Analiza · Maj 2026
AI Workloads & Hyperscalerzy — gdzie idą pieniądze
McKinsey prognozuje wzrost mocy data center z 30 GW do 90 GW w USA do 2030 roku. Inference przejmuje dominację nad treningiem — a rynek chipów AI przechodzi największą rotację od dekady.
Globalny popyt na data center 2025–2030
Moc USA 2025
~30 GW
punkt wyjścia
Prognoza USA 2030
>90 GW
CAGR +22% p.a.
Globalna moc 2030
219 GW
vs 82,3 GW w 2025
Udział hyperscalerów
~70%
owned + leased
Non-AI
AI inference
AI training
Globalny popyt DC według workloadu (GW, 2025–2030)
Skala porównawcza. 90+ GW to więcej niż całkowite zapotrzebowanie energetyczne Kalifornii. Tego rzędu wzrost implikuje wieloletnią, przewidywalną linię capex — i stąd premia mnożnikowa w wycenach Microsoftu, Amazona czy Nvidii.
Tier 2 jako nowa granica. Northern Virginia: czas do rynku wydłużył się z 12–18 miesięcy (2022) do 36+ miesięcy dziś. Des Moines, San Antonio i Columbus oferują ziemię o 70% tańszą i moc 12–24 miesiące szybciej — stąd rotacja lokalizacyjna hyperscalerów.
Training vs Inference — punkt zwrotny
Inference CAGR
+35%
do 93 GW w 2030
Training CAGR
+22%
do 62 GW w 2030
Udział inference 2030
>50%
AI compute
85% nowych inwestycji
inference
nie trening
Mix AI workloads — GW (2025–2030)
Proporcja inference vs training (%)
Dlaczego inference = cashflow. Trening to jednorazowy koszt capex — nikt za niego bezpośrednio nie płaci. Inference to opłata za każde zapytanie: ChatGPT, Copilot, Gemini. CAGR 35% inference przekłada się wprost na ARPU chmurowych platform i uzasadnia ekspansję mnożników P/E.
Inflection point (analogia). Model wystarczy wytrenować raz. Koszt obsługi trzeba ponosić na bieżąco — ale tylko wtedy, gdy klient faktycznie z modelu korzysta. To czyni inference o wiele bezpieczniejszym i bardziej skalowalnym ekonomicznie niż trening.
Rotacja kapitału — AI semis YTD 2026
Intel YTD
+217%
inference play
AMD YTD
+103%
tańsze GPU/CPU
ARM YTD
+85%
efektywne arch.
Nvidia YTD
+14%
laggard sektora
Wzrost kursów akcji AI semis od początku 2026 (dane: maj 2026)
Mechanizm rotacji. Rynek przeniósł kapitał z treningu (specjalność Nvidii) do inferencji. Tańsze chipy AMD, Intela, Marvella i ARM są wystarczające do obsługi zapytań — a przy niższej cenie zakupu i eksploatacji stają się naturalnym wyborem operatorów DC.
Analogia rakiety Patriot. Używanie GPU Nvidii do inferencji to jak zestrzelenie drona o wartości kilku tysięcy dolarów rakietą wartą miliony. Nieefektywne kosztowo — i przez to trudne do utrzymania w długim terminie przy rosnących wolumenach inference.
Roadmap Nvidii — trzy generacje chipów AI
| Generacja | Wydajność inference | Koszt / milion tokenów | Efektyw. energetyczna | Premiera |
|---|---|---|---|---|
| Blackwell baza |
1× (baza) | 1× (baza) | 1× (baza) | 2024 |
| Vera Rubin 2026 H2 |
5× szybszy | 10× taniej | 35× wydajniej | H2 2026 |
| Feynman 2027* |
~15× szybszy | ~30× taniej | ~100× wydajniej | 2027 kal.* |
* Nvidia podaje rok fiskalny 2028; premiera kalendarzowa szacowana na 2027. Feynman: TSMC 1.6nm, 4-layer stack, Co-Packaged Optics (CPO), integracja LPU Groq.
