „czy ktoś przyjdzie do pracy i weźmie za to odpowiedzialność?”.
Cztery pytania do następnego wielkiego ogłoszenia
Kiedy zobaczycie kolejne gigantyczne ogłoszenie o finansowaniu AI — prawdopodobnie jutro — zadajcie sobie kilka pytań. Czy jest twardy kontrakt z klientem? Jak bardzo skoncentrowane są przychody? Czy te GPU są w stanie zarobić w okresie życia długu wystarczająco dużo, po uwzględnieniu kosztów energii, opóźnień budowlanych i spadających cen tokenów, żeby się to opłaciło? I kto traci pieniądze pierwszy, jeśli prognoza okaże się błędna? Te pytania powiedzą wam, czy projekt jest dobrze sfinansowany.
Konkluzja
Nie uważam, że AI jest bańką w tym sensie, że rynek bazowy jest oderwany od realnego popytu. Dowody pokazują, że jest przywiązany do bardzo realnego, bardzo szybko rosnącego przychodu od zewnętrznych klientów. Przychody, adopcja, kontrakty i użyteczna praca rosną zdecydowanie za szybko, żeby ta teza dobrze pasowała.
Ale uważam, że część firm jest przewartościowana. Część mocy zostanie zbudowana w niewłaściwym miejscu. Część inwestorów straci dużo pieniędzy. Tak też było z kolejami — i w takiej sytuacji gospodarka zatrzymuje aktywo.
Nie jesteście więc uwięzieni w świecie wyboru między utratą emerytury a utratą pracy. To, na co patrzycie, to technologia tworząca nową inżynierię finansową, która pozwala obsłużyć popyt niezwykłą ilością wybudowanych mocy. To zmieni, do jakiej pracy firmy będą zatrudniać. To obniży koszt założenia firmy. I zrobi to wszystko jednocześnie. A możliwe jest to dzięki inżynierii finansowej, którą NVIDIA wykonała w tym tygodniu.
Każda wielka technologia potrzebuje dwóch wynalazków. NVIDIA próbuje teraz zbudować ten drugi dla AI.
10 najważniejszych takeaways — z kontekstem zastosowania
1.„500 miliardów” to intencja, nie kapitał
Na czym polega: NVIDIA podpisała memoranda z sześcioma instytucjami finansowymi o utworzeniu platform zdolnych zmobilizować ponad 500 mld USD. Sama NVIDIA to potwierdza: partnerstwa zależą od zawarcia ostatecznych umów, platformy trzeba utworzyć, inwestorzy dopiero muszą się zobowiązać, a każdy projekt musi się zakwalifikować.
Jak stosować: Przy każdym nagłówku z wielką liczbą sprawdź, na jakim etapie jest transakcja: list intencyjny, umowa ramowa, zamknięte finansowanie czy wypłacone środki. Różnica między nimi to lata i istotne prawdopodobieństwo, że część nigdy się nie zmaterializuje.
Na co uważać: Odwrotny błąd też jest kosztowny — sam fakt, że sześć największych pul kapitału uznało moc obliczeniową AI za finansowalną klasę aktywów, jest nowością o realnym znaczeniu, nawet jeśli kwota jest hipotetyczna.
2.Odróżniaj popyt końcowy od pieniędzy krążących w obiegu
Na czym polega: Kiedy firma płaci aplikacji AI, aplikacja płaci laboratorium modelowemu, a ono płaci chmurze, to jeden dolar popytu — nie trzy. Exponential View liczy dolara z zewnątrz dokładnie raz i wychodzi mu 110 mld USD przychodu z generatywnej AI w 12 miesiącach, przy ostatnim miesiącu w tempie ponad 175 mld rocznie.
Jak stosować: Analizując rynek AI, oddzielaj przychód pochodzący od klientów spoza ekosystemu od transferów wewnątrz niego. To jedyna liczba, która mówi, czy ktokolwiek naprawdę płaci.
Na co uważać: Szacunki popytu netto są metodologicznie trudne i pochodzą od podmiotów prywatnych — traktuj je jako rząd wielkości, nie jako pomiar.
3.Cyrkularność w liczbach: 24 z 37 miliardów
Na czym polega: Microsoft zaksięgował 24 mld USD przychodu od OpenAI w roku obrotowym 2026, przy reklamowanym „run rate” AI na poziomie 37 mld. Jeden klient, w którego Microsoft jednocześnie inwestuje, odpowiada za większość nagłówkowej liczby.
Jak stosować: Przy każdej metryce wzrostu AI pytaj o koncentrację klientów i o to, czy dostawca jest jednocześnie inwestorem u klienta. Publiczne raporty pozwalają to zwykle odtworzyć.
Na co uważać: Cyrkularność nie oznacza fikcji — kontrakty są prawdziwe i nie jest to jedna zamknięta pętla. Oznacza, że pojedyncza niewypłacalność uderza w kilka firm naraz.
4.Bez drugiego wynalazku — finansowania — technologia nie skaluje
Na czym polega: Każda przełomowa technologia potrzebuje maszyny i sposobu opłacenia dostatecznej liczby maszyn. Koleje potrzebowały nadań ziemi, obligacji, syndykatów gwarancyjnych i rynków publicznych, żeby zamienić przyszły ruch w tory kładzione dziś.
Jak stosować: Oceniając dojrzałość dowolnej technologii kapitałochłonnej, patrz nie tylko na jej możliwości, ale na to, czy powstały instrumenty finansowe pozwalające ją budować z wyprzedzeniem względem przychodów.
Na co uważać: Ta sama maszyneria finansowa, która zbudowała sieć kolejową, wyprodukowała też spekulację, oszustwa i panikę 1873 roku. Jedno nie wyklucza drugiego.
