356. America’s Hidden Duopoly - Let's Evolve Together

Summary & Insights

Could the current AI boom be mirroring the structural failures that led to the 2008 financial crisis? The conversation centers on a troubling trend among tech giants—including Alphabet, Microsoft, Amazon, Meta, and Oracle—who are allegedly utilizing Special Purpose Vehicles (SPVs) to move billions of dollars in debt off their balance sheets. By creating these shell entities to finance massive data center build-outs, companies can brag about their infrastructure growth in earnings reports while hiding the actual borrowing used to fund them.

This “shadow banking” approach is particularly risky because the debt is often funded by private credit, which lacks the transparency and rating oversight of public bonds. These SPVs are being marketed as stable infrastructure, similar to real estate, but they are actually highly speculative bets on future AI compute demand. The math suggests a staggering gap: the revenue required to service these loans would require AI demand to be significantly higher than current global software industry revenues, creating a precarious situation where any dip in demand could lead to a cascade of defaults.

Beyond the systemic risks of AI debt, the conversation touches on the diverging paths of industry leaders. Tesla is struggling with a stale product lineup and a “talent exodus” of the engineers who drove its early success, leaving the company heavily reliant on unproven bets like robotaxis and humanoid robots. Conversely, Google is seeing explosive cloud growth and resilient search revenue, though it is paying a high price in capital expenditure, resulting in its first-ever negative free cash flow.

Surprising Insights

Hidden Debt Scale: Some reports suggest there is upwards of $1.6 trillion in off-balance sheet debt across five tech giants, meaning the “invisible” debt is now larger than the reported debt.
The Private Credit Trap: Much of this AI infrastructure is funded by pensions and insurance funds via private credit, which often bypasses traditional credit ratings entirely.
Revenue Disconnect: To pay off the debt for planned data center capacity, the world would need roughly $1.68 trillion in annual AI compute revenue—a figure that dwarfs the entire global software industry.
Tesla’s Talent Gap: Tesla’s struggle may not just be about products, but a loss of the specific “hard-problem” engineering culture that existed five to eight years ago.

Practical Takeaways

Audit Your Portfolio’s “Private” Exposure: If you hold insurance products or pension funds, investigate how much exposure they have to private credit and AI infrastructure SPVs.
Look Beyond Top-Line Revenue: When analyzing AI companies, shift focus from revenue growth to free cash flow and CapEx guidance to see if the growth is sustainable or merely funded by debt.
Question the “Infrastructure” Narrative: Be skeptical of AI data centers being compared to traditional real estate; unlike a warehouse, a data center’s value is tied to rapidly depreciating GPUs and speculative software demand.
Evaluate Product Refresh Cycles: For hardware-adjacent stocks (like Tesla), monitor the age of the core platform rather than just delivery numbers to gauge long-term competitiveness.

Liệu sự bùng nổ AI hiện nay có đang lặp lại những sai lầm mang tính hệ thống từng dẫn đến cuộc khủng hoảng tài chính năm 2008? Tâm điểm của cuộc thảo luận này là một xu hướng đáng lo ngại trong số các gã khổng lồ công nghệ—bao gồm Alphabet, Microsoft, Amazon, Meta và Oracle—khi họ bị cáo buộc sử dụng các Công ty Mục đích Đặc biệt (SPV) để chuyển hàng tỷ đô la nợ ra khỏi bảng cân đối kế toán. Bằng cách tạo ra các thực thể “vỏ bọc” này để tài trợ cho việc xây dựng các trung tâm dữ liệu khổng lồ, các công ty có thể khoe về sự tăng trưởng cơ sở hạ tầng trong các báo cáo thu nhập trong khi che giấu các khoản vay thực tế được dùng để chi trả cho chúng.

Cách tiếp cận “ngân hàng bóng tối” (shadow banking) này đặc biệt rủi ro vì các khoản nợ thường được tài trợ bởi tín dụng tư nhân, vốn thiếu sự minh bạch và giám sát xếp hạng như trái phiếu công khai. Các SPV này đang được quảng bá là cơ sở hạ tầng ổn định, tương tự như bất động sản, nhưng thực chất chúng là những ván cược đầy rủi ro vào nhu cầu tính toán AI trong tương lai. Các phép tính cho thấy một khoảng cách gây sốc: doanh thu cần thiết để chi trả cho các khoản vay này đòi hỏi nhu cầu AI phải cao hơn đáng kể so với doanh thu hiện tại của toàn bộ ngành phần mềm toàn cầu, tạo ra một tình thế bấp bênh mà bất kỳ sự sụt giảm nào về nhu cầu cũng có thể dẫn đến một chuỗi vỡ nợ dây chuyền.

