Mykje av diskusjonen rundt AI-investeringar har handla om kven som vinn applikasjonslaget, altså ChatGPT, Copilot og dei ulike bedriftsverktøya. I mitt syn ligg den meir interessante historia eit lag lenger ned, i sjølve infrastrukturen. Eit relativt lite tal selskap tek ein uvanleg stor del av pengane som blir pumpa inn i AI-infrastruktur, medan dei som betalar i aukande grad må låne for å henge med. Korleis pengane flyt gjennom dette systemet seier mykje om kvar vi er i syklusen, og om kva avkastning ein kan forvente det neste tiåret.
Kven får inntektene
Det første ein må forstå er kven som faktisk får betalt av kundane, og det er ei kort liste. Microsoft, Alphabet, Amazon og Meta sit på toppen av den kommersielle AI-stakken med skyinfrastrukturen, distribusjonen, reklamesystema og i aukande grad også AI-produkta som bedrifter og forbrukarar betalar for. Inntektene har fortsatt å vekse kraftig sjølv om AI-investeringane har skote fart.
Dette er ekstraordinære selskap. Inntektene speglar ekte prismakt, sterke og langvarige bedriftsrelasjonar og forbrukarplattformer folk brukar kvar dag, og eg ser ingen grunn til å tvile på at dei underliggende verksemdene er sterke.
Resultata før investeringane
Går ein vidare frå inntekter til driftsresultat og operasjonell kontantstraum, ser biletet fortsatt veldig bra ut. Selskapa genererer kontantar i eit tempo dei fleste bransjar berre kan drøyme om, marginane er høge og mykje av den nye omsetninga fell rett ned på botnlinja.
Det er vanlegvis her analysen stoppar, med ein bullish konklusjon basert på sterke tal og dominerande marknadsposisjonar. Då har ein likevel hoppa over det viktigaste.
CAPEX et opp kontantstraumen
Nesten heile den operasjonelle kontantstraumen går rett ut att som investeringar i datasenter, nettverksutstyr, kraftinfrastruktur og GPU-ar. Hyperscalarane sit altså ikkje på kontantane, dei pløyer dei tilbake i fysisk infrastruktur i eit tempo som aukar år for år.
Når CAPEX er på høgd med eller over den operasjonelle kontantstraumen, må pengane kome frå ein annan stad, og det betyr obligasjonsmarknaden og emisjonar. Balansane til dei største hyperscalarane har derfor vakse betydeleg.
Ei handfull vinnarar
Så kvar går pengane? Mottakarane er ei meget konsentrert gruppe produsentar av GPU-ar, nettverksutstyr, minnebrikker og komponentar til datasenter. Nvidia har vore den klart største, men TSMC, Broadcom, Micron og nokre få andre er også med på lista.
Konsentrasjonen gjer at prismakta ligg hos leverandørane. Leveringstidene er lange, og det tek fleire år å planlegge og bygge ut ny kapasitet.
Leverandørane trykkjer pengar
Då er det ikkje overraskande at infrastrukturleverandørane har nokre av dei høgaste marginane vi har sett i bedriftshistoria. Bruttomarginen til Nvidia på over 70% er det mest brukte dømet, men det gjeld langt fleire enn Nvidia.
Det same ser ein i kontantstraumen, der leverandørane gjer om ein uvanleg stor del av topplinja direkte til kontantar.
Modellselskapa
I tillegg til infrastrukturen kjem pengestraumen til selskapa som lagar AI-modellane. Anthropic, OpenAI og nokre få andre har betydelege API-inntekter frå bedrifter og utviklarar, men dei er samstundes storkundar av den same infrastrukturen som hyperscalarane bygger.
Kostnadsstrukturen i eit datasenter viser kvar pengane hamnar til slutt. Minne og GPU-ar står for den klart største delen, med straum og kjøling etter.
Risikoen få snakkar om
Risikoen er ikkje at AI ikkje fungerer, men at investeringane tek inn kapital raskare enn det kjem applikasjonar som kan gi avkastning på den.
Kvar dollar som går til GPU-klynger og datasenter er ein dollar som ikkje går til annan teknologi, industri eller forsking, og med beløpa det er snakk om her blir alternativkostnaden stor.
