Kapitał, prąd i bańka – kto (za)płaci za rewolucję AI?

Gdy czytamy artykuły, czy oglądamy firmy na YouTube o sztucznej inteligencji, łatwo spotkać narrację pełną obietnic: „model napisze kod”, „agent wykona zadanie”, „firma urośnie dzięki automatyzacji”. Ale zejdźmy o poziom logiczny niżej – do serwerowni rozsianych po świecie. Poczujmy ich ciepło, zobaczmy przestrzeń, którą zajmują, i niczym po kablach – internetowych i tych od prądu – podążmy ku ich właścicielom, operatorom, klientom… Sprawdźmy, jak to wszystko się kręci i kto za to płaci.

Ten tekst towarzyszy realizowanym przeze mnie badaniom modeli językowych. W innym artykule zająłem się aspektami technologii samej w sobie oraz nauki i innowacyjności, które stoją za AI. Tutaj także chciałbym wykorzystać oś podziału geograficznego na Stany Zjednoczone, Europę i Chiny. Jeśli chcecie wiedzieć, jak w Stanach krąży dolar, dlaczego Chiny wywołały szok cenowy, a Europa skręca w stronę „suwerennej AI” dla firm i instytucji – zapraszam do lektury!

AI jest napędzana przez potężną infrastrukturę. Smykałka inwestora karze mi spojrzeć przez zaparowane szyby i zobaczyć, jak to się wszystko spina.

Stany Zjednoczone i „finansowe spaghetti”

Słyszeliście kiedyś o „finansowaniu cyrkularnym”? To tłumaczenie nie jest idealne. W języku angielskim określa się to jako circular financing albo circular deals. Mechanizm jest relatywnie prosty, choć w rezultacie, zdaniem niektórych ekspertów, tworzy bańkę finansową. Giganci technologiczni inwestują w firmy AI i w dostawców mocy obliczeniowej. Te firmy – często relatywnie młode i dużo mniejsze – wydają potem znaczną część pozyskanego kapitału na infrastrukturę (serwery, GPU, usługi centrów danych) niejednokrotnie kupowaną od… tych samych gigantów, którzy chwilę wcześniej stali się udziałowcami.

Dość obrazowy jest tu układ Nvidia-CoreWeave. Nvidia weszła kapitałowo w CoreWeave, a CoreWeave kupuje tysiące akceleratorów właśnie od Nvidii. W jej księgach rośnie przychód. Na giełdzie zaś dominuje narracja, że „popyt jest nienasycony”. CoreWeave może zastawić sprzęt jako zabezpieczenie długu i dzięki temu jeszcze szybciej rozbudować farmy obliczeniowe. To nie jest oszustwo – to po prostu bardzo sprytna konstrukcja finansowa.

Finansowanie cyrkularne w USA przypomina misternie splecione nitki spaghetti, gdzie kapitał i infrastruktura napędzają kolejne wyceny.

Podobny obieg gotówki widzimy u największych dostawców infrastruktury obliczeniowej. Microsoft i Amazon wkładają pieniądze w spółki tworzące modele, po czym spora część tych pieniędzy wraca do nich jako opłaty za wykorzystanie ich centrów danych. Gdy OpenAI na koniec lutego 2026 r. ogłosiło kolejną rundę finansowania i jednocześnie wieloletnie umowy infrastrukturalne z Amazonem (AWS) i Nvidią, bardzo wyraźnie było widać, jak bardzo sprzęt i kapitał idą tu w parze.

To „spaghetti” ma dwa efekty uboczne: na każdym etapie przepływu pieniądza księguje się przychód, a rynek dostaje paliwo do podnoszenia wycen chociażby na Nasdaq. Tylko jak bardzo taki przychód jest realny? No i wszystko działa świetnie, dopóki płynie kapitał.

Na tym nie koniec. Rynek inwestuje dziś w AI tak, jakby z góry zakładał, że w ciągu kilku lat powstanie nowy, wielobilionowy segment gospodarki (tak, chodzi o polski bilion, czyli amerykański trylion). Tyle że matematyka jest brutalna: koszty centrów danych, chipów, energii i chłodzenia póki co rosną szybciej niż powtarzalne zyski z usług dających dostęp do AI. (Spoiler alert, zastanowimy się, czy model rozliczania się na podstawie miesięcznego abonamentu zostanie z nami na stałe).

