Kolejna faza rozwoju sztucznej inteligencji: inwestycje wykraczające poza wąskie gardła

Najważniejsze punkty:

• Niższe koszty sztucznej inteligencji sprzyjają jej upowszechnianiu. Spadają koszty szkolenia i wdrażania modeli, dzięki czemu AI dociera do większej liczby firm i pracowników oraz do codziennych zastosowań. To sprzyja szerszemu wykorzystaniu, choć ogranicza możliwość dyktowania cen przez twórców modeli i niektórych dostawców sprzętu.
• Bardziej przemyślane nakłady inwestycyjne na AI nie oznaczają końca popytu na sprzęt. Hiperskalerzy (najwięksi dostawcy usług chmurowych) wciąż inwestują, lecz coraz uważniej dobierają to, co kupują, gdzie to wdrażają i jaki zwrot to przynosi. Potencjalni beneficjenci mogą przesunąć się z szerokiej ekspozycji na dostawców sprzętu w kierunku kluczowych wąskich gardeł oraz wydajnej infrastruktury.
• KOSPI może odbić po redukcji dźwigni, ale bardziej uporządkowane pozycjonowanie nie oznacza jeszcze nowego cyklu w segmencie pamięci. Dynamika rynku w Korei uległa poprawie, jednak powrót do wcześniejszego tempa wzrostu wymaga dalszych podwyżek prognoz zysków. Kluczowe ryzyko polega na tym, że oczekiwania wobec segmentu pamięci osiągną szczyt wcześniej niż popyt bazowy.

Pierwsza faza inwestycji w sztuczną inteligencję była napędzana niedoborami.

Brakowało zaawansowanych chipów, pamięci o wysokiej przepustowości, elementów sieciowych, przyłączy energetycznych i mocy przyłączeniowej centrów danych, aby zaspokoić popyt. Inwestorzy nie musieli dokładnie wiedzieć, jak AI będzie monetyzowana. Wystarczyło mieć w portfelu spółki dostarczające elementy będące „wąskimi gardłami”.

Ta faza właśnie ulega zmianie.

Wydatki na infrastrukturę AI pozostają wysokie, a sprzęt nadal będzie kluczowy. Jednak w kolejnej fazie mniej będzie chodziło o to, kto zbuduje największy model czy pozyska najnowocześniejsze układy, a bardziej o to, kto potrafi sprawić, by AI była tania, efektywna i realnie użyteczna.

Dla inwestorów oznacza to przejście od narracji o niedoborach do czystej ekonomiki AI.

Dlaczego efektywność znajduje się w centrum rozwoju AI?

Branża AI wcale nie traci na znaczeniu. Po prostu część jej elementów ulega utowarowieniu.

Coraz więcej firm ma dziś dostęp do dobrych modeli dzięki rozwiązaniom open source, platformom chmurowym i interfejsom programistycznym (API). Nie każda firma musi trenować własny model, budować centrum danych czy kupować najnowsze GPU.

Większość przedsiębiorstw po prostu potrzebuje AI, która jest:

• wystarczająco dokładna
• łatwa do wdrożenia i integracji
• bezpieczna i niezawodna
• wystarczająco szybka dla danego zadania
• opłacalna w dużej skali

To zmienia kluczowe pytanie inwestycyjne.

W pierwszej fazie liczyły się maksymalna moc i możliwości. W kolejnej coraz bardziej będzie chodziło o osiągnięcie wymaganej funkcjonalności przy jak najniższym koszcie.

Dwie siły przyspieszają tę zmianę: konkurencja z Chin oraz rosnąca kontrola wydatków hiperskalerów.

Chiny konkurują ceną i efektywnością

Chiny być może nie przodują jeszcze we wszystkich segmentach najbardziej zaawansowanych półprzewodników, ale są coraz bardziej konkurencyjne pod względem architektur modeli, efektywności, otwartych systemów oraz kosztów.

