TL;DR

· Morgan Stanley hesaplamalarına göre, 1GW GB300 işlem gücü model API'si için kullanıldığında, model katmanı ROIC yaklaşık %20-%60 arasındadır.

· Bulut platformu doğrudan GPU kiralarsa, %75 kullanım oranıyla IaaS ROIC yaklaşık %23-%39 arasındadır.

· Rapor Amazon ve Google'a olumlu bakmaya devam ediyor; Meta hâlâ en iyi seçim (Top Pick), ancak AI getirisi daha çok reklamcılık, kendi uygulamaları ve açık model ekosisteminden geliyor.

Morgan Stanley'den Brian Nowak ekibi en son raporunda sezgisel olmayan bir tespitte bulunuyor: Açık ağırlıklı modeller AI token fiyatlarını düşürüyor, ancak işlem gücüne, zamanlama yeteneğine ve kurumsal giriş noktalarına sahip platformlar, AI sermaye harcamalarından hâlâ kayda değer getiri elde edebilir.

Rapor iki ayrı hesap seti sunuyor.

Model API katmanında, Morgan Stanley 1GW GB300 veri merkezini temel alarak, milyon token başına fiyatın 1 ila 2,5 dolar, tek GPU çıktısının saniyede 2000 ila 3500 token olduğunu ve işlem gücünün %50 ila %80'inin çıkarım (inference) için kullanıldığını varsayıyor. Farklı senaryo kombinasyonlarında, model katmanı ROIC yaklaşık %20 ila %60 arasındadır.

Bulut platformu katmanında, rapor 1GW veri merkezinin yaklaşık 410.000 GB300 çipi içerdiğini, GPU kullanım oranının %75 olduğunu ve kiralama fiyatının saatte 7 ila 10 dolar olduğunu varsayıyor. Buna göre, bulut platformunun GPU işlem gücü kiralamasından elde ettiği IaaS ROIC yaklaşık %23 ila %39 arasındadır.

Bu iki grup rakam, Morgan Stanley'in temel görüşünü birlikte açıklıyor: AI model fiyatlarındaki düşüş, öncelikle model sağlayıcılarının birim ekonomisini etkiliyor; ancak Amazon, Google gibi bulut platformları için, kurumsal AI benimsemesi hâlâ GPU, depolama, veritabanı, güvenlik ve model dağıtım araçları gerektiriyor. Modeller ucuzlayabilir, ancak bu modelleri barındıran altyapı değerini kaybetmez.

Açık ağırlıklar fiyatları düşürüyor, aynı zamanda daha fazla AI iş yükünün hayata geçmesini sağlıyor

Açık ağırlıklı modellerin doğrudan etkisi, işletmelerin AI kullanım ve dağıtım eşiğini düşürmesidir.

Kapalı modellerden farklı olarak, açık ağırlıklı modeller kullanıcıların model ağırlıklarını indirmesine, özel verilerle ince ayar yapmasına veya yeniden eğitmesine ve yerel, bulut veya API üzerinde dağıtım seçmesine olanak tanır. İşletmeler tek bir model sağlayıcısına tamamen bağımlı olmak zorunda kalmaz ve veri, maliyet ve dağıtım yöntemleri üzerinde daha esnek kontrol sağlayabilir.

Açık ağırlık ile kapalı ağırlık modelleri arasındaki farklar; ağırlıkların indirilebilir olup olmadığı, özel verilerle ince ayar yapılıp yapılamayacağı ve kendi donanımınızda çalıştırılıp çalıştırılamayacağı dahil.

Bunun bedeli, model API'lerinin yüksek fiyatlarını korumasının giderek zorlaşmasıdır. Sınır yeteneklerine yakın düşük maliyetli modellerin artmasıyla birlikte, model laboratuvarları müşteriler için daha düşük fiyatlar, daha hızlı yanıtlar ve daha eksiksiz araç zincirleriyle rekabet etmek zorunda kalıyor. Raporda, Meta'nın en son piyasaya sürdüğü Muse Spark 1.2 gibi düşük fiyatlı, sınıra yakın modellerin model katmanındaki fiyat rekabetini daha da yoğunlaştırdığı belirtiliyor.

