Goldman Sachs at SemiAnalysis ay nagkakalaban tungkol sa pagpapahalaga sa AI infrastructure at mga susunod na mananalo

Sa nakalipas na dalawang taon, ang AI trading ay halos pinamumunuan ang global na stock market.

Ang NVIDIA, mga kagamitan sa semiconductor, HBM, advanced packaging, data centers, mga kagamitan sa enerhiya, transformer, pagpapalamig, at gas turbine—lahat ng mga ari-arian na maaaring isama sa chain ng AI infrastructure—ay binabawi ng merkado nang paulit-ulit. Hindi nawala ang transaksyon, kundi tumataas pa hanggang sa kailangan ng mga investor na muli nang harapin ang mas mahirap na tanong: Ang mga tagumpay sa unang yugto ng AI supply chain ay napagbigyan na ng maksimum na pagsuporta ng merkado; maaari pa bang tumaas pa?

Ang dalawang ulat mula sa Goldman Sachs at SemiAnalysis ay nasa punto ng pagkakahati-hati na ito.

Ang pananaw ni James Covello ng Goldman Sachs ay mas mapagbaba: Ang unang yugto ng AI infrastructure ay na-price na nang buo; ang mga chip at ang chain ng “mga nagbebenta ng spade” ay kinuha ang masyadong maraming tiyak na kita, ngunit ang ROI sa enterprise side ay hindi pa karaniwang nakakamit, at ang presyur sa cash flow ng mga cloud provider ay tumataas. Ayon sa lohikang ito, ang mas magandang relatibong trade para sa susunod ay hindi ang pagpapatuloy sa paghahanap ng semikonduktor, kundi ang pagbili ng malalaking cloud provider at mababang semikonduktor.

Ang sagot ng SemiAnalysis ay kabaligtaran: Kung talagang ginawa ng Agentic AI ang token bilang mga midya ng produksyon, at kung ang gross margin ng mga model lab ay nagsimulang mapabuti, at kung ang mga frontier model ay nananatiling may kapangyarihan sa pagtatakda ng presyo, ang AI infrastructure ay hindi pa “sobra na” ang pagtaas—kundi hindi pa lubos na binabayaran batay sa bagong bilang ng token value. May mga dahilan pa ring magpatuloy ang NVIDIA, TSMC, memory, Neocloud, at mga model lab upang makatanggap ng karagdagang halaga.

Hindi ito isang pag-uusap tungkol sa kung may kinabukasan ba ang AI.

Ang kapital expenditure sa AI ay patuloy na tumataas, at ang mga stocks sa AI infrastructure ay hindi pa bumababa. Ang tunay na tanong ay naging: Ang chip layer ay naiiwan na ang unang pagkakataon sa kita sa kanilang aklatan, at ngayon ay pinag-uusapan ng market kung sapat na ang pagpapahalaga sa kita na ito; kung patuloy na papaunlarin ng Agentic AI ang halaga ng token, magpapanatili ba ang susunod na dagdag na kita sa hardware layer, o magsisimula na itong muling ma-allocate sa mga model lab, cloud providers, at enterprise software layer.

Ang pinakamalalim na bahagi ng ulat ni Goldman Sachs ay hindi ang pagtatanong sa paglago ng mga user ng AI, ni ang pagtanggi sa pag-unlad ng teknolohiya.

Kinilala ni Covello ang dalawang bagay: ang paggamit ng AI ng mga konsyumer ay mas mabilis kaysa sa kanilang inaasahan; bagaman may pressure sa presyo ng mga stock ng cloud providers, hindi sila nag-reduce ng kanilang capital expenditure sa AI gaya ng kanilang inaasahan, kundi patuloy na dumaan sa pagtaas ng kanilang investimento. Hindi umabot sa pagbawas ang AI, at hindi rin bumaba ang capital expenditure.

Ngunit tinitingnan ng Goldman Sachs ang mas malayong hinaharap.

Ang mga consumer ay gumagamit ng AI, at marami pa rin ay nasa libreng tier. Ang paglago ng mga user ay maaaring patunay sa atraksyon ng produkto, ngunit hindi ito direktang makakapagbabayad ng mga taksil para sa GPU, data center, kuryente, network, at model inference. Ang enterprise sector ang susi sa pagkakabukod ng AI economy: kung handa ang mga negosyo na magpatuloy na magbabayad, kung kayang silang mabawasan ang gastos, dagdagan ang kita, at pataasin ang output mula sa AI, ay depende dito kung kayang tuloy-tuloy na suportahan ng buong chain ang kasalukuyang kapital expenditure.

