Bariera energetyczna AI w 2027 roku: co rosnące koszty GPU oznaczają dla budżetów RevOps

Fizyczne ograniczenia sieci energetycznej zderzają się z popytem biznesu na AI, wywołując strukturalną presję na wzrost kosztów obliczeniowych, co bezpośrednio uderzy w marże operacyjne oprogramowania. Według inwestora venture capital Tomasza Tunguza, moc obliczeniowa AI w Stanach Zjednoczonych ma wzrosnąć z obecnych 38 gigawatów do pułapu 81 gigawatów w 2027 roku, jednak popyt już teraz przewyższa możliwości sieci energetycznej w zakresie zasilania nowego sprzętu. Gdy krótkoterminowe stawki wynajmu GPU gwałtownie rosną, a szafy serwerowe stoją bezczynnie w magazynach w oczekiwaniu na prąd, era wyjątkowo taniej inferencji modeli dobiega końca.

Co się wydarzyło

Tunguz donosi, że choć łączna moc obliczeniowa w USA mogłaby teoretycznie podwoić się do 81 gigawatów do 2027 roku, fizyczne ograniczenia sieci hamują rzeczywiste wdrożenia. Powołując się na wypowiedzi Brada Gerstnera w podcaście All-In, Tunguz zauważa, że według rynkowego konsensusu w 2027 roku ma zostać uruchomione 43 gigawaty, lecz nawet 10 do 15 gigawatów z tej planowanej rozbudowy może nie doczekać się zasilania. Jak poinformował Business Insider, w ramach programu Early Rack Receipt firmy AWS, Amazon odebrał w sierpniu 2026 roku szafy serwerowe Nvidia GB300 o wartości około 5 miliardów dolarów, zanim stacje elektroenergetyczne były w stanie je uruchomić.

Mimo ogromnej skali produkcji sprzętu, ceny mocy obliczeniowej poszybowały w górę z powodu tego wąskiego gardła. Krótkoterminowe stawki wynajmu GPU wzrosły w ciągu sześciu miesięcy z 3 dolarów do 12–13 dolarów za godzinę. Tunguz zauważa, że prospekt S-1/A firmy Anthropic wykazał wzrost uśrednionych kosztów ekwiwalentu GPU o 82% w ciągu dwóch kwartałów – z 3,10 do 5,65 dolara za godzinę.

Obecnie 40% mocy obliczeniowej GPU przypada na inferencję – dostarczanie modeli bezpośrednio użytkownikom końcowym – podczas gdy 60% przeznaczone jest na trening, wynika z danych SemiAnalysis przytoczonych przez Tunguza. W miarę wdrażania nowszego sprzętu, takiego jak szafy Blackwell i Rubin, teoretyczne przychody z inferencji w USA mają wzrosnąć 3,4-krotnie: ze 140 miliardów do niemal 500 miliardów dolarów (0,49 biliona). Jednak utrzymujące się niedobory energii oznaczają, że dostawcy będą coraz częściej zarządzać nadmiernym popytem za pomocą zróżnicowanych cen zależnych od opóźnień (latency) oraz optymalizacji algorytmicznej – na przykład stosując wyspecjalizowane warstwy oprogramowania (harnesses), które według przytoczonego przez Tunguza badania HarnessTax z UC Berkeley obniżają koszty realizacji zadań o 71%.

Dlaczego ma to znaczenie dla liderów RevOps

Dla liderów RevOps każdy proces obsługi klienta, pipeline scoringu leadów czy zautomatyzowana sekwencja outreachu opierają się ostatecznie na inferencji. Jeśli bazowy koszt mocy obliczeniowej wzrośnie dwukrotnie, podczas gdy ograniczenia sieci ograniczą podaż, ekonomia całego Twojego stosu technologicznego go-to-market ulegnie gruntownej zmianie.

Po pierwsze, dostawcy SaaS oferujący wzbogacanie danych w CRM z użyciem AI, agentów prognostycznych czy analitykę konwersacyjną nieuchronnie przerzucą te koszty infrastruktury na klientów przy odnawianiu umów. Zespoły RevOps powinny przygotować się na wprowadzenie przez dostawców ścisłych limitów tokenów, ograniczeń liczby zapytań (rate limits) czy zróżnicowanych cenników w zależności od opóźnień – z dodatkowymi opłatami za routing leadów w czasie rzeczywistym i przenoszeniem masowego wzbogacania danych czy analizy pipeline'u do wolniejszych kolejek asynchronicznych.

Po drugie, gwałtownie rosnący koszt mocy obliczeniowej zmienia rachunek zysków i strat w dylemacie „budować czy kupować” (build-versus-buy) dla operacji wewnętrznych. W ciągu ostatniego roku wiele zespołów operacyjnych skłaniało się ku własnym, dedykowanym automatyzacjom i prostym skryptom, aby zastąpić wyspecjalizowane narzędzia SaaS. Jednak, jak podkreśla Tunguz, opłacalność tworzenia oprogramowania we własnym zakresie zderza się z brutalną rzeczywistością, gdy inferencja staje się droga. Dedykowani dostawcy oprogramowania mogą amortyzować koszty obliczeniowe dzięki zoptymalizowanej architekturze – takiej jak wielogłowicowa atencja ukryta (multi-head latent attention), kwantyzacja modeli czy specjalne nakładki programistyczne – podczas gdy wewnętrzne agenty odpytujące bezpośrednio surowe API modeli bazowych będą przepalać budżet operacyjny w zastraszającym tempie. Utrzymanie marży będzie wymagało traktowania zużycia tokenów z takim samym rygorem, jaki tradycyjnie stosuje się wobec kosztów pozyskania klienta (CAC).

Co zrobić w tym tygodniu

1. Audytuj automatyzacje oparte na API w Zapier, Make i wewnętrznych webhookach, aby zarejestrować bieżące miesięczne zużycie tokenów i wydatki na moc obliczeniową w poszczególnych procesach.
2. Przejrzyj nadchodzące odnowienia umów SaaS dla narzędzi sprzedażowych i marketingowych zależnych od AI, aby zweryfikować, czy obecne ceny gwarantują ochronę przed podwyżkami związanymi z kosztami mocy obliczeniowej lub wolumenem inferencji w perspektywie najbliższych 24 miesięcy.
3. Podziel zautomatyzowane działania w procesach na te wymagające czasu rzeczywistego (np. natychmiastowe przypisywanie leadów przychodzących) oraz zadania w tle, które nie wymagają pośpiechu (np. cotygodniowy scoring kont), aby architektura była gotowa na modele cenowe zależne od opóźnień.

Źródła

• Watts in Store for 2027 : The AI Ceiling — Tomasz Tunguz