Alibaba niedawno zaprezentowała swój jak dotąd największy model AI, a DeepSeek udostępnił bardzo tani model, wyceniony znacząco niżej niż wiele konkurencyjnych rozwiązań. Te premiery wzmacniają strategię Chin: wykorzystywać otwarte i przystępne cenowo modele, aby przyciągać deweloperów oraz przyspieszać upowszechnianie i wdrożenia.

To ważne, ponieważ niższe ceny modeli szybko obniżają koszt wdrożeń AI.

Detalista nie potrzebuje najpotężniejszego modelu na świecie, aby poprawić rekomendacje produktów. Bank nie musi korzystać z modelu z absolutnej czołówki we wszystkich obszarach obsługi klienta. Producentowi bardziej przyda się niezawodne wykrywanie anomalii niż najbardziej wyrafinowana sztuczna inteligencja ogólnego zastosowania.

Gdy różnice wydajności między modelami przystępnymi cenowo a „premium” maleją, coraz mniej użytkowników będzie płacić za maksimum mocy, jeśli tańszy model w zupełności wystarczy.

To nie eliminuje popytu na zaawansowany sprzęt. Modele z najwyższej półki, badania naukowe i trenowanie modeli w skali hiperskalowej wciąż będą potrzebować najmocniejszych dostępnych układów.

Może to jednak zmienić strukturę popytu.

Coraz większa część wzrostu może pochodzić z:

• mniejszych, wyspecjalizowanych modeli
• dedykowanych akceleratorów
• wydajnych układów do inferencji
• tradycyjnej pamięci wykorzystywanej w sposób przemyślany
• przetwarzania na brzegu sieci (edge computing)
• oprogramowania ograniczającego zapotrzebowanie na moc obliczeniową
• usług chmurowych, które oferują wybór modeli i sprzętu

Badania nad ekonomiką inferencji w AI sugerują, że wiele obciążeń nie wykorzystuje całej mocy obliczeniowej dostępnej w najwydajniejszych układach GPU. Niektóre zadania inferencji są ograniczane bardziej przez pojemność pamięci i przepływ danych niż przez samą moc obliczeniową.

To nie oznacza, że zaawansowane GPU staną się zbędne. Wniosek jest inny: nie każde zadanie AI wymaga najdroższej konfiguracji sprzętowej.

Nakłady inwestycyjne na AI stają się bardziej ukierunkowane

Pytania o nakłady inwestycyjne związane z AI bywają interpretowane w zbyt uproszczony sposób.

Inwestorzy obawiają się, że większa dyscyplina po stronie hiperskalerów oznacza natychmiastowy spadek popytu na półprzewodniki i infrastrukturę centrów danych. To niekoniecznie trafny wniosek.

Hiperskalerzy nadal rozbudowują infrastrukturę, bo wykorzystanie AI rośnie, a obecna przepustowość wciąż jest ograniczona. Konsensusowe szacunki dotyczące nakładów inwestycyjnych Microsoftu, Alphabetu, Amazona, Mety i Oracle’a wzrosły z około 485 mld USD na początku 2026 r. do około 730 mld USD według stanu na lipiec 2026 r.

Zmiana nie polega więc na przejściu z „wydajemy” do „nie wydajemy”, lecz z „wydajemy za wszelką cenę” do „wydajemy z jasno określonym uzasadnieniem ekonomicznym”.

To sprawia, że nakłady inwestycyjne na AI stają się bardziej selektywne, lecz niekoniecznie mniejsze.

Cały cykl wydatków może trwać dalej, choć tempo wzrostu spadnie z wyjątkowo wysokich poziomów. Według szacunków UBS, cytowanych przez Reutersa, nakłady inwestycyjne hiperskalerów mogą wzrosnąć o 76% w 2026 r., by spowolnić do 25% w 2027 r. i do 6% w 2028 r.

Dla inwestorów w sektorze sprzętowym to rozróżnienie ma znaczenie.

Spowolnienie wzrostu nakładów inwestycyjnych to co innego niż jego spadek. Jednak rynek akcji reaguje na zmiany przyrostowe. Spółki sprzętowe wyceniane pod scenariusz nieprzerwanie przyspieszających wydatków mogą tracić, gdy wzrost staje się po prostu mniej spektakularny.

