Ο αγώνας εντείνεται. Η SpaceX του Έλον Μασκ, η οποία κατασκευάζει μοντέλα τεχνητής νοημοσύνης καθώς και διαστημικούς πυραύλους, ανακοίνωσε την περασμένη εβδομάδα ότι επιδιώκει αποτίμηση 1,77 τρισεκατομμυρίων δολαρίων (1,31 τρισεκατομμυρίων λιρών) στο χρηματιστήριο των ΗΠΑ. Εν τω μεταξύ, η Anthropic, η νεοφυής επιχείρηση πίσω από το chatbot Claude, δήλωσε ότι είχε υποβάλει αίτηση για αρχική δημόσια προσφορά. Αναμένεται ότι η OpenAI, ο προγραμματιστής του ChatGPT, θα ακολουθήσει το παράδειγμα.
Αυτή η τελευταία κορύφωση στην αγορά τεχνητής νοημοσύνης έρχεται εν μέσω ενός πολυτρισεκατομμυριούχου ξοδέματος σε σχετικές υποδομές, όπως κέντρα δεδομένων. Ταυτόχρονα, οι εταιρείες προσπαθούν να χρησιμοποιήσουν την τεχνολογία με τρόπους που καθιστούν τις επενδύσεις τους αξιόλογες. Ακολουθεί μια ματιά στο πού βρίσκεται η έκρηξη της τεχνητής νοημοσύνης και έξι βασικά διαγράμματα που δείχνουν πώς φτάσαμε εδώ.
1. Η τεχνητή νοημοσύνη έχει οδηγήσει τις μετοχές σε νέα ύψη
Ο S&P 500, ο οποίος παρακολουθεί τις 500 μεγαλύτερες εταιρείες των ΗΠΑ, έχει εκτιναχθεί σχεδόν 80% τα τελευταία πέντε χρόνια. Αυτό το άλμα έχει τροφοδοτηθεί από μεγάλες μετοχές τεχνολογίας που έχουν συμφέρον στην έκρηξη της τεχνητής νοημοσύνης—οι "υπέροχες επτά": Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia και Tesla.
Η εστίαση των επενδυτών στην τεχνολογία είναι άνευ προηγουμένου, λέει ο Jim Bianco της αμερικανικής εταιρείας Bianco Research. Η έρευνά του διαπίστωσε ότι 41 μετοχές που σχετίζονται με την τεχνητή νοημοσύνη αντιπροσωπεύουν πλέον σχεδόν το ήμισυ της συνολικής χρηματιστηριακής αξίας του S&P 500.
Ο Neil Wilson, αναλυτής στην επενδυτική πλατφόρμα Saxo UK, προειδοποιεί ότι ο κίνδυνος ενός πληθωριστικού σοκ τύπου 1970, οι υψηλές αποτιμήσεις τεχνολογίας γενικά και μια πιθανή παύση στις αγορές ιδιωτικών πιστώσεων δεν προμηνύουν καλό για τις μετοχές.
"Ολόκληρη η αγορά έχει γίνει μια γιγάντια δομή τεχνητής νοημοσύνης", λέει. "Ο κίνδυνος είναι μια επανάληψη της φούσκας dotcom—ένα τεράστιο κραχ και χρόνια χαμένων αποδόσεων. Από ορισμένες απόψεις, οι αποτιμήσεις δεν είναι τόσο τεντωμένες όσο ήταν τότε, αλλά αυτή μοιάζει με μια απίστευτα ριψοκίνδυνη αγορά."
