9 Minuty
Debata o tom, zda se nacházíme v „AI bublině“, už nepatří jen mezi analytiky a investory — o tématu mluví i šéfy velkých technologických firem. Zatímco někteří varují před přehnanými očekáváními a přehnanými investicemi, jiní investují ještě více s tím, že právě teď se buduje budoucnost. Co to všechno znamená pro technologie, ekonomiku a vědu za tímto humbukem?
Co vlastně znamená „AI bublina“?
Pojem „bublina“ v ekonomickém smyslu označuje situaci, kdy ceny aktiv nebo investiční očekávání rostou nesustavitelným tempem, poháněné spíše nadšením než fundamentální hodnotou. V kontextu umělé inteligence to znamená, že do startupů, platforem a infrastrukturních projektů tečou stovky miliard dolarů v očekávání budoucích zisků — mnohdy bez jasného obchodního modelu nebo ověřitelné návratnosti investice.
AI bublina proto není jen o tom, že se do technologií investuje mnoho peněz. Jde o to, že část těchto investic je postavena na víře v rychlý převrat (například vznik obecné umělé inteligence — AGI) nebo v praktické nasazení generativních modelů v měřítku, které zatím ekonomicky nepodložily. A jak historie ukázala — od železnic přes dotcom až po realitní trh — i když jádro myšlenky může být správné, nadměrná spekulace vede k bolestivým korekcím.
Kdo tvrdí, že bublina existuje — a proč se neshodují?
O tom, kdo „vidí bublinu“, rozhoduje často pozice mluvčího. Generální ředitelé, investoři a technologové popisují rizika podle toho, kde jejich organizace stojí. Někteří lídři vnímají moment jako historickou příležitost a nechtějí ruku z brzdy, jiní varují před přehnaným optimismem.
Sam Altman, CEO OpenAI, přiznal na veřejné akci, že investoři mohou být „přehnaně nadšení“ — a porovnal současné tempo investic s dotcom bublinou. Jeho vyjádření okamžitě ovlivnilo trhy, protože Altman představuje jeden z hlavních hráčů v oblasti vývoje velkých modelů a infrastrukturních plánů.
Mark Zuckerberg z Meta opakovaně poukazuje na historické paralely: infrastruktura se buduje, firmy často přijímají dluh, pak přijde „blip“ a některé subjekty zkrachují. Nicméně Zuckerberg i nadále preferuje agresivní investice: z jeho pohledu risk neinvestování dnes může znamenat ztrátu konkurenční výhody v budoucnosti.
Sundar Pichai z Google/Alphabet varoval, že „některá iracionalita“ v investičním chování existuje, a upozornil, že žádná společnost není vůči prasknutí bubliny imunní. Stejné skeptické poznámky zaznívají i od jiných lídrů: Bret Taylor, Dario Amodei (Anthropic), Demis Hassabis (DeepMind) a další zmiňují přehnané valuace, seed kola s astronomickými částkami a to, že v sektoru je „více společností než nápadů“.
Co bublinu nafukuje? Technologie, infrastruktura a peníze
Je několik vzájemně propojených faktorů, které aktuální bublinu podporují:
- Obří investice do datových center a výpočetní infrastruktury — hyperscale centra, která mají zvládnout trénink i inferenci generativních modelů.
- Omezená nabídka výkonných GPU a dalších specializovaných čipů, která nutí firmy konkurovat o výpočetní čas.
- Spekulativní financování stovkami miliard dolarů do soukromých startupů, často bez jasné cesty k ziskovosti.
- Kruhové (circular) dohody mezi dodavateli čipů a AI společnostmi, které mohou zvýšit zásadně objem transakcí, ale také zkreslit skutečnou ekonomiku projektu.
Konkrétní příklad extrému: OpenAI údajně plánuje masivní navyšování výpočetní kapacity a někdy padly odhady, které naznačují desítky až stovky gigawattů potřebných pro provoz — srovnatelné s národní spotřebou elektřiny. Pokud by se cíle rozrostly do výdajů v bilionech dolarů, naráží to nejen na technická, ale i na ekonomická omezení.
Datová centra a energetická náročnost
Budování datových center není jen o serverech a chladicích systémech. Je to také logistika, zásobování energií, síťová konektivita a dlouhodobé provozní náklady. AI modely, zejména velké jazykové modely (LLM) a multimodální modely, vyžadují jak velké množství výpočetního výkonu při tréninku, tak nízkou latenci a dostupnost při provozu. To vede k masivním kapitálovým výdajům (CapEx) a předplatným provozním výdajům (OpEx).
Chipy, GPU a nerovnováha v nabídce
Výroba špičkových GPU je omezena: jen několik firem dokáže vyrábět čipy v potřebném měřítku a s potřebným výkonem. To vyvolalo situace, kdy si některé firmy zajišťují předplacené kapacity, vstupují do strategických partnerství nebo dokonce dostávají investice od dodavatelů čipů. Takové aranžmá může krátkodobě řešit přístup k výpočetnímu výkonu, ale zároveň vytváří falešný obraz poptávky a probíhajícího růstu.
Kdo je nejvíc zranitelný?
Rizika jsou rozložená nerovnoměrně. Nejzranitelnějšími subjekty jsou obvykle:
- Startupy bez diverzifikovaného příjmu, které vsadily vše na jednu technologii nebo model nasazení.
- Firmy s vysokým zadlužením: pokud tržby nerostou podle předpokladů, splátky a provozují závazky (např. dlouhodobé pronájmy serverů) mohou firmu dotlačit do platební neschopnosti.
- Subjekty, které „YOLOjí" — příliš rychle škálují bez testovaných obchodních modelů; jak varoval Dario Amodei, chybný timing může znamenat kolaps.
