Képzeljünk el egy pókerasztalt, ahol a tét nem néhány millió dollár, hanem a globális gazdaság jövője és a háttérben egyre többen suttogják ugyanazt a kérdést: vajon tényleg létezik az AI-lufi? Az asztalnál a technológiai világ legnagyobb szereplői ülnek: a Meta, a Microsoft, az Amazon és a Google. Látszólag mindenki nyugodt, a zsetonok pedig folyamatosan kerülnek az asztalra. Ezek a zsetonok most nem mást jelentenek, mint az AI fejlesztésére és az azt kiszolgáló infrastruktúrára fordított milliárdokat.
A mesterséges intelligencia forradalma megállíthatatlannak tűnik. A generatív AI egyre több vállalati folyamatba épül be, a befektetések rekordokat döntenek, és egyre több feladatot bízunk gépekre. De mi van, ha benézünk a kártyák mögé? Mi van akkor, ha az AI boom mögött nemcsak egy technológiai forradalom, hanem egy óriási pénzügyi fogadás is zajlik?
Ki fizeti meg az AI boom valódi árát?
Amikor az AI beruházásokról beszélünk, legtöbbször a látványos számokat látjuk. Hány milliárdot költ egy vállalat adatközpontokra, hány GPU-t vásárol, mekkora összeget fordít új modellek fejlesztésére. A háttérben azonban egy ennél jóval összetettebb pénzügyi történet zajlik.
A nagy technológiai vállalatok hosszú távú adatközponti, chip és infrastruktúra kötelezettségeket vállalnak. A Futurism egy friss elemzésében a Nikkei Asia adataira hivatkozva arról ír, hogy öt amerikai technológiai óriás, az Alphabet, a Microsoft, az Amazon, a Meta és az Oracle összesen mintegy 1,65 millió dollárnyi, mérlegen kívüli adóssághoz kapcsolódó kötelezettséggel rendelkezhet. A lap szerint ennek jelentős része az AI infrastruktúra gyors bővítéséhez kapcsolódik.
Ez nem klasszikus bankhitel, hanem többek között hosszú távú lízingekhez és infrastruktúra használatához kapcsolódó pénzügyi kötelezettség. A beruházás viszont csak akkor térül meg, ha az ezekre épülő AI szolgáltatásokból megfelelő bevétel és profit keletkezik. És éppen itt válik érdekessé az AI-lufi kérdése. A több százmilliárd dolláros beruházások önmagukban még nem jelentenek megtérülést.
De vajon miből fogják ezt kifizetni? Hogyan termel ki egy vállalat több százmilliárd dollárnyi infrastruktúrából olyan profitot, amely igazolja ezeket a beruházásokat?
Egy adatközpont önmagában nem termel pénzt. A GPU sem. A befektetés akkor válik valódi üzleti értékké, amikor a vállalatok és a felhasználók ténylegesen fizetnek az ezekre épülő szolgáltatásokért.
Miért ilyen magasak az AI költségek futtatás közben?
Az AI költségeiről gyakran a modellek betanítása jut eszünkbe. A training valóban hatalmas számítási kapacitást igényel, de a történet ezzel nem ér véget. A vállalatok számára legalább ilyen fontos kérdés, mi történik akkor, amikor a modell már elkészült, és naponta több ezer vagy akár több millió kérdésre kell válaszolnia.
Ezt nevezik inferencingnek, vagyis a már betanított modell mindennapi használatának. Minden kérdés, generált kódsor és API hívás mögött újabb számítási kapacitás áll. Minél intenzívebben használják a vállalatok az AI rendszereket, annál magasabb lehet a működtetés költsége. Ez pedig az AI-lufi szempontjából sem mellékes: a technológia értékét végül az is meghatározza, hogy a használata mellett milyen költséggel lehet valódi üzleti eredményt elérni.
