Spravodajstvo 26.06.2026

Graf týždňa: Riziká návratnosti umelej inteligencie

Sektor umelej inteligencie dnes dominuje akciovým trhom, ale aj trhu podnikových dlhopisov v Spojených štátoch a zahŕňa spoločnosti budujúce infraštruktúru, platformy umelej inteligencie, softvérový a aplikačný sektor, ako aj hardvérové spoločnosti. Investičný ošiaľ a záujem prvých nadšencov nastal vydaním prvého AI modelu spoločnosti OpenAI s názvom GPT-3.5 v novembri 2022. Model umelej inteligencie počas piatich dní získal jeden milión používateľov a do januára 2023 sa spoločnosť mohla pýšiť stonásobným rastom používateľov. Netrvalo dlho a finančný sektor si uvedomil masívny potenciál umelej inteligencie a začal do sektora masívne investovať.

Prvé masívne investície ohlásili giganti ako Amazon, Microsoft, Google a Meta v celkovom množstve 126 miliárd dolárov¹. Záujem a nadšenie sa pretavili do explózie kapitálových výdavkov v roku 2024, čo pokračovalo výstavbou a úplným odhodlaním až do súčasnosti.

Otázkou však zostáva: Rozchádza sa extrapolácia ekonomického rastu a firemnej ziskovosti založenej na umelej inteligencii od reálnej schopnosti zhodnotiť kapitálové výdavky do nej?

Graf 1: Rozdelenie spoločností v sektore umelej inteligencie

Sektor umelej inteligencie funguje ako prepojený ekosystém vrstiev, kde navrchu stoja firmy vyvíjajúce AI modely (OpenAI, Anthropic, Google, Meta), ktoré vytvárajú samotnú „inteligenciu“ a predávajú ju ako službu. Čínske spoločnosti vytvárajú americkým náprotivkom konkurenciu v cene a v posledných mesiacoch aj v kvalite. Hoci stále mierne zaostávajú za americkými (hoci nie zásadne), pre väčšinu ekonomických subjektov môžu byť dostatočne dobré a mať atraktívny pomer „peňazí za muziku“.

Výrobcovia čipov a hardvéru dodávajú výpočtový výkon, ktorý je pre sektor zároveň hlavným limitujúcim prvkom, bez ktorého AI nemôže fungovať. Hardvér je kupovaný hyperškálermi a operátormi datacentier, ktorí budujú infraštruktúru a premieňajú kapitál na výpočtový výkon.

Neoclouds sú spoločnosti, ktoré kupujú výpočtovú techniku a prenajímajú ju prevažne koncovým používateľom, ktorými sú tvorcovia modelov. Infraštruktúru vytvárajú softvérové spoločnosti, ktoré integrujú AI do produktov, no zároveň čelia tlaku, že AI znižuje bariéry vstupu a môže ich biznis narušiť.

Kto zarába dnes a kto „možno“ zajtra?

Kľúčovým problémom celej investičnej vlny AI je časový nesúlad medzi výdavkami a výnosmi spoločností. Stavitelia, napríklad Nvidia alebo ASML, uznávajú tržby okamžite predajom ich hardvéru, zatiaľ čo hyperškáleri kapitalizujú svoje výdavky a náklady sa prejavia až neskôr vo forme odpisov. Reálne zisky sú teda koncentrované u dodávateľov, zatiaľ čo stavitelia datacentier sú vystavení časovému oneskoreniu medzi investíciou a generovaním výnosov. Druhým problémom hyperškálerov je životnosť samotných čipov. Analytici sa v odhade životnosti rozchádzajú, pričom niektorí optimisticky očakávajú 10-až 12-ročnú životnosť, zatiaľ čo iní očakávajú životnosť hraničiacu s dvomi až tromi rokmi², čo bude viesť k veľkej miere odpisov.

Problematika životnosti čipov je veľkým otáznikom obzvlášť u skupiny nazývanej neoclouds. Neoclouds si vo väčšine prípadov prenajímajú datacentrá od tretích strán, do ktorých následne umiestnia výpočtovú techniku, ktorú kupujú primárne od spoločnosti Nvidia. Anomáliou je v tomto prípade najmä to, že spoločnostiam v tomto prípade vypožičiava peniaze samotná Nvidia na nákup ich čipov^3,4. V prípade neoclouds sa očakáva návratnosť na investovaný kapitál v rozmedzí päť až osem percent pred zdanením. Z pohľadu investora neoclouds taktiež nepredstavujú ideálnu investíciu, keďže spoločnosti často využívajú konvertibilné dlhopisy, ktoré rozrieďujú akcionárov⁵. Do financovania neoclouds sa zapojili aj súkromné úverové spoločnosti, ktoré sa vystavujú rizikám životnosti hardvéru a poklesu ceny prenájmov^6,7.