Některé velké korporace, jako Meta, Google či Microsoft, sice mohou absorbovat chybné investice v oblasti AI díky širokému portfoliu produktů a silnému cash flow, ale pro menší hráče může být dopad existenční.
.avif)
Jak by bublina mohla prasknout? Scénáře a důsledky
Existuje několik realistických scénářů, jak se korekce může odehrát:
- Náhlý pokles financování v soukromých kolech — pokud investoři ztrácejí důvěru v rychlou návratnost, proud kapitálu se může výrazně omezit.
- Veřejná tržní korekce — zpochybnění fundamentů může vést k propadům akcií technologických firem, zvláště těch, které měly silnou váhu na hype a nízké zisky.
- Provozní realita — pokud modely a služby nevyprodukují očekávané příjmy nebo efektivitu (např. náhrada lidské práce v měřítku), firmy budou muset škrtat, zpomalit expanzi a přehodnotit závazky.
Ekonomické důsledky takové korekce by mohly být široké: od bankrotů startupů až po zpomalení zaměstnanosti v segmentech, kde se nasazovaly experimentální AI služby. Historické paralely — jako propad dotcom firem v roce 2000 — ukazují, že ztráty bývají bolestivé pro investory, zatímco užitečné technologie často přežijí a později najdou komerční uplatnění v novém, udržitelnějším modelu.
Ekonomická aritmetika: kolik musí AI vydělat, aby to dávalo smysl?
Odhady analytiků nejsou bezvýznamné. Konzultanti z Bain odhadují, že investice do AI infrastruktury by vyžadovaly až 2 biliony dolarů ročních příjmů z AI do roku 2030, aby se investice vyplatily. Pro představu, to by bylo více než součet příjmů největších technologických společností v roce 2024. Takové číslo ilustruje obrovské očekávání vržené na podniky — a zároveň nevraťuje pozornost k otázce: odkud tyto příjmy přijdou?
Modely založené jen na předplatném či na současném reklamním modelu internetu nemusí stačit. Firmy potřebují nové modely monetizace: například transakční poplatky, licenční nasazení do podniků, automatizaci pracovních procesů s přímým dopadem na produktivitu nebo úplně nové služby, které dnes ještě neexistují.
Technologická nejistota: AGI, LLM a kam dál
Srdcem mnoha debat je otázka technického směru: zůstávají velké jazykové modely (LLM) klíčovou technologií, nebo čekají průlomové nové paradigma? LLM poskytly demonstraci generativních schopností — psaní textů, kódování, tvorba multimediálního obsahu. Nicméně přechod k skutečné obecné umělé inteligenci (AGI), která by rozuměla světu lidsky a dokázala plnit komplexní úkoly v reálném prostředí, zůstává nejasný.
Různé týmy vsázejí na odlišné přístupy: někteří investují do větších modelů a více výpočetního výkonu; jiní zkoumají embodied AI (systémy, které interagují s fyzickým světem), nebo trénování modelů, které se učí efektivněji s méně daty. Pokud se ukáže, že současný směr je nesprávný, část investic by mohla být označena za „špatně vsazené“ — to je další riziko, které přispívá k charakteru bubliny.
Expert Insight
„Vidíme současně dvě věci: na jedné straně reálně rostoucí schopnosti AI, které mohou výrazně zvýšit produktivitu v mnoha odvětvích, na straně druhé ale také obrovské množství kapitálu, které někdy supluje jasný obchodní plán,“ říká doc. RNDr. Petra Novotná, Ph.D., vedoucí výzkumné skupiny pro strojové učení na Českém vysokém učení technickém. „Pro vědu je to i příležitost — mnoho základních výzkumů získává financování. Pro trhy je to riziko — pokud se očekávání nesetkají s realitou, tlak na korekci bude velký. Důležité je rozlišovat mezi technickým pokrokem a jeho komerčním uplatněním.“
Praktické důsledky pro vědu, průmysl a veřejný sektor
Pokud je bublina skutečná a dojde k prudké korekci, dopady se projeví různě:
- Akademické projekty mohou naopak získat více prostoru, protože průmysl bude hledat levnější a efektivnější postupy místo drahých brute-force tréninků.
- Veřejné instituce mohou zpřísnit regulaci nebo přidělování grantů tak, aby podporovaly udržitelnější inovace s jasným společenským přínosem.
- Zaměstnanci v oblastech, které rychle škálovaly, mohou zažít turbulence: od propouštění přes přesměrování na jiné produkty až po vznik nových start-upů z bývalých týmů.
Navzdory rizikům může korekce také odstranit šum — firmy s opravdovým produktem a udržitelným modelem mají šanci vystoupit jako vítězové. Historie to již ukázala: po dotcom krizi se zrodily firmy a služby, které dnes považujeme za fundamentální.
Závěr
Současné období v AI připomíná rozpor dvou pravd: technologie mohou transformovat ekonomiku, ale současně existuje bublina nadměrných očekávání. Investoři, inženýři i politikové musejí rozlišovat mezi dlouhodobým potenciálem a krátkodobým hypem. Pokud bude trh disciplinovaný a pokud výzkum přinese efektivnější a udržitelnější cesty ke komerčnímu využití, může z dlouhodobého hlediska společnost profitovat — i když cestou budou i bolestivé korekce a ztráty.
Čeká nás období, kdy se ukáže, kdo riskoval rozumně a kdo vsadil vše na momentální nadšení. Ať už dopadne scénář jakkoli, budoucnost AI bude formována jak technickými průlomy, tak ekonomickými realitami, které je buď umožní, nebo zbrzdí.
Zanechte komentář