Mapa ekosystemu AI: Jak to działa i kto zarabia na sztucznej inteligencji?

Zanim jednak przejdziemy dalej…

---

Uproszczona hierarchia kluczowych graczy branży AI

1. Kto generuje popyt i uruchamia strumień pieniędzy?

W ekosystemie AI najważniejsze jest to, że popyt nie zaczyna się tu od fantastycznego pomysłu na rewolucyjną aplikację i całego opartego na nim wishfull thinking, tylko od realnych budżetów na centra danych i dostęp do mocy obliczeniowej. To właśnie te wielomiliardowe budżety determinują tempo zamówień w całym łańcuchu dostaw.

Kto zatem wydaje tu najwięcej? Otóż mamy dwie kategorie spółek generujących największy popyt na infrastrukturę AI.

I. Hyperscalerzy: Microsoft, Amazon, Alphabet, Meta

• PLUS: Rozbudowują centra danych generując największy popyt na GPU/akceleratory, sieć, pamięć, szafy, zasilanie i chłodzenie. Z czasem to może przynieść przewagę
• MINUS: Monetyzacja będzie rozciągnięta w czasie – obecnie duża część inwestycji to wyścig o to, kto zbuduje największe zaplecze. Zyski są drugorzędne

Microsoft

Microsoft jest w AI przede wszystkim operatorem elektrowni i sieci przesyłowej, tylko że zamiast prądu sprzedaje moc obliczeniową (Azure) i narzędzia dla firm. Ich przewaga polega na tym, że spółka ma już gotową infrastrukturę, zaplecze i ofertę dla biznesu: chmurę, bezpieczeństwo, integrację, a do tego masową dystrybucję przez Office/Windows i ekosystem Enterprise.

W praktyce Microsoft robi dwie rzeczy jednocześnie: wydaje gigantyczne pieniądze na rozbudowę data-center (czyli uruchamia popyt na GPU, sieć, chłodzenie, zasilanie), a potem próbuje to monetyzować jako „AI-as-a-service” dla firm, które nie chcą lub nie mogą pozwolić sobie na budowę własnych klastrów.

Amazon

Amazon to w AI największy dostawca „wynajmowanej fabryki” (AWS): firmy wchodzą, płacą i dostają zasoby bez budowania niczego od zera. W AI AWS jest szczególnie ważny, bo jego model biznesowy w sposób uczciwy premiuje większe lub mniejsze zużycie zasobów: im więcej ktoś trenuje, uruchamia modele i obraca danymi, tym większy rachunek.

Amazon dodatkowo wzmacnia swoją pozycję własnymi chipami (np. Graviton/Trainium/Inferentia), czyli próbuje być nie tylko wynajmującym halę, ale też być producentem części maszyn, żeby obniżać koszty (nawet o 50% względem GPU Nvidii) i poprawiać marże. W łańcuchu popytu Amazon jest więc jednocześnie wielkim nabywcą sprzętu do centrów danych, ale też sprzedawcą usługi, która zamienia te inwestycje w strumień przychodów.

Alphabet (dawny Google)

Alphabet od lat rozwija własną infrastrukturę AI i własne układy (TPU), żeby uniezależnić się od Nvidii i mieć kontrolę nad kosztami i wydajnością na skalę globalną. Z punktu widzenia ekosystemu popytu Alphabet robi bardzo ważną rzecz: zamienia AI z „nowinki” w produkt masowy, który otrzymuje natychmiastową dystrybucję za pośrednictwem własnych kanałów. To sprawia, że ich capex nie jest tylko inwestycją w infrastrukturę, ale też próbą utrzymania i obrony największego na świecie kanału dotarcia do klienta (wyszukiwarka, poczta, YouTube, Android).

Meta (Facebook/Instagram)

Meta to w AI fabryka rekomendacji i personalizacji, bo jej biznes polega na tym, żebyśmy spędzali czas na Facebooku czy Instagramie, a reklamodawca, żeby płacił za precyzyjne dotarcie do konkretnej grupy klientów. Dla Mety AI to nie dodatek, ale silnik, który decyduje o przychodach reklamowych, bo każdy procent lepszego dopasowania treści i reklam przekłada się na monetyzację.