Polovodičový cyklus

Ekonomický cyklus polovodičových spoločností je jedným z klasických cyklických odvetví, ktoré podobne ako ropné spoločnosti zažíva vzrast a pád. V rámci polovodičových spoločností trvá priemerný cyklus tri až štyri roky . Súčasná situácia však náhle zmenila kalkuláciu sektora, ktorá naň nebola pripravená.

Graf 2: Ekonomický cyklus polovodičových spoločností⁹

Kapitálové výdavky hyperškálerov¹⁰ majú v roku 2026 atakovať hranicu približne 700 miliárd dolárov, čo je viac ako 50 % vzrast oproti roku 2025. Zo spomenutých 700 miliárd dolárov chcú hyperškáleri investovať 75 percent do infraštruktúry umelej inteligencie, ktorá spôsobila vzrast cien DRAM/ NAND čipov štyri- až päťnásobne. Spoločnosti vytvárajúce modely umelej inteligencie v prípade nových modelov prešli z chatbotov, ktoré trpeli obmedzeniami kontextového okna a pamäťou jednotlivých textových okien, na uvažujúce modely a agentov, ktoré vyžadujú väčšie množstvo tokenov a dátového výkonu. Kapacitný strop^11,12, v tomto prípade vytvárajú spoločnosti ako ASML a Applied Materials, ktorých fyzické obmedzenia limitujú 30- až 35-percentným rastom kapacity ročne. Spoločnosti sú v tomto prípade opatrné vzhľadom na skúsenosti predchádzajúcich ekonomických cyklov odvetvia.

Graf 3: Kapitálové výdavky hyperškálerov¹³

Graf 4: Marže voľného toku hotovosti po odpočítaní CAPEX – hyperškálerov

Nedostatok polovodičov a limit fyzickej expanzie spôsobil rast ceny starých polovodičov, keď šesť- až osemročné čipy zaznamenali dopytový tlak na výpočtovú techniku.

Graf 5: Index ceny prenájmu grafických čipov A100

Hlavným argumentom, ktorý možno často počuť, je, že oproti dot com bubline súčasné spoločnosti dosahujú vysokú ziskovosť. Počas dot com bubliny boli neziskové spoločnosti v telekomunikáciách a fiber operátori. Spoločnosti, ktoré služby a produkty využívali, napríklad AT&T alebo Goldman Sachs, boli ziskové. Teraz sú však neziskoví samotní zákazníci, t. j. Anthropic a OpenAI. Systematické riziko je teda v súčasnosti omnoho vyššie, keďže nezisková nie je len infraštruktúra, ale aj dopytová strana.

Cirkulárne financovanie

Súčasný boom umelej inteligencie je do veľkej miery poháňaný špecifickým typom transakcií označovaných ako cirkulárne obchody alebo vendor financing, v rámci ktorých si najväčšie technologické firmy navzájom poskytujú kapitál a zároveň od seba odoberajú produkty a služby. V praxi to znamená, že investícia jednej spoločnosti sa často vracia späť vo forme tržieb, keďže financovaná firma využíva získané prostriedky na nákup infraštruktúry, čipov alebo cloudových kapacít od svojho investora – napríklad, keď Nvidia investuje do AI startupov, ktoré sa následne stávajú jej kľúčovými zákazníkmi. Tento mechanizmus vytvára uzavretý ekosystém, v ktorom kapitál kontinuálne obieha medzi relatívne malým počtom dominantných hráčov, ako sú Nvidia, OpenAI, Microsoft či Oracle, pričom „peniaze sa točia medzi tými istými firmami“ a vytvárajú komplexnú sieť prepojených kontraktov¹⁴.

