8 Minuty
Goldman Sachs tvrdí, že současný rozruch kolem umělé inteligence není spekulativní bublinou, ale teprve úvodním akty rozsáhlejší transformace. V novém reportu investiční banka argumentuje, že dnešní výdaje na AI jsou ve srovnání s dlouhodobým potenciálem technologie zatím malé, a očekává, že investice v nadcházejících letech výrazně porostou. Analýza se soustředí na makroekonomické dopady, kapitálové toky do infrastruktury a na to, jakým způsobem může široké zavádění generativní a další umělé inteligence přetvořit produktivitu, obchodní modely a rozdělení příjmů mezi práci a kapitál.
Proč Goldman věří, že příběh AI zdaleka nekončí
Analytici Goldmana odhadují, že dnes představují investice vázané na umělou inteligenci v USA méně než 1 % HDP, což je podstatně méně než vrcholové hodnoty zaznamenané v předchozích transformačních vlnách. Historická srovnání poukazují na to, že klíčové infrastruktury minulosti — železnice, elektrifikace nebo vznik internetu — dosahovaly v době vrcholu běžně 2–5 % HDP. Tento rozdíl podle Goldmana otevírá značný prostor (runway) pro další nasazení kapitálu a pro postupnou industrializaci technologie v širokém spektru odvětví.
Report identifikuje dvě základní hybné síly, které stojí za optimistickým výhledem banky. Zaprvé, nasazení AI již přináší měřitelné zisky na produktivitě v ustálených sektorech — od automatizace zákaznické podpory a prediktivní údržby po optimalizaci procesů ve financích, logistice a výrobě. Zadruhé, tyto produktivní zisky jsou často založené na rozsáhlé výpočetní infrastruktuře — čipech, serverech a datových centrech — což ospravedlňuje současné kapitálové výdaje a naznačuje, že při škálování zavedení mohou následovat další investice do hardwaru, sítí a operací podpůrných služeb.
Jak velká může být AI?
Goldman Sachs na stůl klade ambiciózní projekci: generativní a širší aplikace umělé inteligence by mohly do americké ekonomiky přidat až 20 bilionů dolarů, přičemž zhruba 8 bilionů dolarů by mohlo plynout podnikům jako kapitálový příjem. Banka dále odhaduje, že celková produktivita práce by mohla v následujícím desetiletí vzrůst přibližně o 15 %, pokud se nástroje AI široce rozšíří. Takový nárůst znamená, že rutinní znalostní práce by se mohla stát o 10–20 % efektivnější — a tyto zisky se napříč korporacemi a průmyslovými odvětvími rychle kumulují a množí díky síťovým efektům, lepším procesům a reinvesticím do dalšího řízení automatizace a inovací.
V širším makroekonomickém kontextu by výrazné zvýšení produktivity řetězilo dopady do růstu HDP, do struktury mezd a do podílu příjmů připisovaných kapitálu versus práci. Určitá část zisku z automatizace tak může být rozložena mezi zvýšené marže podniků, větší kapitálové výnosy a možné redistribuční tlaky na trhu práce. Objemové odhady, jako jsou čísla banky Goldman, slouží spíše jako scénář možného dopadu při vysoké adopci technologií — skutečný výsledek bude záviset na míře zavádění technologií, regulatorních opatřeních, investicích do rekvalifikace pracovníků a schopnosti firem integrovat AI do stávajících pracovních toků.
Nebudou vítězit všichni — historie varuje
Report nezastírá rizika. Goldman ukazuje na opakující se vzorec z minulých infrastrukturních cyklů: ti, kdo jdou do budování jako první, často nesou těžké předběžné náklady na vybudování kapacit, zatímco pozdější účastníci mohou sklízet většinu odměn, když proběhne standardizace a konsolidace trhu. Dražší, zakázková nebo proprietární řešení se mohou rychle zastarat, nebo je pohlcují větší platformy, které nabídnou levnější a škálovatelnější alternativy. V kontextu AI zvyšuje rychlá depreciace hardwaru a exponenciální zlepšování modelů pravděpodobnost, že nákladní raní investoři nebudou automaticky dlouhodobými vítězi.
To prakticky znamená, že společnosti, které dnes masivně investují do čipů, serverů a lokálních datacenter, mohou být následně přemoženy obratnějšími konkurenty nebo cloudovými poskytovateli, kteří infrastrukturu standardizují, outsourcují a komoditizují. Jinými slovy: vysoké kapitálové výdaje jsou často nutné pro konkurenceschopnost, ale samy o sobě negarantují tržní dominanci. Strategie vyžaduje kombinaci správného načasování, technologické flexibility, partnerství s hyperscalery (jako jsou velcí cloudoví poskytovatelé) a schopnosti rychle migrovat nebo upgradovat systémy podle tempa inovací v oblasti modelů a akcelerátorů.