Bu aynı zamanda piyasanın AI sermaye harcamalarının getirisi konusunda endişelenmesinin nedenidir. Teknoloji şirketleri GPU satın almak, veri merkezleri inşa etmek ve elektrik anlaşmaları yapmak için on milyarlarca dolar harcıyor; çıkarım fiyatları düşmeye devam ederse, nihai getiriler giderek üç değişkene bağlı hale gelecek: GPU kullanım oranı, tek kart başına token işleme hızı ve AI iş yüklerinin diğer bulut hizmeti gelirlerini artırıp artıramayacağı.

Morgan Stanley, fiyat düşüşlerinin model katmanı kârlarını sıkıştıracağını ancak bunun tüm AI altyapısının getirilerinin aynı şekilde kötüleşeceği anlamına gelmediğini düşünüyor. Daha ucuz ve daha esnek modeller, daha fazla işletmenin AI benimsemesini teşvik edebilir ve böylece temel bilgi işlem gücü ve bulut hizmetlerine olan talebi genişletebilir.

%20-%60: Model API Katmanının Getiri Tahmini

Model API katmanının tahmini üç temel değişken etrafında döner: token fiyatı, GPU işleme hızı ve çıkarım için kullanılan bilgi işlem gücü oranı.

Morgan Stanley, milyon token başına yaklaşık 1,75 ABD dolarını referans fiyat olarak alıyor ve 1 ila 2,5 ABD doları aralığında senaryo analizi yapıyor. Rapor, DeepSeek-V4-Pro 1.6T gibi açık ağırlık modellerinin GB300 donanımındaki kamuya açık çıkarım kıyaslamalarına atıfta bulunarak, tek GPU işleme hızını saniyede 2000 ila 3500 token olarak varsayıyor.

Referans senaryoda, rapor bilgi işlem gücünün %65'inin çıkarım için kullanıldığını, tek GPU'nun saniyede 2750 token işlediğini ve milyon token fiyatının 1,75 ABD doları olduğunu varsayıyor; bu da GW başına yaklaşık 40 milyar ABD doları gelire denk geliyor. Tam senaryo aralığı, GW başına yaklaşık 23 milyar ila 52 milyar ABD doları gelire karşılık geliyor.

Buna göre rapor, 1GW GB300 bilgi işlem gücüne karşılık gelen model katmanı ROIC'sini yaklaşık %20 ila %60 olarak tahmin ediyor.

Model API gelir ve maliyet çerçevesi. Farklı token fiyatları, işleme hızları ve çıkarım bilgi işlem gücü oranları, GW başına yaklaşık 23 milyar ila 52 milyar ABD doları gelire karşılık gelir.

Burada dikkat edilmesi gereken nokta, %20 ila %60'ın sabit 1,75 ABD doları fiyat altında otomatik olarak elde edilen getiriler olmadığı; aksine farklı fiyat, işleme hızı ve bilgi işlem gücü dağılımı kombinasyonlarından oluşan bir senaryo aralığı olduğudur.

Bu hesabın gerçekleşip gerçekleşmeyeceği, verimlilik artışının fiyat düşüşünü geride bırakıp bırakamayacağına bağlıdır. Token fiyatı hızla düşmeye devam ederken GPU kullanım oranı ve işlem hacmi aynı oranda artmazsa, model katmanı getirileri belirgin şekilde daralacaktır.

%23-%39: Bulut Platformlarının GPU Kiralama Hesabı

Amazon ve Google gibi bulut platformları için daha doğrudan bir gelir kaynağı, model API fiyat riskini üstlenmek yerine hesaplama gücünü kiralamaktır.

Morgan Stanley, 1GW GB300 veri merkezinin yaklaşık 410.000 adet GB300 çipi barındırabileceğini varsayıyor. %75 kullanım oranında, her GPU için saatlik kiralama fiyatı 7 ila 10 dolar arasında olursa, yıllık gelir GW başına yaklaşık 18,9 milyar ila 27 milyar dolar arasında olur.