Od większych modeli do lepszej ekonomiki

Niższe koszty mogą uruchomić silne dodatnie sprzężenie zwrotne.

Gdy AI tanieje, firmy mogą korzystać z niej więcej. Spółka, która wcześniej ograniczała AI do małej grupy programistów, może wdrożyć ją w obsłudze klienta, marketingu, badaniach, logistyce i operacjach wewnętrznych.

Koszt pojedynczego zadania spada, ale liczba wykonywanych zadań rośnie.

To optymistyczny kontrargument wobec obaw dotyczących popytu na sprzęt: większa efektywność może pobudzić tak duże dodatkowe wykorzystanie, że łączne potrzeby obliczeniowe wciąż rosną.

Jednak wartość może rozkładać się inaczej.

Gdy modeli jest niewiele i są drogie, dostawcy modeli przejmują dużą część marży. Gdy dostęp do modeli jest łatwiejszy, a zamienniki są szerzej dostępne, wartość może przesuwać się w stronę firm, które kontrolują:

• dystrybucję
• dane zastrzeżone
• relacje z klientami
• infrastrukturę chmurową
• procesy i przepływy pracy w organizacji
• zaufane aplikacje

Dlatego platformy cyfrowe mogą zyskać na znaczeniu.

Alibaba, Tencent, Microsoft, Alphabet i Meta nie tylko dostarczają modele. Potrafią wbudować AI w usługi chmurowe, reklamę, handel, oprogramowanie biurowe, wyszukiwarkę, media społecznościowe i istniejące ekosystemy klientów.

Nie muszą za każdym razem szukać zupełnie nowych odbiorców dla rozwiązań AI. Mogą udostępniać AI w ramach usług, z których klienci już korzystają.

Czy cykl na rynku pamięci zbliża się do szczytu?

Przesunięcie akcentu w stronę efektywności rodzi ważne pytanie dla Korei Południowej.

KOSPI był jednym z głównych beneficjentów cyklu sprzętu i pamięci powiązanego z AI. Samsung Electronics i SK Hynix zapewniły inwestorom ekspozycję na gwałtownie rosnący popyt na pamięć serwerową i HBM.

Po ostatniej korekcie wielu inwestorów zastanawia się, czy rynek może wrócić do poprzedniego tempa wzrostu, skoro nadmierne pozycjonowanie zostało już ograniczone.

Argument za taktycznym odbiciem jest wiarygodny.

Analitycy J.P. Morgan niedawno ocenili, że zamykanie pozycji w lewarowanych ETF-ach dobiegło końca, a fundusze hedgingowe przeprowadziły około 90% procesu redukcji dźwigni.

Bardziej uporządkowane pozycjonowanie zmniejsza ryzyko, że wymuszona sprzedaż znów przeważy nad fundamentami. Daje też inwestorom większą gotowość do odbudowywania ekspozycji po ostrej korekcie.

Tyle że delewarowanie rozwiązuje problem struktury rynku. Nie uruchamia automatycznie nowego cyklu wzrostu zysków.

Poprzednią hossę na KOSPI napędzało jednoczesne działanie kilku sił:

• rosnące ceny pamięci
• powtarzające się podwyżki prognoz zysków
• rosnący popyt na AI
• silne napływy kapitału z zagranicy
• większa dźwignia i zakupy oparte na momentum

Dźwignia i momentum mogą się odbudować. Trudniejsze pytanie brzmi, czy oczekiwania wobec zysków mogą nadal rosnąć w tym samym tempie.

Tu pojawia się ryzyko cyklicznego szczytu.

Warto doprecyzować, co znaczy „szczyt”. Nie musi to oznaczać, że ceny pamięci wkrótce się załamią ani że popyt na AI osiągnął maksimum.

TrendForce nadal oczekuje, że na rynku DRAM utrzyma się niedobór, a wzrost popytu może przewyższać przyrost podaży nawet do 2027 r.

