Hipoteza o razrjeđivanju računanjem umjetne inteligencije, 2. dio. Usko grlo se uvijek pomiče.

Što nam pet mjeseci razvoja umjetne inteligencije, robotike i turizma može reći o tome kamo vrijednost ide dalje.

Dana 9. ožujka objavio sam Hipotezu o razrjeđivanju računanja umjetne inteligencije . Započelo je kao konceptualni argument gotovo u potpunosti izgrađen na osobnom promatranju, a njegova je tvrdnja bila jednostavna: kako umjetna inteligencija prelazi iz ranog prihvaćanja u masovno prihvaćanje, poboljšanja u mogućnostima modela ne prevode se automatski u ekvivalentna poboljšanja u iskustvu svakog pojedinog korisnika.

Razlog je taj što ispod umjetne inteligencije postoji fizički sustav. Svaki upit troši računalne resurse, svaki proces zaključivanja troši računalne resurse, a svaka generirana slika ili videozapis troše puno više. Računalne resurse pak zahtijevaju procesore, memoriju, mreže, podatkovne centre, hlađenje i električnu energiju, a sve je to konačno. Moj izvorni argument stoga je bio da se, kako se agregatna potražnja za zaključivanjem širi, operateri umjetne inteligencije suočavaju s problemom raspodjele resursa, a ne s isključivo tehničkim problemom. Teorijski kapacitet modela može nastaviti rasti čak i ako efektivna računalna dubina dostupna za bilo koju pojedinačnu interakciju fluktuira ili opada, jer ista infrastruktura mora istovremeno služiti sve većoj i heterogenoj populaciji.

Pet mjeseci kasnije, smatram taj razvoj događaja posebno zanimljivim. Ne zato što je ijedan događaj dokazao hipotezu; nije. Već zato što je strukturni obrazac koji sam opisivao postao vidljiv u cijeloj industriji i više se ne radi samo o ChatGPT-u.

Pet mjeseci kasnije: Uzorak postaje vidljiv

Prekid OpenAI-jevog potrošačkog Sora proizvoda bio je prvi razvoj koji mi je privukao pozornost. Generiranje videa izuzetno je računalno intenzivno potrošačko opterećenje, no ne smatram njegov prekid kao dokaz da je njegova izgradnja bila pogreška. Zanimljivije pitanje je alokacija. Sat GPU-a utrošen na video ne može se istovremeno potrošiti na kodiranje, zaključivanje, poslovne agente, znanstvena opterećenja ili obuku sljedećeg graničnog modela. Pružatelji usluga stoga više ne pitaju samo može li se nešto izračunati. Sve su više prisiljeni pitati se je li to još uvijek najbolja stvar za izračunati.

Sora ilustrira mogući prijelaz od razrjeđivanja računalstva prema onome što bih nazvao istiskivanjem računalstva : oskudni računalni resursi ne samo da se pažljivije raspoređuju unutar usluge; oni migriraju između cijelih kategorija radnog opterećenja.

Slična ograničenja potom su postala vidljiva i drugdje. Google je za Gemini eksplicitno uveo ograničenja korištenja temeljena na računalstvu, vežući pristup ne za fiksni broj poruka, već za izbor modela, složenost razgovora i računalni intenzitet. Anthropic je demonstrirao isti mehanizam u obrnutom smjeru, povećavajući ograničenja korištenja za korisnike Claudea nakon što je osigurao dodatni kapacitet. Odnos je gotovo mehanički: oskudno računanje proizvodi užu alokaciju, a dodatno računanje je opušta.

Zatim se pojavio otkrivajući slučaj. Izvješća su ukazivala na to da je Google ograničio Metin pristup Gemini kapacitetima jer je Metina računalna potražnja premašivala ono što je Google mogao pružiti u potrebnoj mjeri. Vrijedi se zastati na tome što to znači. Više ne raspravljamo o pojedinačnim korisnicima koji troše previše umjetne inteligencije. Raspravljamo o slučaju u kojem jedna od najvećih svjetskih tehnoloških tvrtki nije u mogućnosti dobiti dovoljno umjetne inteligencije od druge najveće svjetske tehnološke tvrtke.