Výdaje by se měly normalizovat s poklesem cen hardwaru
I přes uvedená rizika Goldman očekává, že prostředí zůstane příznivé pro investice do AI. Banka prognózuje, že výdaje vázané na AI by mohly dosáhnout přibližně 300 miliard dolarů do roku 2025 v důsledku zvyšující se adopce podniků a kumulativního efektu výnosů z produktivity. V průběhu času by se průmysl měl přesunout z intenzivní fáze budování infrastruktury do fáze optimalizace provozních nákladů: pokles cen hardwaru (GPU, specializované akcelerátory, paměťové řešení) spolu s efektivnějšími metodami tréninku a inferenční optimalizace (kvantizace, distilace, sparsita) pomůže stabilizovat útraty a snížit variabilitu kapitálových výdajů.
Také je potřeba rozlišit mezi náklady na trénink a náklady na nasazení (inference). Trénink velmi velkých modelů zůstane kapitálově náročný, ale pokud se modely podaří efektivně převést do škálovatelných a levnějších inferenčních verzí, sníží se celkové provozní náklady pro široké nasazení. Dlouhodobě se tedy očekává posun od jednoznačného investičního boomu v hardwaru k vyváženějšímu mixu investic do softwaru, služeb, datových pipelin a řešení MLOps, která usnadní udržitelné škálování AI v podnicích různé velikosti.
Na co sledovat dál: modely, čipy a konkurence
- Evoluce modelů: Rychlejší a kvalitnější modely mění kalkul pro to, kdo dokáže hodnotu zachytit — a také jak rychle k tomu dochází. Zlepšení architektur, multimodální schopnosti a techniky pro efektivní fine-tuning mění ekonomiku nasazení a mohou snížit potřebu extrémně nákladných tréninkových běhů.
- Cykly hardwaru: Pokles cen GPU, nástup specializovaných akcelerátorů (TPU, NPU, ASIC) a vylepšení v oblasti paměťové propustnosti posunou ekonomiku adopce ve prospěch širšího spektra firem. Efektivnější čipy a inovace v chlazení, spotřebě energie a rack-designu mohou dramaticky snížit TCO (total cost of ownership).
- Konsolidace trhu: Cloudoví poskytovatelé a velké platformy mohou kumulovat a agregovat počáteční investice, podobně jako v předchozích technologických vlnách. Agregace dat, síťové efekty a integrační nabídky mohou vést k centralizaci určitých vrstev hodnotového řetězce.
Nedávné produktové uvedení na trh zdůrazňuje, jak rychle se prostředí mění. Google publikoval aktualizaci svého modelu Gemini (verze 2.5 se zaměřením na „Computer Use“), která přidává pokročilejší schopnosti přirozeného procházení webu a interakce v reálném čase, což zvyšuje užitečnost modelu pro aplikace vyžadující kontextové vyhledávání a dynamickou adaptaci. Alibaba na druhé straně představil obrovský model s jedním bilionem parametrů určený pro soutěžení v měřítku a výkonu s ChatGPT a Gemini. Tyto kroky ilustrují jak inovační momentumu, tak eskalující závod v oblasti výpočetního výkonu a škálování modelů; zároveň však zapalují diskusi o nákladech na trénink, energetické náročnosti a udržitelnosti provozu.
Co to znamená pro firmy a investory
Pro firmy je hlavní praktickou lekcí následující: investujte tam, kde umělá inteligence jasně zvedá produktivitu a přináší měřitelné obchodní přínosy, ale plánujte projekty modulárně a přenosně, aby vás neuvízla zastaralá infrastruktura. To zahrnuje volbu otevřených standardů, API-orientované integrace, kontejnery a schopnost snadné migrace mezi provozovateli cloudových služeb. Dále je klíčové věnovat pozornost datové kvalitě, governance, robustním MLOps procesům a plánům pro odezvu na změny v regulaci či v tom, jakým způsobem budou modely validovány a auditovány.
Pro investory je sdělení méně jednoznačné, ale jasně dlouhodobé: AI není krátkodobá mánie, ale multiroční transformační trend. To implikuje selektivní, dlouhodobou expozici vůči firmám, které vedou v trvalém zavádění technologií, a vůči poskytovatelům infrastruktury, kteří profitují z široké škály zákazníků a škálování kapacit. Investiční strategie by měla zohledňovat různé segmenty hodnotového řetězce — od výrobců čipů, přes producenty datacenter, až po softwarové firmy nabízející platformy a služby pro nasazení AI — a vyhodnocovat, kdo má udržitelnou konkurenční výhodu a odolnost vůči rychlé technologické depreciaci.
Goldmanova závěrečná teze je tedy taková: trh AI se zahřívá a expanze kapitálu je v plném proudu, ale není to zatím žádná „pěna“ ve smyslu neracionálního šílenství. Skutečný výsledek bude záviset na tom, kdo správně řídí strategická rozhodnutí o infrastruktuře, kdo dokáže efektivně integrovat AI do každodenních pracovních toků a kdo dokáže rychle reagovat na změny v ekonomice hardwaru a v cenách modelů. Důležité metriky, které stojí za sledování, zahrnují tempo růstu výdajů na kapitál pro AI, objemového přírůstku GPU a akcelerátorů, míru adopce cloudových služeb pro inferenci a trénink, a také rychlost, jakou se zlepšují náklady na inferenci (cena za token nebo operaci) v čase.
Zdroj: gizmochina
Zanechte komentář