Małe modele „kradną” zapotrzebowanie na moc obliczeniową w chmurze, bilionowe wydatki kapitałowe centrów danych stoją przed wyzwaniem

Aplikacje AI nieustannie się rozwijają, jednak inwestycje w centra danych o ogromnej skali, które napędzają tę falę, stoją obecnie wobec nowych wyzwań po stronie popytu.

Raport Jefferies wskazuje, wraz ze wzrostem wydajności mniejszych modeli językowych i spadkiem kosztów, wdrażanie AI przez przedsiębiorstwa może przenosić się z centralnej chmury na lokalne środowiska, wywierając tym samym presję na zapotrzebowanie na moc obliczeniową w chmurze, jak również na wielkość nakładów kapitałowych na centra danych.

Jednym z istotnych przesłanek tej tezy są ostatnie obserwacje dotyczące faktycznego wykorzystania serwerów AI. We wrześniu 2026 roku Swerve Research Technologies, śledząc czas oczekiwania w kolejce zleceń serwerów Anthropic, stworzył „wskaźnik przeciążenia”, wykazując spadek wykorzystania serwerów o 26% względem szczytu z okresu od stycznia do lutego 2026 roku. Ten wskaźnik nie przekłada się bezpośrednio na przychody firmy, lecz jeśli wykorzystanie będzie dalej spadać, może to oznaczać, że część mocy obliczeniowej zaczyna pozostawać niewykorzystana.

Równocześnie inwestycje w infrastrukturę AI wciąż dynamicznie rosną. Obecnie rynek szacuje, że czterej amerykańscy giganci technologiczni — Meta, Alphabet, Amazon i Microsoft — łącznie przeznaczą w 2027 roku na wydatki kapitałowe nawet 990 miliardów dolarów. Raport podkreśla, jeśli tempo wzrostu zapotrzebowania na moc AI nie zdoła dorównać tak ogromnej skali inwestycji, część centrów danych może nie wygenerować oczekiwanych zwrotów, a nawet stać się „nieużywanymi aktywami”.

Spadek wykorzystania serwerów, podaż mocy AI pod presją

Wprowadzony 8 września produkt AI Meta — Muse — sprawił, że akcje Meta wzrosły w ciągu kilku tygodni o 21%, stanowiąc ostatnio jasny punkt na mapie konsumenckich aplikacji AI. Jednak raport wskazuje, że sukces jednej aplikacji nie stanowi dowodu na trwałość całego cyklu inwestycji w infrastrukturę AI.

Warto zwrócić uwagę, że same firmy z branży AI emitują sygnały różniące się od optymistycznych oczekiwań rynku. CEO Anthropic, CEO OpenAI Sam Altman, jak również Elon Musk, w ostatnim czasie publicznie rozważali potrzebę spowolnienia rozwoju AI; planowana pierwotnie przez Anthropic oferta IPO została przesunięta na listopad.

Jednocześnie Anthropic podpisało wcześniej trzyletni kontrakt o wartości 45 miliardów dolarów ze SpaceX na moc obliczeniową, a także zawarło wielomiliardowe umowy z Amazon i Google Cloud na współpracę w zakresie mocy obliczeniowej. Jeśli przychody z AI będą rosnąć wolniej, a wcześniej zawarte duże kontrakty na moc obliczeniową nadal będą obowiązywać, presja kosztowa dla firm może jeszcze wzrosnąć.

Według doniesień, Meta w lipcu negocjowała z Anthropic wynajem do 10 miliardów dolarów mocy obliczeniowej centrów danych na okres dwóch lat. Raport wskazuje, że duże firmy technologiczne zaczynają aktywnie poszukiwać zewnętrznych klientów na moce obliczeniowe, co pokazuje, że wraz z szybkim rozwojem infrastruktury, wyzwanie związane z optymalnym wykorzystaniem zasobów nabiera nowego znaczenia.

Wzrost wydajności małych modeli, lokalne wdrożenia mogą rozładować popyt na chmurę

W porównaniu do krótkoterminowych zmian w wykorzystaniu serwerów, raport skupia się bardziej na transformacji architektury modeli AI.

Wspólne badania Stanford University oraz Together AI „Intelligence per Watt” wskazują, małe modele językowe szybko dorównują wydajnością dużym modelom, jednocześnie zużywając 50% do 85% mniej energii i mocy obliczeniowej. Jeżeli trend ten będzie się utrzymywać, nie tylko skala, ale i struktura kosztów wdrażania AI przez firmy mogą ulec zmianie.

Dotychczas przedsiębiorstwa opierały realizację zadań AI głównie na centralnych dużych modelach w chmurze; wraz ze wzrostem możliwości małych modeli, niektóre zastosowania mogą przenosić się na wdrożenia lokalne. Dla branż, takich jak bankowość, gdzie bezpieczeństwo danych jest kluczowe, lokalne wdrożenia już stanowią istotne zapotrzebowanie. Gdy małe modele jeszcze bardziej zredukują koszty wdrożenia, zakres zastosowań takiego podejścia może się powiększyć.

Oznacza to, że rozwój aplikacji AI nie musi przekładać się na proporcjonalny wzrost zapotrzebowania na moc obliczeniową w chmurze. Przedsiębiorstwa mogą jednocześnie rozszerzać wdrożenia AI i ograniczać zależność od API dużych modeli czy centralnej mocy obliczeniowej w chmurze.

To właśnie jest istotnym powodem, dla którego raport kwestionuje sens niemal bilionowych nakładów kapitałowych: jeśli przyszłość AI będzie opierać się o tańsze, mniejsze, lokalne modele, obecny zakres inwestycji skupiony wokół ogromnych centrów danych może okazać się niezgodny z realnym zapotrzebowaniem na moc obliczeniową.

W takiej sytuacji nie chodzi o ponowną ocenę, czy popyt na AI w ogóle istnieje, lecz ile skoncentrowanej mocy obliczeniowej faktycznie jest potrzebne i czy centra danych są w stanie osiągnąć zwrot z inwestycji na poziomie odpowiadającym ich rozmiarowi.