Jedynie 27% wydatków, a aż 72% spalania tokenów — kluczowy temat sporu AI byków i niedźwiedzi

Dane dotyczące zapotrzebowania na AI wywołują rzadko spotykaną dywergencję rynkową: ta sama grupa liczb dostarcza argumentów zarówno bykom, jak i niedźwiedziom, a obie strony ogłaszają zwycięstwo. Sednem tej debaty jest niepokojący strukturalny paradoks — wolumen zużycia Tokenów eksploduje, jednak zdecydowana większość przyrostu trafia do modeli z najniższymi opłatami, podczas gdy koszt GPU obsługujących te Tokeny również równolegle rośnie.

Według najnowszego raportu Bobby’ego Molavi z Goldman Sachs, dane OpenRouter pokazują, że modele open-weight w drugiej połowie września obsłużyły 72% wolumenu Tokenów, ale uzyskały tylko 27% całości platformowych wydatków; jednocześnie modele zamknięte, choć ich udział spadł z 89% na początku stycznia do 73%, nadal kontrolują zdecydowaną większość przychodów z monetyzacji.

Godne uwagi jest również to, że około 69% Tokenów na platformie OpenRouter w połowie września pochodziło z chińskich laboratoriów AI. Molavi określił obecny rynek jako „nie do rozegrania” („unplayable”) i zauważył, że dotychczasowa premia produktywności AI nie pozostawiła mierzalnych śladów poza sektorem technologicznym.

Ten strukturalny paradoks redefiniuje oczekiwania rynku względem zwrotu z inwestycji w AI. Czynsz za GPU rośnie nieprzerwanie, cena Tokenów spada, presja występuje z obu stron — to oznacza, że dostawcy mocy obliczeniowej korzystają z czynszowych premii, podczas gdy klienci korporacyjni i ostateczni akcjonariusze, którzy za to płacą, mierzą się z trudnością realizacji ROI. Meta niedawno zebrała od akcjonariuszy aż 95 miliardów dolarów na wydatki kapitałowe związane z AI, a jej dostawcy chipów jednocześnie wykupili udziały, co oznacza, że „finansowanie dostawców” przekształciło się z formy dłużnej w udziałową; pytania o trwałość cyklu kapitałowego stają się coraz pilniejsze.

Eksplozja popytu na Tokeny: prawdziwa panorama wzrostu 250-krotnego

Sam wzrost zapotrzebowania jest bezdyskusyjny. Molavi, powołując się na dane OpenRouter, zwraca uwagę, że popyt na Tokeny wzrósł 27-krotnie od listopada ubiegłego roku, a modele open-weight obecnie mają 72% udziału w wolumenie Tokenów. W dłuższej perspektywie tygodniowe zużycie Tokenów na platformie OpenRouter wzrosło ze 0,5 biliona w połowie stycznia 2025 r. do 128,4 biliona w tygodniu zakończonym 14 września, wzrost około 250-krotny w ciągu 20 miesięcy.

Ceny GPU również potwierdzają realność popytu. Cena wynajmu H200 wzrosła w ciągu roku o 160%, B200 o 120%, a H100 o 35%. Jeszcze bardziej przekonujące jest to, że cena wynajmu chipu A100 z 2020 roku obecnie przewyższa poziom z początku roku, co bezpośrednio podważa dotychczasowe założenia dotyczące cyklu amortyzacji GPU — jeśli chip po sześciu latach nadal generuje wyższe przychody, to pesymistyczne prognozy amortyzacji oparte na trzech latach tracą sens, a długoterminowy potencjał rentowności hyperscalerów wymaga redefinicji.

To najmocniejszy argument byków: popyt jest rzeczywisty, a ekonomiczna żywotność zasobów mocy obliczeniowej dłuższa niż przewidywali niedźwiedzie.

Swobodne spadanie ceny Tokena: najszybsza deflacja w historii

Jednak druga strona eksplozji popytu to bezprecedensowy spadek cen Tokenów. Według raportu badawczego Epoch AI z 22 września, „The Plunging Price of Thought”, od 2023 roku koszt uzyskania tego samego poziomu wydajności AI spada o około 47% kwartalnie, czyli 13-krotnie rocznie; w przypadku najbardziej zaawansowanych modeli tempo to jest jeszcze szybsze — średnio 66% kwartalnie, czyli 75-krotnie rocznie.

Najbardziej obrazowy przykład według Epoch AI:

W styczniu 2025 r. model o3 OpenAI uzyskał 75% poprawnych odpowiedzi w doktoranckim benchmarku GPQA Diamond, przy koszcie około 0,30 USD za pytanie; obecnie GPT-5.6 Luna osiąga ten sam wynik za zaledwie 0,0004 USD za pytanie, w ciągu 18 miesięcy cena spadła 725 razy — to tak, jakby samochód za 50 000 USD potaniał do 69 USD.

W ujęciu historycznym tempo spadku cen inferencji dużych modeli językowych jest 4-krotnie szybsze niż w przypadku sekwencjonowania DNA, 6-krotnie przewyższa tempo wzrostu mocy obliczeniowej w latach 1940-2001, 18-krotnie tempo dla baterii litowo-jonowych i 54-krotnie dla energii elektrycznej.

Jednak rzeczywista cena płacona przez klientów spada znacznie wolniej niż oficjalny cennik. Dane YipitData, śledzące blisko 20 000 bilionów Tokenów rocznie, pokazują, że efektywna cena Tokena w usługach API w drugiej połowie 2025 roku spadła o 39% (na OpenRouter o 44%), ale od początku 2026 roku do maja tylko o 6%.