Większe ryzyko dotyczy szczytu w zakresie:

• tempa wzrostu cen pamięci
• skali podwyżek prognoz zysków
• poziomu oczekiwań inwestorów
• ekspansji mnożników wyceny
• skłonności do płacenia za odległe w czasie zyski

Akcje często osiągają szczyty wcześniej niż przychody czy zyski w branży. Spółka może nadal raportować rekordowe wyniki, a kurs mimo to pozostaje pod presją, bo te rekordy były już w cenach.

Perspektywy dla pamięci też się różnicują.

HBM i serwerowa pamięć DRAM mogą pozostawać strukturalnie napięte, bo systemy AI wymagają ogromnych ilości szybkiej pamięci blisko procesora.

Pamięci DRAM i NAND o charakterze towarowym są bardziej cykliczne. Silniej odczuwają rozbudowę mocy produkcyjnych, konkurencję ze strony Chin oraz słabszy popyt na smartfony, komputery osobiste i elektronikę konsumencką.

Dlatego trudno traktować rynek pamięci jako jednolity temat inwestycyjny.

Jak pozycjonować się pod kolejny etap AI?

Wniosek nie brzmi po prostu „sprzedaj sprzęt, kup oprogramowanie”. W obu kategoriach są potencjalni zwycięzcy i przegrani.

Silniejsze tezy inwestycyjne w ujęciu względnym to:

• Aplikacje AI i platformy cyfrowe zamiast szerokiej ekspozycji na dostawców sprzętu. Firmy, które potrafią udostępniać i monetyzować AI, mogą zyskiwać bardziej bezpośrednio, gdy koszty modeli spadają.
• Rentowne oprogramowanie zamiast „generycznego” oprogramowania. Preferuj spółki z danymi zastrzeżonymi, krytycznymi przepływami pracy, wysokim poziomem bezpieczeństwa, wysokimi kosztami zmiany dostawcy i widocznymi przychodami z AI. Nie zakładaj, że każda spółka z sektora oprogramowania skorzysta na AI.
• Firmy realnie wdrażające AI zamiast „sprzedawców narracji”. Szukaj spółek, które już dziś wykorzystują AI, aby zwiększać sprzedaż, poprawiać marże lub ciąć koszty operacyjne — nie tych, które tylko snują plany na przyszłość.
• Wydajna infrastruktura zamiast maksymalnej mocy obliczeniowej. Niestandardowe układy scalone, optymalizacja inferencji, sieci, zarządzanie energią i chłodzenie mogą zyskiwać na znaczeniu, gdy kupujący patrzą na koszt jednostkowego zadania.
• Zaawansowana pamięć zamiast szerokiej ekspozycji na pamięci o charakterze towarowym — ale z większą dyscypliną w wycenie. HBM i pamięć serwerowa pozostają strukturalnie atrakcyjne, podczas gdy towarowe pamięci DRAM i NAND są bardziej narażone na cykliczność i ryzyka podażowe.
• Chińskie platformy i aplikacje zamiast chińskiego sprzętu zależnego od eksportu. Tańsze modele sprzyjają firmom z krajowymi kanałami dystrybucji, ekosystemami chmurowymi i dużą bazą klientów. Eksporterzy sprzętu mierzą się z wyższym ryzykiem geopolitycznym.
• Selektywne podejście do Korei zamiast szerokiej nadwagi na KOSPI. Bardziej uporządkowane pozycjonowanie wspiera taktyczne odbicie, ale trwałe wzrosty wymagają dalszej realizacji ścieżki wzrostu zysków i szerszego przywództwa rynkowego.
• Hiperskalerzy, którzy monetyzują AI, zamiast dostawców uzależnionych od nakładów inwestycyjnych. Preferuj dostawców chmury i platformy, które pokazują wzrost przychodów i poprawę zwrotu z inwestycji w AI, a nie dostawców liczących wyłącznie na kolejną podwyżkę nakładów inwestycyjnych.
• Beneficjenci AI poza sektorem technologicznym zamiast skoncentrowanej ekspozycji na półprzewodniki. Finanse, opieka zdrowotna, przemysł, logistyka i platformy konsumenckie mogą skorzystać, gdy tańsza AI podnosi produktywność.

