درآمد هوش مصنوعی شرکت‌های بزرگ فناوری سرانجام از هزینه‌های استهلاک مراکز داده فراتر رفت و نقطه عطف اقتصادی را نشان داد

برای دو سال، سؤال اصلی که بر سر ساختار تریلیون دلاری هوش مصنوعی سایه افکنده بود، این نبود که آیا این فناوری کار می‌کند یا خیر، بلکه این بود که آیا کسی واقعاً می‌تواند هزینه آن را بپردازد. بازارهای مالی با اضطراب فزاینده‌ای نظاره‌گر بودند که چگونه بزرگترین شرکت‌های فناوری جهان مبالغ بی‌سابقه‌ای را صرف زیرساخت‌ها می‌کنند و منتظر نشانه‌ای بودند که این سرمایه‌گذاری بازدهی پایداری به همراه خواهد داشت. این نشانه سرانجام فرا رسید. بر اساس تحقیقات جدید «اکسپوننشیال ویو» (Exponential View)، درآمد جهانی هوش مصنوعی در خارج از چین در سه‌ماهه اول سال ۲۰۲۶ به ۲۵ میلیارد دلار رسید. نکته مهم این است که این رقم از هزینه تخمینی ۲۱ میلیارد دلاری استهلاک فصلی صنعت که مربوط به سرمایه‌گذاری در مراکز داده و تراشه‌ها بود، فراتر رفت.

این دومین سه‌ماهه متوالی است که بخش هوش مصنوعی از این مانع مالی خاص عبور می‌کند. این نقطه عطف اولین شواهد سیستماتیک و در سطح صنعت را ارائه می‌دهد که نشان می‌دهد هزینه‌های هنگفت سرمایه‌ای ممکن است خودپایدار باشند، نه صرفاً حدس و گمان. عظیم اظهر، بنیانگذار اکسپوننشیال ویو، خاطرنشان کرد که تقاضای هوش مصنوعی اکنون به طور مداوم از مانع استهلاک عبور می‌کند و به نظر می‌رسد در طول زمان در حال بهبود است. عبور یک‌باره از این آزمون می‌توانست به عنوان یک ناهنجاری آماری یا یک جهش موقت در آزمایش‌های سازمانی نادیده گرفته شود، اما عبور دوبار از آن، یک روند قطعی را تثبیت می‌کند که در حال تغییر روایت در وال استریت است.

درک اهمیت این نقطه عطف مستلزم بررسی مقیاس عظیم ساختار زیرساختی در حال انجام است. پلتفرم‌های برتر فناوری—آمازون، مایکروسافت، آلفابت و متا—در مسیر آن هستند که تنها در سال ۲۰۲۶، ۷۲۵ میلیارد دلار صرف هزینه‌های سرمایه‌ای کنند. این نشان‌دهنده افزایش ۷۷ درصدی نسبت به سال ۲۰۲۵ است و یکی از بزرگترین و سریع‌ترین امواج سرمایه‌گذاری شرکتی در فناوری در تاریخ اقتصادی مدرن محسوب می‌شود. هیئت مدیره‌ها این بودجه‌های تاریخی را صرفاً به این دلیل که مدل‌های مولد می‌توانند ایمیل‌های مناسبی بنویسند، تأیید نمی‌کنند؛ بلکه این کار را انجام می‌دهند زیرا هزینه استراتژیک از دست دادن چرخه زیرساخت هوش مصنوعی به عنوان یک تهدید وجودی برای کسب‌وکارهای اصلی آن‌ها تلقی می‌شود.[2]

مقایسه استهلاک از این جهت اهمیت دارد که به عنوان محافظه‌کارانه‌ترین آزمون بازیابی سرمایه در دسترس تحلیلگران مالی عمل می‌کند. این معیار سودآوری خالص یا بازده حقوق صاحبان سهام را اندازه‌گیری نمی‌کند؛ بلکه یک سؤال اساسی می‌پرسد: آیا ماشین‌هایی که در حال حاضر کار می‌کنند، درآمد کافی برای جایگزینی خود در نهایت تولید می‌کنند؟ استهلاک نشان‌دهنده هزینه حسابداری مستمر سرمایه‌گذاری‌های عظیمی است که شرکت‌های فناوری در مراکز داده هوش مصنوعی، تجهیزات شبکه‌سازی و واحدهای پردازش گرافیکی (GPU) پیشرفته انجام داده‌اند. با اثبات اینکه درآمد می‌تواند این هزینه‌های سخت‌افزاری پایه را پوشش دهد، صنعت یک کف حیاتی برای دوام اقتصادی بلندمدت خود ایجاد کرده است.