Do kolovoza se rasprava pomaknula još dalje. Amazon je opisao električnu energiju kao ključno ograničenje širenja AWS-a, a Microsoft je fizičku infrastrukturu i dostupnu energiju uokvirio kao ograničenja usporediva ili čak i obvezujuća od dostupnosti samih AI čipova.

Usko grlo se pomicalo.

Figure 1. Public developments between March and August 2026, positioned by the layer at which capacity ran out.

Usko grlo se uvijek pomiče

Ovo bi mogla biti jedna od najstarijih lekcija u sistemskom inženjerstvu. Uska grla rijetko nestaju; ona migriraju. Prvo, problem je sposobnost modela; zatim grafički procesori; zatim kapacitet podatkovnog centra; zatim struja; zatim mrežne veze; zatim hlađenje; na kraju kapital. Riješite bilo koje od njih i nešto drugo postaje rijetko.

To je važno jer investicijske odluke donesene kao odgovor na današnje usko grlo mogu postati iracionalne nakon što se usko grlo promijeni. Tvrtka može potrošiti milijarde rješavajući problem koji svi trenutno vide, samo da bi otkrila da je ekonomska vrijednost već migrirala prema sljedećem ograničenom sloju. Ta dinamika nije jedinstvena za umjetnu inteligenciju i promatrao sam strukturno slične obrasce koji se razvijaju u industrijama koje gotovo ništa drugo ne dijele.

Također nas vraća na jedno od najstarijih pitanja u istraživanju i razvoju: što bismo trebali razvijati, koliko bismo to trebali razvijati, a što bismo trebali namjerno odlučiti da ne razvijamo dalje? Resursi za istraživanje i razvoj oduvijek su bili ograničeni. Novac je konačan, inženjerski kapaciteti su konačni, vrijeme je konačno, a pažnja menadžmenta je konačna. Računarstvo i energija sada su se pridružili tom popisu kao strateški resursi sami po sebi.

Posljedica je da tehnološki razvoj ne treba shvaćati kao jednu kontinuiranu predanost koja se proteže od ideje, kroz istraživanje, prototip, proizvod, skaliranje i masovno usvajanje. Svaka od tih strelica je zasebna investicijska odluka. Dokazivanje da nešto funkcionira ne opravdava automatski njegovu proizvodnju. Uspješna proizvodnja nečega ne opravdava automatski njegovo globalno skaliranje. Postizanje masovnog usvajanja ne znači automatski da nastavak podrške istom proizvodu ostaje najbolja upotreba sljedeće jedinice oskudnog resursa. Prilikom svake tranzicije, organizacija bi trebala biti u mogućnosti ponovno postaviti pitanje, s današnjim informacijama, a ne informacijama koje su opravdale prethodnu odluku.

Figure 2. The constraint chain and its current position.

Zaustavljanje stoga nije nužno neuspjeh. Preusmjeravanje resursa nije nužno neuspjeh. Promjena smjera nije nužno neuspjeh. Ponekad je sposobnost zaustavljanja ulaganja najjasniji dokaz da sustav upravljanja istraživanjem i razvojem funkcionira.

Kad uspjeh uništi oskudicu

Korisna analogija dolazi iz autonomne mobilne robotike. Kada je Gideon Brothers počeo ulagati u autonomne robotske platforme i privlačiti kapital, tehnološki smjer je imao znatnog smisla. Automatizacija logistike se širila, a senzori, računalni vid, tehnologija baterija i ugrađeno računalstvo istovremeno su se poboljšavali. Autonomna mobilnost postajala je izvediva.

