AI potrzebuje bilionów dolarów nowych przychodów. Skąd je wziąć?

Ekonomika sztucznej inteligencji może wymagać znacznie więcej niż wzrostu produktywności. Według 7. edycji „Global Technology Report” autorstwa Bain & Company, do 2031 roku ekosystem AI będzie potrzebował niemal 6 bln dolarów rocznych przychodów, aby uzasadnić skalę inwestycji w infrastrukturę. Obecne zastosowania mogą wygenerować „zaledwie” 1,2-1,8 bln dolarów.

Dotychczasowa dyskusja o ekonomicznym potencjale AI skupiała się przede wszystkim na produktywności. Analitycy Bain & Company zwracają jednak uwagę, że same oszczędności i wzrost efektywności mogą nie wystarczyć do uzasadnienia nakładów na chipy, centra danych, sieci i systemy zasilania.

Obecne zastosowania AI, zarówno konsumenckie finansowane subskrypcjami i reklamą, jak i rozwiązania biznesowe wykorzystywane m.in. w programowaniu, sprzedaży, marketingu, obsłudze klienta i operacjach IT, mogą w 2031 roku przynieść wspomniane 1,2–1,8 bln dolarów rocznych przychodów. Do ekonomicznego uzasadnienia obecnej skali infrastruktury potrzebne będzie więc około 4,2 bln dolarów dodatkowego biznesu rocznie.

„Branża potrzebuje fali innowacji znacznie większej niż ta, którą przyniosły technologie mobilne i chmura. Infrastruktura AI powstaje dziś z dużym wyprzedzeniem wobec popytu, dlatego jej trwałe finansowanie będzie wymagało podniesienia rocznego tempa wzrostu światowego PKB o około 1 punkt procentowy” – mówi Paweł Szreder, partner w Bain & Company.

Skąd mają przyjść nowe przychody?

Eksperci Bain & Company wskazują cztery potencjalne źródła kolejnej fali wzrostu.

• Pierwszym jest rozwój modeli AI jako alternatywy dla tradycyjnych wyszukiwarek i wykorzystanie w nich reklamy.
• Drugim będzie autonomizacja, obejmująca m.in. samochody, ciężarówki, drony i automatyzację przemysłu.
• Trzecim obszarem jest physical AI, czyli wykorzystanie sztucznej inteligencji w świecie fizycznym, m.in. w symulacjach, cyfrowych bliźniakach i robotyce.
• Czwartym będą zastosowania, które dopiero powstaną wraz ze wzrostem możliwości modeli, m.in. w odkrywaniu leków, ochronie zdrowia czy energetyce.

AI napędza rynek sprzętu

Boom inwestycyjny zmienia również pozycję producentów sprzętu i półprzewodników. W latach 2020-2026 ich kapitalizacja rosła średnio o 24% rocznie, podczas gdy w przypadku producentów oprogramowania było to 6%.

Szczególne znaczenie zyskują pamięci HBM, zaawansowane techniki obudowywania układów oraz projektowane na zamówienie układy ASIC. Najwięksi producenci koncentrują moce na HBM, ograniczając inwestycje w pamięci DDR i NAND, co może pogłębiać niedobory i zwiększać ceny komputerów oraz smartfonów.

Jednocześnie wyspecjalizowane akceleratory stają się podstawą infrastruktury AI. Hiperskalerzy i firmy rozwijające modele projektują własne układy pod konkretne obciążenia, m.in. trenowanie, inferencję i zadania agentowe. Rosnące zapotrzebowanie na moc obliczeniową zwiększa znaczenie odporności łańcuchów dostaw. Klęski żywiołowe, napięcia geopolityczne i ograniczenia eksportowe skłaniają firmy do dywersyfikacji dostawców i lokalizacji produkcji.

„Strategie zakupowe i zarządzanie łańcuchem dostaw stają się coraz ważniejszym źródłem przewagi konkurencyjnej. Inwestycje w moce produkcyjne dostawców, długoterminowe umowy, obejmowanie udziałów w firmach z łańcucha dostaw oraz dywersyfikacja dostawców i lokalizacji zajmują dziś wysokie miejsce wśród priorytetów zarządów. Zmienia się również strategia produktowa – model, w którym jeden dostawca rozwija technologię dla całego rynku, ustępuje miejsca większej integracji pionowej i rozwiązaniom częściowo projektowanym na zamówienie” – wskazuje Paweł Szreder.

Rozwój AI zmienia krajobraz cyberbezpieczeństwa

Według analityków, sztuczna inteligencja skróciła czas potrzebny do przeprowadzenia typowego cyberataku z około czterech tygodni do zaledwie 18 godzin. Jednocześnie rozwój agentów AI tworzy nowe potencjalne punkty podatności.

Szczególnym problemem jest łańcuch dostaw. Firmy muszą monitorować sposób wykorzystywania AI przez dostawców przez cały okres obowiązywania umowy, uwzględniając także podwykonawców i zmiany wprowadzane do modeli oraz oprogramowania. Tradycyjne kwestionariusze bezpieczeństwa nie nadążają za sytuacją, w której dostawcy mogą aktualizować systemy nawet codziennie.

Najbardziej zaawansowane organizacje zwiększyły już budżety na usuwanie podatności o kilkanaście lub kilkadziesiąt procent. Do 20-25% zasobów ludzkich w cyberbezpieczeństwie przesuwają natomiast z innych zadań do obsługi alertów generowanych przez skany wykorzystujące AI.

Tempo wdrażania AI staje się przewagą

Jak wskazuje analiza Bain & Company, coraz ważniejszym źródłem przewagi konkurencyjnej jest tempo absorpcji AI, czyli zdolność firmy do szybkiego wdrażania technologii i przekładania jej możliwości na wyniki biznesowe.

Czołowe laboratoria AI inwestują ponad 9,75 mld dolarów w zespoły inżynierów pracujących bezpośrednio z przedsiębiorstwami nad dostosowaniem modeli do konkretnych procesów. Równolegle rozwijane są narzędzia integrujące AI z istniejącymi systemami firm.

Analitycy Bain zakładają przy tym, że rynek modeli pozostanie zróżnicowany. Obok najbardziej zaawansowanych modeli będą funkcjonować tańsze, wyspecjalizowane rozwiązania przeznaczone do dojrzałych i powtarzalnych zastosowań.

„Najbardziej prawdopodobny scenariusz to kontinuum: od modeli przełomowych po modele dojrzałe. Nowe, niesprawdzone zastosowania będą początkowo korzystać z najmocniejszych modeli, a gdy dojrzeją, zapewne przejdą na tańsze rozwiązania. Najbardziej zaawansowani dostawcy będą natomiast przesuwać się w stronę coraz trudniejszych problemów, w których dodatkowe możliwości modeli generują największą wartość” – uważa Paweł Szreder.

AI zmieni cały proces tworzenia oprogramowania

Raport wskazuje również na potencjał AI w programowaniu. W badaniu obejmującym 293 liderów technologicznych respondenci przewidują, że w ciągu najbliższego roku lub dwóch szybkość cyklu wydawania oprogramowania wzrośnie o 148%, a produktywność programistów o 95%. Obserwowane obecnie korzyści są znacznie mniejsze i wynoszą 20-27% w kluczowych wskaźnikach.

Samo przyspieszenie pisania kodu nie wystarczy. AI przesuwa wąskie gardła na kolejne etapy: przegląd kodu, koordynację, kontrolę jakości i governance. Firmy chcące wykorzystać pełny potencjał generatywnej AI będą więc musiały przeprojektować cały proces tworzenia oprogramowania, a nie tylko zautomatyzować pojedyncze zadania.