Ang sagot ng Goldman Sachs ay mas konservatibo.

Ang ulat ay nagpapakita na ang mga negosyo ay nagsasagawa na ng malaking pag-invest sa generative AI, ngunit maraming organisasyon ay hindi pa nakakakuha ng makapapatotohanang bentahe; samantala, patuloy pa ring tumataas ang pangkalahatang gastos sa IT, at hindi pa bawasan ng AI ang kabuuang budget para sa teknolohiya ng mga negosyo. Para sa mga investor, nangangahulugan ito ng isang malinaw na tanong: bumibili, sinusubok, at pinag-uusapan ng mga negosyo ang AI, ngunit hindi pa ito karaniwang nasa pahina ng kita.

Ito ay nagtatagpo ng malaking kontraste sa kita mula sa chain ng AI infrastructure.

Ang mga kumpanya ng chip ay nagsasagawa na ng kita, habang ang mga kumpanya na may kinalaman sa storage, enerhiya, at data center ay binabawasan muli ng merkado. Sa kabilang dulo, ang mga cloud provider ang nagdudulot ng capital expenditures. Ang mga gastos tulad ng pagbuo ng data center, pagbili ng GPU, pagkonekta sa enerhiya, network equipment, at server racks ay una nang napapaloob sa mga akunting ng mga cloud provider. Ayon sa report ng Goldman Sachs, ang mga malalaking cloud provider ay nagsagawa na ng bahagi ng kanilang libreng cash flow mula sa operasyon at nagsimula nang gamitin ang utang upang suportahan ang pagbuo ng data center, na tumataas sa parehong halaga hanggang $182 bilyon noong 2025.

Ito ang kahinaan ayon sa Goldman Sachs.

Sa normal na siklo ng semiconductor, ang malaking kita ng mga kumpanya ng chip ay karaniwang nagpapakita na ang mga customer ay umuunlad. Kapag kumikita ang mga customer, patuloy silang bumibili ng chip, at patuloy na umuunlad ang mga kumpanya ng chip. Mas kakaibang sitwasyon ang AI na ito: mas malinaw ang kita sa chain ng chip, ngunit hindi pa ganito kalinaw ang return sa antas ng customer at application.

Kaya ang pagtataya ng Goldman Sachs ay hindi “walang kwenta ang AI”, kundi “mahirap mag-linear extrapolation nang matagal ang kasalukuyang sistema ng paghahati”.

Ang mga kumpanya ng semiconductor ay nakuha na ang pinakamalaking kita sa unang yugto. Ang tanong ay, may sapat ba ang kita ng mga customer sa ilalim upang patuloy na suportahan ang mataas na kapital na gastos at antas ng pagkonsentrasyon ng kita sa itaas.

Ang rekomendasyon sa pag-trade mula sa Goldman Sachs ay tila kontraintuitibo: mas bullish sa mga malalaking cloud provider, at mas mababa ang allocation sa semiconductor.

May dalawang landas sa likod nito.

Sa unang landas, ang ROI ng AI sa mga kumpanya ay nagsisimula nang mabayaran. Kapag patotohanan ng mga kumpanya na ang AI ay nagdudulot ng kita, kahusayan, at mga benepisyo sa gastos, muling iuunawa ng merkado ang kapital na gastusin ng mga cloud provider. Ang mga pagsisikap na dating itinuturing na nagpapabagal sa libreng pera ay muling magiging hinaharap na kita at kontrol sa platform. Ang pagpapabuti ng halaga ng mga cloud provider ay magdudulot din ng benepisyo sa semiconductor, ngunit dahil sa malaking pagpapahalaga na natanggap na ng semiconductor, ang relatibong elastisidad ay hindi kinakailangang mas malaki.

Ikalawang daan, patuloy na mahirap ang ROI ng mga kumpanya. Sa ilalim ng presyur sa cash flow at presyur mula sa mga investor, ang mga cloud provider ay nagpapabawas sa kanilang kapital na gastos, at ang merkado ay magpaparangal sa mas mabuting disiplinang cash flow. Ang semiconductor chain naman ay dapat harapin ang pagbaba ng mga inaasahang order.