Ngoài những rủi ro hệ thống từ nợ AI, cuộc thảo luận cũng đề cập đến những con đường phân hóa của các nhà lãnh đạo trong ngành. Tesla đang vật lộn với danh mục sản phẩm cũ kỹ và sự “tháo chạy của nhân tài” từ những kỹ sư từng thúc đẩy thành công ban đầu, khiến công ty phụ thuộc nặng nề vào những ván cược chưa được chứng minh như robotaxi và robot hình người. Ngược lại, Google đang chứng kiến sự tăng trưởng bùng nổ về điện toán đám mây và doanh thu tìm kiếm bền bỉ, mặc dù họ đang phải trả giá cao thông qua chi phí vốn, dẫn đến dòng tiền tự do bị âm lần đầu tiên trong lịch sử.

Những góc nhìn gây bất ngờ

Quy mô nợ ẩn: Một số báo cáo cho thấy có tới hơn 1,6 nghìn tỷ đô la nợ ngoài bảng cân đối kế toán tại năm gã khổng lồ công nghệ, nghĩa là khoản nợ “vô hình” hiện nay lớn hơn cả khoản nợ được báo cáo chính thức.

Bẫy tín dụng tư nhân: Phần lớn cơ sở hạ tầng AI này được tài trợ bởi các quỹ hưu trí và quỹ bảo hiểm thông qua tín dụng tư nhân, vốn thường bỏ qua hoàn toàn các xếp hạng tín dụng truyền thống.

Sự mất kết nối về doanh thu: Để trả hết nợ cho công suất trung tâm dữ liệu dự kiến, thế giới sẽ cần doanh thu tính toán AI hàng năm khoảng 1,68 nghìn tỷ đô la—một con số làm lu mờ toàn bộ ngành phần mềm toàn cầu.

Khoảng trống nhân tài của Tesla: Sự khó khăn của Tesla có thể không chỉ nằm ở sản phẩm, mà còn là sự mất đi văn hóa kỹ thuật giải quyết “những bài toán khó” đặc thù từng tồn tại từ năm đến tám năm trước.

Bài học thực tiễn

Kiểm tra mức độ rủi ro “tư nhân” trong danh mục đầu tư: Nếu bạn nắm giữ các sản phẩm bảo hiểm hoặc quỹ hưu trí, hãy tìm hiểu xem họ có bao nhiêu tỷ lệ rủi ro đối với tín dụng tư nhân và các SPV cơ sở hạ tầng AI.

Nhìn xa hơn doanh thu thuần: Khi phân tích các công ty AI, hãy chuyển trọng tâm từ tăng trưởng doanh thu sang dòng tiền tự do và hướng dẫn chi phí vốn (CapEx) để xem liệu sự tăng trưởng đó là bền vững hay chỉ đơn thuần được tài trợ bằng nợ.

Đặt dấu hỏi về luận điểm “Cơ sở hạ tầng”: Hãy hoài nghi khi các trung tâm dữ liệu AI được so sánh với bất động sản truyền thống; khác với một kho hàng, giá trị của một trung tâm dữ liệu gắn liền với các GPU khấu hao nhanh chóng và nhu cầu phần mềm mang tính đầu cơ.

Đánh giá chu kỳ làm mới sản phẩm: Đối với các cổ phiếu liên quan đến phần cứng (như Tesla), hãy theo dõi tuổi thọ của nền tảng cốt lõi thay vì chỉ nhìn vào số lượng giao hàng để đánh giá khả năng cạnh tranh dài hạn.

目前的 AI 熱潮是否正複製導致 2008 年金融危機的結構性失效？目前的討論焦點在於科技巨頭（包括 Alphabet、微軟、亞馬遜、Meta 和 Oracle）之間的一個令人不安的趨勢——據稱這些公司正利用「特殊目的公司」（Special Purpose Vehicles, SPVs）將數十億美元的債務移出資產負債表。透過創建這些殼公司來為大規模的數據中心建設提供資金，企業可以在盈餘報告中誇耀其基礎設施的成長，同時隱藏用於資助這些建設的實際借貸。

這種「影子銀行」模式極具風險，因為這些債務通常由私人信貸（private credit）資助，缺乏公開債券的透明度和評級監管。這些 SPV 被包裝成類似房地產的穩定基礎設施，但實際上是對未來 AI 計算需求的極高投機性賭注。數據分析顯示出一個驚人的差距：要償還這些貸款所需的收入，意味著 AI 的需求必須顯著高於目前全球軟體產業的總收入，這造成了一種危險局面，任何需求的下滑都可能引發連鎖違約。