Czynniki mogące wpłynąć na prognozę

Popyt na sprzęt może ponownie przyspieszyć

Niższe koszty mogą wygenerować znacznie większy wzrost wykorzystania AI. Jeśli liczba przetwarzanych tokenów i zapytań rośnie szybciej niż poprawia się efektywność, popyt na układy, pamięci i sieci może znów się umocnić.

Niedobory pamięci mogą się utrzymać

Podaż zaawansowanych pamięci pozostaje ograniczona. Proces kwalifikacji HBM, złożoność produkcji i ograniczone moce pakowania mogą dłużej niż zakładano wspierać wyższe ceny i marże.

Wyceny oprogramowania mogą już „wyprzedzać” rotację

Inwestorzy mogą zbyt szybko przesunąć się z półprzewodników do drogich akcji oprogramowania. Mocny wzrost wyników nie chroni tych, którzy akceptują zbyt wygórowane wyceny.

AI może podważyć tradycyjne modele cenowe oprogramowania

Tańsze modele pomagają firmom z sektora oprogramowania, ale też obniżają bariery wejścia. Spółki opierające się na łatwo kopiowalnych funkcjach lub modelu cenowym „per użytkownik” mogą znaleźć się pod presją.

Chińska wojna cenowa może zniszczyć marże

Tanie modele przyspieszają adopcję, a jednocześnie utrudniają twórcom modeli i dostawcom chmury osiąganie atrakcyjnych zwrotów.

Wydatki hiperskalerów mogą nadal pozytywnie zaskakiwać

Popyt pozostaje silny i firmy mogą uznać, że niedoinwestowanie jest większym ryzykiem strategicznym niż nadmierne wydatki. To sprzyjałoby obecnym liderom sprzętowym.

Ograniczenia geopolityczne mogą się rozszerzać

Dalsze restrykcje USA lub działania odwetowe Chin mogą dotyczyć układów scalonych, komponentów optycznych, materiałów, dostępu do chmury i sprzedaży zagranicznej. Polityka potrafi przeważyć nad fundamentami spółek.

Delewarowanie na KOSPI może nie być jeszcze całkiem za nami

Pozycjonowanie uległo poprawie, ale zmienność może wrócić, jeśli akcje pamięci gwałtownie spadną, inwestorzy zagraniczni zredukują ekspozycję lub produkty z dźwignią zbyt szybko się odbudują.

Podsumowując: Kolejny etap inwestowania w AI to zwrot

Temat AI pozostaje strukturalnie silny. Staje się jednak szerszy, bardziej konkurencyjny i bardziej wymagający.

Pierwsza faza nagradzała firmy kontrolujące rzadką infrastrukturę. Kolejna wynagrodzi tych, którzy obniżą koszt „inteligencji” i przekują ją na przychody, produktywność oraz przepływy pieniężne.

Sprzęt wciąż jest potrzebny, ale inwestorzy nie powinni już zakładać, że każdy dodatkowy dolar wydany na AI trafi do tych samych dostawców — ani że najbardziej zaawansowany sprzęt jest wymagany do każdego zadania.

Dlatego zmieniają się ramy inwestycyjne:

• aplikacje AI zamiast pustych obietnic
• efektywna kosztowo infrastruktura zamiast sprzętu „za wszelką cenę”
• zaawansowana pamięć zamiast szerokiej ekspozycji na pamięci o charakterze towarowym
• chińskie ekosystemy cyfrowe zamiast dostawców zależnych od eksportu
• spółki generujące realne zwroty z AI zamiast tych, które jedynie zwiększają wydatki

Kolejny etap AI nie oznacza końca budowy infrastruktury.

Chodzi o wyjście poza wąskie gardła — i wskazanie, kto potrafi uczynić sztuczną inteligencję ekonomicznie użyteczną.