The central flaw in the AI investment narrative is not technological — it is arithmetic. For every dollar flowing into artificial intelligence infrastructure, the financial returns arriving on the other side are proving stubbornly, structurally inadequate. This is not a temporary lag. It may be the defining economic story of the next several years.

Consider Google, the undisputed industry leader. Since ChatGPT’s launch in late 2022, the company has deployed an additional $85 billion in cumulative capital expenditure on AI-related infrastructure. The annualised revenue attributable to that investment stands at roughly $21 billion — representing a modest 5% uplift on total revenues. Worse, this revenue carries low margins, a sharp contrast to the high-margin search and advertising franchise that built the company’s legendary profitability. Google’s capex now exceeds its net profit — a threshold once unthinkable for a business celebrated as the archetype of capital-light software economics.

If the industry leader cannot generate compelling returns on AI capital deployment, the implied trajectory for competitors is considerably darker. This matters enormously for investors who have priced AI infrastructure players — chipmakers, data centre operators, hyperscalers — as though the demand curve runs permanently upward.

The deeper structural risk is commoditisation. Large language models are converging toward functional equivalence for most enterprise applications. When models become “good enough” across a sufficient range of tasks, competition inevitably shifts to price. This is not a novel dynamic: it is precisely what happened to cloud storage, telecommunications bandwidth, and semiconductor memory. The economic gravity of commoditisation is relentless, and it compresses margins across entire ecosystems, not just individual players.

History offers an instructive parallel. The late 1990s telecommunications boom was sustained by projections of perpetually doubling bandwidth demand. Those projections were briefly accurate, then catastrophically wrong. Capital poured in anticipating exponential growth; the growth curve normalised; the capital was largely destroyed. AI’s “killer app” narrative carries recognisable echoes.

The sophisticated question for investors is not whether AI matters — it clearly does — but whether the current valuation of AI-adjacent equities reflects a durable earnings reality or a collective suspension of financial discipline. The arithmetic, examined carefully, suggests the latter. Knowing where the flaw lies is not a reason to abandon the thesis. It is, however, a reason to price the risk honestly.

Source: Raw/trigger-why-we-worry-part-1.md

De centrale fout in het AI-investeringsverhaal is niet technologisch — het is rekenkunde. Voor elke euro die naar kunstmatige intelligentie-infrastructuur stroomt, blijken de financiële rendementen aan de andere kant hardnekkig en structureel ontoereikend. Dit is geen tijdelijke vertraging. Het kan het bepalende economische verhaal van de komende jaren zijn.

Neem Google, de onbetwiste sectorleider. Sinds de lancering van ChatGPT eind 2022 heeft het bedrijf een extra $85 miljard ingezet aan gecumuleerde kapitaaluitgaven voor AI-gerelateerde infrastructuur. De geannualiseerde omzet die aan die investering kan worden toegeschreven, bedraagt ruwweg $21 miljard — een bescheiden stijging van 5% op de totale inkomsten. Erger nog: deze omzet draagt lage marges, een scherp contrast met de hoge-marge zoek- en advertentiefranchise die de legendarische winstgevendheid van het bedrijf opbouwde. Google’s capex overtreft nu zijn nettowinst — een drempel die ooit ondenkbaar was voor een bedrijf dat gevierd werd als het archetype van kapitaallichte software-economie.

Als de sectorleider geen overtuigende rendementen op AI-kapitaalinzet kan genereren, is het impliciete traject voor concurrenten aanzienlijk somberder. Dit is enorm relevant voor investeerders die AI-infrastructuurspelers — chipmakers, datacenterbeheerders, hyperscalers — hebben geprijsd alsof de vraagcurve permanent omhoog loopt.

Het diepere structurele risico is commoditisering. Large language models convergeren naar functionele equivalentie voor de meeste bedrijfstoepassingen. Wanneer modellen “goed genoeg” worden voor een voldoende breed scala aan taken, verschuift concurrentie onvermijdelijk naar prijs. Dit is geen nieuwe dynamiek: het is precies wat er gebeurde met cloudopslag, telecommunicatiebandbreedtte en geheugenhalfgeleiders. De economische zwaartekracht van commoditisering is meedogenloos en comprimeert marges door hele ecosystemen, niet alleen bij individuele spelers.

De geschiedenis biedt een leerzame parallel. De telecommunicatieboom van de late jaren negentig werd in stand gehouden door projecties van eeuwig verdubbelde bandbreedttevraag. Die projecties waren kortstondig accuraat, daarna catastrofaal onjuist. Kapitaal stroomde toe in afwachting van exponentiële groei; de groeicurve normaliseerde; het kapitaal werd grotendeels vernietigd. Het “killer app”-verhaal van AI draagt herkenbare echo’s.

De verfijnde vraag voor investeerders is niet of AI ertoe doet — dat doet het duidelijk — maar of de huidige waardering van AI-aangrenzende aandelen een duurzame winstgevendheidswerkelijkheid weerspiegelt of een collectieve opschorting van financiële discipline. De rekenkunde, zorgvuldig bestudeerd, suggereert het laatste. Weten waar de fout ligt is geen reden om de these te verlaten. Het is echter wel een reden om het risico eerlijk in te prijzen.

Bron: Raw/trigger-why-we-worry-part-1.md