Különösen látványos ez az AI ügynököknél és a kódoló rendszereknél, amelyek egyetlen feladat elvégzése közben számos modellhívást is végrehajthatnak. A The Information az Uber technológiai igazgatójának tapasztalatain keresztül mutatja be, hogyan tudja a Claude Code vállalati használata jelentősen megemelni az AI költségeket.
Hiába gyorsítja fel tehát a fejlesztők munkáját egy AI eszköz, ha intenzív használata olyan költséget generál, amelyet a vállalat már nehezen tud kigazdálkodni.
Ráadásul az AI költsége nem feltétlenül marad a szolgáltatók oldalán. Hiába ír gyorsabban és akár jobb kódot egy AI rendszer, ha a használata többszörösébe kerül a hagyományos szoftverfejlesztési módszereknek. A szolgáltatóknak ilyenkor két rossz lehetőségük van: vagy megemelik az árakat, hogy fedezzék az adatközpontok és a számítási kapacitás költségeit, vagy alacsonyan tartják az árakat, és vállalják, hogy a szolgáltatás veszteséget termel. Az előbbi a felhasználók lemorzsolódásához vezethet, az utóbbi pedig hosszú távon teheti kérdésessé az üzleti modellt.
Vajon megéri a cégeknek a hatalmas kiadás, vagy csak a FOMO, vagyis a kimaradástól való félelem hajtja a döntéshozókat?
AI lufi vagy tudatos stratégia?
Erre nincs egyszerű válasz. Az egyik értelmezés szerint a technológiai óriások nem feltétlenül rövid távú profitot keresnek. Hosszú távú pozíciót építenek.
Aki birtokolja a számítási kapacitást, a felhő infrastruktúrát, a modelleket és a fejlesztői ökoszisztémát, az idővel a piac egyik megkerülhetetlen szereplőjévé válhat. Ha egy vállalat egyre több üzleti folyamatát ugyanarra az AI platformra építi, a váltás később komoly költséggel járhat. Ez a vendor lock in (azaz a szolgáltatótól való függés) klasszikus logikája.
De vajon tényleg ennyire racionálisak a döntéshozók? Vagy a technológiai szektor ismét beleesik a csordaszellem csapdájába?
A dotcom lufi és a kriptovaluták körüli spekulációs hullámok megmutatták, milyen gyorsan tud elszakadni egy technológia valódi értéke a köré épülő piaci várakozásoktól. Az AI esetében azonban egyelőre nehéz megmondani, hol ér véget a hype és hol kezdődik a valódi gazdasági érték.
Lehet, hogy a mostani beruházások egy új technológiai korszak infrastruktúráját építik. De az is lehet, hogy a piac túl gyorsan és túl sok pénzt tesz egy még bizonytalan megtérülésű technológiára.
És közben megérkezett egy újabb játékos az asztalhoz.
Mi történik, ha az olcsóbb AI modellek megérkeznek?
A kínai AI modellek térnyerése már az amerikai vállalatok számára is egyre érdekesebb alternatívát jelent. A CNBC elemzése szerint az árkülönbség is egyre fontosabb szempont, ahogy a vállalatok az OpenAI és az Anthropic modelljeinek költségeivel szembesülnek.
Miközben az amerikai technológiai vállalatok egyre többet költenek saját, zárt modelljeikre és az azokat kiszolgáló infrastruktúrára, Kína egy másik úton próbál versenyelőnyt szerezni.
A kínai AI modellek egyre komolyabb alternatívát jelentenek, különösen akkor, ha egy vállalat nem feltétlenül a legdrágább, hanem a megfelelő ár teljesítmény arányú megoldást keresi. Ennek egyik figyelemre méltó szereplője a Moonshot AI Kimi K3 modellje, amely open weight formában is elérhető. A Business Insider elemzése szerint a modell több fontos benchmarkban is versenyképes teljesítményt mutat, miközben az OpenAI és az Anthropic megoldásainál jóval alacsonyabb áron kínálják.
Ez komoly változást hozhat a piacon. Ha egyre több, hasonló képességű modell közül lehet választani, miközben az árak között jelentős különbség van, a szolgáltatók nehezebben tarthatják fenn a magasabb árszintet.
