AI pożera kapitał i energię. Czy Polska zapłaci rachunek?

Boom na sztuczną inteligencję bywa przedstawiany jako sposób na większą produktywność i szybszy wzrost. Tymczasem już dziś wymaga gigantycznych nakładów na serwerownie, układy scalone i energię. Bankierzy centralni ostrzegają, że korzyści przyjdą później niż koszty, a rywalizacja o pieniądze może utrzymywać stopy procentowe na wyższym poziomie. Dla Polski to zarówno szansa, jak i ryzyko.

Rozwój narzędzi AI nie polega wyłącznie na pisaniu modeli komputerowych. Każdy etap wymaga infrastruktury: centrów danych, zaawansowanych procesorów, łączy światłowodowych, systemów chłodzenia i pewnego zasilania. Część inwestycji powstaje na kredyt, część z kapitału firm technologicznych. Gdy wiele przedsiębiorstw próbuje budować moce jednocześnie, rosną ceny sprzętu, energii, nieruchomości przemysłowych i usług budowlanych. Nie wszystkie wydatki przyniosą zwrot w tempie zakładanym w prezentacjach dla inwestorów.

Według Reutersa przedstawiciele banków centralnych podczas spotkań MFW i Banku Światowego rozważali, czy wydatki na sztuczną inteligencję zwiększają presję na popyt i stopy procentowe. Szef amerykańskiej Rezerwy Federalnej Kevin Warsh zwracał uwagę na odporność gospodarki, ale nie podawał prostej ścieżki dalszych decyzji. Fundusz ostrzegał jednocześnie przed zbyt optymistycznymi oczekiwaniami dotyczącymi zwrotu z inwestycji. To nie prognoza nieuchronnego krachu, lecz sygnał, że tempo rozbudowy infrastruktury musi być oceniane także finansowo.

Kiedy globalny koszt pieniądza rośnie, inwestor porównuje projekt centrum danych z innymi sposobami ulokowania kapitału. Wyższe oprocentowanie zwiększa próg opłacalności, a dłuższy okres zwrotu oznacza większe ryzyko. Dotyczy to zwłaszcza infrastruktury, w której nakłady trzeba ponieść dużo wcześniej niż pojawią się przychody z usług. Wielkie spółki mogą finansować budowę z własnych przepływów pieniężnych; mniejsze firmy i dostawcy często są bardziej zależni od kredytu.

Drugim ograniczeniem jest dostępność energii. Serwerownia nie może działać jedynie wtedy, gdy warunki pogodowe są sprzyjające. Potrzebuje stabilnego zasilania, rezerwy mocy i sieci dostosowanej do nowych obciążeń. Przy zbyt wolnych inwestycjach w przesył energii koszty przyłączeń oraz rozbudowy infrastruktury mogą przesądzić o lokalizacji zakładu. O konkurencyjności decyduje więc nie tylko cena procesora, ale także czas uzyskania mocy przyłączeniowej i prawdopodobieństwo przerw w dostawach.

Polska ma atuty w postaci specjalistów IT, dużego rynku wewnętrznego i położenia w centrum europejskich łańcuchów dostaw. Jednocześnie przedsiębiorcy od dawna wskazują na obciążenie rachunkami za prąd i ograniczenia inwestycyjne. Jeżeli region będzie oferował droższą energię niż konkurencyjne lokalizacje, nie każda rozważana inwestycja trafi nad Wisłę. Wysokie kompetencje programistyczne nie zastępują sprawnego systemu energetycznego. Potrzebne są działania w obu obszarach.

Firmy wdrażające narzędzia AI często spodziewają się oszczędności czasu pracy, szybszej obsługi klientów i lepszego wykorzystania danych. Aby je osiągnąć, muszą jednak przebudować procesy i nauczyć pracowników korzystania z nowych rozwiązań. W przeciwnym razie technologia staje się kosztowną nakładką na stare procedury. Ważne są również cyberbezpieczeństwo, kontrola błędów i zasady odpowiedzialności za decyzje podejmowane na podstawie wygenerowanych odpowiedzi.