Meta jest też jednym z najbardziej agresywnych inwestorów infrastrukturalnych: buduje ogromne klastry obliczeniowe i chce mieć własne kompetencje w modelach oraz narzędziach (często otwartych), żeby przyspieszać rozwój i obniżać koszty. W skrócie: Meta inwestuje w AI, bo to jest dla niej dźwignia na sprzedaż czasu/uwagi użytkownika, a skuteczność lepszego dopasowania reklamy pod target realnie przekłada się na przychody.

II. Twórcy modeli: OpenAI, Anthropic, xAI (spółki prywatne)

• PLUS: To oni dostarczają najważniejsze rozwiązania w sferze modeli sztucznej inteligencji. Bez nich nie ma całego ekosystemu, ani popytu na infrastrukturę
• MINUS: Wszystkie spółki są dopiero w fazie gwałtownego rozwoju i inwestycji, nie generując jeszcze żadnych zysków, a często nie mając jakiegokolwiek modelu biznesowego

OpenAI

OpenAI to pionier technologii LLM, firma, która zużywa ogromne ilości mocy obliczeniowej na trening i utrzymanie modeli (inferencję), a jednocześnie definiuje, czego rynek oczekuje od rozwiązań AI. Można ją porównać do studia filmowego, które kręci najbardziej kasowe produkcje, tylko że zamiast kamer i aktorów potrzebuje serwerów i GPU.

Dla ekosystemu to ma fundamentalne znaczenie: OpenAI nie musi być publicznie notowana, żeby napędzać zyski innych spółek i wzrosty całej giełdy. Wystarczy, że jej rozwój „ściąga” od innych rezerwacje mocy w chmurze, wymusza rozbudowę centrów danych i podnosi poprzeczkę dla konkurencji. W praktyce OpenAI jest jednym z tych podmiotów, które najszybciej zamieniają capex innych w realny popyt na obliczenia.

Anthropic

Anthropic pełni rolę konkurencyjnego laboratorium jakości w wyścigu modeli: nacisk na bezpieczeństwo, niezawodność i wdrożenia w firmach sprawia, że popyt generowany przez Anthropic jest obecnie bardziej korporacyjny (czyli stabilniejszy, mniej zabawkowy). Wcześniej tak nie było i to jest ważne dla całego łańcucha dostaw, bo gdy modele przechodzą z etapu ciekawostki do etapu narzędzia biznesowego, rośnie zapotrzebowanie na ciągłą inferencję, integracje i niezawodność, a to oznacza stałe obciążenie infrastruktury.

xAI

xAI to przykład gracza, który wchodzi do wyścigu nie dlatego, że „AI jest modne”, tylko dlatego, że dostęp do modelu i infrastruktury staje się przewagą strategiczną (szczególnie gdy masz własne kanały dystrybucji i dane). Możemy myśleć o xAI jak o nowym zespole w Formule 1: na starcie pali mnóstwo zasobów (miliard dolarów miesięcznie), ale celem jest zbudowanie własnego silnika i kompetencji, które później można monetyzować na wiele sposobów.

Dla ekosystemu popytu to kolejny dowód na to, że własna moc obliczeniowa przypomina dzisiaj trochę kolejny surowiec strategiczny. Nowi gracze, którzy chcą liczyć się w przyszłości, muszą kupować moc, budować klastry i rezerwować infrastrukturę. Nawet jeśli nie wiemy, kto wygra wyścig, sam fakt dołączania kolejnych zespołów do tego wyścigu zwiększa popyt na pozostałe ogniwa łańcucha dostaw.

---

Nie widziałeś jeszcze najnowszego wideo?

---

2. Do kogo trafiają środki? Nvidia i rozwiązania alternatywne

W praktyce rynek mocy obliczeniowej to nie tylko wydajność sprzętu. Liczy się też platforma programistyczna, narzędzia oraz to, czy klient ma powód, by uniezależniać się od jednego dostawcy.

Nvidia (NVDA): GPU + platforma

• PLUS: Nvidia jest jednocześnie dostawcą akceleratorów i całego środowiska (software/stack), co zwiększa jej atrakcyjność w oczach klientów. Nvidia ma obecnie prawie 90% rynku zaawansowanych układów
• MINUS: Z czasem może być zastąpiona przez konkurencyjne rozwiązania innych firm; choć póki co produkty Nvidii są ciągle najlepsze.