V júni 2026 bola napríklad zverejnená transakcia¹⁵ medzi spoločnosťami Apollo a Blackstone, ktorej štruktúra sa v oblasti financovania umelej inteligencie stala normou. Spoločnosti vo veľkej miere využívajú štruktúry typu SPV, ktoré umožňujú presunutie rizika mimo súvahy spoločností. V rámci transakcií dochádza ku komplikovaniu identifikácie konečných používateľov. K podobnému štýlu transakcií dochádza naprieč celým sektorom umelej inteligencie. V apríli 2026 došlo k uzavretiu transakcie medzi spoločnosťou CoreWeave a spoločnosťou Nvidia, ktorá sa týkala financovania infraštruktúry. Spoločnosť Nvidia sa zaviazala k odberu cloudovej kapacity v hodnote 6,3 miliardy dolárov v prípade, ak by spoločnosť CoreWeave nedokázala v lízingových zmluvách predať celú svoju výpočtovú kapacitu. Zmluva platí až do roku 2032.¹⁶

Hyperškáleri v tomto prípade často participujú ako posledný „backstop“, inými slovami posledný kupujúci/platiteľ v rade. Keďže množstvo transakcií, ktoré sú štruktúrované podobným spôsobom, vzrastá, samotná súvaha spoločností nevraví nič o celkovom množstve záväzkov.

Graf 6: Kombinovaná dlhová expozícia hyperškálerov¹⁷

Graf 7: Záväzky mimo súvahy hyperškálerov¹⁸

AI ako kapitálovo extrémny experiment: rast bez ekonomickej rovnováhy

Jadrom súčasného AI ekosystému sú spoločnosti vyvíjajúce veľké jazykové modely (LLM), predovšetkým OpenAI a Anthropic, ktoré generujú dominantnú časť celkových príjmov v sektore. Napriek rýchlemu rastu tržieb však ich ekonomický model vykazuje zásadné štrukturálne slabiny. V roku 2025 napríklad OpenAI dosiahla približne 13 miliárd USD tržieb, no celkové náklady presiahli 34 miliárd USD, čo implikuje operačnú stratu na úrovni ~21 miliárd USD. Podobne vysoké tempo rastu vykazuje aj spoločnosť Anthropic, rast výnosov však sprevádza takmer lineárny rast nákladov na výpočtovú techniku, marketing a vývoj.

Zásadným faktorom je povaha nákladovej štruktúry. Na rozdiel od tradičných softvérových firiem, kde marginálne náklady klesajú s rastom, LLM modely majú vysoké náklady nielen na tréning, ale aj na samotné používanie (inference). To znamená, že náklady rastú relatívne lineárne s dopytom. Spoločnosti sa snažia tento problém zmierniť zabezpečením výpočtovej kapacity vopred (napr. kontrakty na GPU a dátové centrá), čo však vedie k obrovským kapitálovým záväzkom v stovkách miliárd USD.

Ďalším problémom je kvalita vykazovaných finančných výsledkov. Časť nákladov je skrytá v barterových schémach – napríklad výpočtové kredity poskytované hyperškálermi výmenou za equity alebo budúce záväzky¹⁹. To vedie k podhodnocovaniu reálnych strát a k nadhodnocovaniu marží. Podobne aj metriky ako annualized run rate alebo ARR môžu byť zavádzajúce, keďže sú odvodené z krátkodobého API využívania, ktoré nemá charakter stabilného opakovaného príjmu.

Rast adopcie LLM je navyše výrazne podporovaný dotáciami. Firmy masívne investujú do sales & marketingu a zároveň rozdávajú kredity, čím umelo stimulujú dopyt. Tento model však naráža na limity – zákazníci začínajú zavádzať kontroly nákladov²⁰ a čoraz viac spochybňujú návratnosť investícií do AI. Problém merania ROI, teda návratnosti investícií, je pritom zásadný, keďže výstupy LLM sú pravdepodobnostné a často vyžadujú dodatočný ľudský dohľad²¹.

Celkovo sa tak ukazuje, že spoločnosti vyvíjajúce LLM operujú v režime, kde technologický progres predbieha ekonomickú realitu. Ich schopnosť dosiahnuť profitabilitu závisí od predpokladu exponenciálneho rastu dopytu a výrazného zvýšenia ochoty zákazníkov platiť za AI služby. Otázniky vytvárajú aj podstatne lacnejšie a podobne kvalitné čínske LLM modely, ktoré môžu zásadne znižovať marže tých amerických. Bez dramatického rastu dopytu ich súčasný model veľmi závisí od externého kapitálu, čo zvyšuje riziko korekcie v prípade zmeny finančných podmienok.

Graf 8: Množstvo firiem v indexe S&P 500, ktoré zmienili produktivitu AI