10 Minute
Goldman Sachs spune că frenezia din jurul inteligenței artificiale (AI) nu este o bulă speculativă — este actul de deschidere al unei transformări economice de amploare. Într-un nou raport, banca de investiții argumentează că cheltuielile curente pentru AI sunt relativ mici în raport cu potențialul tehnologiei pe termen lung și anticipează o creștere abruptă a investițiilor în anii următori. Această concluzie are implicații pentru investiții în infrastructură de calcul, centre de date, GPU-uri și modele generative, dar și pentru strategia corporativă privind adoptarea AI.
De ce Goldman crede că povestea AI este departe de final
Analiștii Goldman estimează că investițiile din Statele Unite legate de AI reprezintă azi sub 1% din PIB, un nivel mult sub vârfurile observate în valuri transformatoare anterioare — căi ferate, electrificare și internetul au atins frecvent între 2% și 5% din PIB în perioadele lor de vârf. Această diferență, susține Goldman, indică un spațiu structural semnificativ pentru noi alocări de capital: companii mari și medii pot încă să crească cheltuielile pentru infrastructură, date și dezvoltare de modele fără a fi aproape de saturare.
Raportul subliniază două motoare principale ale perspectivei optimiste a băncii. Primul: implementările AI generează deja câștiguri măsurabile de productivitate în sectoare consolidate — de la automatizarea serviciului clienți și asistența conversațională la optimizarea fluxurilor de lucru în finanțe, producție, logistică și sănătate. Al doilea: aceste câștiguri se sprijină pe infrastructură de calcul la scară — procesoare accelerate (GPU, TPU), servere specializate, centre de date și rețele de date — ceea ce legitimează cheltuielile curente și sugerează că investițiile vor continua pe măsură ce firmele își extind implementările.
Pe lângă impactul direct asupra productivității, Goldman analizează și efectele secundare: cererea pentru servicii cloud, furnizori de infrastructură, soluții de răcire și alimentare, platforme de MLOps, precum și nevoia de date curate, etichetare și guvernanță. Toate aceste componente ale lanțului valoric adaugă motive pentru un ciclu investițional prelungit și reflectă faptul că adopția AI este o combinație între hardware, software, date și competențe umane.
Cât de mare poate deveni AI?
Goldman Sachs avansează o proiecție ambițioasă: inteligența artificială generativă ar putea adăuga până la 20.000 de miliarde de dolari (20 trilioane USD) economiei SUA, din care aproximativ 8 trilioane USD ar putea ajunge la afaceri sub formă de venituri de capital (capital income). Banca estimează, de asemenea, că productivitatea forței de muncă ar putea crește cu aproximativ 15% în următorul deceniu dacă instrumentele AI devin larg adoptate. Aceste cifre reflectă potențialul combinate de creștere a output-ului, reducere a costurilor operaționale și accelerare a ciclului de inovație.
Concret, dacă munca de rutină bazată pe cunoaștere devine cu 10–20% mai eficientă prin automatizare, asistenți virtuali și augmentare cognitivă, aceste câștiguri se compun rapid la nivelul corporațiilor și industriilor. Efectul asupra PIB-ului nu este doar direct (productivitate mai mare) — apare și un efect multiplicator prin creșterea investițiilor în infrastructură, cerere pentru servicii specializate, dezvoltarea de ecosisteme de startup-uri și redistribuirea forței de muncă către activități cu valoare adăugată mai mare.
Estimările macroeconomice sunt, desigur, influențate de factori care pot modula impactul: ritmul adoptării tehnologice, reglementările privind datele și concurența, disponibilitatea competențelor digitale și costul capitalului. De exemplu, sectoare precum sănătatea și servicii financiare pot vedea creșteri mai rapide ale productivității datorită proceselor bogate în date, în timp ce industrii foarte reglementate sau cu dependințe puternice de interacțiune umană pot adopta mai lent. Totuși, chiar și în scenarii moderate, potențialul economic rămâne substanțial.
Nu toți investitorii vor câștiga — istoria oferă un avertisment
Raportul nu trece cu vederea riscurile. Goldman evidențiază un tipar recurent din ciclurile de infrastructură trecută: primii care investesc masiv suportă adesea costuri ridicate de construire și operare, iar ulterior concurenți mai flexibili sau platforme mari capturează o proporție disproporționată din beneficiile economice. Sisteme costisitoare, personalizate, pot deveni rapid depășite sau pot fi consolidate în platforme standardizate oferite de furnizorii majori de cloud.
În contextul AI, deprecierea rapidă a hardware-ului specializat și ritmul accelerat al îmbunătățirilor de model fac plauzibil scenariul în care cheltuitorii timpurii, chiar dacă investesc masiv în GPU-uri, acceleratoare și centre de date on‑premise, nu vor deține neapărat avantajul pe termen lung. Modelele se îmbunătățesc prin cercetare și prin eficiența datelor; o arhitectură software portabilă, un moat de date și competențele echipei pot conta la fel de mult ca și cheltuielile hardware.