No postojao je inherentni strateški problem: bilo je gotovo prelako predvidjeti da će se područje razvijati. Ako je prilika očita jednoj sposobnoj inženjerskoj organizaciji, ona na kraju postaje očita i mnogim drugima. Pojavili su se konkurenti, platforme su se umnožile, komponente su postale široko dostupne, a inženjersko znanje se proširilo. Tehnologija se nastavila poboljšavati dok je vrijednost rijetkosti samog posjedovanja robotske platforme opadala.

Ta je razlika ključna. Tehnologija može postati bolja, a istovremeno postati manje vrijedna kao izvor diferencijacije. Uspješni pioniri također smanjuju neizvjesnost za svoje konkurente: demonstriraju tehničku izvedivost, interes kupaca i arhitekture; pomažu u uspostavljanju dobavljača; i educiraju tržište. Kasniji sudionici stoga dolaze u djelomično smanjeni rizik, a vrijednost migrira. Od hardvera do softvera, od platformi do orkestracije, od mobilnosti do autonomije, od samog robota do njegove integracije u tijek rada kupca. Ispravan odgovor tada može biti zaokret, ne zato što je izvorni inženjering bio pogrešan, već zato što se promijenio sustav koji okružuje taj inženjering.

To stvara suptilan problem za svakoga tko se bavi tehnološkim predviđanjem. Nije dovoljno točno predvidjeti koja će tehnologija postati važna; također morate predvidjeti koliko drugih ljudi može predvidjeti istu stvar. Brzo rastuće područje može istovremeno predstavljati ogromno tržište i loše okruženje za održavanje diferencijacije. Što je prilika očitija, to brže ulazi kapital. Što brže kapital ulazi, brže se širi sposobnost. Što se brže sposobnost širi, to je kraći poluživot bilo koje tehnološke prednosti. Predviđanje stoga mora ići dalje od pitanja kamo tehnologija ide i pitati kamo će vrijednost migrirati kada svi ostali shvate kamo tehnologija ide.

Brački paradoks: Rast nije skaliranje

Vidim verziju istog sistemskog obrasca u okruženju koje teško da bi moglo biti drugačije: turizam u Dalmaciji.

Razmotrimo otok Brač. Turizam raste, grade se vile, pojavljuju se apartmani, šire se hoteli, umnožavaju se bazeni. Svaki pojedinačni investitor možda se ponaša racionalno. Pa ipak, sva ta ulaganja ovise o zajedničkoj infrastrukturi koja se ne može nužno širiti istom brzinom. Voda je očit primjer. Još jedna vila može se relativno brzo izgraditi, ali povećanje kapaciteta opskrbe vodom na otoku je fundamentalno drugačiji pothvat koji uključuje inženjering, dozvole, cjevovode, kapacitet crpljenja, kapital i godine planiranja.

Rezultat je jednostavna asimetrija: imovina koja generira potražnju skalira se brže od infrastrukture koja opskrbljuje resursima. A to otkriva nešto što rutinski brkamo. Rast nije skaliranje. Dodavanje još tisuću turističkih kreveta je rast. Ako ih voda, ceste, struja i sustavi odvodnje ne mogu podržati, sustav se nije skalirao. Dodavanje još sto milijuna korisnika umjetne inteligencije također je rast. Skaliranje zahtijeva da temeljni sustav apsorbira te korisnike bez neprihvatljivog smanjenja pouzdanosti, ekonomije ili dostupnosti.

Sada se stavite u poziciju investitora. Otok ima infrastrukturna ograničenja. Trebate li izgraditi hotel s tri bazena, jednim bazenom ili nijednim? Trebate li u potpunosti izbjeći ulaganje ili ulagati upravo zato što su drugi investitori uplašeni današnjim ograničenjima? Vodena infrastruktura se s vremenom može poboljšati, a ako se to dogodi, već posjedujete hotel, uspostavili ste brend, razumijete tržište i držite najbolju lokaciju. Kasniji sudionici dolaze tek nakon što je neizvjesnost uklonjena. Ograničenje je stoga i rizik i prilika, što je bit ulaganja u sustav koji se razvija. Investitor ne pita jesu li današnji uvjeti privlačni. Investitor pokušava odrediti gdje se danas nalaziti unutar sustava koji će postojati sutra. To je znatno teži problem.

