30 bilionów rynek pracy wiedzy, 30 bilionów rynek konsumpcyjny -- Ogarnięcie ery wnioskowania AI

Morgan Stanley uważa, że przemysł sztucznej inteligencji przechodzi z etapu budowy infrastruktury do „ery inferencji”. Ta ewolucja technologii zdigitalizuje i przekształci globalny rynek pracy wiedzy wart 20-30 bilionów USD oraz rynek konsumencki o wartości blisko 30 bilionów USD, napędzając rekordową rotację sektorów na rynkach kapitałowych.

Według informacji z Trading Desk, 7 września Morgan Stanley, w raporcie prowadzonym przez Briana Nowaka „The Morgan Stanley AI Guidebook: Navigating the Age of Inference”, zwraca uwagę, że wraz z przewidywanym szczytem wzrostu nakładów inwestycyjnych w centrach danych gigantów usług chmurowych w 2027 r. i znaczącym spowolnieniem w 2028 r., przepływ środków w cyklu technologicznym stoi przed kluczowym punktem zwrotnym.

(Szacuje się, że nakłady inwestycyjne największych firm chmurowych osiągną około 1,5 biliona USD/1,6 biliona USD w latach 2027/2028)

Przewiduje się, że środki inwestorów będą odpływać z segmentu półprzewodników i sprzętu, masowo kierując się ku warstwie oprogramowania oraz podmiotom wspierającym AI. Tacy giganci jak Amazon, Google, Microsoft i META z kompletnym ekosystemem i dużym wolnym przepływem gotówki czeka nowa fala wzrostu wyceny.

(Oczekuje się ekspansji cyklu AI na software, usługi oraz przedsiębiorstwa zajmujące się aplikacjami AI)

Raport podkreśla, że rozwój aplikacji AI na poziomie firm i konsumentów gwałtownie przyspiesza. Do drugiego kwartału 2026 roku około 25% firm z indeksu S&P 500 zaczęło kwantyfikować finansowe korzyści płynące z generatywnej AI.

Jednocześnie rynek finansowania infrastruktury AI wykazuje ogromną odporność – od początku tego roku globalna emisja długu związanego z AI osiągnęła około 450 miliardów USD. Silny przepływ gotówki operacyjnej gigantów chmurowych całkowicie pokrywa przyszłe potrzeby zadłużenia, eliminując obawy rynku o ograniczenia finansowe.

W tym okresie przejściowym rynek skupi się na zwrocie z inwestycji w AI, konkurencji wśród modeli open-source oraz narastających ograniczeniach energetycznych i regulacyjnych. Umiejętność znalezienia równowagi między wzrostem mocy obliczeniowej a fizycznymi ograniczeniami zadecyduje o kierunku wydatków inferencyjnych rzędu bilionów dolarów w kolejnej fazie.

Punkt zwrotny przepływów kapitałowych: schłodzenie hardware’u, wzrost software’u i podmiotów wspierających

Morgan Stanley uważa, że trajektoria nakładów największych firm chmurowych jest kluczowym wskaźnikiem rotacji środków na rynku.

Szacuje się, że do 2027 roku nakłady inwestycyjne w centra danych wzrosną rok do roku o 60%, osiągając 1,5 biliona USD. Jednak ze względu na ograniczenia związane z siłą roboczą, materiałami i energią oraz wczesne wdrożenie części mocy produkcyjnej lata 2027-2029, tempo wzrostu w 2028 roku znacząco spowolni – do około 12%.

Spowolnienie tempa wzrostu, w połączeniu z przyspieszonym wzrostem dochodów na poziomie software’u, zapowiada typową wieloletnią rotację środków w cyklu technologicznym. Jest to zgodne z zasadami epoki internetu mobilnego – po początkowym boomie sprzętu i półprzewodników wartość przesuwa się do warstwy aplikacji i usług software’owych.

(Relatywna zmienność notowań akcji w okresie internetu mobilnego)

Choć akcje hardware’u nie doświadczą gwałtownego spadku ze względu na ich niską wycenę, zyskowność będzie przenosić się na wyższe warstwy, dając software’owi i podmiotom wspierającym większe szanse na ekspansję.

Wraz z realizacją nakładów inwestycyjnych globalna pojemność mocy obliczeniowej wzrośnie wykładniczo. Przewiduje się, że do 2028 roku całkowita pojemność wzrośnie z 35 GW (2025) do około 145 GW.

(Morgan Stanley prognozuje ścieżkę mocy obliczeniowej około 145 GW w 2028 roku)

Udział niestandardowych chipów ASIC w nowej mocy obliczeniowej wzrośnie z 34% w 2025 roku do 66% w 2028 roku, a Google TPU i Amazon Trainium zdominują tę strukturalną zmianę.

(W ciągu kilku najbliższych lat rola nowych ASIC będzie stale rosnąć)

Penetracja rynku o wartości 60 bilionów USD: przewodnictwo branży technologicznej i finansowej

Era inferencji stawia przed generatywną AI wyzwania dotyczące komercyjnej implementacji.

Rynek stoi przed globalną szansą cyfrowego przekształcenia pracy wiedzy wartą 20-30 bilionów USD, a w segmencie konsumenckim, obejmującym handel detaliczny, turystykę, autonomiczne pojazdy, dostawę żywności i reklamę, kryje się kolejne 30 bilionów USD do wykorzystania.