Așadar, companiile care investesc agresiv în chipuri și servere astăzi ar putea fi totuși perturbate de rivali mai agili sau de furnizori cloud care standardizează și commoditizează infrastructura. Strategii precum folosirea unui mix cloud/hybrid, adoptarea de arhitecturi modulare, externalizarea unor funcții critice și concentrarea pe date și aplicații cu valoare adăugată ridicată pot diminua riscul de a rămâne cu infrastructură învechită.
Cheltuielile ar trebui să se normalizeze pe măsură ce costurile hardware scad
Chiar și cu aceste avertismente, Goldman anticipează că mediul rămâne favorabil investițiilor AI. Banca prognozează că cheltuielile legate de AI ar putea ajunge la aproximativ 300 de miliarde USD până în 2025, pe măsură ce întreprinderile cresc adoptarea și câștigurile de productivitate se acumulează. Pe termen mai lung, industria ar trebui să treacă din faza intensă de construire a infrastructurii către o perioadă de stabilizare, iar scăderile de preț pentru hardware vor contribui la normalizarea pattern-urilor de cheltuieli.
Scăderea costurilor hardware reflectă factori tehnologici și economici: îmbunătățiri în procesul de fabricație a semiconductoarelor, competiție mai mare între furnizori de acceleratoare, optimizări software care reduc necesarul de parametri și eficiență mai bună a training-ului și inferenței. De asemenea, mutarea către modele mai eficiente din punct de vedere al parametrilor (parameter-efficient fine-tuning) și soluții pentru inferență la margine (edge inference) pot reduce costurile operaționale. Acest mix de factori înseamnă că, pe măsură ce prețul per unitate de putere de calcul scade, costurile totale de proprietate (TCO) devin mai predictibile și proiectele devin mai rentabile.
Ce trebuie urmărit în continuare: modele, cipuri și concurență
- Evoluția modelelor: Modelele mai rapide și mai performante schimbă rapid calculele privind cine capturează valoarea — și cât de repede. Progresele în arhitecturi, metode de antrenament eficiente, transfer learning și fine‑tuning pot reduce necesarul de compute pentru rezultate bune.
- Ciclul hardware: Scăderea prețurilor pentru GPU-uri, TPU-uri și acceleratoare specializate va modifica ecuația economică pentru adoptatori. Aici intră în joc și scalabilitatea centrelor de date, disponibilitatea memoriei de mare viteză și optimizările la nivel de sistem pentru energie și răcire.
- Consolidarea pieței: Furnizorii cloud majori și platformele mari pot agrega investițiile timpurii, oferind servicii standardizate de compute, stocare și instrumente MLOps, asemănător valurilor tehnologice anterioare. Această consolidare va influența puterea de negociere a companiilor și marjele furnizorilor tertați.
Lansările recente de produs subliniază cât de rapid se mișcă peisajul. Google a lansat modelul Gemini 2.5 orientat spre utilizare pe calculator, adăugând capabilități mai naturale de navigare pe web și interacțiune în timp real. Alibaba a dezvăluit, la rândul său, un model masiv cu aproximativ 1.000 de miliarde de parametri, conceput pentru a concura cu ChatGPT și Google Gemini la scară și performanță. Aceste dezvoltări ilustrează atât impulsul inovației, cât și cursa crescândă în materie de putere de calcul și scară a modelelor. În acest context, costurile de training, optimizarea inferenței și eficiența parametrilor devin cruciale pentru sustenabilitate economică.
Ce înseamnă toate acestea pentru companii și investitori
Pentru companii, concluzia practică este clară: investiți acolo unde AI aduce în mod demonstrabil câștiguri de productivitate și avantaje competitive, dar structurați proiectele astfel încât să fie modulare, portabile și interoperabile pentru a evita blocarea într-o infrastructură învechită. Construirea unui avantaj pe date — colectare, curățare, etichetare și guvernanță — rămâne la fel de importantă ca investițiile în hardware. De asemenea, adoptarea bunelor practici de MLOps, monitorizare, testing și management al riscului etic și de conformitate va reduce costurile pe termen lung.
Pentru investitori, mesajul este nuanțat: AI este o transformare pe mai mulți ani, nu o manie de scurtă durată. Aceasta sugerează expunere selectivă, orientată pe termen lung, către firme care conduc adoptarea durabilă (companii care distribuie soluții AI integrate în fluxuri de lucru) și către furnizorii de infrastructură care beneficiază de pe urma scalării (furnizori de centre de date, producători de cipuri, companii de cloud și soluții de accelerare). Alegerea activelor trebuie să ia în considerare riscul de consolidare, deprecierea tehnologică și posibilitatea ca o parte din valoare să fie capturată de platforme mari.
Pe scurt, concluzia Goldman: piața AI se încălzește, dar încă nu este o bulă spumoasă. Povestea reală va fi determinată de cine gestionează bine pariurile pe infrastructură, cine integrează AI în fluxurile de lucru zilnice și cât de rapid evoluează economia hardware-ului și a modelelor. În plus, factorii de reglementare, etică și formare a forței de muncă vor modela ritmul și distribuția beneficiilor economice.
Sursa: gizmochina
Lasă un Comentariu