Nvidia (NVDA)

Nvidia jest w ekosystemie AI tym, czym w świecie przemysłu jest standardowa linia produkcyjna, na której wszyscy budują swoje fabryki. Firma dostarcza akceleratory (GPU) do treningu i inferencji, ale jej prawdziwą przewagą nie jest sam krzem, tylko platforma. GPU to “silnik”, a CUDA, biblioteki, frameworki, sterowniki i gotowe rozwiązania to cała skrzynia biegów, paliwo i instrukcja obsługi – dzięki temu firmy nie kupują pojedynczego chipu, tylko wchodzą w ekosystem, który przyspiesza wdrożenia i obniża ryzyko.

W praktyce Nvidia działa jak poborca podatku od boomu na AI: nieważne, który model wygra, bo każdy, kto chce trenować modele na dużą skalę, musi w pewnym momencie zapłacić za moc obliczeniową (albo u Nvidii bezpośrednio, albo u kogoś, kto kupił sprzęt Nvidii). To dlatego Nvidia jest tak ważna: nie obstawia zwycięzcy, tylko sprzedaje narzędzia wszystkim uczestnikom wyścigu.

Broadcom (AVGO) i custom ASIC, czyli własny chip pod siebie

• PLUS: Broadcom pomaga projektować własne układy wyspecjalizowane (ASIC) dla dużych klientów, gdy ci chcą uniezależnić się od zewnętrznych poddostawców (np. Nvidii)
• MINUS: W którymś momencie firmy zdobywając odpowiednie know-how, mogą uznać, że usługi Broadcom są im już niepotrzebne

Broadcom (AVGO)

Broadcom w ekosystemie AI jest czymś pomiędzy architektem układów a dostawcą infrastruktury do skalowania, i dlatego często pojawia się w tle największych projektów tzw. “custom silicon”. Mówiąc najprościej: gdy hyperscaler (Google, Amazon, Meta) chce mieć własny układ pod AI, żeby obniżyć koszt jednostkowy inferencji i uniezależnić się od gotowych rozwiązań, Broadcom bywa firmą, która pomaga im to zmaterializować.

Firma dostarcza kompetencje projektowe, IP, a także kluczowe komponenty do łączności i komunikacji w data-center. To trochę jak firma, która nie buduje samochodu pod własną marką, ale projektuje silnik i elektronikę dla producentów, którzy chcą mieć “model specjalny” pod swoje potrzeby.

Broadcom zarabia na tym, że w AI rośnie presja na optymalizację kosztów i sieci, a to oznacza więcej projektów ASIC, więcej specjalizowanych układów i więcej infrastruktury do łączenia całych klastrów w jedną maszynę.

ARM (ARM): architektura CPU i coraz większa rola w data centers

• PLUS: ARM pomaga projektować chipy nie tylko do rozwiązań AI, ale też, np. smartfonów, komputerów czy samochodów, co sprawia, że ich dochody są zdywersyfikowane
• MINUS: Podobnie jak w przypadku Broadcom: w którymś momencie giganci mogą uznać, że nie potrzebują już pomocy ARM przy projektowaniu swoich chipów

ARM (ARM)

ARM to w ekosystemie półprzewodników coś jak architektura budynków: nie sprzedaje gotowych “domów” (chipów), tylko dostarcza standard, na którym inni mogą je szybko i efektywnie projektować. W praktyce ARM licencjonuje architekturę CPU i gotowe bloki IP, dzięki czemu producenci i hyperscalerzy mogą tworzyć własne układy bez budowania wszystkiego od zera.

Do tej pory wielu kojarzy ARM głównie z telefonami i urządzeniami mobilnymi, ale w AI jego rola rośnie, bo centra danych zaczynają szukać tańszych i bardziej energooszczędnych rozwiązań, a własne chipy tworzone “in-house” stają się sposobem na obniżenie kosztów inferencji i uniezależnienie się od jednego dostawcy.