Dobrym punktem odniesienia jest OpenAI. Z wyników finansowych wynika, że przychód w 2025 r. oscylował wokół 13 mld $. Jednocześnie na bazie transakcji z lutego, o której pisałem wyżej, można uznać, że wycena/wartość OpenAI to 730 mld $ – tak przynajmniej możemy przeczytać w oficjalnym komunikacie na openai.com (tylko w lutym 2026 Softbank, Amazon i Nvidia zainwestowali w OpenAI łącznie 110 mld $, czyli 8,5× roczny przychód).

Jeśli zestawimy taką wycenę z przychodem, od razu nasuwa się pytanie: skąd mają się wziąć pieniądze, które pokryją koszty i pozwolą inwestorom odzyskać włożone środki? Wiemy już, że część trafi do niektórych z nich ponownie w formie zakupów. Jednak to nie może być przecież wszystko. Żeby miliardy dolarów inwestycji w infrastrukturę miały sens ekonomiczny, branża musiałaby w pewnym momencie generować nie dziesiątki, lecz setki miliardów przychodu. Tego zdecydowanie jeszcze nie widać. Widać za to ekspansję kapitałową i… coraz większy apetyt na prąd (o czym będzie dalej).

Jeśli firmy nie pokażą w miarę szybko drogi do dodatnich przepływów pieniężnych, możemy być świadkami twardego hamowania: ograniczania inwestycji, zwolnienia, zamrażania projektów, a w najgorszym wariancie – problemów ze spiralą długu. W pamięci wielu inwestorów wciąż żywy jest rok 2000 i bańka dotcomów. Porównanie na pewno nie jest idealne, ale mechanizm oczekiwań rynkowych jest całkiem podobny: narracja o „nowej ekonomii”, a potem wielkie „sprawdzam”.

Swoją drogą, między innymi na obserwacji przepływów kapitałowych opieram swoje przypuszczenia dotyczące AGI, które – jak o nich opowiadam – u innych ekspertów wzbudzają niedowierzanie. Pamiętam chociażby rozmowę z dyrektorem IT jednego z banków. Nasze estymacje mocno się rozjeżdżały, a mimo że upłynęły prawie dwa lata od tamtej rozmowy, nadal zostaję przy swoim! Według mnie, jeśli etapu AGI nie osiągniemy w najbliższych latach (ale takich serio najbliższych, rzędu dwóch, trzech), to te całe inwestycje mogą wziąć w łeb. Dużo postawiono na jedną kartę.

Dodatkowo część firm z sektora AI rozważa wejście na giełdę. Przed IPO niemal każdy ma interes w tym, by wycena wyglądała jak najmocniej.

Duży może więcej

Amerykański model opiera się na koncentracji: kapitału, infrastruktury i ludzi (w poprzednim artykule pisałem, że chociażby wiedza koncentruje się wokół firm, a nie uniwersytetów – upraszam obraz, przeczytajcie całość). W generatywnej AI można relatywnie łatwo stworzyć „przewagę skali” – kto ma więcej dobrych procesorów i lepsze kontrakty energetyczne, ten szybciej trenuje, testuje, wdraża i ostatecznie sprzedaje swoje rozwiązania. Naturalnie to kosztuje.

Duzi gracze zachowują się jak dostawcy infrastruktury ogólnego przeznaczenia dla reszty rynku: bez ich centrów danych, sieci i platform trudno budować produkty wykorzystujące AI. A bariera wejścia rośnie, bo koszt trenowania modelu z czołówki bywa liczony w setkach milionów, a czasem w okolicach miliarda dolarów, zależnie od podejścia, danych i liczby eksperymentów.

Koncentracja zasobów w rękach gigantów technologicznych oznacza rosnące bariery wejścia dla mniejszych graczy na rynku AI. Microsoft przykładowo buduje duże centra danych z kontenerów – coś się psuje, wymieniany jest cały kontener.