Analogija se više preslikava na umjetnu inteligenciju nego što sam očekivao. Turistički objekti generiraju potražnju za vodom; AI aplikacije generiraju potražnju na temelju zaključivanja. Voda odgovara raspoloživom računalnom kapacitetu, a cjevovodi, rezervoari i crpne stanice odgovaraju podatkovnim centrima, mrežama, mrežama i računalnoj infrastrukturi, pri čemu se proizvodnja električne energije nalazi dalje uzvodno od bilo koje od njih.

Ovdje leži temeljna asimetrija. Digitalna potražnja skalira se brzinom softvera, dok se fizička infrastruktura skalira brzinom inženjeringa. Aplikacija može steći milijune korisnika u tjednima. Elektrana ne može. Podatkovni centar ne može. Tvornica za proizvodnju poluvodiča ne može. Prijenosna mreža ne može. Ovaj jaz bih nazvao infrastrukturnim zaostajanjem : razlika između brzine kojom se potražnja može širiti i brzine kojom se podržavajući fizički sloj može širiti.

Učinkovitost smanjuje pritisak bez ukidanja odnosa. Otok može popraviti curenja, optimizirati distribuciju i instalirati učinkovitije sustave, ali optimizacija ne stvara neograničene kubne metre vode. Umjetna inteligencija može koristiti bolje čipove, kvantizaciju, manje modele, poboljšano usmjeravanje i učinkovitije zaključivanje, a ništa od toga ne stvara beskonačno računanje.

 Figure 3. Infrastructure lag: continuous demand against capacity that arrives in blocks.

Povratne informacije, ne prognoza

Razlog zašto turizam, robotika i umjetna inteligencija proizvode prepoznatljivo slične obrasce jest taj što ispod svojih vrlo različitih tehnologija dijele karakteristike složenih adaptivnih sustava. Mnogi neovisni akteri neprestano međusobno djeluju. Investitori ulažu, potrošači usvajaju, konkurenti oponašaju, inženjeri se poboljšavaju, dobavljači se prilagođavaju, infrastruktura se širi, vlade reguliraju, cijene se kreću, kapital se preraspodjeljuje. Nitko ne kontrolira sustav, no svaka odluka mijenja okruženje u kojem svi ostali potom odlučuju.

To stvara povratnu informaciju, a ne putanju. Atraktivno tržište privlači kapital; kapital stvara ponudu; ponuda ubrzava difuziju; difuzija privlači konkurenciju; konkurencija smanjuje marže; smanjene marže preusmjeravaju kapital; oskudica stimulira ulaganja u infrastrukturu; infrastruktura uklanja oskudicu; a uklanjanje oskudice mijenja mjesto gdje se nalazi vrijednost. Zatim ciklus počinje iznova.

Investitor stoga ne stoji izvan sustava koji ga predviđa. Investitor je unutar sustava koji se predviđa i ulaganjem mijenja tržište koje se analizira. Upravo je to razlog zašto se složeni adaptivni sustavi opiru linearnom predviđanju.

Što se događa nakon što riješimo Compute

Većina AI strategija danas je razumljivo usmjerena na računalstvo i energiju. Koliko GPU-a, koliko megavata, koliko podatkovnih centara, koliko inferencije i koliko košta upit za zaključivanje. Ali to su pitanja koja generira današnje usko grlo.

Pretpostavimo da to riješimo. Hardver se poboljšava, modeli postaju učinkovitiji, energetska infrastruktura se širi, zaključivanje postaje dramatično jeftinije, a računalni kapacitet postaje obilan. Što onda?

Sumnjam da bi se industrija na kraju mogla susresti s vrlo drugačijim ograničenjem: previše umjetne inteligencije.

