שאלת ה-3 טריליון דולר של ה-AI: האם ההכנסות יוכלו להשתוות להוצאות התשתית?
תעשיית הבינה המלאכותית נמצאת כעת במירוץ בעל סיכונים גבוהים בין הוצאות הון (CapEx) עצומות לבין הצורך הדחוף ביצירת הכנסות. בעוד שספקיות ה-hyperscale שופכות טריליונים לחומרה, עולה שאלה קריטית: האם שכבת התוכנה תוכל לייצר מספיק ערך כדי להצדיק את העלות האדירה של הסיליקון?
הפער הגדל בין CapEx להכנסות
היקף ההשקעות בתשתית AI הוא מדהים. דייוויד קאהן (David Cahn), שותף ב-Sequoia, שבעבר העריך דרישת הכנסות של 200 מיליארד דולר בהתבסס על הכנסות ה-GPU של Nvidia בסך 50 מיליארד דולר, עדכן משמעותית את תחזיותיו. בשל שלוש שנים של hyperscaling בלתי פוסק, קאהן מעריך כעת כי ההוצאות על תשתית AI יגיעו ל-1.5 טריליון דולר עד שנת 2026.
כדי להחזיר את העלויות הללו, על התעשייה לייצר הכנסות מוערכות של 3 טריליון דולר. נתון זה הוא ככל הנראה הערכה שמרנית בלבד. עלויות זיכרון עולות, פריסה של שבבים ייעודיים וייחודיים ל-inference, ועלויות בנייה גוברות של מרכזי נתונים, דוחפים את ההכנסה הנדרשת לכל ג'יגה-ואט (GW) של CapEx למעלה באופן חד. בעוד שמעבדות חזית (frontier labs) רואות צמיחה — כאשר Anthropic הגיעה לכאורה ל-60 מיליארד דולר ב-ARR ו-OpenAI הגיעה ל-20 מיליארד דולר ב-ARR — נותר פער עצום בין הרווחים הנוכחיים לבין רף ה-3 טריליון דולר.
ההימור של ה-Hyperscalers והסיכון למגמת מחירים יורדת (Deflation)
ה-hyperscalers בסגנון ה-"Magnificent Seven" — Google, Meta, Microsoft ו-Amazon — הם המנועים העיקריים להוצאות הללו. ענקיות אלו מהמרות על האצה משמעותית בתזרים המזומנים החופשי עד שנת 2028, בהתבסס על הרעיון ששירותי AI יהפכו לשירותים חיוניים (utilities) בעלי שולי רווח גבוהים.
עם זאת, הכלכלן הראשי של Apollo, Torsten Slok, מזהיר מפני רוחות נגדיות משמעותיות שעלולות להכשיל את החישובים הללו. שתי מגמות ספציפיות מהוות איום על מודל העסקי של "מפעל הטוקנים" (token factory):
- עליית ה-Open Weights: ארגונים עוברים יותר ויותר למודלים זולים יותר מסוג open-weight, כולל כאלו שמגיעים מסין, במקום להסתמך אך ורק על מודלים חזיתיים (frontier models) יקרים.
- דיפלציית טוקנים (Token Deflation): ככל שהמודלים הופכים ליעילים יותר, המחיר לכל טוקן צונח. לדוגמה, המודלים האחרונים של OpenAI השיגו עלייה של 54% ביעילות טוקנים במשימות תכנות. בעוד שזהו ניצחון למפתחים ולמשתמשי קצה, זה יוצר "מרוץ לתחתית" עבור ספקים הנשענים על נפח טוקנים גבוה כדי לקזז עלויות תשתית עצומות.
השלכות מאקרו-כלכליות של כישלון בהחזר ההשקעה ב-AI
הסיכונים חורגים הרבה מעבר למאזנים של ענקיות הטכנולוגיה. מכיוון שההובלה הנוכחית בשוק מרוכזת במספר שמות בודדים, מדד ה-S&P 500 כולו קשור להצלחת מחזור ההשקעות ב-AI הזה.
אם ה-hyperscalers לא יעמדו ביעדי תזרים המזומנים החזויים שלהם עד 2028, תגובת השוק עלולה להיות מערכתית. Slok מציע כי החזר איטי מהצפוי לא יוביל רק לתיקון סקטוריאלי; הוא עלול פוטנציאלית להכניס את הכלכלה הרחבה למיתון. עבור המערכת האקולוגית (ecosystem) של ה-AI, השנים הקרובות יהיו מבחן מכריע לשאלה האם ניתן להפוך אינטליגנציה לרווחית (monetized) מספיק מהר כדי להקדים את עלויות החומרה המאיצות שמייצרת אותה.
נקודות מרכזיות
- דרישת הכנסות עצומה: תעשיית ה-AI צריכה לייצר הכנסות של כ-3 טריליון דולר כדי להצדיק הוצאות תשתית חזויות של 1.5 טריליון דולר עד שנת 2026.
- פרדוקס היעילות: שיפור ביעילות המודלים (כמו העלייה של 54% בביצוע משימות תכנות ב-OpenAI) מפחית עלויות עבור משתמשים, אך יוצר לחץ מחירים על החברות המממנות את החומרה.
- סיכון כלכלי מערכתי: מכיוון שצמיחת ה-hyperscalers היא מנוע מרכזי של ה-S&P 500, כישלון במימוש תשואות ה-AI עלול להוביל לתיקון רחב יותר בשוק או למיתון.