Selskapa som investerer er ikkje dumme, men dei sit fast i ein konkurransesituasjon der den som trekkjer seg tilbake åleine risikerer å gi frå seg infrastrukturposisjonen til ein konkurrent. Resultatet blir at bransjen samla investerer meir enn kvar enkelt aktør ville gjort om han stod åleine.
Kjem avkastninga?
Slik eg ser det, er bruksområda som tener pengar på AI-infrastruktur i dag ikkje store nok til å forsvare CAPEX-nivået. AI-tenestene i skyen veks raskt, men frå ein base som fortsatt er liten samanlikna med investeringane, og bedriftene tek i bruk AI, men tregare enn investeringstakten skulle tilseie.
Det gjer meg ikkje pessimistisk, for dette handlar mest om timing. Infrastrukturen som blir bygd no skal tene applikasjonar som enno ikkje finst i stor skala. Det eg er usikker på er om dei kjem raskt nok til å forsvare avkastningskrava som ligg inne i dagens prising og investeringsplanar.
Kva betyr dette for investorar
Leverandørane er fortsatt den tryggaste posisjonen så lenge investeringssyklusen held fram, men mykje av det gode er allereie prisa inn. Hyperscalarane satsar på at avkastninga kjem, men ingen veit når, og det blir dyrt om dei tek feil. Applikasjonslaget, altså selskapa som faktisk skal tene pengar på AI, ser billeg ut samanlikna med infrastrukturen dersom ein trur på rask og brei adopsjon. Trur ein ikkje på det, er det dei som ber den største timingrisikoen.
Dette er ei av dei største kapitalallokeringane vi har sett, og ho skjer no. Kven som til slutt sit igjen med verdien, og når, er fortsatt eit ope spørsmål, så det eg følgjer med på framover er om inntektene frå AI-tenestene byrjar å ta igjen investeringane.
The narrative around AI investment has largely focused on which companies will win the application layer — the ChatGPTs, the Copilots, the enterprise tools. But the more structurally interesting story is happening one level down: in the plumbing. A relatively small number of companies are capturing an extraordinary share of the cash being poured into AI infrastructure, while the companies doing the pouring are increasingly having to borrow to keep up. Understanding how money moves through this system is important — both for what it says about where we are now and what it implies for returns over the next decade.
The Revenue Collectors
The first thing to understand is who actually collects money from customers. The answer is a short list. Microsoft, Alphabet, Amazon, and Meta sit at the top of the commercial AI stack. They own the cloud infrastructure, the distribution, the advertising systems, and increasingly the AI products that enterprises and consumers pay for. Their revenues have continued to grow at scale even as AI investment has accelerated.
These are extraordinary businesses. The revenue numbers reflect genuine pricing power, sticky enterprise relationships, and consumer platforms that are deeply embedded in daily life. There is no question that the underlying businesses are strong.
The Profit Picture — Before CAPEX
Convert those revenues down to operating profit and operating cash flow, and the picture still looks compelling. These companies are generating cash at a rate that most industries can only envy. Margins are high, incremental revenue largely falls through, and the cash conversion cycle is favorable.
This is where the story typically ends in a bullish presentation. Strong revenues, strong profits, dominant market positions. But it misses something fundamental.
The CAPEX Absorption Problem
Here is what actually happens to the operating cash flow those businesses generate: almost all of it goes straight back out the door as capital expenditure. Data centers, networking equipment, power infrastructure, GPUs. The hyperscalers are not compounding their cash — they are recycling it at an accelerating rate into physical infrastructure.
The consequence of CAPEX running at or above operating cash flow is straightforward: the companies have to look elsewhere for money. That means debt markets and equity issuance. The balance sheets of the major hyperscalers have grown substantially as a result. This is not necessarily a problem in the short term — these are investment-grade borrowers with strong cash generation — but it does create a structural dependency. If the revenue growth from AI applications does not materialise fast enough, the debt taken on to fund the infrastructure will start to look expensive.
