Giganci technologiczne takie jak OpenAI, Google czy Meta stoją przed ogromnym wyzwaniem rentowności: muszą zwiększyć swoją produktywność 2,7-krotnie do 2030 roku, aby usprawiedliwić miliardowe inwestycje w centra danych AI. Jessica Wachter, professor finansów na Wharton School i były główny ekonomista Komisji Papierów Wartościowych, zastosowała proste podejście księgowe - zamiast spekulować o użyteczności modeli AI, po prostu obliczyła, ile szybciej muszą rosnąć zyski hyperscalerów, aby sfinansować wydatki szacunkowe na poziomie 1,1 biliona dolarów do 2027 roku.
Wyliczenia Wachter pokazują, że wzrost produktywności potrzebny do uniknięcia upadłości byłby porównywalny ze skalą boomu IT z przełomu lat 90-tych i 2000-tych, ale w znacznie skompresowanym czasowo oknie zaledwie kilku lat. Jak sama przyznaje, "to ogromny wzrost ściśnięty w krótki czas". Scenariusz nie jest niemożliwy - ale wymaga, aby modele AI rzeczywiście wygenerowały ogromną wartość biznesową w praktyce.
Jeśli jednak giganci nie osiągną takich celów rentowności, konsekwencje mogą być drastyczne. Wachter ostrzega, że niedotrzymanie harmonogramu zysków wiąże się z ryzykiem spadku na spłatach odsetek od pożyczek zaciąganych na finansowanie tych inwestycji. To otwiera scenariusz bankructwa największych graczy w branży AI - czarny łabędź, który mógłby wstrząsnąć całą ekonomią technologiczną.