5.Tańsze tokeny prawdopodobnie zwiększają całkowite wydatki
Na czym polega: Szacunek Exponential View: każde 10% obniżki cen tokenów daje 12–18% wzrostu zużycia. Firmy nie chowają oszczędności — uruchamiają model częściej, dają agentowi więcej kroków, pozwalają mu sprawdzać własną pracę. Jedno zaawansowane zadanie to nierzadko 50, a nawet 500 wywołań modelu.
Jak stosować: Planując budżet na AI, nie zakładaj, że spadek cen obniży rachunek. Zakładaj, że przy tym samym budżecie zrobicie więcej — i projektuj procesy tak, by ten dodatkowy compute szedł w weryfikację i wielokrokowe agenty.
Na co uważać: Autor sam zaznacza, że to wczesna estymacja elastyczności, a nie wynik zmierzony na rynku. Nie buduj na tym twardej prognozy kosztów.
6.GPU żyją dłużej, niż zakłada argument o „aktywach osieroconych”
Na czym polega: A100 z 2020 roku będzie w 2029 miał dziewięć lat i wciąż będzie generował przychód pod obowiązującym kontraktem — przy konwencjonalnym założeniu żywotności 3–5 lat. Najmocniejsza wersja tezy, że stare GPU szybko staje się bezwartościowe, nie pasuje do faktów.
Jak stosować: Przy ocenie ryzyka projektów infrastrukturalnych AI (i przy planowaniu własnego sprzętu) wydłuż horyzont użyteczności starszych akceleratorów zamiast odpisywać je po pięciu latach.
Na co uważać: Dłuższe życie nie znaczy brak ryzyka. Układ dalej się amortyzuje i wciąż może zostać sprzedany taniej, niż zakładał kredytodawca.
7.Struktura zachęt jest ważniejsza niż sama dźwignia
Na czym polega: NVIDIA zarabia przy sprzedaży sprzętu, operator chmury korzysta na ogłaszaniu dużego backlogu, a firma finansowa może zainkasować opłaty na długo przed końcem dziesięcioletniego życia projektu. Kiedy wszyscy inkasują wcześnie, a ryzyko długoterminowe należy do kogoś innego, standardy oceny kredytowej psują się szybko.
Jak stosować: Przy każdej transakcji sprawdzaj nie tylko liczby, ale i kto kiedy dostaje zapłatę oraz kto zostaje z ryzykiem po latach.
Na co uważać: To dotyczy również mniejszej skali — ten sam wzorzec występuje w kontraktach na wdrożenia AI, gdzie integrator inkasuje z góry, a ryzyko utrzymania zostaje po stronie klienta.
8.Cztery pytania do każdej dużej transakcji infrastruktury AI
Na czym polega: Czy jest twardy kontrakt z klientem? Jak skoncentrowane są przychody? Czy GPU zarobią w okresie życia długu wystarczająco dużo po kosztach energii, opóźnieniach budowlanych i spadku cen tokenów? Kto traci pieniądze pierwszy, jeśli prognoza zawiedzie?
Jak stosować: Traktuj to jako gotową checklistę przy czytaniu kolejnych ogłoszeń — odpowiedzi zwykle da się znaleźć w komunikacie prasowym i raportach kwartalnych stron transakcji.
Na co uważać: Odpowiedź „nie wiadomo” na pytanie o pierwszą stratę jest sama w sobie sygnałem ostrzegawczym, a nie brakiem danych.
9.Kryzys w stylu 2008 wymaga warunków, których dziś nie ma
Na czym polega: Korekta giełdowa, upadek operatora chmury i kryzys systemowy to trzy różne rzeczy. Do trzeciej potrzeba, by ryzyko było duże, mocno lewarowane, szeroko rozproszone, źle ocenione ratingowo i tak powiązane, że wiele instytucji upada naraz. Autor widzi wczesne elementy, ale nie widzi zamiaru złożenia całej maszyny. Kluczowa różnica: w 2008 klient końcowy przestał płacić, tu kupuje coraz więcej.
Jak stosować: Wskaźnikiem, który trzeba obserwować, jest przychód od klienta końcowego. Dopóki rośnie, ryzyko jest projektowe, nie systemowe.
Na co uważać: Lipcowe stanowisko urzędników SEC — sekurytyzacje centrów danych nie podlegają regule zatrzymania ryzyka z czasów po 2008 — otwiera drogę do szerszej dystrybucji tego długu. To nie uchylenie reguły, tylko stwierdzenie, że nigdy nie przewidywała takich transakcji, ale warto to śledzić.
10.AI zmienia strukturę zatrudnienia, ale nie zastępuje ludzi wprost
Na czym polega: Wśród pracowników 22–25 lat w zawodach silnie eksponowanych na AI zatrudnienie jest o ok. 19% niższe od trendu — ale przez ograniczoną rekrutację, nie zwolnienia, i ten rozjazd zaczął się przed generatywną AI. Wśród założycieli firm z 2025 roku 60% używało AI, połowa uznała start za szybszy lub tańszy, ale tylko 3% nie zaczęłoby bez niej. Firmy nie pytają, czy model jest inteligentny — pytają, czy ktoś przyjdzie do pracy i weźmie odpowiedzialność.
Jak stosować: Jeśli planujesz karierę lub zespół, zakładaj przesunięcie tego, do czego się zatrudnia, a nie prostą redukcję etatów. Buduj kompetencje wokół odpowiedzialności za wynik, której model nie przejmie.
Na co uważać: Dane o zatrudnieniu młodych są niejednoznaczne przyczynowo — trend zaczął się przed ChatGPT. Nie wyciągaj z nich mocnych wniosków w żadną stronę.