Boom na sztuczną inteligencję stworzył coś więcej niż tylko wyścig technologiczny. Wokół największych firm AI powstała skomplikowana sieć inwestycji, kredytów, kontraktów na moc obliczeniową i zależności biznesowych. Pieniądze krążą pomiędzy tymi samymi przedsiębiorstwami, a problemy jednej firmy mogą szybko stać się problemem kolejnych.
Czy to oznacza, że branża AI jest dzisiaj odpowiednikiem rynku nieruchomości i banków przed kryzysem finansowym z 2008 roku? Na razie zdecydowanie nie można tego stwierdzić. Ale pojawia się powód, aby dokładniej przyglądać się temu, jak finansowany jest obecny boom na sztuczną inteligencję.
3,6 biliona dolarów i 176 transakcji
Analiza przygotowana przez Craiga Nicola, Olega Melentyewa i Charliego Callana z Sona Asset Management pokazuje skalę powiązań finansowych, jaka powstała wokół sektora AI.
Badacze przeanalizowali 176 transakcji zawartych w ciągu trzech i pół roku do sierpnia 2026 r. Łączna wartość zobowiązań związanych z tymi transakcjami wyniosła około 3,6 biliona dolarów, a sieć obejmowała 202 podmioty. Co ważne, nie chodzi wyłącznie o klasyczne inwestycje kapitałowe. W analizie uwzględniono również zadłużenie, zobowiązania leasingowe oraz kontrakty dotyczące infrastruktury i mocy obliczeniowej.
To właśnie sposób, w jaki te relacje się ze sobą łączą, zwraca największą uwagę.
Około 120 z 176 analizowanych transakcji otrzymało od autorów określenie „high circularity”. Oznacza to, że pomiędzy podmiotami występuje wiele wzajemnych zależności, a kapitał i zobowiązania mogą krążyć w pewnego rodzaju zamkniętych pętlach.
Nie oznacza to oczywiście, że pieniądze dosłownie krążą w kółko bez żadnej wartości ekonomicznej. Takie relacje są częściowo naturalną konsekwencją funkcjonowania niezwykle kapitałochłonnego sektora. Problem zaczyna się wtedy, gdy kondycja jednej firmy zależy od kondycji kilku innych podmiotów, które z kolei są jej klientami, inwestorami albo dostawcami.
OpenAI w centrum finansowej pajęczyny
Jednym z najlepiej widocznych przykładów jest OpenAI.
Amazon zainwestował w OpenAI około 50 mld dolarów, jednocześnie uzyskując od firmy zobowiązanie dotyczące wykorzystania mocy obliczeniowej o wartości około 100 mld dolarów.
Jeszcze większe liczby pojawiają się w relacjach OpenAI z Microsoftem. Microsoft przeprowadził dokapitalizowanie związane ze zmianą struktury własności OpenAI o wartości około 135 mld dolarów, podczas gdy OpenAI zobowiązało się do zakupów usług Azure od Microsoftu o wartości sięgającej około 250 mld dolarów.
Do tego dochodzi NVIDIA. Producent najważniejszych układów dla infrastruktury AI zobowiązał się warunkowo do inwestycji sięgającej około 100 mld dolarów w OpenAI, a w 2026 r. pojawiły się kolejne deklaracje dotyczące około 30 mld dolarów. Jednocześnie OpenAI zawiera ogromne umowy dotyczące infrastruktury z Microsoftem, Oracle czy Amazonem — firmami, które należą do największych odbiorców układów NVIDIA.
W efekcie powstaje system, w którym producent chipów finansuje twórcę AI, twórca AI kupuje infrastrukturę od operatorów chmurowych, operatorzy chmurowi kupują chipy, a jednocześnie część tych firm inwestuje w siebie nawzajem.
To właśnie Sona określa mianem systemu, który coraz bardziej przypomina zamknięty obieg finansowy.
To jeszcze nie jest Lehman Brothers
I tutaj trzeba postawić ważną granicę.
Sama obecność wzajemnych inwestycji i zobowiązań nie oznacza bańki finansowej ani nadchodzącego krachu. W sektorze technologicznym takie zależności są do pewnego stopnia logiczne.