BT ekipmanı amortismanı, BT dışı varlık amortismanı, elektrik, işçilik ve bakım gibi maliyetler düşüldükten sonra, rapor bulut platformlarının GW başına vergi sonrası faaliyet kârının yaklaşık 8,9 milyar ila 15,3 milyar dolar arasında olduğunu ve buna karşılık gelen ROIC'in yaklaşık %23 ila %39 arasında olduğunu tahmin ediyor.

Bulut platformu GB300 GPU kiralama modeli. Saatlik 7 ila 10 dolarlık kiralama fiyatı, yaklaşık %23 ila %39 arasında bir ROIC'e karşılık gelir.

Bu hesaplamalar, Morgan Stanley'in bulut platformlarındaki AI sermaye harcamalarına yönelik iyimser görüşünü daha doğrudan destekliyor.

Model API fiyatları düşse bile, işletmeler açık ağırlıklı modelleri çalıştırmak için hâlâ GPU kiralamak zorunda. Bulut platformları için önemli olan, tek bir token'ın ne kadar pahalı satılabileceği değil, kıt hesaplama gücünün yüksek kullanım oranını ve kiralama fiyatını koruyup koruyamayacağıdır.

Morgan Stanley ayrıca, düşük fiyatlı modellerin daha fazla kullanım getirebileceğini vurguluyor. Birim fiyat ve kâr marjı düşse bile, AI iş yüklerinin genel ölçeği büyüdüğü sürece bulut platformlarının EBIT mutlak değeri yine de artabilir.

Bulut Platformları Sadece GPU ve Token Satmıyor

Morgan Stanley, bulut platformlarının fiyat savaşını sindirebilmesinin dört ana nedeni olduğunu düşünüyor.

Birincisi, hesaplama gücü hâlâ kıt. İşletmeler açık ağırlıklı modelleri seçse bile GPU, çıkarım kümeleri, depolama, ağ ve güvenlik ortamına ihtiyaç duyar. Büyük işletmeler kendi altyapılarını kurabilir, ancak daha fazla müşteri yine de AWS, Google Cloud veya Azure üzerinden hesaplama gücü kiralayacak ve modelleri barındıracaktır.

İkinci olarak, bulut platformları ölçek yoluyla sistem verimliliğini artırabilir. Daha büyük bellek kapasitesi, daha hızlı bağlantılar, MoE mimarisi ve istek toplu işleme, birim GPU başına token işleme hızını artırabilir. Büyük bulut platformları daha fazla kurumsal müşteri trafiğine sahiptir ve istekleri birleştirip planlamak daha kolaydır, bu da GPU kullanımını artırır.

Üçüncü olarak, kendi geliştirilen çipler hizmet maliyetlerini düşürebilir. Amazon'un Trainium'u var, Google'ın TPU'su var. Kendi çipleri ve yazılım optimizasyonu, bulut platformlarına fiyat rekabetinde daha fazla esneklik sağlar ve tek bir GPU tedarikçisine bağımlılığı azaltır.

Dördüncü olarak, AI iş yükleri diğer bulut hizmet gelirlerini de tetikler. İşletmeler AI dağıtırken genellikle nesne depolama, veritabanı, vektör arama, RAG, güvenlik yönetimi, kimlik doğrulama ve izleme hizmetleri de satın almak zorundadır. Bu ek hizmetler, her AI iş yükünün getirdiği bulut gelirini genişletebilir ve genel kârlılık katkısını artırabilir.

Bu nedenle, açık ağırlık modelleri API token gelirini "çekici ürün" haline getirebilir, ancak aynı zamanda daha fazla GPU kiralama, veri depolama ve veritabanı talebi de getirebilir.

Amazon, Google ve Meta'nın getiri mantığı aynı değil

Yukarıdaki değerlendirmelere dayanarak Morgan Stanley, Amazon ve Alphabet için "Ağırlık Artır" notunu koruyor ve hedef fiyatları sırasıyla 335 dolar ve 400 dolar olarak belirliyor.