Vajon megismétlődik a történelem? A vállalatok rávetik magukat az olcsóbb AI modellekre, és ezzel felgyorsítják a zárt modellek árversenyét?
Lehetséges. Egy vállalat azonban nem választhat AI modellt kizárólag az ára alapján.
Olcsóbb AI költségek, de milyen áron?
Egy belső dokumentumokat, ügyféladatokat vagy forráskódot feldolgozó AI rendszer esetében legalább ennyire fontos, hogy mi történik az adatokkal.
Hol fut a modell? Ki kezeli az adatokat? Milyen biztonsági kontrollok működnek? Milyen adatvédelmi és megfelelőségi követelmények vonatkoznak a szolgáltatásra?
Az open weight modellek ebből a szempontból érdekes lehetőséget kínálnak. Ha egy vállalat rendelkezik megfelelő infrastruktúrával, bizonyos modelleket saját környezetben is futtathat. Ezzel nagyobb kontrollt szerezhet az adatok és a működés felett, miközben csökkentheti a folyamatos API költségeket.
Csakhogy a saját AI sem ingyenes. A GPUk, az energia, a hűtés, a hálózat, a tárhely és az üzemeltetés mind költséget jelentenek. Az API díja ugyan eltűnhet, de helyette megjelenik egy másik költségszerkezet.
Saját AI vagy felhő?
Egy vállalatnál könnyen lehet, hogy más modell bizonyul gazdaságosnak egy egyszerű dokumentumfeldolgozási feladatra, és más egy összetett fejlesztési vagy elemzési munkára.
A zárt API gyors indulást és egyszerű üzemeltetést kínál. A saját, open weight modell nagyobb kontrollt adhat, viszont komolyabb infrastruktúrát és szakértelmet igényel. A kettő között pedig ott van a hibrid megközelítés, ahol a feladat jellegétől függően többféle modell és infrastruktúra is helyet kaphat. Ha kíváncsi vagy, hogyan működik ez a gyakorlatban, egy üzleti laptopon futtatott lokális nyelvi modell tesztjében részletesen is bemutattuk a tapasztalatokat.
Egy ilyen döntésnél az AI teljesítménye, az infrastruktúra ára, az adatbiztonság és az üzemeltetés költsége együtt határozza meg, melyik megoldás lehet életképes egy vállalat számára. Ugyanez a kérdés áll az AI-lufi mögött is nagyobb léptékben: mennyibe kerül az AI, és mekkora üzleti értéket képes ténylegesen előállítani?
Ki pislog először az AI pókerasztalnál?
A mesterséges intelligencia piaca jelenleg egy gigantikus, feszültséggel teli pókerasztal. Az egyik oldalon ott van a technológia valódi potenciálja és a soha nem látott beruházási hullám. A másikon pedig az adatközpontok, a GPUk, az energia, az inferencing költségei és a kérdés, hogy mindez mikor kezd valódi, fenntartható profitot termelni.
Közben az olcsóbb és open weight modellek egyre nagyobb nyomást helyezhetnek a zárt rendszerekre. Ez tovább erősítheti az árversenyt, miközben a vállalatoknak egyre tudatosabban kell mérlegelniük, mire és milyen környezetben használják az AI-t.
Hogy valóban kialakul e egy AI-lufi, azt végül az fogja eldönteni, hogy a mostani beruházások mögött mennyi valódi, hosszú távon fenntartható kereslet van.
Vajon egy új digitális reneszánsz hajnalán állunk, ahol az AI valóban olyan alapvető technológiává válik, mint korábban az internet vagy az elektromosság? Vagy a történelem egyik legdrágább technológiai fogadásának vagyunk a szemtanúi?
A tétek már az asztalon vannak. Most az derül ki, hogy kinél vannak a nyerő lapok.
Te hova tennéd a zsetonjaidat?!
– Szolgáltatásaink csak cégek és gazdasági társaságok számára elérhetőek –
