כריס ווד מזהיר: הסיכון להשקעות כוונות (Malinvestment) עלול להוביל לסיום מסחר ה-AI

הזינוק הבלתי פוסק בהוצאות על בינה מלאכותית (AI) עומד בפני אזהרה קריטית מאחד האסטרטגים המנוסים ביותר בוול סטריט. כריס ווד (Chris Wood), ראש אסטרטגיית המניות הגלובלית ב-Jefferies, טוען כי בום ה-AI לא יסתיים בשל מחסור בביקוש, אלא בשל משבר רווחיות המתקרב.

האיום של השקעות כוונות על פני היצע עודף

בניגוד למחזורי מוליכים למחצה מסורתיים שקורסים בדרך כלל בשל עודפי מלאי פתאומיים או זעזועי היצע, ווד טוען כי מסחר ה-AI ניצב בפני סיכון מבני ייחודי: השקעות כוונות (malinvestment). הוא מאמין כי ה"סוף" (endgame) של בום ה-AI יתחיל כאשר חברות ה-hyperscalers ומעבדות ה-AI המובילות יבינו שהן אינן יכולות לייצר תשואה מספקת על הוצאות ההון (capex) העצומות שהן מבצעות.

ווד מדגיש לולאת משוב (feedback loop) שעלולה להיות מסוכנת, שבה חברות כמו Nvidia מספקות מימון לישויות כמו OpenAI, אשר משתמשות בהון זה כדי לרכוש עוד שבבי Nvidia. בעוד שמחזור זה מזין צמיחה מהירה, הוא נשען רבות על הנחות אופטימיות לגבי מונטיזציה (הפקת רווחים). אם המשקיעים יתחילו להטיל ספק בנראות הרווחים לטווח ארוך של מערך ה-AI (the AI stack), מודל המימון המעגלי הזה עלול להתפרק במהירות.

הוצאות הון (Capex) עצומות ועליית ענקיות הזיכרון

קנה המידה של ההשקעות הנוכחיות הוא חסר תקדים. ווד מתאר את ההקמה המתמשכת כ"מחזור ה-capex הדרמטי ביותר" שראה אי פעם. דוגמה מרכזית לכך היא TSMC, שהעלתה את תחזית הוצאות ההון שלה לשנת 2026 לכ-56 מיליארד דולר, כאשר תחזיות של Fubon Research מצביעות על כך שהיא עשויה להגיע ל-65–70 מיליארד דולר עד 2027. זינוק זה הניע משמעותית את הכלכלה של טאיוואן, כאשר צמיחת התמ"ג הריאלי הגיעה ל-14.55% בחישוב שנתי ברבעון הראשון של 2026.

מעניין לציין כי בעוד ששכבות התוכנה והמודלים עומדות בפני סיכונים, ה"כלים והמגרפות" (picks and shovels) של התעשייה — ובמיוחד ספקי זיכרון — נהנים מיתרונות מבניים. ווד מצביע על פרדוקס ג'בונס (Jevons Paradox), שבו עלייה ביעילות מובילה לצריכה כוללת גבוהה אף יותר. דבר זה הפך את ה-DRAM והזיכרון מרכיבים היקפיים למנועים מרכזיים של פרודוקטיביות ב-AI. שחקניות מרכזיות כמו Micron כבר מבטיחות מינוף לטווח ארוך, עם 16 הסכמים אסטרטגיים המכסים 20% מנפח ה-DRAM שלהן ושליש מנפח ה-NAND שלהן.

הפיכת מודלי ה-AI לסחורה (Commoditization)

מכשול משמעותי עבור ספקי AI מערביים הוא הפיכתם המהירה של מודלי שפה גדולים (LLMs) לסחורה (commoditization). ווד מציין כי עלות המודלים בעלי הביצועים הגבוהים צונחת, במיוחד עם עלייתם של מודלים סיניים יעילים.

נתונים מ-OpenRouter חושפים שינוי עצום: בסוף יוני, מודלי AI סיניים מובילים עיבדו 21.37 טריליון טוקנים (tokens), קפיצה משמעותית מ-4.37 טריליון באפריל. נפח זה עקף בהרבה את ה-5.76 טריליון טוקנים שעיבדו המודלים המובילים בארה"ב. ככל שמודלים כמו GLM-5.2 של Z.ai מציעים ביצועים כמעט שווים לאלו של ספקים מערביים פרימיום ברבע מהעלות, הלחץ על הכלכליות של שירותי AI "פרימיום" ממשיך לגדול.

תובנות מרכזיות

  • הסיכון המרכזי: מסחר ה-AI צפוי להסתיים ככל הנראה בשל הבנה של "השקעות כוונות" (malinvestment) ותשואות נמוכות על ההון, ולא בשל עודף היצע מסורתי של שבבים.
  • חוסן הזיכרון: בעוד שתוכנות AI עומדות בפני הפיכה לסחורה, יצרניות זיכרון (DRAM/NAND) צוברות כוח תמחור מבני ויציבות בחוזים לטווח ארוך.
  • לולאת המשוב: על המשקיעים לעקוב אחר הקשר המעגלי בין יצרניות השבבים המממנות מעבדות AI, שכן מחזור זה רגיש מאוד לשינויים בסנטימנט המשקיעים.