درآمدی که این سرمایه‌گذاری‌ها را تأیید می‌کند، از طریق دو کانال متمایز در اکوسیستم فناوری در حال تحقق است. برای ارائه‌دهندگان زیرساخت ابری مانند آمازون و مایکروسافت، بازده سرمایه‌گذاری بسیار مستقیم است. این بازده در قراردادهای سازمانی، معیارهای مصرف ابری و رشد سریع حجم کاری تخصصی هوش مصنوعی مشاهده می‌شود. آژور مایکروسافت و خدمات وب آمازون (AWS) شاهد افزایش هزینه‌های مشتریان خود برای آموزش مدل و استنتاج روزانه هستند، که به طور مستقیم هزینه‌های سرمایه‌ای عظیم این هایپراسکیلرها را به درآمد ابری ملموس و تکرارشونده گره می‌زند.[2]

برای پلتفرم‌های تبلیغاتی و مصرف‌کننده مانند متا و آلفابت، تأیید درآمد کمی غیرمستقیم‌تر، اما به همان اندازه سودآور است. این شرکت‌ها ارزش سرمایه‌گذاری‌های هوش مصنوعی خود را از طریق بهبودهای چشمگیر در کارایی هدف‌گیری تبلیغات، افزایش تعامل کاربران و سیستم‌های توصیه‌گر بسیار برتر اثبات می‌کنند. آلفابت، که به طور منحصربه‌فردی بین بخش‌های ابری و تبلیغاتی قرار دارد، شاهد افزایش درآمد گوگل کلود به بیش از ۲۰ میلیارد دلار بوده و همزمان از مدل‌های هوش مصنوعی اختصاصی خود برای دفاع و بهینه‌سازی جریان نقدی اصلی موتور جستجوی خود استفاده می‌کند.[2]

پیامدهای اقتصادی این رونق زیرساختی بسیار فراتر از ترازنامه‌های سیلیکون ولی است. هزینه‌های سرمایه‌ای که به سیستم‌های هوش مصنوعی سرازیر می‌شود—شامل خرید زمین، قراردادهای برق، سیستم‌های خنک‌کننده و تراشه‌های سفارشی—به یک ستون اساسی در اقتصاد گسترده‌تر تبدیل شده است. تحلیلگران تخمین می‌زنند که هزینه‌های سرمایه‌ای مرتبط با هوش مصنوعی در مسیر آن است که تا ۲.۵ درصد به رشد تولید ناخالص داخلی ایالات متحده در سال ۲۰۲۶ اضافه کند. این ساختار آنقدر عظیم است که توقف آن دیگر صرفاً یک بحث سیاست شرکتی نیست؛ توقف ناگهانی در هزینه‌های زیرساخت هوش مصنوعی احتمالاً به عنوان یک محرک فوری رکود عمل خواهد کرد.

با این حال، بدبینان مالی سریعاً اشاره می‌کنند که عبور از مانع استهلاک مترادف با دستیابی به سودآوری واقعی نیست. در حالی که درآمد هوش مصنوعی از هزینه‌های استهلاک فراتر رفته است، این هزینه‌ها همچنان بیش از دو سوم—و طبق برخی تخمین‌ها، تا ۸۴ درصد—از کل درآمد هوش مصنوعی صنعت را مصرف می‌کنند. این امر یک حاشیه مالی نسبتاً نازک برای جذب انبوهی از هزینه‌های عمده دیگر مورد نیاز برای فعال نگه داشتن اکوسیستم باقی می‌گذارد.[1]