Firmy budujące centra danych potrzebują chipów. Producenci chipów potrzebują klientów. Klienci potrzebują finansowania i mocy obliczeniowej. Dostawcy infrastruktury potrzebują z kolei długoterminowych kontraktów, które uzasadnią gigantyczne nakłady inwestycyjne.
Problem pojawia się dopiero wtedy, gdy któryś z elementów tej układanki zaczyna mieć poważne problemy finansowe.
Wtedy okazuje się, że nie mamy do czynienia z szeregiem niezależnych przedsiębiorstw, lecz z systemem naczyń połączonych.
Co jeśli jeden element zacznie się psuć?
Wyobraźmy sobie firmę budującą ogromne centrum danych. Finansuje jego budowę długiem, a podstawą biznesplanu są wieloletnie kontrakty z firmami AI.
Jeżeli jednak jedna z tych firm ograniczy inwestycje, opóźni płatności albo zrezygnuje z części zakontraktowanej mocy obliczeniowej, operator centrum danych może zostać z ogromnymi kosztami i niewystarczającymi przychodami.
Jeżeli operator ma dużo długu, problem staje się jeszcze większy.
Kłopoty mogą następnie dotknąć banków, funduszy lub inwestorów finansujących projekt. Jednocześnie firmy produkujące chipy mogą zobaczyć spadek zamówień, a dostawcy energii i infrastruktury — mniejsze zapotrzebowanie.
To właśnie efekt domina, a nie sama wielkość inwestycji w AI, jest najważniejszym elementem analizy Sona.
Najbardziej narażeni nie muszą być najwięksi
Paradoksalnie największe firmy technologiczne mogą być w tym systemie stosunkowo dobrze przygotowane na pogorszenie koniunktury.
Microsoft, Amazon, Alphabet czy Meta dysponują ogromnymi przepływami pieniężnymi i znacznie większym dostępem do finansowania. Mogą ograniczyć część inwestycji, przesunąć wydatki albo wykorzystać własny bilans do przetrwania słabszego okresu.
Znacznie bardziej interesująca jest sytuacja mniejszych przedsiębiorstw, które powstały na fali boomu na infrastrukturę AI.
Sona zwraca uwagę między innymi na silnie zadłużone firmy z segmentu tzw. neocloud. Szczególnie widoczne na przygotowanej przez analityków mapie są Oracle i CoreWeave, gdzie wysoki poziom zadłużenia łączy się z dużą zależnością od całego ekosystemu AI.
To może być kluczowa różnica w stosunku do medialnego obrazu problemu.
Nie musi upaść Microsoft czy NVIDIA, żeby pojawiły się poważne konsekwencje. Wystarczy, że przestanie działać jeden z mniejszych, mocno zadłużonych elementów układanki.
AI potrzebuje coraz więcej długu
Ryzyko jest dodatkowo interesujące dlatego, że obecna fala inwestycji w AI wymaga ogromnych nakładów kapitałowych.
Vanguard szacował wcześniej, że w 2026 r. na publicznych rynkach może pojawić się około 400 mld dolarów obligacji służących finansowaniu infrastruktury związanej z AI. Według tej analizy odpowiadałoby to mniej więcej 10–15 proc. całej oczekiwanej emisji obligacji korporacyjnych w USA.
Najwięksi gracze technologiczni przechodzą więc częściowo od modelu biznesowego opartego na stosunkowo lekkiej infrastrukturze do modelu wymagającego ogromnych inwestycji w centra danych, energię, sieci i akceleratory AI.
To oznacza także większe znaczenie długu.
I właśnie tutaj pojawia się pytanie, które będzie coraz ważniejsze: czy przychody generowane przez AI będą rosły wystarczająco szybko, aby uzasadnić skalę obecnych inwestycji?
Największa niewiadoma: czy AI rzeczywiście zarobi na tę infrastrukturę?
W tym miejscu dochodzimy do sedna całej historii.
Nie trzeba zakładać, że AI jest technologiczną bańką, aby uznać skalę inwestycji za potencjalne źródło ryzyka.