Industrijska povijest više puta pokazuje što se događa kada proizvodni kapaciteti premaše potražnju. Tekstil je jednostavan slučaj. Proizvodnja se poboljšava, postaje jeftinija, lanci opskrbe se šire, a proizvodi postaju obilni, sve dok se skladišta ne napune dok se proizvođači muče s prodajom onoga što su već proizveli. Temeljno pitanje mijenja se od toga možemo li to proizvesti do toga želi li itko još nešto.

Umjetna inteligencija mogla bi doživjeti vlastitu verziju te tranzicije. Asistenti, agenti, sintetički video, slike, softver, digitalni savjetnici, virtualni stručnjaci i automatizirane usluge na kraju će biti dostupni milijunima organizacija. U tom trenutku prvi moćni AI asistent je izvanredan, stoti je izbor, a desettisućiti je šum. Rijetki resurs ponovno migrira, ovaj put od računalstva prema ljudskoj pažnji.

Današnji odnos može se otprilike opisati kao potražnja za mogućnostima umjetne inteligencije koja premašuje dostupne računalne kapacitete, a cijela industrija ulaže u proširenje desne strane. Ako taj napor uspije, na kraju ćemo doći do obrnutog ishoda: dostupne mogućnosti umjetne inteligencije premašuju ljudske mogućnosti da ih konzumiraju. To je radikalno drugačije gospodarstvo. Središnje pitanje prebacuje se s toga koliko inteligencije možemo generirati na to zašto bi itko trebao konzumirati tu određenu inteligenciju.

Povjerenje može postati rijetko. Autentičnost može postati rijetka. Relevantnost može postati rijetka. Ljudska povezanost može postati rijetka. Potvrđena stručnost može postati rijetka. Fizičko iskustvo može postati vrijednije upravo zato što digitalno iskustvo postaje beskonačno reproducibilno. Još ne znamo gdje će se vrijednost smiriti, ali povijest nudi snažne tragove o mehanizmu.

Ponašanje potrošača više puta pokazuje da oskudnost ne zadržava svoju vrijednost nakon što je difuzija ukloni. Bilo je vrijeme kada je posjedovanje malog broja proizvoda globalno priznatih sportskih marki imalo stvarnu težinu ambicije. Dostupnost se proširila, potrošači su akumulirali više, a ono što je bilo iznimno postalo je uobičajeno. Diferencijacija je migrirala. Luksuz se proširio, zatim se proširio ultraluksuz, a sam luksuz na kraju susreće zasićenost, jer nakon što su potrošači više puta nešto iskusili, njegova psihološka oskudnost se mijenja. To ne znači da luksuz nestaje. To znači da se struktura diferencijacije ponovno reorganizira. Umjetna inteligencija vjerojatno neće izbjeći ovu osnovnu karakteristiku ljudskog ponašanja. Kada sve sadrži umjetnu inteligenciju, "pokretano umjetnom inteligencijom" neće prenijeti gotovo ništa, a vrijednost će se pomaknuti negdje drugdje.

Možda su odgovori iza nas

Zato sve više vjerujem da mnoge odgovore o budućnosti ne treba tražiti isključivo u budućnosti. Ove smo obrasce već vidjeli. Oskudica stvara vrijednost; vrijednost privlači ulaganja; ulaganja povećavaju ponudu; ponuda ubrzava difuziju; difuzija potiče imitaciju; imitacija nagriza diferencijaciju; obilje mijenja ponašanje potrošača; a vrijednost migrira prema onome što je sljedeće postalo rijetko. Različita stoljeća, različite industrije, različite tehnologije, slična temeljna dinamika.

Povijesna analogija je stoga neobično koristan instrument za predviđanje sustava. Ne zato što se povijest ponavlja precizno, zato što se ne ponavlja, već zato što su ljudski akteri koji proizvode te sustave ostali izrazito slični.

Zaključak: Tehnologija je nova, obrasci nisu

Kad sam u ožujku napisao izvornu hipotezu, moja je briga bila prvenstveno računalna. Pet mjeseci kasnije, mislim da je zanimljiviji problem sistemski. Računalna snaga je jedno ograničenje; energija je drugo; infrastruktura je treće; konkurencija je treće; a ljudska pažnja bi s vremenom mogla postati još jedno. Ništa od toga nije trajno. Usko grlo se pomiče.

