Az elmúlt hetekben az „AI-lufi” fogalma a közbeszéd pereméről a mainstream viták középpontjába került. Ahogy a Financial Times kommentátora, Katie Martin találóan megfogalmazta: „A lufi-beszéd mindenhol terjed.” Ez a vita elsősorban az adatközpontokba és a generatív mesterséges intelligenciát (AI) működtető nagy nyelvi modellek (LLM-ek) képzéséhez szükséges hatalmas energia-infrastruktúrába történő befektetések robbanásszerű növekedéséből táplálkozik.
A technológiai óriások és az AI befektetések csúcsa
Ahogy korábbi spekulatív buborékok esetében is, a befektetések növekedése az értékelések szárnyalását eredményezi, amelyek mind a nyilvános, mind a magánpiacokon történelmi csúcsokat érnek el. Az úgynevezett „Magnificent Seven” – Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia és Tesla – uralja az S&P 500-at, mindegyikük piaci kapitalizációja meghaladja az 1 billió dollárt. Különösen kiemelkedő az Nvidia, amely most az első 5 billió dolláros vállalat a világon.
A magánpiacon az OpenAI állítólag 30 milliárd dolláros tőkebevonást tervez 500 milliárd dolláros értékelés mellett a SoftBanktól, amely a 2008 utáni időszak leglelkesebb befektetője. Érdekesség, hogy ez a tőkebevonás annak ellenére történik, hogy az OpenAI 2024-ben 5 milliárd dolláros veszteséget könyvelt el 3,7 milliárd dolláros bevétel mellett, és várhatóan 2029-ig összesen 115 milliárd dollárt éget el készpénzben.
Spekulációk és kreatív finanszírozási mechanizmusok
Ahogy korábbi spekulatív ciklusokban is láthattuk – például a holland tulipánmánia idején vagy a 2008-as pénzügyi válságot megelőzően –, ma is megjelennek új finanszírozási formák. A jelenlegi körforgásban chipgyártók (Nvidia, AMD), felhőszolgáltatók (Microsoft, CoreWeave, Oracle) és LLM fejlesztők (OpenAI) kölcsönösen támogatják egymást pénzügyi és technológiai szinten.
Az AI-lufi hatása és kockázatai
Bár az AI-lufi körvonalai jól láthatóak, valódi hatása attól függ, hogy átterjed-e a pénzügyi piacokról a szélesebb gazdaságra. Naponta érkeznek bejelentések új többmilliárd dolláros AI infrastruktúra-projektekről, ugyanakkor egyre több jelentés mutatja, hogy az AI üzleti alkalmazásai csalódást okoznak. Ez arra utalhat, hogy a hype jóval megelőzi a valós eredményeket.
A múlt buborékjainak szellemei
A pénzügyi buborékokat két szempontból érdemes vizsgálni: először is azt kell megérteni, hogy miben fogadnak az investálók – vajon ezek az eszközök valóban növelhetik-e a gazdasági termelékenységet? Másodszor pedig azt kell látni, hogy ez a spekuláció részvény- vagy hitelpiacokon koncentrálódik-e. Az adósságfinanszírozású spekulációk vezetnek ugyanis gazdasági katasztrófákhoz.
A 2004-07-es hitelbuborék például ingatlanokra fókuszált és nem ígért termelékenységnövekedést; amikor kipukkadt, súlyos gazdasági következményekkel járt. Ezzel szemben az 1990-es évek tech-buborékja az internet infrastruktúrájának kiépítésére koncentrált – bár spekuláció volt jelen, de főként részvénypiacokon és viszonylag korlátozott tőkeáttétellel. Ennek kipukkanása mérsékeltebb károkat okozott.
A produktív buborékok szerepe a modern kapitalizmusban
A modern kapitalizmus történetét olyan „produktív buborékok” sorozata határozza meg, amelyek hatalmas tőkét mozgósítottak alapvető infrastruktúrák kiépítésére – vasutakra, villamos energiára vagy az internetre –, amelyek később forradalmi változásokat hoztak. Ezekben az esetekben sok alapító vállalat csődbe ment ugyan, de maga az infrastruktúra megmaradt és később új szereplők használták ki annak potenciálját.
Például az első amerikai vasútvonal építése 1828-ban kezdődött, de az igazi áttörést jelentő postai rendeléses kiskereskedelem csak 1872-ben indult el Montgomery Ward alapításával. Hasonlóan hosszú idő telt el Edison Pearl Street-i erőművének megnyitása és az ipari villamosítás termelékenységi forradalma között.
Hol helyezkedik el az AI-lufi ezen a skálán?
Bár eddig főként Big Tech cégek saját készpénzállományából érkezett befektetés, egyre több jel utal arra, hogy hitelfinanszírozás is megjelenik. Például az Oracle mintegy 38 milliárd dolláros adósságcsomaggal próbálja behozni lemaradását.
OpenAI tervei szerint legalább 1 billió dollárt fektet be következő öt évben. Ez óriási költségvetésű beruházásokat feltételez nagy volumenű hitelfelvétellel együtt – így szűk időablak áll rendelkezésre arra, hogy ezek a modellek bizonyítsák gazdasági értéküket.