ARM jest więc jak klocki Lego dla przemysłu chipowego: im więcej firm próbuje projektować własne układy do AI, tym większa wartość mają standardy, narzędzia i gotowe elementy (Lego) przyspieszające projekt i skracające czas od pomysłu do produkcji.

---

3. Kto to wszystko produkuje? TSMC jako „fabryka” zaawansowanych chipów

Większość firm w AI projektuje, ale nie produkuje, bo produkcja na najnowszych węzłach technologicznych wymaga skali, wiedzy procesowej i ogromnych nakładów kapitałowych. A to wszystko potrafi…

Taiwan Semiconductor Manufacturing Company (TSM)

• PLUS: To jedyna i niezastąpiona fabryka na świecie, która potrafi wyprodukować zaawansowane chipy. Firma nie do obalenia – bariera wejścia jest zbyt wysoka
• MINUS: Ogromne ryzyko geopolityczne – ewentualna blokada Tajwanu przez Chiny oznacza krach całego systemu opartego na TSMC (i triumf chińskich alternatyw)

TSMC (TSM)

TSMC to w tej historii najważniejsza fabryka świata, która bierze projekty chipów od różnych firm (Nvidia, Apple, AMD, często też hyperscalerzy projektujący własne układy) i zamienia je w fizyczny produkt. Jeśli Nvidia jest mózgiem w sensie projektowania, to TSMC jest ciałem, bez którego najlepszy nawet projekt pozostaje tylko plikiem na dysku.

Dla TSMC kluczowe jest to, że w AI liczy się najnowsza technologia produkcji (węzły typu 5nm/3nm), bo ona daje przewagę w wydajności i efektywności energetycznej, a wejście na ten poziom to nie tylko zbudowanie nowej fabryki przez kogoś, kto ma pieniądze. Wejście na ten poziom wymaga całych dekad budowania know-how, gigantycznych nakładów, wyszkolonych ekspertów z doświadczeniem, zaplecza i perfekcyjnego opracowania całego procesu.

Dlatego TSMC jest jak wąskie gardło całego systemu: nawet jeśli zmieniają się liderzy w projektowaniu, większość zaawansowanych chipów i tak przechodzi przez tę samą bramkę produkcyjną, co czyni z TSMC beneficjenta niezależnego od tego, kto wygrywa wyścig.

---

4. Kolejne wąskie gardło technologiczne: ASML i litografia EUV

Tutaj warto wspomnieć o drugim niezastąpionym ogniwie. Na poziomie narzędzi produkcyjnych także istnieją bowiem elementy, których nie da się zreplikować.

ASML (ASML)

• PLUS: ASML to monopolista, który dostarcza maszyny do litografii EUV – kluczowe dla najnowocześniejszych procesów produkcyjnych. Bez niej nie ma TSMC.
• MINUS: Maszyny ASML są tak dobre, że firmy rzadko kiedy zastępują je nowymi, ograniczając przychody po stronie ASML. Jej los zależy w dużej mierze od TSMC.

ASML (ASML)

ASML to w tej układance producent maszyn do fabryk (takich, których nikt inny na świecie nie potrafi dostarczyć w tej samej klasie technologicznej). ASML produkuje systemy litografii, a w szczególności EUV (Extreme Ultraviolet), czyli sprzęt, bez którego nie da się seryjnie wytwarzać najbardziej zaawansowanych chipów w nowoczesnych procesach technologicznych. Jeśli TSMC jest “kuchnią”, w której gotuje się najtrudniejsze dania, to ASML jest dostawcą jednego, krytycznego pieca, bez którego ta kuchnia nic nie zrobi.

Dlatego ASML jest typowym wąskim gardłem całej branży: możemy mieć najlepszych projektantów chipów i najlepszą fabrykę, ale bez odpowiednich maszyn nie zejdziemy na kolejne generacje miniaturyzacji i nie zrobimy układów, które dają przewagę w wydajności i efektywności energetycznej.

W AI ta zależność jest brutalnie prosta: więcej AI → większy popyt na zaawansowane chipy → większa presja na moce produkcyjne → większa rola narzędzi litograficznych. A tu dokładnie stoi właśnie ASML.