استهلاک، از بسیاری جهات، مهربان‌ترین خط هزینه در دفتر کل هوش مصنوعی است. این هزینه به طور کامل هزینه‌های عملیاتی سرسام‌آور مراکز داده مدرن را مستثنی می‌کند. برای محاسبه سودآوری واقعی، شرکت‌ها باید صورت‌حساب‌های عظیم برق مورد نیاز برای تأمین انرژی تأسیسات در مقیاس گیگاوات، سیستم‌های خنک‌کننده مایع پیشرفته مورد نیاز برای جلوگیری از ذوب شدن قفسه‌های سرور متراکم، نیروی کار بسیار تخصصی و هزینه‌های تأمین مالی مرتبط با بدهی‌های میلیاردی شرکتی را در نظر بگیرند. عبور از استهلاک ثابت می‌کند که ماشین‌ها دیگر صرفاً یک وعده نیستند، اما به طور قطعی ثابت نمی‌کند که کسب‌وکار در حال تولید جریان نقدی آزاد است.[1]

علاوه بر این، برخی منتقدان صنعت استدلال می‌کنند که رقم درآمد ۲۵ میلیارد دلاری ممکن است به دلیل پویایی هزینه‌های چرخشی در بخش فناوری به طور مصنوعی متورم شده باشد. بخش قابل توجهی از درآمد تولید شده توسط ارائه‌دهندگان ابری مستقیماً از آزمایشگاه‌های پیشرو هوش مصنوعی مانند OpenAI و Anthropic حاصل می‌شود. این آزمایشگاه‌ها نیز به نوبه خود، به شدت توسط همان هایپراسکیلرهایی که هزینه محاسبات را به آن‌ها می‌پردازند، تأمین مالی می‌شوند. منتقدان استدلال می‌کنند که تا زمانی که سهم بیشتری از درآمد از کاربران نهایی سازمانی غیرفناوری به دست نیاید، نه از استارتاپ‌های هوش مصنوعی با پشتوانه سرمایه‌گذاری خطرپذیر، پایداری واقعی اکوسیستم تا حدودی مبهم باقی می‌ماند.

نکته مورد بحث دیگر حول محور طول عمر مفروض سخت‌افزار می‌چرخد. گزارش اکسپوننشیال ویو یک چرخه استهلاک شش ساله را برای زیرساخت هوش مصنوعی، از جمله GPUهای بسیار مورد تقاضا، فرض می‌کند. برخی از سرمایه‌گذاران نگرانند که این جدول زمانی بیش از حد خوش‌بینانه باشد، با توجه به سرعت سرسام‌آور نوآوری در تراشه‌ها که در آن نسل‌های جدید تراشه به سرعت از راه می‌رسند و سخت‌افزار قدیمی‌تر را تهدید به منسوخ شدن می‌کنند. با این حال، داده‌های بازار تا کنون تا حد زیادی از فرض شش ساله حمایت کرده‌اند، زیرا نسل‌های قدیمی‌تر تراشه‌ها همچنان با قیمت‌های قابل قبولی برای وظایف استنتاجی با شدت کمتر اجاره داده می‌شوند.[1]

با وجود این هشدارها، گذار از ساخت زیرساخت‌های حدسی به «کارخانه‌های توکن» عملیاتی به طور غیرقابل انکاری در حال انجام است. صنعت در حال عبور از مرحله صرفاً آموزش مدل‌های بنیادی عظیم و ورود به دوره‌ای است که مراکز داده در حال اجرای حجم کاری تولید واقعی در مقیاس بزرگ هستند. از عوامل هوش مصنوعی که گردش کارهای پیچیده سازمانی را خودکار می‌کنند تا مدل‌های مولد که کاندیداهای کشف دارو را تسریع می‌بخشند، کاربرد ملموس این فناوری سرانجام در حال تبدیل شدن به درآمد سخت و قابل اندازه‌گیری است.

در حالی که شرکت‌های بزرگ فناوری برای گزارش درآمدهای سه‌ماهه دوم سال ۲۰۲۶ آماده می‌شوند، روایت به طور اساسی تغییر کرده است. هم گاوها (خوش‌بینان) و هم خرس‌ها (بدبینان) شواهد بهتری برای حمایت از دیدگاه‌های خود دارند، اما بار اثبات کمی برای خوش‌بینان آسان‌تر شده است. سه‌ماهه ۲۵ میلیارد دلاری ثابت می‌کند که هوش مصنوعی فقط یک نمایش، یک برنامه آزمایشی یا یک پیش‌بینی بلندپروازانه بنیانگذار نیست—بلکه یک موتور تجاری است که به سرعت در حال بلوغ است و شروع به پرداخت هزینه خود کرده است.