Kezdeti kutatások és üzleti alkalmazások eredményei
Stanford kutatója Erik Brynjolfsson és MIT társai szerint generatív AI bevezetése ügyfélszolgálati központokban akár 15%-os termelékenységnövekedést is eredményezhetett. A legnagyobb javulás a kevésbé tapasztalt dolgozóknál volt tapasztalható (30% feletti növekedés). Az AI-t használó munkavállalók idővel hatékonyabbá váltak és ügyfelek is pozitívabban viszonyultak hozzájuk.
Ugyanakkor egy MIT Project NANDA felmérés szerint a generatív AI pilot projektek 95%-a magánszektorban kudarcot vallott. A kutatók ezt elsősorban arra vezetik vissza, hogy csak azoknak sikerült igazán jól alkalmazniuk az AI-t, akik szakértők segítségével testreszabták azt konkrét üzleti feladatokra – főként adminisztratív területeken –, míg mások inkább saját fejlesztésekkel próbálkoztak külső funkciókra (pl. marketing), ahol nem jártak sikerrel.
A generatív AI korlátai
A generatív AI rendszerek alapvetően valószínűségi előrejelző motorok: szövegeket, képeket vagy hangokat numerikus vektorokká alakítanak át és ezek alapján jósolják meg a következő elemet (például szótagot vagy pixelt). Ez azonban véletlenszerű hibákhoz vezet – különösen veszélyesek azok az úgynevezett „hallucinációk”, amikor hihetőnek tűnő állításokat tesznek valamiről, ami valójában nem létezik.
Brian Cantwell Smith korábbi Xerox kutató ezt így fogalmazta meg: „Nem csak baj, ha [ChatGPT] hibázik; igazán súlyos probléma viszont, hogy nincs tudomása arról a világról, amiről téved.” Üzleti környezetben pedig nagyon alacsony vagy nulla tolerancia van ilyen hibákra.
Kódgenerálás példája jól mutatja ezt: bár junior programozók gyorsan írhatnak kódot AI segítségével, azt mindig alaposan át kell nézniük tapasztalt mérnököknek – különben könnyen eltűnik minden előny a hibák javítása miatt szükséges erőforrások miatt.
Jonathan Last: „Az AI olyan mint egy kínai gépi gyártás: olcsón képes jó eredményeket produkálni emberi időráfordítás mércéjével mérve. Ezért ma még csak olyan feladatokra alkalmas eszközként használható hatékonyan, ahol nagyobb hibaszázalék elfogadható.”
Az átláthatóság hiánya és további kérdések
Diane Coyle cambridge-i közgazdász szerint komoly gondot jelent az AI átláthatatlansága: nem tudjuk pontosan hány cég használ generatív AI-t vagy milyen területeken alkalmazzák azt (marketingtől ügyfélszolgálatig). Hiányoznak alapvető adatok arról is, kik használják ténylegesen ezeket az eszközöket.
A végső elszámoltatás küszöbén
A legfontosabb kérdés tehát: milyen értékteremtési potenciállal bírnak ezek a nagy nyelvi modellek? Az óriási számítási kapacitás- és energiaigény mellett költséges felügyeletre és hibajavításra van szükségük – így bizonytalan a nyereségességük. Képesek lesznek-e üzleti ügyfeleik elegendő profitot termelni ahhoz, hogy igazolják ezeket a beruházásokat?
Továbbá ha több LLM hasonló teljesítményt nyújt majd, könnyen árucikké válhatnak token-alapú szolgáltatásként – ami alacsony haszonkulcsot jelenthet.
Két út létezik: specializált kis modellek vagy fogyasztói piac
- Kis nyelvi modellek fejlesztése: Vertikális alkalmazások létrehozása nagy intézmények számára (például bankok vagy állami szervek), amelyek csökkenthetik a hibák számát és felügyeleti költségeket.
- Fogyasztói piac: Az AI szolgáltatók versenyeznek figyelemért és reklámbevételért meglévő közösségi média platformokkal. Itt sokszor inkább szórakoztatásról van szó; ChatGPT például már heti 800 millió aktív felhasználót tudhat magáénak.
Bár OpenAI tervezi egy LLM-alapú böngésző bevezetését (ChatGPT Atlas), kérdéses fenntartható-e előfizetéses vagy token-alapú bevételi modelljük egy olyan piacon ahol Google és Apple ingyenes böngészői már integrálnak AI asszisztenseket.
Kitekintés: Mi várható?
A jelenlegi verseny kimenetele kiszámíthatatlan. Vajon képesek lesznek-e ezek a modellek pozitív cash flow-t termelni és fedezni működésük energiaigényét? Vagy inkább specializált niche szolgáltatókká válnak majd? Amikor majd felismerik a piacok ennek fragmentálódását konszolidáció helyett – véget érhet az AI-lufi.
Egy korábbi korrekció akár előnyös is lehetne hosszabb távon: megelőzhetné sok mai adatközpont-projekt feleslegessé válását és egy újabb túlzott eladósodással járó válságot. A produktív buborék azonban várhatóan csak évekkel később alakul ki majd igazán – ahogy azt a Gartner Hype Cycle is mutatja: előbb jön egy „kiábrándulási mélypont”, majd csak utána következik el a „termelékenységi plató”.