Pinaniniwalaan ni Goldman Sachs na ang dalawang landas na ito ay suporta sa “mas mabuting posisyon ng cloud providers kumpara sa semiconductor”. Ang tunay na pagkabigo ng transaksyong ito ay nangyayari sa ikatlong landas: ang ROI ng mga kumpanya ay patuloy na malinaw, ngunit ang mga cloud provider ay patuloy na magmumula nang walang pag-iingat, samantalang ang semiconductor ay patuloy na kumukuha ng karamihan sa kita sa supply chain.

Ito ang eksaktong estado na kilala ng market sa nakalipas na dalawang taon.

Dahil dito, ang layunin ng ulat ng Goldman Sachs ay hindi ang AI teknolohiya, kundi ang pagpapresyo ng merkado. Ang mga benepisyo ng AI infrastructure ay nangyayari na nang malalim, at ang mga negatibong aspeto ng cloud providers ay nangyayari na nang malalim. Ang susunod na hakbang ng merkado ay tingnan kung ang dalawang direksyong ito ay magbabago.

Ang SemiAnalysis ay sumisilip mula sa isang lubos na iba’t ibang pananaw.

Hindi ito tinutolang noong 2023 hanggang 2025, ang pangunahing halaga ng AI ay tumungo sa infrastraktura. Ang NVIDIA, enerhiya, data center, at pag-iimbak ay totoo nang mga pangunahing tagapagtagumpay sa unang yugto. Ang mga kumpanya ng modelo at mga serbisyo ng inference ay hindi komportable sa panahong iyon, at maraming AI produkto ay tila isang mas mahusay na search box, at ang gross margin ay malayo sa pagiging maganda.

Ngunit pinaniniwalaan ng SemiAnalysis na nagbago ang mga bagay pagkatapos ng dulo ng 2025.

Ang pagbabago ay galing sa Agentic AI.

Mas katulad ng “gastos sa tanong-sagot” ang mga nakaraang token. Humihingi ang user ng isang tanong, at sumasagot ang modelo sa isang sagot. Nakakatipid ito ng oras, ngunit limitado ang hangganan ng halaga. Nagsisimula nang pumasok sa mga kumplikadong workflow ang kasalukuyang mga token: pagsusulat ng code, paggawa ng financial models, pagbuo ng dashboards, pagsusuri ng financial statements, pagpapayaman ng data, at paggawa ng mga graph.

Ginamit ng SemiAnalysis ang kanilang sariling kompanya bilang halimbawa. Ang kanilang mga analista ay nakakagamit na araw-araw ng agent para sa pag-aaral at pagbuo ng modelo, kung saan dati ay nangangailangan ng maraming oras ng mga junior analyst o kaya ay wala pang oras sa workflow. Ipinakita ng artikulo na ang taunang gastusin sa token ng SemiAnalysis sa Anthropic Claude ay umabot sa $10.95 milyon, na katumbas ng halos 30% ng kabuuang sahod ng mga empleyado.

Hindi kailangang kumatawan ang set na ito ng lahat ng mga negosyo, ngunit kumakatawan ito sa pagbabago ng isang uri ng marginal user.

Para sa karaniwang konsyumer, ang AI subscription ay maaaring isang kasangkapan na nagkakahalaga ng ilang sampu dolyar bawat buwan. Para sa mga malakas na propesyonal na nagtatrabaho sa kaalaman, ang mga token ay nagsisimula nang maging mga midyum ng produksyon.

Ang mga token na nagkakahalaga ng ilang dolyar, maraming dolyar, ay hindi lamang nagdadala ng ilang mga pahina ng teksto, kundi ang mga modelo, mga grapiko, code, paghahanda ng data, pagsusuri ng financial statements, at kahit anumang gawain na dati ay hindi gagawin. Ang paraan ng pagtingin ng mga user sa gastos ng AI ay magiging iba rin: hindi na sila magtatanong kung “magkano ang bawat milyong token,” kundi “ilang trabaho ng tao ang napalitan ng mga token na ito, at gaano karami ang dagdag na output?”

Ito ang punto kung saan nagkakaroon ng pagkakaiba ang SemiAnalysis at Goldman Sachs.

Nakikita ng Goldman Sachs na ang ROI ng karaniwang negosyo ay hindi pa malinaw. Nakikita ng SemiAnalysis na ang pinakamalakas na mga user ay nagsisimula nang malaki ang magamit ang mga token, at handa magbayad para sa mas malakas na mga modelo.