2. Οι δαπάνες αυξάνονται με εκπληκτικό ρυθμό
Οι δαπάνες για τεχνητή νοημοσύνη—από κέντρα δεδομένων έως τσιπ—τρέχουν μπροστά, από 765 δισεκατομμύρια δολάρια φέτος σε 1,6 τρισεκατομμύρια δολάρια έως το 2031, σύμφωνα με την Goldman Sachs. Η επενδυτική τράπεζα αναγνωρίζει ότι θα μπορούσαν να υπάρξουν προβλήματα με μια τόσο τεράστια δέσμευση. Τι γίνεται αν τα κέντρα δεδομένων καθυστερήσουν;
"Με την κλίμακα του κεφαλαίου που δεσμεύεται, ακόμη και μικρές καθυστερήσεις στην εκτέλεση εγείρουν σοβαρά ερωτήματα σχετικά με τις υποθέσεις ζήτησης πίσω από αυτές τις επενδύσεις", λένε αναλυτές της Goldman. Ωστόσο, προσθέτουν ότι αν τα σχέδια δαπανών προχωρήσουν ομαλά, θα μπορούσε να πυροδοτήσει ένα νέο κύμα ζήτησης για τεχνητή νοημοσύνη. Ακόμα, οι δαπάνες δείχνουν πόσοι παγκόσμιοι οικονομικοί πόροι—και προσδοκίες για αποδόσεις—διοχετεύονται στην τεχνητή νοημοσύνη.
3. Οι εταιρείες και οι καταναλωτές υιοθετούν γρήγορα την τεχνητή νοημοσύνη
Παρά τις ανάμεικτες αναφορές για τα οφέλη της, η συντριπτική πλειοψηφία των εταιρειών αρχίζει να χρησιμοποιεί τεχνητή νοημοσύνη—από 33% το 2023 σε σχεδόν 80% τώρα, σύμφωνα με τη συμβουλευτική εταιρεία McKinsey. Η δημόσια χρήση είναι επίσης υψηλή, με το ChatGPT της OpenAI να φτάνει πλέον το 1 δισεκατομμύριο μηνιαίους ενεργούς χρήστες, σύμφωνα με δεδομένα από την Sensor Tower—ρεκόρ για οποιαδήποτε εφαρμογή.
Η πρόκληση για τους προγραμματιστές τεχνητής νοημοσύνης τώρα είναι πώς να βγάλουν χρήματα από αυτή την τεράστια βάση δημόσιων και ιδιωτικών πελατών. Οι εταιρείες πρέπει να δείξουν ότι η τεχνητή νοημοσύνη βελτιώνει τα αποτελέσματα και μειώνει το κόστος αρκετά ώστε να δικαιολογήσει τη δαπάνη. Αυτό σημαίνει ότι τη χρησιμοποιούν για να χτίσουν ολόκληρες ροές εργασίας—επιχειρηματική ορολογία για την ολοκλήρωση μιας εργασίας από την αρχή έως το τέλος. Υπάρχει ακόμα πολύς δρόμος σε αυτό το μέτωπο.
4. Το Claude πλησιάζει το ChatGPT
Η Anthropic άρχισε να κερδίζει έδαφος έναντι της OpenAI στα τέλη του περασμένου έτους, όταν το εργαλείο Claude Code της έγινε viral μεταξύ προγραμματιστών λογισμικού, κυρίως στην περιοχή του Σαν Φρανσίσκο, προτού εξαπλωθεί ευρύτερα. Το Claude Code σηματοδότησε μια αλλαγή στον τρόπο χρήσης των μεγάλων γλωσσικών μοντέλων—της βασικής τεχνολογίας πίσω από τα chatbots—μεταβαίνοντας προς αυτόνομους πράκτορες τεχνητής νοημοσύνης που εκτελούν εργασίες χωρίς ανθρώπινη βοήθεια, επιτρέποντας ακόμη και σε μη τεχνολογικά καταρτισμένους ανθρώπους να δημιουργούν λογισμικό και να χειρίζονται ένα ευρύ φάσμα εργασιών.