Wydajność inference (Blackwell = 1×)
Efektywność energetyczna (tokeny/wat, Blackwell = 1×)
Przejęcie Groq za $20 mld. LPU (Language Processing Units) firmy Groq zapewniały 35× szybszą inferencję niż Blackwell. Nvidia kupiła spółkę wraz z patentami i teamem. Od teraz każdy chip Nvidii będzie zawierał wbudowane rozwiązania LPU — co eliminuje największe zagrożenie konkurencyjne jednym przelewem.
Feynman: rewolucja optyczna. Po raz pierwszy Co-Packaged Optics zastępuje przewody elektryczne wewnątrz pojedynczego układu. Efekt: wyższa przepustowość, mniej ciepła, mniej zmarnowanej energii. Architektura 1.6nm z 4-warstwowym stackiem to wieżowiec w mieście horyzontalnym.
Prognoza przychodów Huang (GTC 2026). Kumulatywne przychody ze sprzedaży chipów AI sięgną co najmniej $1 bln do 2027 roku. Obecnie: $215 mld rocznie. Prognoza wzrostu +100% w ciągu 2 lat — i +500% przychodów z jednego GW zainstalowanej mocy dzięki Vera Rubin.
Wyceny — koszyk AI semis (maj 2026)
NVDA EV/EBITDA
39×
najtańsza w koszyku
ARM EV/EBITDA
195×
najdroższa
NVDA Upside 1Y
+25%
konsensus analityków
INTC Upside 1Y
−27%
mimo +217% YTD
EV/EBITDA (TTM, 10 maja 2026)
Upside 1-roczny wg konsensusu
Paradoks wyceny. Nvidia — spółka z prognozą $1 bln przychodów kumulatywnie do 2027 i wzrostem +100% w 2 lata — jest najtańsza w koszyku (39× EV/EBITDA). Intel na 48×, ARM na 195×. Rynek wycenia narrację rotacji zamiast fundamentów.
Nvidia jako jedyna po właściwej stronie obu kolumn. Najniższy mnożnik w grupie i jednocześnie najwyższy pozytywny upside wg konsensusu. Taka kombinacja jest rzadka — i historycznie poprzedzała silne ruchy powrotne.
Synteza — teza inwestycyjna
Inference CAGR (McKinsey)
+35%
do 93 GW w 2030
Feynman efektyw. vs Blackwell
~100×
tokeny / wat
NVDA wycena vs peers
dyskonto
39× vs 100–195× rywal.
Sovereign AI wzrost
+300% r/r
nowy segment NVDA
Scenariusze kursu NVDA do Q1 2028 (indeks: maj 2026 = 100)
Byk: Feynman on-time + Sovereign AI
Baza: Vera Rubin + Neo Cloud
Niedźwiedź: opóźnienia + regulacje
Kontrariańska teza bycza. Rynek wycenia Nvidię jak spółkę, która przespała przejście do inferencji. Vera Rubin (5× szybsza, 10× tańsza per token) i Feynman (100× efektywniejszy energetycznie, integracja LPU Groq) są zaprojektowane dokładnie pod inference. Nvidia spóźnia się narracyjnie — nie technologicznie.
Ryzyka do monitorowania. (1) Opóźnienia Feynmana — TSMC 1.6nm + CPO to kombinacja bez precedensu produkcyjnego. (2) Własne chipy hyperscalerów (TPU, MTIA, Trainium) erodują ~50% bazy klientów. (3) Regulacje eksportowe do Chin. Każde z tych ryzyk może przesunąć katalizator o 12 miesięcy.
Powiązanie McKinsey ↔ NVDA. 219 GW globalnego popytu DC w 2030 przy CAGR inference +35% to niemal pewna wieloletnia ekspansja rynku. Nawet przy kurczącym się udziale rynkowym Nvidii — bezwzględny wolumen zamówień rośnie. A Feynman ma ten udział odbudować.
Źródła: McKinsey & Company — „The next big shifts in AI workloads and hyperscaler strategies” (XII 2025) · NVIDIA CES 2026, GTC 2026, strona produktowa Vera Rubin NVL72 · FactSet / Scrab.com — EV/EBITDA TTM, dane na 10 maja 2026 · McKinsey Data Center Demand Model.
Wyłącznie cel edukacyjno-analityczny. Nie stanowi porady inwestycyjnej.
Wyłącznie cel edukacyjno-analityczny. Nie stanowi porady inwestycyjnej.