Mniejsze zespoły mogą konkurować jakością, ciekawymi pomysłami na architekturę modeli, danymi albo specjalizacją, ale wyścigu „na masę” nie wygrają bez kapitału. To jednak na razie zdaje się bardziej dotyczyć Europy, bo jeśli chodzi o Chiny, wykorzystują i spryt, i potężne pieniądze.

„Efekt DeepSeek” i wojna cenowa

Chiny podważają sens amerykańskiego modelu SaaS proponując niskokosztowe rozwiązania. Zamiast grać w grę „kto ma większą serwerownię”, postawili na wyższą efektywność. DeepSeek stał się symbolem tego podejścia: modele V3/R1 były przedstawiane jako zbliżone możliwościami do zachodnich systemów przy znacznie niższych kosztach treningu i wnioskowania. Z tymi możliwościami to jednak nie do końca tak. Co więcej, po internecie krążą analizy, że pełne koszty mogły być wyższe, niż oficjalnie podano. Ale obraz się utrwalił.

Największy cios dla Zachodu wynika jednak nie z wyników w benchmarkach, a z cenników. Chińscy dostawcy zaczęli oferować API w cenach, które wymuszają presję na marżach.

Chińska strategia AI opiera się na efektywności kosztów i presji cenowej, które zmieniają rynek zachodniego SaaS. Tym samym AI może być szeroko wykorzystywana do automatyzacji różnorodnych zadań. Zaczynamy mieć do czynienia z tzw. utowarowieniem AI.

Dla przykładu: stawki za bardzo dobry jakościowo model Qwen są rzędu ułamków dolara za milion tokenów wejściowych, a kilku dolarów za tokeny wyjściowe – mam na myśli ceny, gdy korzystacie z tego modelu bezpośrednio u twórcy; jest otwarty, więc u innych dostawców może być nawet taniej. DeepSeek jest jeszcze tańszy. Po stronie modeli OpenAI stawki bywają znacząco wyższe, zwłaszcza dla tokenów wyjściowych w najmocniejszych (i najstarszych ;)) wariantach GPT i oX. Europa też próbuje nadrabiać ceną.

Stan na 3 marca 2026 r. (starałem się dobrać możliwie zbliżone modele):

* Cena dla promptów o długości do 200k tokenów. Dłuższe prompty są droższe.

Skoro sztuczna inteligencja z użyciem API tanieje, postawię tezę (zasłyszaną, a jako że się z nią zgadzam, to podkradam): modele językowe zaczynają przypominać zasób jak prąd czy woda w kranie; będziemy je traktować jako rzecz oczywistą, o której niespecjalnie się myśli. Taki proces utowarowienia jest dla Zachodu groźny, bo uderza w klasyczną ekonomię SaaS.

W Chinach znaczącą rolę odgrywają fundusze państwowe ukierunkowane na strategiczne sektory. W takim układzie opłacalność nie musi być liczona kwartał do kwartału; ważne, aby rachunek zgadzał się w długim terminie. Chiny ogólnie stawiają na zdolność państwa do budowy kompetencji w sposób wertykalny, dążąc do jak najważniejszej pozycji całych swoich sektorów.

Do tego dochodzi integracja pionowa w obrębie korporacji: Alibaba, Tencent, Huawei i inni gracze potrafią łączyć sprzęt, superaplikacje (jak WeChat, który służy do mnóstwa rzeczy, w tym płatności) i usługi. Taka struktura pozwala przerzucać zasoby między liniami biznesowymi i przez pewien czas subsydiować koszty, by – znowu – w długim terminie zyskać duży udział w rynku.

Europa: luka kapitałowa i ucieczka w B2B

Na Starym Kontynencie brakuje prywatnego finansowania na dużą skalę; rządowego/europejskiego zresztą też. Część ambitnych spółek przenosi więc siedziby i działalność do Stanów Zjednoczonych, bo tam łatwiej przeprowadzić szereg rund finansowania, co w Europie jest rzadkością. Za przykład możemy wziąć chociażby założoną przez Polaków w Stanach Zjednoczonych spółkę Eleven Labs.