Ang pangalawang pangunahing pagtataya ng SemiAnalysis ay ang pagbabawas ng unit economics ng model lab.

Ito ay kabaligtaran ng mga pag-aalala sa nakaraang merkado.

Bago, ang mga kumpanya ng modelo ay itinuturing na nasa pagitan ng mga chip at cloud providers. Mabilis ang paglago ng kita, ngunit mas mabilis ang mga gastos sa pagtuturo at pag-iisip. Mas maraming user, mas mataas ang gastos. Mas malakas ang modelo, mas malaki ang kapital na gastos. Ang modelo na ito ay tila mataas na paglago, mababang margin, at mataas na pagkawala ng pera.

Binago ng Agentic AI ang tsart na ito.

• Sa aspeto ng presyo, ang mga pinakabagong modelo ay kayang magaganap ng mga gawain na may mas mataas na halaga, at handa ang mga user na magbayad ng premium para sa mas malakas na modelo.
• Sa tabi ng gastos, ang pagpapalit ng hardware, pag-optimize ng inference, ang cache mechanism, at ang software engineering ay patuloy na bumababa sa unit token cost.
• Sa produkto, ang mga kumpanya ng modelo ay maaaring magbigay ng iba’t ibang presyo batay sa mas mataas na SKU, mas mabilis na pagtugon, at mas malakas na kakayahan sa pag-iisip.

Sinabi ng SemiAnalysis na sa kaso ng pagpapatakbo ng DeepSeek sa B300, ang iba’t ibang kombinasyon ng software optimization ay maaaring palakasin ang throughput ng parehong hardware mula sa halos 1000 at 8000 patungo sa halos 14,000 tokens/second/GPU. Kasama ang hardware upgrade, ang pinakamainam na GB300 NVL72 configuration ay may throughput na halos 17 beses mas mataas kaysa sa H100 sa FP8; kung i-switch sa FP4 na hindi suportado ng Hopper nang direkta, ang pagkakaiba ay maaaring umabot sa 32 beses, samantalang ang kabuuang gastos sa pagmamay-ari bawat GPU ay tumaas lamang ng halos 70%.

Ibig sabihin nito, ang model lab ay maaaring pataasin ang ekonomikong halaga ng token habang binabawasan ang gastos sa paggawa nito.

Sinabi ng SemiAnalysis na tumataas ang ARR ng Anthropic mula sa $9 bilyon patungo sa higit sa $44 bilyon, at ang gross margin ng infrastructure para sa inference ay umabot mula sa 38% patungo sa higit sa 70%. Kahit na bumaba ang presyo ng mga model, ang pagtaas ng paggamit sa mga mataas-end na model, pagtaas ng cache hit rate, at pagpapabuti ng efficiency ng hardware ay maaaring magpatuloy sa pagpapalawak ng gross margin.

Kung tama ang pagtataya na ito, ang pangalawang yugto ng AI supply chain ay hindi na lamang “patuloy na panalo ang mga chip” o “pagbabalik ng mga cloud provider”.

Ang model laboratory ay magsisilbing bagong layer ng pagkuha ng halaga, mula sa layer ng paggugol ng pera.

Ang Goldman Sachs at SemiAnalysis ay tila nagtatalo tungkol sa AI ROI, ngunit sa totoo lang, nagtatalo sila kung aling sample ang mas kumakatawan sa hinaharap.

Ang Goldman Sachs ay tumitingin sa mga karaniwang kumpanya.

Mayroon ang mga korporasyong ito sa mga komplikadong sistema ng data, nakaraang IT na balakid, pamamahala ng mga karapatan, mga pangangailangan sa pagkakasunod, at mga proseso ng pagpapahintulot. Maraming kumpanya ang nagtatayo muna ng chatbot, internal assistant, at pilot project upang ipaliwanag ang kanilang AI strategy sa merkado at sa board. Totoo ang paggasta, ngunit hindi laging nagbabago ang proseso ng negosyo. Kung hindi nagbabago ang proseso, mahirap maipakita ang ROI sa financial statements.

Ito ang dahilan kung bakit pinapahalagahan ng Goldman Sachs ang data structure at orchestration layer.