(Raport szacuje, że około 30 bilionów USD konsumenckich wydatków jest jeszcze do zdigitalizowania)

Tempo wdrożenia aplikacji znacząco przyspiesza. Z makroekonomicznego punktu widzenia sektor technologiczny przoduje we wdrażaniu i kwantyfikowaniu zysków z generatywnej AI, a finanse, opieka zdrowotna i przemysł podążają za nim.

(Przykłady wdrożeń obejmują całą gospodarkę)

Procent firm technologicznych, które wspominają o zyskach z AI w rozmowach finansowych, wzrósł z 28% rok temu do 51% obecnie.

Analogie historyczne sugerują, że aktualny poziom penetracji AI mógł być znacząco niedoceniany. W drugim roku rozwoju chmury (2014), wydatki na publiczną chmurę stanowiły 4% całego budżetu IT. Przy analogicznym tempie adaptacji prognozuje się, że do 2027 roku wydatki firm na AI osiągną około 800 miliardów USD.

(Z perspektywy przedsiębiorstw można uznać, że w drugim roku, 2014, wydatki na publiczną chmurę wynosiły już 4% budżetów IT)

Dzięki temu, że wdrażanie AI nie wymaga hurtowej migracji infrastruktury i zapewnia szybszą konwersję wartości, rzeczywista szybkość adaptacji AI przewyższy tempo wdrożeń chmury. Na rynku konsumenckim platformy dysponujące dużymi danymi własnymi i kanałami dystrybucji będą miały absolutną przewagę.

(Rozwój generatywnej AI powinien być szybszy, nawet jeśli jej penetracja w drugim roku, 2027 r., wyniesie 4%, oznacza to wydatki firmy na poziomie około 800 miliardów USD)

Zysk z mocy obliczeniowej i modele open-source: nowe modele biznesowe

W odpowiedzi na wysoką uwagę rynku skierowaną na zwrot z kapitału, analiza pokazuje, że ROI inwestycji w generatywną AI jest bardzo atrakcyjny, a spodziewany ROIC dla różnych sposobów monetyzacji mieści się w przedziale 25-50%.

Największe zyski uzyskują firmy oferujące API modeli działające na własnej infrastrukturze (np. META, Google, SpaceX), osiągając zwrot na poziomie około 46%. Nawet czysta działalność wynajmu GPU (IaaS) w dużej skali gwarantuje ROIC na poziomie około 30%.

(ROI inwestycji w trzy ramy AI w przedziale 25%-50%)

Na poziomie modeli otwarte, tańsze rozwiązania nie ograniczą popytu na moc obliczeniową, lecz przeciwnie – będą kluczowym czynnikiem popularyzującym AI w całej gospodarce.

Otwarte modele obniżą średnią cenę tokenu (słów jednostkowych), wywołując paradoks Jevonsa – spadek cen przyspieszy eksplozję zapotrzebowania na inferencję.

Ta dynamika konkurencyjna zmusi laboratoria AI do ciągłej innowacji, aby zdobyć udział w wydatkach na inferencję, jednocześnie umocni wartość „warstwy zarządzania modelami” wśród dużych dostawców chmury (np. AWS Bedrock, MSFT Foundry, GOOGL Vertex).

Platformy chmurowe potrafią dobierać najbardziej opłacalny model do danego zadania, maksymalizując efektywność i możliwości monetyzacji.

Przezwyciężenie ograniczeń infrastrukturalnych: ekspansja kredytowa i energetyczne przełomy

Podstawą tego ogromnego rynku inferencji jest nieprzerwane finansowanie i rozbudowa infrastruktury.

Mimo nagłego wzrostu długu związanego z AI do około 450 miliardów USD w tym roku, wysokiej jakości giganci chmurowi mają wciąż duży potencjał emisji. Regulacja rynku ujawni się w rozszerzonych spreadach kredytowych.

Ważniejsze jest to, że Amazon, Google, META i Microsoft generują coraz większy gotówkowy przepływ operacyjny. Szacuje się, że do 2027 i 2028 roku czterej giganci osiągną odpowiednio 980 miliardów USD i 1,2 biliona USD, czyli 7-8 razy więcej niż 290 miliardów USD zadłużenia, którego będą potrzebowali, co pokazuje ogromną odporność ich bilansów.

Jednak fizyczne ograniczenia infrastruktury pozostają surowe. Lokalne i stanowe władze coraz mocniej poddają data center politycznej kontroli pod kątem wpływu na koszty energii i zużycie wody.

Aby przeciwdziałać opóźnieniom przyłączenia do sieci, duże centra danych coraz częściej korzystają z lokalnych źródeł energii (Behind-the-Meter), co szacunkowo podnosi nakłady kapitałowe na każdy GW o około 3 miliardy USD.

Sztywne zapotrzebowanie na zamianę czasu na energię sprawia, że firmy spełniające te wymagania (lokalna produkcja energii i dostawcy z własnymi źródłami) mają dużą atrakcyjność inwestycyjną w długim terminie.

(Zasoby energetyczne i racki wciąż są główną siłą napędową inwestycji w moc obliczeniową)