Slijed koji sada vidim širi je od onog koji sam opisao u ožujku: sposobnost, usvajanje, potražnja za zaključivanjem, računalno ograničenje, ograničenje infrastrukture, alokacija resursa, migracija uskog grla, obilje, ograničenje pažnje.

Iz toga slijedi skup radnih pravila, a ne prognoza. Inženjerska izvedivost nije investicijska izvedivost. Tehnološki uspjeh nije automatski ekonomski uspjeh. Rast nije skaliranje. Usvajanje stvara potražnju za infrastrukturom, difuzija stvara konkurente, oskudica privlači ulaganja, rješavanje oskudice pomiče usko grlo, a obilje stvara novu oskudicu. Stoga bi svaki program istraživanja i razvoja trebao stalno pitati pripada li sljedeća jedinica oskudnog resursa još uvijek tamo gdje je prethodna uložena jedinica, jer se odgovor mijenja čak i kada se program ne mijenja.

Zato je za razumijevanje umjetne inteligencije potrebno više od proučavanja umjetne inteligencije. Zahtijeva proučavanje infrastrukture, istraživanja i razvoja, širenja, ponašanja potrošača, energije, konkurencije, ulaganja, povijesti i složenih adaptivnih sustava. Umjetna inteligencija može biti tehnološki neviđena, a istovremeno djelovati unutar ekonomskih i bihevioralnih obrazaca koje je čovječanstvo već mnogo puta proživjelo.

Za sada.

Jer svaka analogija u ovom članku počiva na jednoj pretpostavci koju još nisam ispitao: da je akter koji donosi posljedične odluke unutar tih sustava još uvijek čovjek. Ta je pretpostavka vrijedila za tekstilne tvornice, za investitore u robotiku i za vlasnika hotela na Braču. Možda neće još dugo vrijediti, i tu počinje treći dio.

Ovaj članak predstavlja autorova osobna zapažanja i konceptualne hipoteze. Primjeri se koriste za istraživanje ponavljajućih obrazaca u istraživanju i razvoju, širenju inovacija, skaliranju infrastrukture i složenim adaptivnim sustavima, a ne za utvrđivanje uzročno-posljedičnih odnosa između pojedinačnih korporativnih odluka.

Koncepti: Hipoteza razrjeđivanja računanja umjetne inteligencije; Istjecanje računanja; Zaostajanje infrastrukture; Migracija uskih grla; Raspodjela portfelja istraživanja i razvoja; Složeni adaptivni sustavi; Digitalno preopterećenje; Ekonomija pažnje inteligencije.

Reference

Amazon. (kolovoz 2026.). Amazon prebacuje opterećenja AWS-a kako se ograničenja napajanja pooštravaju . Vijesti o računarstvu u oblaku. https://www.cloudcomputing-news.net/news/amazon-aws-workloads-power-constraints/

Anthropic. (6. svibnja 2026.). Veća ograničenja korištenja za Claudea i računalni ugovor sa SpaceX-om . Anthropic. https://www.anthropic.com/news/higher-limits-spacex

Google. (2026). Ograničenja i nadogradnje Gemini aplikacija za pretplatnike Google AI-a . Pomoć za Gemini aplikacije. https://support.google.com/gemini/answer/16275805?hl=en

OpenAI. (2026). Što trebate znati o ukidanju Sore . Centar za pomoć OpenAI-a. https://help.openai.com/en/articles/20001152-what-to-know-about-the-sora-discontinuation

Reuters. (28. lipnja 2026.). Google ograničava Metino korištenje svojih Gemini AI modela, izvještava FT . CNBC. https://www.cnbc.com/2026/06/28/google-limits-metas-use-of-its-gemini-ai-models-ft-reports.html

Druga osobna zapažanja i konceptualni modeli: Autor.