Η OpenAI εξακολουθεί να έχει πολύ μεγαλύτερη συνολική βάση χρηστών, αλλά δεδομένα από την εταιρεία ανάλυσης διαδικτύου Kentik—η οποία παρακολουθεί τη χρήση σε πολλούς παρόχους υπηρεσιών διαδικτύου των ΗΠΑ—δείχνουν ότι η Anthropic κλείνει γρήγορα το χάσμα. Η κυκλοφορία χρηστών του Claude αυξήθηκε σημαντικά ταχύτερα από το ChatGPT και το Gemini της Google μεταξύ Ιανουαρίου και Απριλίου, με απότομη αύξηση μετά από αυτή την περίοδο. Το Πεντάγωνο το χαρακτήρισε κίνδυνο για την εφοδιαστική αλυσίδα τον Μάρτιο. Με αυτόν τον ρυθμό ανάπτυξης, η Kentik προβλέπει ότι θα μπορούσε να ξεπεράσει το ChatGPT μέχρι το καλοκαίρι—ένας ακόμη λόγος για τον οποίο η Anthropic μπορεί να βρει ευκολότερο δρόμο για μια IPO από τον ανταγωνιστή της.
5. Η τεχνητή νοημοσύνη γίνεται πιο ακριβή στη χρήση
Κάθε φορά που ένα chatbot ή πράκτορας τεχνητής νοημοσύνης δίνει μια απάντηση, μετριέται σε "tokens"—βασικές μονάδες γλώσσας που μπορεί να είναι λέξεις, σημεία στίξης ή συλλαβές. (Για παράδειγμα, η OpenAI λέει ότι η φράση "You miss 100% of the shots you don’t take" αξίζει 11 tokens.) Τα tokens μετρούν επίσης τις εισόδους, όπως την προτροπή που πληκτρολογείτε στο ChatGPT.
Το κόστος ποικίλλει ανά μοντέλο· η OpenAI χρεώνει 5 δολάρια ανά εκατομμύριο tokens εισόδου για το GPT-5.5 και 30 δολάρια ανά εκατομμύριο tokens εξόδου (την απάντηση στην προτροπή σας).
Το πρόβλημα για τους χρήστες είναι ότι το κόστος tokens αυξάνεται απότομα, ακόμη και όταν οι εταιρείες παντού ωθούν τους υπαλλήλους να κάνουν "tokenmaxx"—δηλαδή, να επενδύσουν πραγματικά πλήρως στη χρήση τεχνητής νοημοσύνης. Το πρόβλημα για τις εταιρείες τεχνητής νοημοσύνης είναι ότι ακόμα δεν χρεώνουν αρκετά.
Η βασική υπόσχεση της τεχνητής νοημοσύνης είναι ότι τα χρήματα που ξοδεύει μια εταιρεία σε αυτά τα εργαλεία υπερκαλύπτονται από κέρδη στην παραγωγικότητα—ένα μέτρο οικονομικής αποδοτικότητας όπου η υψηλότερη παραγωγικότητα σημαίνει μεγαλύτερη παραγωγή ανά εργαζόμενο. Εάν αυτή η αντιστάθμιση δεν λειτουργεί, τότε οι υποθέσεις πίσω από τις αποτιμήσεις—και τις πολιτικές—της τεχνητής νοημοσύνης αποδυναμώνονται.
"Το κόστος ξεφεύγει εντελώς από τον έλεγχο", λέει ο Liam Betsworth, ιδρυτής της βρετανικής νεοφυούς επιχείρησης τεχνητής νοημοσύνης Pendra. Λέει ότι οι προγραμματιστές λογισμικού στο δίκτυό του χρησιμοποιούν πράκτορες για κωδικοποίηση, ξεκινώντας με τη φθηνότερη συνδρομή και μεταβαίνοντας γρήγορα στην πιο ακριβή. Δεν είναι μόνοι—το ειδησεογραφικό site Axios ανέφερε πρόσφατα για μια ανώνυμη εταιρεία που ξόδεψε 500 εκατομμύρια δολάρια σε ένα μήνα για άδειες Claude Code.