Kung walang pagkakaisa sa inventory, profile ng customer, at sistema ng rekomendasyon ng isang retail na negosyo, maaaring i-rekomenda ng AI customer service ang isang produkto na wala na. Kung walang model routing layer ang isang kumpanya, maaaring ipagkaloob sa pinakamahal na advanced model ang simpleng query, at natural na walang kontrol ang gastos. Ang mga lugar kung saan nakakapag-antala ang pagpapatupad ng AI ay hindi na lamang dahil sa kakulangan ng lakas ng model, kundi dahil hindi pa handa ang mga kumpanya na ipasok ang mga model sa kanilang mga sistema ng negosyo.

Ang SemiAnalysis ay tumitingin sa marginal user.

Ang mga gawain tulad ng pananaliksik, code, modeling, mga grapiko, at pagsusuri ng financial statements ay naturally angkop para sa agent. Mataas ang kanilang tekstuwal, digital, at structured na kalikasan, madaling masukat ang resulta, at may kakayahan ang mga user na i-embed ang AI sa kanilang workflow. Ang ganitong uri ng organisasyon ay mas maaga makakakita ng ROI, at mas handa na magdagdag ng paggamit ng token.

Ang katanungan para sa mga kapital na merkado ay kung ang lider na sample na ito ay magkakaroon ng pagkalat.

Kung ang mga nakita ng SemiAnalysis ay mga outlier ng ilang super user lamang, ang framework ng Goldman Sachs ang magiging dominanteng pananaw. Ang AI capital expenditures ay lalalo pang magiging limitado ng cash flow, kailangan ng semiconductor supply chain na i-absorb ang mataas na mga inaasahan, at maaaring makakuha ng relatibong return ang cloud providers dahil sa disiplina sa gastos at pagbaba ng valuation.

Kung ang mga nakikita ng SemiAnalysis ay mga leading indicator sa gabi bago ang pagkalat, hindi dapat ng market ay iwasan ang AI chain sa pamamagitan ng mababang ROI ng mga kumpanya ngayon. Kapag pumasok ang Agentic AI sa mas maraming workflow ng mga white-collar, tataas nang sabay-sabay ang demand sa tokens, kita sa model, kita sa cloud, at pangangailangan sa hardware.

Mas mahalaga ang pagtataya na ito kaysa sa “magpapalakas ba o magpapahina ba ang AI.” Ang ipinaglalaban ng merkado ay hindi ang static na average, kundi kung makakarating ba ang marginal change sa pangunahing stream.

Ang pinakamalaking pagkakaiba ng Gensler at SemiAnalysis sa mga kapital na merkado ay tumutok sa NVIDIA at ang chu链 ng semiconductor.

Ang pananaw ng Goldman Sachs ay direkta: ang semiconductor ay nakuha na ang pinakamalaki at pinakamalaking kita sa unang yugto. Pagkatapos ipasok ng merkado ang lohika ng “pagbebenta ng spade” sa presyo, nagsimula nang masamang risk-reward ratio. Habang ang kapital expenditure ng mga cloud provider ay nagpapalambot, ang semiconductor chain ay tatagpuan sa parehong presyon sa valuation at order.

Ang SemiAnalysis ay naniniwala na ang NVIDIA at TSMC ay nagtataglay ng pinakakakulang na yaman sa panahon ng AI, ngunit hindi pa ito fully na pinapahalagaa batay sa halaga.

Sinipi ng artikulo na tumataas ang presyo ng memorya ng halos 6 beses sa nakaraang taon, at tumataas ang presyo ng isang taong pag-aari ng H100 ni Neocloud ng halos 40% mula sa mababang punto noong Oktubre 2025. Samantala, hindi nag-reprice nang mabilis ang NVIDIA at TSMC gaya ng pagbabago sa halaga ng mga token sa ilalim.

Inilalarawan ng SemiAnalysis ang NVIDIA bilang ang "central bank" ng AI ecosystem.

Ang metapora ay lubos na angkop. Ang NVIDIA ang nagtataglay ng likuididad sa computing power. May kakayahang itaas ang presyo, ngunit hindi maaaring buong-buo nang linisin ang buong sistema. Kung sobrang taas ang pagtaas ng presyo, ito ay magpapabilis sa paglipat ng mga kliyente patungo sa kanilang sariling pagbuo ng ASIC, TPU, at Trainium, at magdudulot din ng presyur mula sa regulasyon. Parehong sitwasyon ang nangyayari sa TSMC. Ang advanced nodes ay sobrang limitado, ngunit ito ay mahalaga ang pagpapanatili ng ugnayan sa mga kliyente at ang stabilidad ng ekosistema, at hindi ito magpapakita ng lahat ng kakaibang halaga sa isang panahon ng pag-unlad.