---

5. Projektowanie chipów: Cadence i Synopsys (EDA)

Zanim jednak chip trafi do fabryki, musi zostać zaprojektowany i zweryfikowany. Narzędzia EDA są dla półprzewodników tym, czym CAD dla inżynierii – bez nich nie ma nowoczesnego układu.

Cadence (CDNS) i Synopsys (SNPS)

• PLUS: Obie spółki to dominujący dostawcy EDA, a rosnąca złożoność układów AI zwiększa znaczenie tej warstwy niezależnie od tego, kto finalnie wygra wyścig.
• MINUS: W 100% zależne od cyklu na rynku półprzewodników. Jakiekolwiek spowolnienie w inwestycjach, oznacza od razu niższe przychody

Mówi się, że Cadence (CDNS) i Synopsys (SNPS) to w ekosystemie AI „AutoCAD dla chipów”, bo bez ich oprogramowania EDA nie da się dziś sensownie zaprojektować nowoczesnego układu scalonego, zwłaszcza tak złożonego jak akceleratory AI. To narzędzia do projektowania, symulacji i weryfikacji, które pozwalają sprawdzić, czy chip w ogóle zadziała, zanim ktokolwiek wyda setki milionów na jego produkcję.

W praktyce są jak system kontroli lotu: nie budują samolotu (chipów), ale bez nich nikt nie odważy się wystartować. Ich rola rośnie, gdy rośnie presja na własne układy (custom silicon) u hyperscalerów i firm typu Broadcom, bo im więcej projektów i im bardziej zaawansowany proces technologiczny, tym większa zależność od tych narzędzi i tym więcej wartości powstaje w tej właśnie warstwie, której często nie widać na pierwszy rzut oka.

---

6. Pamięć i przepustowość: HBM jako paliwo dla akceleratorów

W modelach AI kluczowa jest nie tylko moc obliczeniowa, ale też to, jak szybko dane mogą przepływać między pamięcią a akceleratorem. Stąd znaczenie HBM.

SK Hynix i Micron

• PLUS: Kluczowe i niezastąpione elementy do rozwoju najbardziej zaawansowanych układów na AI, do tego zdywersyfikowana sprzedaż o produkty do zastosowań w elektronice użytkowej
• MINUS: Możliwość wejścia na to pole ze strony innych graczy, np. Samsunga; choć na razie to Micron i SK Hynix tworzą najlepsze i najszybsze pamięci

SK Hynix i Micron to w ekosystemie AI dostawcy kluczowego paliwa dla akceleratorów, czyli pamięci HBM (High Bandwidth Memory). Bez niej nawet najlepsze GPU nie jest w stanie pracować na pełnych obrotach, bo dusi się na przepustowości danych. Jeśli GPU jest silnikiem, to HBM jest układem paliwowym i turbiną: pozwala szybko podawać i odbierać ogromne ilości informacji, co w treningu i inferencji jest równie ważne jak sama moc obliczeniowa.

Dlatego HBM jest jednym z najtwardszych wąskich gardeł całego łańcucha: można chcieć kupić tysiące akceleratorów, ale bez odpowiedniej ilości HBM nie zbuduje się wydajnego klastra AI. Koreański SK Hynix jest często postrzegany jako lider w HBM, a Micron jako drugi istotny gracz zwiększający podaż. Obie spółki stoją w miejscu, gdzie boom na AI materializuje się pod postacią trudnej do szybkiego zwiększenia produkcji pamięć.

---

7. Sprzęt do produkcji chipów: Applied Materials, Lam Research, KLA

ASML to najbardziej znany element, ale fabryki chipów to również setki innych etapów. Ekosystem narzędzi produkcyjnych to cały osobny koszyk beneficjentów rosnących inwestycji w półprzewodniki.

Applied Materials (AMAT), Lam Research (LRCX), KLA (KLAC)

• PLUS: Bez ich sprzętu i narzędzi nie jest możliwe zbudowanie fabryki czy wytwarzanie i testowanie półprzewodników na masową skalę. Nie zależą od pojedynczego klienta
• MINUS: Ich los nierozerwalnie związany jest z popytem na chipy i inwestycjami w rozbudowę infrastruktury. Silna korelacja z resztą graczy

Applied Materials, Lam Research i KLA to ekipa budująca i kalibrująca fabrykę chipów. Bez ich sprzętu nie da się w ogóle produkować półprzewodników na skalę i jakość wymaganą przez AI. Applied i Lam dostarczają kluczowe narzędzia procesu (m.in. nakładanie warstw, obróbkę materiałów), czyli to, co realnie “rzeźbi” tranzystory i połączenia w krzemie, a KLA jest specjalistą od inspekcji i metrologii – pilnuje, żeby produkcja nie zamieniła się w loterię, bo przy nanometrach najmniejszy defekt potrafi zabić wydajność i uzysk.

