Идва ли краят на AI trade-а?

Когато преди три години за първи път инвестирахме в акции, свързани с изкуствения интелект (AI), основните опасения на пазара бяха свързани с надеждността на моделите, халюцинациите, защитата на личните данни и авторските права. Всичко това поставяше под въпрос дали технологията изобщо ще намери достатъчно широко приложение и устойчиво търсене.

Днес този въпрос до голяма степен е отпаднал – търсенето е реално, огромно и продължава да расте. Притесненията обаче се изместиха в друга посока: дали индустрията не изгражда прекалено много капацитет прекалено бързо, при все по-голяма зависимост от привлечен капитал и дълг, и дали т. нар. frontier intelligence (най-напредналите и сложни системи с изкуствен интелект от най-ново поколение - бел. ред.) ще запази достатъчна ценова сила, за да генерира приходите и паричните потоци, необходими за оправдаване на огромните инвестиции в центрове за данни и AI инфраструктура.

Красимир Йорданов

Красимир Йорданов е портфолио мениджър в "Скай Управление на Активи".

Той има почти 20-годишен опит на финансовите пазари у нас и в чужбина. Опитът му се разпростира в сфери като макроикономически и секторен анализ, както и оценка на компании, конструиране на портфейли и оценка на риска.

Когато се говори за рисковете пред AI trade-а, т.е. купуването на акции, за които се очаква да спечелят от бума в областта на изкуствения интелект, един от най-често споменаваните е т.нар. „circular financing“ - кръговото финансиране между AI лабораториите, т. нар. хиперскейлъри (компании с мащабна международна инфраструктура от центрове за данни, които предлагат услуги в голям мащаб, бел. ред.) и производителите на чипове. В най-прост вид механизмът изглежда така: хиперскейлър или Nvidia предоставя капитал или гаранция на AI лаборатория като OpenAI или Anthropic, лабораторията използва средствата за закупуване на изчислителна мощ, хиперскейлърът или операторът на центъра за данни изгражда необходимата инфраструктура и купува графични процесори, а значителна част от тези средства в крайна сметка се връща като приходи към Nvidia и хиперскейлърите.

Microsoft например инвестира в OpenAI, която използва огромни количества изчислителна мощ и същевременно поема дългосрочни ангажименти за закупуване на услуги от Azure. За да изпълни тези договори, Microsoft изгражда инфраструктура, която на свой ред изисква огромни количества графични процесори и друго оборудване. Така част от капитала, който влиза в OpenAI, впоследствие се връща към нейните инвеститори и доставчици под формата на приходи от облачна и AI инфраструктура.

Подобна зависимост съществува между Amazon и Anthropic. Amazon е едновременно един от най-големите инвеститори в Anthropic и един от основните ѝ доставчици на изчислителна инфраструктура. Anthropic от своя страна поема огромни дългосрочни ангажименти за използването на AWS и Trainium. Така хиперскейлърът може едновременно да бъде инвеститор, кредитор или гарант, доставчик на инфраструктура и в някои случаи дистрибутор на продукта на собствения си клиент. Именно това поражда опасенията за кръгово финансиране.

От общо 2,1 трилиона долара договорен портфейл от бъдещи приходи (contracted backlog) на четирите големи облачни платформи - Microsoft, Oracle, Google и Amazon, около половината, или приблизително 1,05 трилиона долара се дължат от OpenAI и Anthropic. При Microsoft тези две компании формират около 49% от договорения портфейл; при Oracle делът им е 54%, като само OpenAI има ангажименти за приблизително 300 млрд. долара; при Google делът е 43%, а при Amazon - 51%.

И OpenAI, и Anthropic все още генерират отрицателен свободен паричен поток, което означава, че изпълнението на огромните им бъдещи ангажименти за изчислителна мощ продължава да зависи от достъпа до външно финансиране. За да остане този модел устойчив, компаниите трябва да могат да привличат нов капитал при достатъчно благоприятни условия, което означава при нарастващи оценки. Фактът, че сред основните източници на този капитал са същите хиперскейлъри, към които AI лабораториите поемат многомилиардни ангажименти за облачна инфраструктура и изчислителна мощност, кара критиците да виждат в тези отношения форма на кръгово финансиране, което изкуствено подкрепя отчетеното търсене и бъдещите приходи на инфраструктурните доставчици.