Ang pag-iingat ay hindi nangangahulugan na walang espasyo.

Ang Rubin VR NVL72 ay mahalagang batayan ng SemiAnalysis na ang NVIDIA ay mayroon pa ring kapangyarihan sa pagtukoy ng presyo. Ayon sa kanilang modelo, kailangan ng Neocloud na maglaan ng halos $4.92/hour/GPU upang makamit ang 15.6% IRR para sa proyektong VR NVL72, katulad ng proyektong GB300; kung isasalin ang presyo ng pag-renta bawat PFLOP ng GB300, ang teoretikal na tuktok ng VR NVL72 ay humigit-kumulang $12.25/hour/GPU; kahit gamitin ang mas konservatibong rate na $0.55/PFLOP, ito ay tumutugma sa halos $9.63/hour/GPU, na malapit sa dalawang beses ang antas ng presyong batay sa gastos.

Ang kahulugan dito ay malinaw: habang patuloy na tumataas ang halaga ng downstream token, mayroon pa ring espasyo para sa pagtaas ng presyo ng bagong sistema ni NVIDIA, maaari pa ring kumita ang Neocloud, at maaari pa ring tanggapin ng terminal user.

Ang pagkakaiba ng Goldman Sachs at SemiAnalysis ay naging malalim.

Sa tingin ng Goldman Sachs, ang sobrang kita sa semiconductor ay hindi matatag, dahil ang mga sumusunod na sektor ay hindi pa may sapat na kita.
Sa tingin ng SemiAnalysis, lumalaki ang profit pool sa downstream, kaya ang hardware layer ay hindi nagkakaroon ng maraming kita, kundi hindi pa fully nakakarehistro ng halaga.

Ang tanging variable na magpapasya sa tagumpay o pagkabigo ay: kaya ba ng bagong pool ng kita na nilikha ng AI na suportahan nang sabay ang model lab, cloud provider, Neocloud, NVIDIA, TSMC, storage, at power chain.

Hindi sapat ang cake, tumalo ang Goldman Sachs.

Patuloy na lumalaki ang cake, nananalo ang SemiAnalysis.

Ang cloud provider ay ang pinakamalungkot na antas sa usapan na ito.

Kasali sila sa mga pinakamalaking nagbibilang ng kapital expenditure at ang pinakamalaking posibilidad na magkaroon ng kita mula sa pangangailangan sa AI. Pinipigilan sila ng NVIDIA, storage, at chain ng enerhiya, ngunit mayroon sila mga kliyente sa negosyo, cloud services, model API, sariling disenyo na chip, at ecosystem ng software.

Ang Goldman Sachs ay bullish sa mga cloud provider dahil ang merkado ay nagsama na ang maraming negatibong epekto. Ang pagpapahina sa kapital na gastusin ay nagdudulot ng presyur sa libreng cash flow, at ang mga investor ay nagtatanong tungkol sa ROI ng AI, na nagdudulot ng presyur sa valuation. Kung mangyayari ang anumang isa sa dalawang sitwasyon sa susunod, mayroon ang mga cloud provider na paraan para mabawi: ang pagkamit ng enterprise AI revenue, o ang pagbawas sa kapital na gastusin.

Ang SemiAnalysis ay tumitingin sa panig ng demand ng mga cloud provider. Habang patuloy na lumalawak ang demand para sa mga token, kailangan ng mga model lab at corporate clients ng higit pang computing power. Ang computing power ay limitado ng advanced process, memory, kuryente, at rack-level systems. Ang pinakamalaking pag-aalala ng mga buyer ay hindi ang presyo, kundi ang kakulangan sa supply.

Kaya ang mga cloud provider ay hindi lamang mga biktima, ni hindi rin automatic na tagapagtagumpay.