6. Η κατασκευή κέντρων δεδομένων μπορεί να μην συμβαδίζει με τη ζήτηση
Η κατασκευή κέντρων δεδομένων είναι σαν το κεντρικό νευρικό σύστημα των προϊόντων τεχνητής νοημοσύνης, επομένως η αυξανόμενη ανάπτυξη και χρήση εργαλείων τεχνητής νοημοσύνης πρέπει να συνοδεύεται από μεγαλύτερη χωρητικότητα—διαφορετικά θα υπάρξει έλλειψη υπολογιστικής ισχύος, που σημαίνει υψηλότερο κόστος για εταιρείες τεχνητής νοημοσύνης και χρήστες.
Οι φιλοδοξίες του τομέα για κέντρα δεδομένων είναι τεράστιες και φαίνονται σχεδόν μη ρεαλιστικές. Το Bloomberg εκτιμά ότι 23 γιγαβάτ χωρητικότητας ήταν υπό κατασκευή παγκοσμίως το 2025 (η χωρητικότητα μετριέται σε ηλεκτρική ισχύ, επειδή αυτό περιορίζει το πόση υπολογιστική ισχύ μπορεί να κάνει μια τοποθεσία).
Η αμερικανική εταιρεία ακινήτων JLL προβλέπει ότι 100 γιγαβάτ θα προστεθούν μεταξύ 2026 και 2030—διπλασιάζοντας αυτό που εκτιμούν ως τρέχουσα χωρητικότητα, που ισοδυναμεί με 1.200 κέντρα δεδομένων. Η JLL λέει ότι η εκτίμησή της περιλαμβάνει κερδοσκοπικά έργα που μπορεί να μην ξεκινήσουν ποτέ.
Από πού θα προέλθουν τα χρήματα—και η ενεργειακή παροχή—για να εκπληρωθεί αυτή η πρόβλεψη είναι ένα ανοιχτό ερώτημα. Η Cecilia Rikap, αναπληρώτρια καθηγήτρια στο University College London, λέει ότι πολλά έργα σε όλο τον κόσμο εξαρτώνται από πολιτικές υποσχέσεις για επέκταση του δικτύου και παροχή ενέργειας· αλλά οι κυβερνήσεις μπορεί να μην έχουν τους πόρους για να τις υλοποιήσουν.
Ρωτά: "Έχει υπολογίσει η κυβέρνηση αν μια τέτοια επέκταση είναι δυνατή; Έχουν τα χρήματα να το κάνουν; Έχουν λάβει υπόψη την περιβαλλοντική ζημιά που θα προκαλούσε;"
7. Το τι μπορούν να κάνουν τα μοντέλα τεχνητής νοημοσύνης επεκτείνεται ραγδαία
Οι ικανότητες των μοντέλων τεχνητής νοημοσύνης έχουν βελτιωθεί άλματα από το 2023, σύμφωνα με το METR, έναν ερευνητικό οργανισμό που μετρά τις δυνατότητες τεχνητής νοημοσύνης.
Οι μετρήσεις του METR βασίζονται στο αν τα μοντέλα τεχνητής νοημοσύνης μπορούν να ολοκληρώσουν μια εργασία κωδικοποίησης, μετρούμενη από το πόσο χρόνο θα χρειαζόταν ένας άνθρωπος για να την κάνει. Με αυτό το μέτρο, τα μοντέλα τεχνητής νοημοσύνης διπλασιάζονται σε ικανότητα κάθε τέσσερις μήνες. Για παράδειγμα, το μοντέλο Claude Mythos της Anthropic εκτιμάται ότι επιτυγχάνει ποσοστό επιτυχίας 50% σε εργασίες που θα χρειάζονταν έναν ειδικό άνθρωπο μεταξύ οκτώ ωρών και δύο ημερών.