Jeśli ASML to najbardziej spektakularny “piecyk” w kuchni, to AMAT/Lam/KLA stanowią cały zestaw urządzeń i kontroli jakości, który sprawia, że ta kuchnia potrafi dowozić tysiące identycznych dań dziennie. W AI ich rola rośnie automatycznie, bo gdy rośnie popyt na zaawansowane chipy, rośnie popyt na moce produkcyjne, a moce produkcyjne w półprzewodnikach oznaczają po prostu więcej narzędzi i lepszą kontrolę procesu.

---

8. Sieć, zasilanie i chłodzenie: to, co skaluje klastry AI

Kiedy klastry AI rosną, ograniczeniem przestaje być tylko liczba GPU. W praktyce liczą się bowiem także: sieć (latencja i przepustowość), energia oraz chłodzenie.

Arista Networks (ANET) i Broadcom (AVGO): sieć

Vertiv (VRT) i Monolithic Power Systems (MPWR): energia i termika

PLUS: Kluczowi partnerzy w dostarczaniu sprzętu sieciowego łączącego elementy data-center, w zapewnianiu zasilania na poziomie samych chipów i dostarczenia infrastruktury krytycznej (UPS, zasilanie, chłodzenie)

MINUS: Choć obecnie najlepsze na rynku, nie są to rozwiązania, których nie można zastąpić, przez co istnieje ryzyko ze strony konkurencji

Arista Networks, Monolithic Power Systems i Vertiv to trzy filary tej samej warstwy data center, czyli “żeby to w ogóle działało w praktyce”: Arista jest od sieci, która spina tysiące serwerów/GPU w jeden klaster (bez szybkiej komunikacji AI dusi się na przesyle danych).

Monolithic Power Systems jest od zasilania na poziomie komponentów – dostarcza układy zarządzania energią i konwersji, dzięki którym prąd trafia do GPU stabilnie, efektywnie i bez strat (to jak elektronika i wtrysk paliwa w silniku).

Vertiv odpowiada za infrastrukturę krytyczną data center: systemy zasilania, UPS-y, rozdział mocy i chłodzenie, czyli całą mechanikę i HVAC potrzebną, żeby ekstremalnie gęste szafy AI nie przegrzewały się i nie traciły zasilania.

Te wszystkie spółki razem tworzą niewidoczną, ale fundamentalną część całego ekosystemu: GPU mogą być genialne, ale bez sieci, prądu i chłodzenia są jak superauto bez dróg, paliwa i hamulców.

---

9) Jaki z tego płynie wniosek dla inwestora?

Najprostszy sposób: starajmy się myśleć o AI, nie jako o pojedynczej firmie czy firmach, ale jako o całym łańcuchu zależności i zamówień. To prawda, że popyt generują medialni hyperscalerzy i twórcy modeli, ale najstabilniejsze strumienie przychodów często trafiają do warstw, które są wąskimi gardłami: produkcja, narzędzia, pamięć, sieć, energia i chłodzenie.

Dlatego AI w teorii  może i oznacza koszyk spółek z różnych pięter stosu, ale w kontekście inwestycyjnym, największymi beneficjentami (póki co) pozostają firmy dostarczające infrastrukturę.

Jeśli chcesz otrzymać gotowe portfolio z uwzględnieniem proporcji spółek w zależności od ich zmienności (ryzyka) i korelacji pomiędzy sobą, ale także ich aktualnej wyceny czy siły fundamentalnej, zostaw mi maila w formularzu poniżej, a prześlę Ci jednostronicowy PDF z propozycją takiego portfela. Za darmo i bez zobowiązań.

*Artykuł został napisany przy pomocy… sztucznej inteligencji (ChatGPT 5.2)