Dapat nilang patunayan sa kanilang pagsusuri ng pagsasagawa na ang mga gastos sa AI ay maaaring ilipat sa kita, kita, at pagkakabukod ng mga kliyente. Kung babalik ang paglago ng cloud business, kung mas malinaw ang paglalahad ng kita mula sa AI, kung maaaring pataasin ang paggamit ng pagpapaliwanag, kung maaaring bawasan ng kanilang sariling chip ang pagkakabase sa NVIDIA, kung maaaring lumipat ang mga korporatibong kliyente mula sa mga pilot sa pangmatagalang pagpapalaganap, at kung nakapag-stabilize na ang libreng cash flow—ang mga indikador na ito ay mas mahalaga kaysa dati.

Ang pagpapabuti ng mga indikator na ito ay magpapalakas sa lohika ng Goldman Sachs na mas bullish sa mga vendor.

Hindi pa rin nagpapabuti ang mga indikator na ito, at ang mga cloud provider ay patuloy na nasa pagitan ng presyong pinauunlad ng NVIDIA at mga kliyente sa negosyo.

Ang pagtekno sa "data structure" at "orchestration layer" sa report ni Goldman Sachs ay maaaring ang pinakamalapit sa katotohanan ng negosyo.

Hindi magpapaligoy ang enterprise AI sa pagpapabuksa ng chat box ng empleyado. Ang totoo nang may epekto sa pondo na AI ay dapat pumasok sa customer service, sales, finance, procurement, R&D, risk management, supply chain, at IT operations. Mayroong data, pahintulot, pagkakasunod sa batas, pagpapayag, mga nakaraang sistema, at mga hangganan ng responsibilidad sa bawat proseso.

Anuman ang lakas ng modelo, hindi ito makakalampas sa mga bagay na ito.

Dito napapalibot ang pagbabalik ng kahalagahan ng enterprise software layer. Ang mga mababang panganib, mataas na kalikasan ng gawain ay maaaring ipagkaloob sa mga maliit na modelo o open-source na modelo; ang mga mataas na panganib, mataas na halaga na gawain ang nangangailangan ng pinakabagong modelo. Kailangan ng isang sistema sa gitna upang matukoy ang uri ng gawain, i-trigger ang data, kontrolin ang mga pahintulot, piliin ang modelo, suriin ang gastos, at i-replay ang mga resulta.

• Ang mga kahusayan ng tradisyonal na SaaS company ay ang industriyal na karanasan, ugnayan sa kliyente, entry point ng data, at pagkakapigil sa workflow. Ang mga kahinaan nito ay ang teknikal na utang at bilis ng pagpapalit.
• Ang mga kahusayan ng mga native AI company ay ang bilis ng produkto, ang kakayahang i-call ang model, at ang istruktura ng gastos. Ang mga kahinaan nito ay ang kakulangan ng enterprise entry point at industry context.
• Ang kahusayan ng company na may advance model ay ang pinakamalakas na inteligensya. Ang kahinaan nito ay ang kakulangan ng kontrol sa mga proseso ng negosyo.

Hindi madaling mapapalitan ng AI ang software layer. Maaaring mabawasan ng mga modelo ang mga software company na walang kontrol sa data at proseso. Ngunit ang mga software company na may kontrol sa data structure, workflow, at model routing, ay may pagkakataong gawing mas malaking merkado ang AI—mula sa pagbebenta ng mga upuan hanggang sa pagbebenta ng productivity.

Kung maaaring i-extending ang ROI ng korporasyon mula sa malakas na user sample tulad ng SemiAnalysis patungo sa karaniwang mga negosyo, malaki ang depende sa antas na ito.

Noong nakaraan, ang tanong sa AI trading ay: Sino ang pinakamalapit sa computing power?

Ang tanong ay sobrang magulo ngayon.

Sa susunod na yugto, ang merkado ay magtatanong tungkol sa mga mas detalyadong variable.

Una, patutuloy ba ang pagtaas ng halaga ng token? Kung ang Agentic AI ay magsasalamin mula sa code, pananaliksik, at pagsusuri patungo sa mas maraming workflow ng mga propesyonal, magpapatuloy ang pagrere-estima sa mga model lab at inference chains.

Pangalawa, patuloy bang masusugpo ang gross margin ng Model Lab. Hindi sapat na ang paglago ng kita; susuriin ng merkado ang cost ng inference, efficiency ng cache, pag-upgrade ng SKU, at kapangyarihan sa pagtatakda ng presyo para sa mga pinakabagong modelo.

Ikatlo, kaya ba ng cloud provider na i-convert ang capital expenditure bilang kita? Ang AI capex ay hindi na automatikong itinuturing na positibo; ang capex na makakapasok sa cloud revenue, gross margin sa inference, at corporate contracts ang tatanggap ng pagpaparangal mula sa merkado.