Odpowiedź europejskich firm w zastanym otoczeniu finansowym (ale też regulacyjnym, o czym więcej w innym tekście) jest pragmatyczna: skoro nie wygramy segmentu masowych usług dla konsumentów, skupmy się na sektorze publicznym i przemyśle, gdzie bardziej liczą się regulacje, poufność danych i możliwość uruchamiania modeli w odizolowanym środowisku. Ukuto nawet termin „suwerenna AI” – podejście, w którym instytucja ma kontrolę nad danymi i nad modelem, a nie tylko nad fakturą za usługę.

Europejscy twórcy LLM-ów w narracji biznesowej koncentrują się na suwerenności AI, adresując usługi m.in. dla sektora publicznego, który często wymaga hostowania AI na własnej infrastrukturze.

Firmy takie jak Mistral czy SAP budują ofertę z myślą o organizacjach, które nie chcą wysyłać wrażliwych danych do zewnętrznych dostawców. Europejskie przepisy (w tym AI Act) wzmacniają potrzebę podążania tą ścieżką.

Droga do agentic economy

W tej sekcji dotknę wątku, który – pamiętam dobrze – wynotowałem sobie na ReMarkable kilka lat temu, jadąc pociągiem. Gdybym wtedy o tym napisał, pukano by się w czoło. Teraz jest dobry moment, a pogląd nie jest już taki odosobniony (choć moje myślenie w pewnym momencie skręca w inną stronę, o czym chyba odważę się napisać więcej w najbliższym czasie). Tymczasem zostańmy przy AI.

Wiele narzędzi AI jest dziś sprzedawanych na podstawie ceny „za osobę” lub „za miesiąc”. To model wygodny dla dostawcy i przewidywalny dla klienta. Tylko że gdy agenci AI wykonują zadania samodzielnie, rośnie sens wyceny „za efekt”.

Myślę, że z czasem spora część naszej pracy będzie sprowadzać się do delegowania i nadzorowania zadań zlecanych agentom AI. Coraz częściej będziemy słyszeli o rozliczaniu ich pracy w modelu za efekt.

Zamiast płacić stałą kwotę za możliwość używania narzędzia, firmy coraz częściej będą płacić za rozwiązane zgłoszenie klienta, poprawnie przygotowany raport, wdrożony fragment kodu, zamkniętą sprawę. To z jednej strony przenosi ryzyko z klienta na dostawcę: jeśli agent nie „dowozi” (jak to się mówi w korporacjach IT), nie zarabia. Z drugiej strony dostawca, który ma świetne rozwiązanie konkretnego problemu, może zyskać klientów, których w innym modelu nie przekonałby do siebie z uwagi np. na małą skalę działalności.

Ważną cechą będzie niezawodność – powtarzalność i przewidywalność wyników. Rynek zacznie premiować systemy, które dowożą, zamiast takich, które ładnie „mówią”, ale gubią wątek i zmyślają fakty. (Krótka reklama: polecam swoje szkolenie z wykorzystania AI w automatyzacji).

Naturalnie klasyczne subskrypcje pozostaną.

Prąd wyznacza sufit

To już żadne odkrycie, że centra danych potrzebują ogromnej ilości energii. Sieci przesyłowe w wielu regionach Stanów Zjednoczonych są przeciążone, a procesy przyłączeniowe trwają latami. Nic dziwnego, że firmy technologiczne zaczęły szukać pewnej energii – bez kolejek i bez ryzyka.

W 2025 r. głośno było o umowie AWS z Talen Energy na 1,92 GW energii z elektrowni jądrowej Susquehanna wraz ze sporem regulatorów o formułę dostaw (warianty „za licznikiem” i rozwiązania obchodzące klasyczny model przyłączeniowy). Innym przykładem jest umowa Microsoftu dotycząca zakupu 100% prądu z nieczynnego wcześniej reaktora Unit 1 w elektrowni Three Mile Island w Pensylwanii.

Rola prądu jako strategicznego zasobu ukazuje ryzyko dla firm AI, zwłaszcza w kontekście nierówności energetycznych.