Sztuczna inteligencja może rzeczywiście zwiększać produktywność, tworzyć nowe usługi i generować ogromne przychody. Jednocześnie inwestorzy i przedsiębiorstwa muszą jeszcze odzyskać dziesiątki czy setki miliardów dolarów wydawanych na infrastrukturę.
Jeżeli zwrot z tych inwestycji będzie wolniejszy od oczekiwań, część firm może mieć problem z obsługą swoich zobowiązań.
To już nie byłby problem jednej aplikacji AI. Mógłby stać się problemem całego łańcucha dostaw.
Czy grozi nam powtórka z 2008 roku?
Porównanie do Lehman Brothers jest kuszące, ale trzeba zachować ostrożność.
W 2008 r. kryzys został spotęgowany przez ogromną skalę powiązań systemu finansowego, skomplikowane instrumenty finansowe i zadłużenie. Upadek Lehman Brothers nie był pojedynczym bankructwem w próżni — był jednym z elementów znacznie większego kryzysu.
W przypadku AI mechanizm jest inny.
Nie mamy obecnie dowodu na to, że największe firmy AI są niewypłacalne ani że ich wzajemne zobowiązania są odpowiednikiem toksycznych aktywów hipotecznych. Nie można więc uczciwie powiedzieć, że „nadchodzi drugi Lehman Brothers”.
Można natomiast powiedzieć coś znacznie bardziej konkretnego: sieć zależności finansowych i biznesowych w sektorze AI jest na tyle duża, że problemy pojedynczego podmiotu mogą mieć konsekwencje wykraczające poza jego własny bilans.
I właśnie dlatego Sona proponuje patrzeć na cały ekosystem, a nie tylko na pojedyncze przedsiębiorstwa.
Firmy AI „too big to fail”?
Określenie „too big to fail” — „zbyt duże, żeby upaść” — ma szczególne znaczenie w sektorze finansowym. Oznacza sytuację, w której bank lub inna instytucja jest tak mocno powiązana z gospodarką, że jej upadek mógłby wywołać znacznie większe szkody.
W przypadku AI możemy być świadkami powstawania czegoś nieco innego: „too interconnected to fail” — zbyt mocno powiązanych, aby upaść bez konsekwencji dla innych.
To nie oznacza, że rząd będzie musiał ratować OpenAI, NVIDIĘ czy Microsoft.
Oznacza natomiast, że jeżeli jedna z kluczowych firm nie będzie w stanie wypełnić swoich zobowiązań, inne przedsiębiorstwa mogą odczuć to poprzez mniejsze zamówienia, utratę kontraktów, problemy z finansowaniem lub spadek wartości aktywów.
Najważniejszy będzie moment, gdy inwestorzy przestaną wierzyć w niekończący się wzrost
Na razie cały system może działać bardzo dobrze, ponieważ kolejne inwestycje generują kolejne kontrakty, centra danych są zapełniane, a zapotrzebowanie na chipy pozostaje ogromne.
Prawdziwy test nastąpi jednak wtedy, gdy wzrost wydatków zacznie zwalniać.
Jeżeli firmy technologiczne uznają, że nie potrzebują kolejnych centrów danych w dotychczasowym tempie, część całego mechanizmu może zacząć się odwracać. Spadek zamówień oznaczałby niższe przychody dostawców infrastruktury. To mogłoby utrudnić obsługę ich długu, a problemy z zadłużeniem mogłyby z kolei wpłynąć na kolejnych uczestników rynku.
To właśnie ten scenariusz warto obserwować.
Nie dlatego, że kryzys jest przesądzony. Dlatego, że skala wzajemnych zależności sprawia, iż nie da się już analizować boomu AI wyłącznie jako historii sukcesu poszczególnych firm.
AI stworzyło bowiem nie tylko nową technologię. Stworzyło również ogromny, kapitałochłonny i coraz bardziej wzajemnie zależny system finansowo-biznesowy.
A historia rynków finansowych pokazuje, że systemy naczyń połączonych są najbardziej stabilne wtedy, gdy wszystkie ich elementy pozostają zdrowe.
Problem zaczyna się wtedy, gdy jeden z nich przestaje działać.
Janusz Palicki
Foto: ChatGPT Image/AI.