Ikaapat, kaya ba ng NVIDIA na patuloy na magtaas ng presyo mula sa system-level bottleneck? Ang GPU ay ang unang antas lamang; ang Rubin, SOCAMM, network, rack-level system, software stack, at kakayahan sa pagkuha ng supply chain ang magdedesisyon kung kaya ng NVIDIA na patuloy na mag-取利.

Ika-lima, maaari ba ng TSMC at ang memorya na muli pangbigyang halaga ang kakulangan? Ang advanced nodes, HBM, DRAM, SOCAMM, at advanced packaging, kung patuloy na maging bottleneck sa supply, ay hindi magiging madaling umalis ang halaga mula sa upstream.

Ikaanim, makakakuva ba ng entry point sa AI ang enterprise software? Ang mga kumpanya ng software na walang entry point sa proseso ay maaaring mabawasan, habang ang mga kumpanya ng software na may entry point, data, at kakayahang mag-organize ay maaaring maging mas mahal.

Ang pagtinda ng AI infrastructure ay hindi nabigo.

Napilitan ng sobrang pagtaas nito ang Goldman Sachs at SemiAnalysis na magkaroon ng pagkakaiba.

Inirerekomenda ni Goldman Sachs sa merkado na ang mga benepisyo ng chip chain ay napakalaking naabot na. Kung ang ROI ng mga kumpanya ay patuloy na hindi dumating, ang cash flow ng mga cloud provider ay maaaring magdulot ng negatibong epekto sa kanilang kapital expenditure, at ang eksklusibong kita ng semiconductor ay maaaring maayos.

Binabaleg ng SemiAnalysis ang merkado na hindi dapat gamitin ang karanasan sa AI noong 2024 upang masukat ang Agentic AI noong 2026. Ang mga token ay nagsisimula nang maging mga produktibong yaman, at ang mga laboratorio ng modelo ay nagsisimula nang palakasin ang mga gawaing kita, habang ang suplay ng computing power ay patuloy na limitado, at maaaring hindi pa lubos na pinapahalagahan ng NVIDIA at TSMC ang kanilang halaga.

Nakikita sa pagkakasama ng dalawang pagtataya na ang pangunahing diin ng AI trading ay nagbago.

Sa nakaraang dalawang taon, pinarangal ng merkado ang mga kaunting aset. Susunod, tatantyon ng merkado kung sino ang makakapagpanatili ng tuluy-tuloy na ekonomikong halaga na nilikha ng AI sa kanilang pagsasabay sa pananalapi.

Kung ang nakikita ng SemiAnalysis ay ang marginal turning point, patuloy na lalaki ang cake ng AI chain, at may mga dahilan pa rin ang model labs, cloud providers, NVIDIA, TSMC, storage, at power chain na magkaroon ng bahagi.

Kung ang Goldman Sachs ay nakikita ang mas malapit sa realidad ng karaniwang negosyo, ang kapital na gastusin ay mabubuksan muna sa cash flow, kailangan ng semiconductor supply chain na i-digest ang sobrang inaasahan, samantalang ang mga cloud provider ay nakakakuha ng mas magandang relatibong return dahil sa pagbaba ng valuation at posibleng disiplinang gastusin.

Ang kasalukuyang pinakamalikhaing estado ay nasa pagitan ng dalawa.

Ang mga pinakamalakas na user ay nagsisimula nang bumili ng malaki ng token, habang ang mga karaniwang kumpanya ay hindi pa nakakapag-alam ng kanilang mga account. Ang mga kapital na merkado ay muna magtatawag sa marginal na pagbabago na dinala ng mga pinakamalakas na user, bago maghintay ng pagpapatotoo ng mga karaniwang kumpanya sa kanilang financial statements. Mas mabilis ang pagpapatotoo, mas malapit ang mundo ni SemiAnalysis; mas mabagal ang pagpapatotoo, mas mataas ang posibilidad ng transaksyon ni Goldman Sachs.

Ang AI na "pala" ay patuloy na namamahala sa merkado, ngunit ang tanong ay naging iba: Sino na ang nakakakuha ng sapat, sino pa ang kayang magpataas ng presyo, at sino ang magiging susunod na tunay na tagapagbawas ng renta.