Ωστόσο, δεν έχει υπάρξει αντίστοιχη επίδραση στις θέσεις εργασίας—μέχρι στιγμής. Μια έκθεση του Μαρτίου από την Anthropic περιλάμβανε έρευνα που δείχνει ότι, θεωρητικά, η τεχνητή νοημοσύνη θα μπορούσε να εκτελέσει πολλές εργασίες, από υπολογιστές έως νομική εργασία, αλλά δεν το έχει κάνει σε μεγάλη κλίμακα ακόμα.
Ο Bouke Klein Teeselink, ακαδημαϊκός στο King's College London και ειδικός στον αντίκτυπο της τεχνητής νοημοσύνης, σημειώνει ότι αυτό το χάσμα παραμένει σημαντικό. Ο αντίκτυπος της τεχνητής νοημοσύνης στην εργασία δείχνει ότι υπάρχουν εμπόδια στην υιοθέτησή της στο εργατικό δυναμικό. Για παράδειγμα, πόσο από τη δουλειά ενός CEO ή ανώτερου διευθυντή μπορεί να παραδοθεί με ασφάλεια σε ένα ρομπότ; Μπορούν νομικά ευαίσθητες εργασίες να γίνουν από οτιδήποτε άλλο εκτός από άνθρωπο; Ακόμα, λέει, η αλλαγή έρχεται.
"Είμαστε ακόμα στα πρώτα στάδια της επανάστασης της τεχνητής νοημοσύνης. Πολλοί άνθρωποι κάνουν εργασίες που θα μπορούσαν να χειριστούν από την τεχνητή νοημοσύνη. Η κλίμακα της αλλαγής που πρόκειται να δούμε θα είναι τεράστια."
8. Τα κέντρα δεδομένων στηρίζουν το ΑΕΠ των ΗΠΑ
Ακόμη και αν η κυβέρνηση των ΗΠΑ έχει μειώσει θέσεις εργασίας υπό τη διοίκηση του Ντόναλντ Τραμπ και πολλές βιομηχανίες έχουν δει μαζικές απολύσεις, το ΑΕΠ των ΗΠΑ συνέχισε να αυξάνεται—2,1% το 2025 και 1,6% το πρώτο τρίμηνο του 2026, σύμφωνα με το Γραφείο Οικονομικής Ανάλυσης των ΗΠΑ. Ωστόσο, ένας οικονομολόγος του Χάρβαρντ υπολογίζει ότι χωρίς την έκρηξη των κέντρων δεδομένων, αυτά τα νούμερα θα μπορούσαν να είναι πολύ μικρότερα. Στην πραγματικότητα, η "επένδυση σε εξοπλισμό επεξεργασίας πληροφοριών και λογισμικό" αποτέλεσε το 92% της αύξησης του ΑΕΠ των ΗΠΑ το πρώτο εξάμηνο του 2025.
Αυτό σημαίνει ότι τα κέντρα δεδομένων—και η έκρηξη της τεχνητής νοημοσύνης—οδηγούν ένα τεράστιο μερίδιο της ανάπτυξης των ΗΠΑ. Είναι ένας μεγάλος λόγος για τον οποίο η μεγαλύτερη οικονομία του κόσμου εξακολουθεί να φαίνεται υγιής, παρά τις μεγάλες προκλήσεις. Οποιαδήποτε επιβράδυνση σε αυτές τις δαπάνες θα μπορούσε να έχει οικονομικές, και επομένως πολιτικές, συνέπειες.
**Συχνές Ερωτήσεις**
Ακολουθεί μια λίστα με συχνές ερωτήσεις βασισμένες στο άρθρο Δισεκατομμύρια έχουν δαπανηθεί και οι πιθανές αποδόσεις είναι ακόμα αβέβαιες Ιδού η έκρηξη της τεχνητής νοημοσύνης που εξηγείται με έξι διαγράμματα
**Ερωτήσεις Επιπέδου Αρχαρίου**
1. Γιατί οι εταιρείες ξοδεύουν τόσα χρήματα σε τεχνητή νοημοσύνη αν οι αποδόσεις δεν είναι εγγυημένες;
Ποντάρουν ότι η τεχνητή νοημοσύνη θα φέρει τελικά επανάσταση στις βιομηχανίες και θα δημιουργήσει τεράστια κέρδη, παρόμοια με τις πρώτες ημέρες του διαδικτύου. Δεν θέλουν να μείνουν πίσω αν πετύχει.