W polskich małych i średnich przedsiębiorstwach skala wdrożeń może okazać się bardziej zróżnicowana niż w globalnych koncernach. Część firm skorzysta z gotowych usług w chmurze, inne potrzebują własnych rozwiązań, choć nie mają wystarczającej liczby specjalistów. To naturalnie podnosi znaczenie szkoleń i sprawdzonych dostawców. Inwestowanie we własne centrum danych bez realnego popytu byłoby dla wielu podmiotów nieuzasadnione. Korzyść ekonomiczna nie powinna być mierzona liczbą kupionych licencji, lecz zmianą jakości i kosztów pracy.

Sztuczna inteligencja zwiększa także zapotrzebowanie na wiarygodne dane. W administracji i sektorach regulowanych dostęp do nich bywa ograniczony, co może spowalniać projekty. Z tego powodu rozwój rynku będzie zależał nie tylko od wielkich modeli, ale również od standardów wymiany informacji, cyberbezpieczeństwa i umiejętności przedsiębiorstw. Państwo może w tym pomagać, lecz jego rola nie musi polegać na finansowaniu wszystkich prywatnych eksperymentów. Lepiej usuwać konkretne bariery infrastrukturalne i edukacyjne.

Jeżeli wielkie inwestycje w AI będą wymagały szybkiej rozbudowy sieci, ktoś musi ponieść koszty nowych transformatorów, przewodów i rezerw systemowych. W dobrze zaprojektowanym modelu znaczna część obciążenia przypada bezpośrednim użytkownikom infrastruktury. W przeciwnym razie podwyższone opłaty mogą zostać rozłożone na gospodarstwa domowe i firmy niemające związku z boomem technologicznym. Regulatorzy powinni więc szczególnie uważnie analizować taryfy oraz sposób finansowania przyłączeń dużych odbiorców.

Istnieje też ryzyko finansowe. Jeżeli oczekiwania wobec AI okażą się zawyżone, część projektów może zostać ograniczona, a obciążenia kredytowe pozostaną. Nie musi to oznaczać powszechnego kryzysu, ale dla banków i inwestorów ważne stają się koncentracja ryzyka i przejrzystość kontraktów. W państwach o wysokim długu publicznym pole manewru przy ratowaniu nietrafionych inwestycji jest niewielkie. Tym bardziej potrzebne są oceny opłacalności, zamiast przekonania, że każda inwestycja z etykietą AI jest strategiczna.

Równolegle MFW oczekuje dalszej ostrożności w polityce stóp procentowych EBC. Rosnąca energia i inflacja mogą utrzymywać koszt kapitału na poziomie mniej korzystnym niż w latach taniego kredytu. Dla przedsiębiorstw oznacza to konieczność pilniejszego zarządzania gotówką oraz wyboru projektów o realistycznej stopie zwrotu. Ostateczny rachunek za AI powinien obejmować koszty sprzętu, energii, finansowania, personelu i bezpieczeństwa, a nie tylko cenę wejścia do usługi.

Najważniejsze zadanie to tworzyć warunki, w których inwestycje technologiczne przynoszą rzeczywistą wartość: szybkie i stabilne przyłącza energetyczne, konkurencyjne ceny prądu, dostęp do kompetencji i przejrzyste zasady przetwarzania danych. Nie wymaga to wiary w każdy nowy projekt. Wymaga natomiast cierpliwej modernizacji sieci oraz umiejętności oceny ryzyka. Korzyści z automatyzacji będą większe, gdy będą współgrały z inwestycjami w tradycyjne gałęzie gospodarki.

Dla Polski wyzwaniem nie jest wyłącznie pozyskanie kolejnej wielkiej serwerowni. Chodzi o to, czy lokalne firmy i pracownicy wykorzystają technologie do produkowania lepszych usług i produktów oraz czy koszty infrastruktury zostaną podzielone uczciwie. AI może zwiększyć konkurencyjność, ale nie zagwarantuje jej automatycznie. O zwycięstwie zadecydują konkretne wdrożenia, dostęp do energii i dyscyplina inwestycyjna, nie wielkość nagłówków o przyszłej rewolucji.