A Handful of Winners
Where does the CAPEX actually go? To a remarkably concentrated group of companies. GPU manufacturers, networking hardware producers, memory chip makers, and data center component suppliers. The largest individual beneficiary has been Nvidia, but the list includes TSMC, Broadcom, Micron, and a small number of others. The hyperscalers are essentially writing enormous cheques to the same short list of suppliers every quarter.
This concentration creates its own dynamics. Pricing power sits entirely with the suppliers. Lead times are long. Capacity expansions require years of planning. And the major customers — despite being among the most powerful companies in the world — are largely price-takers when it comes to the components they most urgently need.
The Suppliers Are Printing Cash
The result of this dynamic is predictable: the infrastructure suppliers have some of the highest margins in corporate history. Nvidia's gross margins above 70% are the most cited example, but the phenomenon is broader. When demand is structurally higher than supply, and the product is essential, the economics are extraordinary.
These margins are not just high in absolute terms — they are high as a share of revenue, which means the suppliers are converting an unusually large fraction of their top line directly into cash.
For investors, this has been the most reliable place to have exposure over the past two years. The suppliers do not need the AI applications to succeed — they need the investment to continue. That distinction matters.
The AI Vendor Layer
Layered on top of the infrastructure spend is a separate but related flow: the money going to AI model vendors. Anthropic, OpenAI, and a handful of others are collecting substantial API revenues from enterprises and developers. But they are also enormous consumers of the very compute infrastructure the hyperscalers are building. Training runs and inference at scale require the same GPU clusters, the same networking, the same power.
The data center cost structure reflects this: memory and GPUs account for the dominant share of costs, with power and cooling following. Software and labour, the components that dominate in most tech businesses, are a smaller part of the equation here.
The AI vendors are therefore simultaneously a revenue source for the hyperscalers (cloud compute contracts) and an additional driver of CAPEX demand. They accelerate the cycle rather than disrupting it.
The Vulnerability Nobody Talks About
The risk in this system is not that AI does not work. It is that the investment cycle is absorbing capital at a rate that is outpacing the development of applications capable of generating returns on that capital.
Every dollar that goes into GPU clusters and data centers is a dollar not going into other technology investment, industrial expansion, or research. Capital allocation at the scale being deployed here creates real opportunity costs. Enterprise IT budgets are being redirected. Startup funding is concentrating. The infrastructure build is crowding out adjacent investments in ways that are not yet fully visible in aggregate data but are increasingly apparent at the project level.
The companies doing the spending are not foolish. But they are also caught in a competitive dynamic where pulling back unilaterally risks ceding the infrastructure position to a rival. The result is collective overinvestment relative to what any individual rational actor would choose — a classic coordination problem.
The Returns Question
The honest assessment of where we are: the use cases generating revenue from AI infrastructure today are not sufficient to justify the CAPEX being deployed. Cloud AI services are growing fast, but from a base that remains small relative to the investment. Enterprise adoption is real but slower than the investment cycle implies. Consumer AI is growing but not yet at the monetisation rates needed to close the gap.
This is not a reason for pessimism. It is a statement about timing. The infrastructure being built now will serve applications that do not yet exist at scale. The question is not whether those applications will come — the productivity potential of AI across software development, scientific research, logistics, and medicine is large enough that significant adoption seems likely. The question is whether it will happen fast enough to justify the returns assumptions embedded in current valuations and investment plans.
If adoption accelerates over the next two to three years, the current infrastructure build looks like prescient positioning. If it stalls — due to regulatory friction, slower-than-expected enterprise integration, or simply the difficulty of changing workflows at scale — the leverage taken on to fund the CAPEX starts to look poorly timed.
What This Means for Investors
The structure of the AI cash cycle suggests a few things worth holding onto.
The suppliers remain the most defensible position as long as the investment cycle continues, but their valuations already reflect a great deal of the good news. The hyperscalers are betting the returns will come, but the timeline is uncertain and the opportunity cost of being wrong is large. The application layer — the companies that will actually generate revenue from AI capabilities — remains undervalued relative to infrastructure if you believe adoption will be broad and fast, and overexposed to timing risk if you don't.
The underlying dynamic is one of the largest capital allocation events in corporate history unfolding in real time. The infrastructure is being built. The cash is flowing. The question of who ultimately captures the value — and when — is still genuinely open.