W Europie też mamy problem ze starą siecią przesyłową, a dostawy prądu bywają niestabilne, bo relatywnie spora część zasilania zależy od pogody. Polecam, żeby pogooglować, jak wygląda wzajemna sprzedaż energii między krajami. Jednocześnie my nie mamy wielkich korporacji, które mogłyby zacząć stawiać bloki jądrowe. Większość sił sprawczych jest po stronie rządów poszczególnych krajów. Ponieważ wszystko trwa bardzo długo, mam istotną obawę, że niedostateczna ilość prądu będzie kolejnym wąskim gardłem dla firm z Europy, nawet jeśli rozwiążemy w jakiś sposób problemy z kapitałem.

Wróćmy do Stanów, bo tam widać w pewnym sensie prywatyzację energetyki realizowaną w ciekawy sposób – przez wyciąganie z rynku najlepszych, stabilnych źródeł zasilania pod własne potrzeby. Jeśli ten trend przyspieszy (na razie raczkuje), reszta gospodarki może zostać z droższą energią i większą niepewnością dostaw. To też stanowi ryzyko i nie powinno zwalniać rządu amerykańskiego z inwestycji na poziomie federalnym (lub stanów na poziomie stanowym).

W zupełnie innym i – zaryzykuję – moim zdaniem najlepszym położeniu z punktu widzenia ilości generowanego prądu i stabilności źródeł są Chiny. To nie tekst o ekologii (lubię drzewa, dbam o zwierzęta etc.), tylko o ekonomii, która będzie kreślić przyszłość AI. Jeśli do tego wszystkiego, co już napisałem w tym i innych tekstach, dodamy zaplecze energetyczne, kto wie, czy wygranym w wyścigu AI nie będą Chińczycy…

Tylko dla odnotowania: ktoś te centra danych czy sieci przesyłowe musi też wybudować, to więc dobre środowisko dla firm z tego sektora.

Co z tego wynika dla nas

Jeśli spojrzymy na Stany Zjednoczone, widzimy układ, w którym kapitał krąży w pętlach, wyceny rosną szybciej niż rentowność, logika „zwycięzca bierze wszystko” wzmacnia dużych graczy, a małych zmusza to szukania niszowych ścieżek i poniekąd współzależności.

Odnośnie do Chin – widzimy presję cenową i model „AI jako infrastruktura” zasilany przez państwowe pieniądze i pionowo zintegrowane konglomeraty.

Europo i Polsko – potrzebujemy dobrego planu. Warto w tej całej układance znaleźć miejsce dla siebie i obrać spójną strategię.

Gdy analizujemy Europę, widzimy brak dużego prywatnego paliwa inwestycyjnego i próbę budowy przewagi w sektorach, w których liczą się regulacje, poufność i kontrola infrastruktury. (Ten kierunek dobrze współgra także z narracją o tym, że AI coraz częściej zaczyna działać w świecie fizycznym, a to wzmacnia wagę bezpieczeństwa i odpowiedzialności – polecam tekst o embodied AI).

A gdy myślimy o przyszłości modeli biznesowych, nasuwa się na myśl przejście od płacenia „za dostęp” w stronę płacenia „za wykonanie” oraz walka o energię jako o zasób strategiczny. Jeśli w pewnym momencie koszt kilowatogodziny, chłodzenia i amortyzacji sprzętu zacznie mieć znaczenie, by przychody bilansowały wydatki, narracja o rewolucji może gwałtownie zderzyć się z bilansem finansowym.

Jeżeli tak się wydarzy i nagłówki gazet będą krzyczeć, że to całe AI było bez sensu, Wy cały czas budujcie swoje kompetencje. Bo chociażby cykl hype’u Gartnera przewiduje moment masowego rozczarowania. Kurz jednak opadnie i zostaną gracze, którym jakoś tego Excela udało się posklejać.

Trzymam kciuki za polskie i europejskie modele i firmy AI. Może wymiarem „suwerennej AI” byłoby skierowanie naszego kapitału w naszą stronę (temat do wygooglowania: ile europejskiego kapitału jest na amerykańskiej giełdzie). Bo w rywalizacji z Chinami sam spryt i innowacyjność nie wystarczą, choć naturalnie i tego nam życzę.

Jak zawsze, zapraszam do subskrypcji newslettera.