Amazon'un avantajı AWS kurumsal müşteri tabanı, Trainium kendi geliştirdiği çip ve eksiksiz bulut hizmet ekosistemidir. Google ise aynı anda TPU, Gemini modeli, arama ve YouTube uygulama senaryoları ile Google Cloud'un kurumsal dağıtım yeteneğine sahiptir. İki şirket için AI sermaye harcamalarının getirisi esas olarak hesaplama gücü kiralama, model barındırma ve bulut hizmeti bağlama yoluyla sağlanır.

Meta'nın mantığı farklıdır.

Morgan Stanley hâlâ Meta'yı En İyi Seçim olarak listeliyor, "Ağırlık Artır" notu ve 775 dolar hedef fiyat veriyor, ancak Meta, AWS veya Google Cloud anlamında bir kurumsal bulut platformu değildir. AI yatırımları esas olarak açık model ekosistemi, reklam öneri verimliliği, kendi uygulamaları ve veri merkezi yetenekleri aracılığıyla gerçekleşir.

Meta'nın hedef fiyatı ve risk-getiri varsayımları.

Rapor, Meta'nın AI yatırımlarının kullanıcı katılımını, Reels ticarileştirmesini ve reklam ölçüm yeteneklerini iyileştirebileceğini ve yeni ürünler için büyüme alanı sağlayabileceğini düşünüyor. Ancak veri merkezi inşaatı kötü uygulanırsa, sermaye yoğunluğu artmaya devam ederse ve yeni hesaplama gücü yeterli getiri üretemezse, bu serbest nakit akışını ve değerlemeyi de olumsuz etkileyebilir.

En büyük risk, fiyatların verimlilik artışından daha hızlı düşmesi

Bu rapor, AI fiyat savaşını inkar etmiyor.

Düşük maliyetli açık ağırlıklı modeller öncü yeteneklere yaklaştıkça, işletmeler maliyet, gecikme süresi, dağıtım esnekliği ve veri kontrolüne daha fazla odaklanacak. Model laboratuvarlarının yalnızca yüksek fiyatlı API'lerle yüksek kâr elde etmesi giderek zorlaşacak; araç zincirleri, kurumsal dağıtım, uygulama senaryoları ve ekosistemin önemi artmaya devam edecek.

Bulut platformları da ağır varlık baskısıyla karşı karşıya. 1GW GB300 veri merkezi; çipler, sunucu odaları, elektrik, ağ ve amortismanı içerir; herhangi bir aşamada maliyet artışı nihai getiriyi etkiler. Kurumsal AI uygulamalarının yayılımı beklenenden yavaş olursa, GPU kullanım oranı yetersiz kalır ve sermaye harcamalarının kâra dönüşmesi daha da zorlaşır.

Verim artışı da otomatik olarak gerçekleşmez. Donanım yükseltmeleri, MoE mimarisi ve istek toplu işleme verimliliği artırabilir, ancak model, çip, ağ, yazılım yığını ve gerçek müşteri isteklerinin birlikte çalışması gerekir.

Morgan Stanley'in sonucu bu nedenle "AI fiyat savaşının etkisi yok" değil: token fiyatları düştüğünde, model katmanı ilk baskıyı yaşar; kıt hesaplama gücüne, sistem optimizasyon yeteneklerine ve kurumsal bulut girişine sahip platformlar, GPU kiralama, ölçek ekonomileri ve ek bulut hizmetleriyle fiyat rekabetini sindirme kapasitesine daha sahiptir.

Şimdi gerçekten izlenmesi gereken, bulut platformlarının verim ve kullanım oranı artışının, AI fiyat düşüş hızını sürekli olarak geride bırakıp bırakamayacağıdır.

BlockBeats Resmi Topluluğuna Katılın:

Telegram Abonelik Grubu: https://t.me/theblockbeats

Telegram Sohbet Grubu: https://t.me/BlockBeats_App

Twitter Resmi Hesabı: https://twitter.com/BlockBeatsAsia