2. Τι εννοείτε με "έκρηξη τεχνητής νοημοσύνης";
Είναι η τρέχουσα περίοδος τεράστιων επενδύσεων, ενθουσιασμού και ταχείας ανάπτυξης στην τεχνητή νοημοσύνη, ειδικά σε εργαλεία όπως το ChatGPT και οι γεννήτριες εικόνων.
3. Βγάζει πραγματικά χρήματα η τεχνητή νοημοσύνη για κάποιον αυτή τη στιγμή;
Για τις περισσότερες εταιρείες, όχι ακόμα. Το κόστος κατασκευής και λειτουργίας προηγμένης τεχνητής νοημοσύνης είναι τεράστιο και είναι ακόμα ασαφές πότε αυτά τα κόστη θα αποπληρωθούν από ευρέως διαδεδομένους πελάτες που πληρώνουν.
4. Για τι πράγμα είναι τα έξι διαγράμματα στο άρθρο;
Δείχνουν βασικές τάσεις: μαζικές δαπάνες από τεχνολογικούς γίγαντες, εκτίναξη της ζήτησης για τσιπ τεχνητής νοημοσύνης, το τεράστιο ενεργειακό κόστος της τεχνητής νοημοσύνης, τον μικρό αριθμό πραγματικών χρηστών που πληρώνουν, την επιπέδωση της απόδοσης ορισμένων μοντέλων και την αβέβαιη αντίδραση του χρηματιστηρίου.
**Ερωτήσεις Προχωρημένου Επιπέδου**
5. Γιατί το κόστος συμπερασμού είναι τόσο μεγάλο πρόβλημα;
Συμπερασμός είναι όταν χρησιμοποιείτε πραγματικά ένα μοντέλο τεχνητής νοημοσύνης. Είναι πολύ πιο ακριβό από την εκπαίδευση του μοντέλου μία φορά. Αν εκατομμύρια άνθρωποι το χρησιμοποιούν καθημερινά, το κόστος ηλεκτρικής ενέργειας και υπολογιστικής ισχύος εκτοξεύεται, καθιστώντας τα κέρδη πολύ δύσκολα.
6. Πώς δείχνουν τα διαγράμματα ότι τα εύκολα κέρδη στην τεχνητή νοημοσύνη μπορεί να έχουν τελειώσει;
Ένα διάγραμμα δείχνει ότι οι βελτιώσεις απόδοσης των μεγαλύτερων μοντέλων τεχνητής νοημοσύνης αρχίζουν να επιβραδύνονται, ακόμη και όταν το κόστος εκπαίδευσής τους συνεχίζει να αυξάνεται. Αυτό υποδηλώνει ότι φτάνουμε σε ένα σημείο φθίνουσας απόδοσης.
7. Τι λέει το άρθρο για τον ρόλο της Nvidia σε αυτή την έκρηξη;
Η Nvidia κατασκευάζει τα απαραίτητα τσιπ για τεχνητή νοημοσύνη. Τα διαγράμματα δείχνουν ότι τα έσοδα της Nvidia έχουν εκραγεί, αλλά αυτό είναι τα "εργαλεία και τα φτυάρια" του χρυσού πυρετού. Το ερώτημα είναι αν οι εταιρείες που αγοράζουν αυτά τα τσιπ θα πραγματοποιήσουν ποτέ απόδοση στην επένδυσή τους.
8. Πώς επηρεάζει η αβέβαιη απόδοση τις μικρότερες νεοφυείς επιχειρήσεις τεχνητής νοημοσύνης;