Само че има един много съществен елемент, който се изпуска: OpenAI и Anthropic имат реални външни клиенти, които използват ChatGPT, Claude и техните API услуги и по този начин генерират реално търсене на изчислителна мощ. Ключовият въпрос следователно не е дали търсенето съществува, а дали ще нараства достатъчно бързо и ще бъде достатъчно рентабилно, за да оправдае огромните дългосрочни ангажименти за изчислителна мощност, които двете компании са поели към хиперскейлърите и операторите на центрове за данни.

Ако приходите на двете AI лаборатории продължат да растат достатъчно бързо и им позволят едновременно да изпълняват огромните си ангажименти за закупуване на изчислителна мощност и облачни услуги и да достигнат устойчив положителен паричен поток, зависимостта им от външно финансиране постепенно ще намалее. Подобен сценарий би укрепил фундаментите на целия AI trade и до голяма степен би обезсилил основния аргумент на AI мечките за неустойчивостта на сегашния инвестиционен цикъл.

Обратният сценарий е далеч по-неприятен. Ако ръстът на приходите се забави заради по-слабо търсене, засилваща се ценова конкуренция или миграция към по-евтини модели с отворено тегло, OpenAI и Anthropic могат да се окажат неспособни да обслужват огромните си договорни ангажименти без ново външно финансиране. Това би принудило хиперскейлърите да преосмислят инвестиционните си планове и да ограничат капиталовите разходи, а ефектът ще се пренесе по цялата AI инфраструктурна верига - от центровете за данни и networking оборудването до паметта и графичните процесори. Предвид мащаба, който AI инвестициите вече имат за американската икономика, подобно рязко свиване на инвестиционния цикъл би имало сериозни макроикономически последици и потенциално глобален ефект.

Последните данни за юли показват, че комбинираният анюализиран темп на приходите на OpenAI и Anthropic вече достига около 100 млрд. долара, спрямо едва 30 млрд. долара само седем месеца по-рано. Динамиката при двете компании обаче започва да се разминава - при OpenAI се наблюдава известно забавяне спрямо май, докато Anthropic продължава да ускорява и вече отчита положителна коригирана оперативна печалба.

Това обаче е поглед в огледалото за обратно виждане. За устойчивостта на AI trade-а далеч по-важният въпрос е с какви темпове приходите на двете компании ще могат да растат оттук нататък.

Спрямо началото на годината корпоративното отношение към AI постепенно премина от tokenmaxxing към tokenpanic. Под tokenmaxxing се разбира практиката компаниите да насърчават служителите си да използват максимално интензивно модели като Claude и ChatGPT, включително техните инструменти за програмиране, с цел по-бързо интегриране на AI във вътрешните процеси и изграждане на навици за работа с технологията. Някои компании стигнаха дотам да въвеждат класации и допълнителни стимули за служителите с най-високо потребление на токени. Резултатът беше експлозивен ръст на inference търсенето (търсене с извеждане на заключения - бел. ред.), но заедно с него започнаха да растат и корпоративните сметки за AI.

През последните месеци това доведе до обратна реакция. Все повече компании започнаха да въвеждат лимити върху AI бюджетите и да насочват по-елементарните задачи към по-малки и по-евтини модели, включително решения с отворено легло. Логиката постепенно се измества от „използваме най-добрия frontier модел за всичко“ към „скъпата frontier intelligence използваме само за задачите, които я оправдават, а за останалото - по-евтини модели“. В отговор на тази промяна и засилващата се конкуренция frontier лабораториите започнаха да намаляват цените на част от моделите си, опитвайки се да запазят дела си от бързо растящото inference търсене.

Но както показва динамиката на бизнеса на OpenAI и Anthropic, ценовият натиск засега не води до свиване на приходите - точно обратното. Наблюдаваме класическия парадокс на Джевънс: поевтиняването на токените разширява кръга от задачи, които могат икономически оправдано да бъдат изпълнявани с AI, а това стимулира потреблението на още повече токени. Ако употребата нараства по-бързо, отколкото пада цената на единица изчисление, увеличението на обемите компенсира по-ниските цени и общите приходи продължават да растат.

(Продължава на следващата страница)