Powód jest następujący: deweloperzy ciągle wybierają tańsze modele, podczas gdy klienci korporacyjni zwiększają udział modeli premium; laboratoria pionierskie podtrzymują przychody dzięki premii za najnowsze modele — jednak dane Epoch sugerują, że ta przewaga wygasa w ciągu kilku kwartałów, ponieważ open-source’owe klony bardzo szybko wykonują tę samą pracę za ułamek kosztu.

Sedno sporu byków i niedźwiedzi: kto zarabia, kto płaci

To właśnie jest sednem dylematu „te same dane, dwie interpretacje”, opisanego przez Molaviego.

Logika byków: zapotrzebowanie dalej rośnie, rozmiar rynku (TAM) się powiększa, a eksplozja zużycia Tokenów dowodzi szerokiej adopcji AI.

Logika niedźwiedzi natomiast: koszt na Token rośnie, przychód na Token spada, a głównym źródłem przyrostu wolumenu są najtańsze open-source’owe modele. Dane OpenRouter jasno to ilustrują: modele open-weight obsługują 72% Tokenów, ale uzyskują tylko 27% wydatków; chińskie laboratoria AI generują prawie 70% ruchu Tokenów na platformie. Goldman momo basket osiągnął szczyt pod koniec czerwca, co pokrywa się w czasie z masowym wejściem chińskich modeli open-weight na rynek AI.

Molavi podsumowuje ten paradoks: wzrost czynszów za GPU i spadek cen Tokenów to dwustronny efekt tej samej presji. Dla posiadaczy GPU to sprzyjająca sytuacja; dla firm płacących czynsz — już niekoniecznie.

Brak premii produktywności: milczenie S&P 493

Ostateczna logika kapitałowych wydatków AI opiera się na tym, że wzrost produktywności przełoży się na korzyści dla całego społeczeństwa. Na razie jednak dane spoza branży technologicznej tego nie potwierdzają.

Molavi przywołuje raport strategów, według którego AI „nie odcisnęła mierzalnego śladu produktywności w kluczowych danych poza uniwersum technologicznym”: przychody na pracownika i marże Mag 7 (siedmiu gigantów technologicznych) wzrosły, ale odpowiednie wskaźniki S&P 493 (pozostałych firm z S&P 500) pozostały niemal bez zmian.

To z kolei zmienia logikę podejmowania decyzji w korporacjach. Molavi dostrzega, że coraz więcej firm przechodzi od analizy „związek wydatków na Tokeny ze wzrostem i produktywnością” do ram „wpływ wydatków na Tokeny na koszty i marżę”. Dyrektorzy finansowi już zidentyfikowali linię budżetową AI i chcą wiedzieć, co mają w zamian za swoje wydatki.

„Cykl dobrobytu” i pytania o trwałość kapitału

To, co napędza obecne szaleństwo wydatków na AI, Molavi opisuje jako „cykl dobrobytu”: im większe wydatki hyperscalerów, tym więcej pieniędzy płynie do ekosystemu AI, co przyciąga venture capital i private equity, zamykając dwustronny przepływ kapitału — a punktem zakotwiczenia tego wszystkiego są właśnie pierwotne wydatki kapitałowe na AI.

Słabym punktem tego cyklu jest jego trwałość: jeśli wydatki kapitałowe osłabną, czy ekosystem będzie w stanie utrzymać przychody samodzielnie?

Rynek prywatny też nie jest odporny. Molavi zauważa, że obecne wyjścia z projektów są „liczne, ale ekstremalnie skoncentrowane” (SpaceX, Cerebras, Cursor, Hugging Face), a wyceny niektórych projektów „poza listem intencyjnym nie mają żadnego katalizatora”; logika transakcji na tym rynku przypomina, jakby „era Tokenów miała trwać wiecznie, a wszystko mogło zostać wywrócone do góry nogami”.

Od strony finansowania, wraz z zawężeniem się okna dłużnego, Meta ogłosiła niedawno zamiar pozyskania do 95 mld dolarów od akcjonariuszy na wydatki AI, z jednoczesnym udziałem dostawców chipów w kapitale. Finansowanie dostawców ewoluowało z modelu dłużnego do udziałowego — granice między przychodami i finansowaniem między dostawcami a użytkownikami coraz bardziej się rozmywają.

Molavi sprowadza istotę tej debaty do czterech pytań: jakie są koszty budowy, kto płaci rachunek, czy warto znosić ból i jak długo trzeba czekać na zwrot z inwestycji.

Obecna sytuacja w danych jest taka: popyt na Tokeny wzrósł 250 razy, ale przyrost dochodów trafia do najtańszych modeli; czynsz za GPU rośnie, lecz ostateczny rachunek obciąża akcjonariuszy; korzyści produktywnościowe poza branżą technologiczną nadal niewidoczne.

Wnioski Molaviego są takie, że realność popytu jest bezdyskusyjna, ale „zapotrzebowanie rośnie 250 razy, podczas gdy pieniądze płyną do najtańszych modeli, czynsze do posiadaczy GPU, a rachunek do akcjonariuszy” — to nie jest historia ROI, którą obiecano przy wydatkach kapitałowych. W tej walce na argumenty szala może przechylać się na stronę niedźwiedzi.