Wzrost kosztów GPU zmusza laboratoria AI do inżynierii finansowej

Rosnące koszty GPU zasadniczo zmieniają ekonomię jednostkową AI, zmuszając wiodące laboratoria do priorytetowego traktowania inżynierii finansowej zamiast prostego wyścigu o moc obliczeniową. Wyniki finansowe Anthropic za Q3 2026 ujawniają znaczną stratę operacyjną spowodowaną gwałtownym wzrostem krótkoterminowych cen wynajmu GPU, pomimo znacznego wzrostu przychodów.

Co się stało

Niezbędny składnik dla AI, czyli GPU, odnotował ponad dwukrotny wzrost ceny wynajmu za godzinę w ciągu ostatnich sześciu miesięcy, według Tomasza Tunguza. Krótkoterminowe umowy na moc obliczeniową w trybie burst podniosły ceny za godzinę GPU z 3 USD do 12-13 USD. Ten wzrost zwiększył uśredniony koszt Anthropic za godzinę ekwiwalentu GPU z 3,10 USD do 5,65 USD, w przedziale ufności od 3,45 USD do 8,29 USD, jak ujawniono w ich zaktualizowanym zgłoszeniu S-1/A.

Zgłoszenie S-1/A Anthropic dalej ujawnia, że w Q3 2026 firma wydała 5,0 miliardów USD wyłącznie na krótkoterminowe obliczenia, co stanowiło 51% jej kwartalnego rachunku za obliczenia w wysokości 9,86 miliarda USD. Te ogromne wydatki zamieniły zysk operacyjny GAAP z Q2 w wysokości 974 milionów USD w stratę operacyjną w Q3 w wysokości 567 milionów USD, nawet pomimo wzrostu kwartalnych przychodów o 5,40 miliarda USD sekwencyjnie do 16,96 miliarda USD. Spowodowało to również zobowiązania długoterminowe w wysokości 895,4 miliarda USD.

Presja podażowa nie wykazuje oznak łagodzenia, a Goldman Sachs Commodities Research donosi, że 40% do 50% projektów centrów danych jest opóźnionych. JPMorgan, cytowany przez Wall Street Journal w czerwcu 2026 roku, stwierdził, że ponad 60% pojemności centrów danych planowanych na 2027 rok nie jest jeszcze w budowie, a dodatkowe 7% jest opóźnione. Business Insider poinformował w październiku 2026 roku, że Amazon odebrał około 5 miliardów USD stojaków Nvidia GB300 w sierpniu 2026 roku, a następnie około 3 miliardy USD miesięcznie, zanim obiekty miały moc do ich aktywacji. Ponadto, czasy realizacji transformatorów podwyższających napięcie dla generatorów wynoszą średnio od trzech do pięciu lat, a produkcja turbin gazowych jest wyprzedana do 2029 roku, według Tomasza Tunguza.

Pomimo rosnących kosztów, wojna cenowa między modelami wiodącymi i średniej klasy sprawia, że podnoszenie cen tokenów jest ryzykowne, ponieważ każde laboratorium zwiększające stawki ryzykuje utratę udziału w rynku. Laboratoria reagują, inżynierując wzrosty wydajności modeli, takie jak 40% redukcja kosztów na zadanie w Opus 5.5 w porównaniu do Opus 5, zaostrzając limity subskrypcji (np. OpenAI łączące ChatGPT i Codex w jeden wspólny limit tokenów) oraz przekierowując nabywców korporacyjnych z konsumpcji API bezserwerowych na wieloletnie umowy zobowiązujące.

Dlaczego ma to znaczenie dla liderów RevOps

Dla liderów RevOps, ta dramatyczna zmiana w ekonomii obliczeń bezpośrednio wpływa na przewidywalność przychodów, strategie cenowe i struktury umów sprzedaży. Podwojenie kosztów GPU zasadniczo zmienia ekonomię jednostkową produktów i usług opartych na AI, wymagając odpowiedniego podwojenia wydajności modelu lub cen dla klientów, aby zachować marże. Ta zmienność sprawia, że dokładne prognozowanie jest wyzwaniem i wymaga proaktywnego podejścia do zarządzania kosztami i dostosowania przychodów. RevOps musi wyjść poza samo optymalizowanie wolumenu sprzedaży i zamiast tego skupić się na strategicznej inżynierii finansowej, zapewniając, że czas trwania umów z klientami – zwłaszcza dla klientów korporacyjnych – jest dopasowany do bazowych wieloletnich zobowiązań leasingowych GPU. To dopasowanie czasu trwania jest kluczowe dla stabilizacji rentowności i łagodzenia ryzyka związanego z wysoce zmiennymi kosztami infrastruktury, bezpośrednio wpływając na wartość życiową klienta i ogólny stan przychodów.

Co zrobić w tym tygodniu

1. Przeanalizuj swoje obecne oferty produktów lub usług opartych na AI, aby zidentyfikować ich zależność od mocy obliczeniowej GPU i ocenić, jak podwojenie kosztów obliczeń wpłynęłoby na Twoją ekonomię jednostkową i rentowność.
2. Współpracuj z zespołami finansowymi i produktowymi, aby modelować finansowe implikacje przejścia z zmiennej, krótkoterminowej konsumpcji mocy obliczeniowej na wieloletnie umowy zobowiązujące, badając, jak wpływa to na strategie cenowe i koszty pozyskania klienta.
3. Przejrzyj swoje szablony umów sprzedaży dla klientów korporacyjnych, aby uwzględnić zapisy dotyczące wieloletnich minimalnych zobowiązań, dopasowując czas trwania przychodów od klienta do potencjalnych długoterminowych umów dotyczących infrastruktury obliczeniowej.

Źródła

• The Financial Engineering Essential for AI in 2027 — Tomasz Tunguz