除了 AI 債務的系統性風險外，討論還觸及了產業領導者之間分歧的發展路徑。特斯拉（Tesla）正苦於產品線陳舊以及推動其早期成功的工程師「人才流失」，導致公司過度依賴尚未被證實的賭注，如無人駕駛出租車（robotaxis）和人形機器人。相反地，Google 的雲端業務正經歷爆發式成長且搜尋收入依然強韌，儘管其在資本支出上付出了高昂代價，導致公司出現了史上首次的負自由現金流。

驚人之見

隱藏債務規模： 某些報告指出，五大科技巨頭的表外債務高達 1.6 兆美元，這意味著「隱形」債務目前已超過了申報債務。

私人信貸陷阱： 大量 AI 基礎設施是由退休金和保險基金透過私人信貸資助的，而這類資金往往完全繞過了傳統的信用評級。

收入脫節： 為了償還計劃中數據中心產能的債務，全球每年需要約 1.68 兆美元的 AI 計算收入——這一數字讓整個全球軟體產業顯得微不足道。

特斯拉的人才缺口： 特斯拉的困境可能不僅在於產品，而是在於失去了五到八年前那種專攻「困難問題」的特定工程文化。

實踐啟示

審查投資組合中的「私人」曝險： 如果您持有保險產品或退休金基金，請調查其對私人信貸和 AI 基礎設施 SPV 的曝險程度。

跳出營收增長的表面數據： 在分析 AI 公司時，將重心從營收增長轉移到自由現金流和資本支出（CapEx）指引，以判斷其增長是可持續的，還是僅由債務推動。

質疑「基礎設施」論調： 對於將 AI 數據中心比作傳統房地產的說法應保持懷疑；與倉庫不同，數據中心的價值與快速貶值的 GPU 和投機性的軟體需求緊密相連。

評估產品更新週期： 對於硬體相關股票（如特斯拉），應監控核心平台的機齡而非僅僅看交付數量，以此衡量其長期競爭力。

Le boom actuel de l’IA pourrait-il refléter les défaillances structurelles qui ont conduit à la crise financière de 2008 ? Le débat se concentre sur une tendance inquiétante chez les géants de la technologie — notamment Alphabet, Microsoft, Amazon, Meta et Oracle — qui utiliseraient des véhicules à vocation spéciale (SPV) pour sortir des milliards de dollars de dettes de leurs bilans comptables. En créant ces entités écrans pour financer la construction massive de centres de données, les entreprises peuvent se targuer de la croissance de leurs infrastructures dans leurs rapports de résultats tout en masquant les emprunts réels utilisés pour les financer.

Cette approche de « shadow banking » (finance occulte) est particulièrement risquée car la dette est souvent financée par du crédit privé, lequel manque de la transparence et de la surveillance des agences de notation propres aux obligations publiques. Ces SPV sont commercialisés comme des infrastructures stables, semblables à l’immobilier, mais ils constituent en réalité des paris hautement spéculatifs sur la demande future en puissance de calcul d’IA. Les calculs suggèrent un écart stupéfiant : les revenus nécessaires pour rembourser ces prêts exigeraient que la demande en IA soit nettement supérieure aux revenus actuels de l’industrie mondiale du logiciel, créant ainsi une situation précaire où tout fléchissement de la demande pourrait entraîner une cascade de défauts de paiement.

Au-delà des risques systémiques liés à la dette de l’IA, la discussion aborde les trajectoires divergentes des leaders du secteur. Tesla est aux prises avec une gamme de produits stagnante et un « exode des talents » parmi les ingénieurs qui ont porté ses premiers succès, laissant l’entreprise fortement dépendante de paris non encore prouvés, tels que les robotaxis et les robots humanoïdes. À l’inverse, Google connaît une croissance explosive de son activité cloud et des revenus de recherche résilients, bien qu’il en paie le prix fort en termes de dépenses d’investissement (CapEx), ce qui se traduit par son premier flux de trésorerie disponible (free cash flow) négatif de son histoire.

Analyses Surprenantes

L’ampleur de la dette cachée : Certains rapports suggèrent qu’il y aurait plus de 1 600 milliards de dollars de dettes hors bilan répartis entre cinq géants de la technologie, ce qui signifie que la dette « invisible » est désormais supérieure à la dette déclarée.

Le piège du crédit privé : Une grande partie de cette infrastructure d’IA est financée par des fonds de pension et des fonds d’assurance via le crédit privé, lequel contourne souvent entièrement les notations de crédit traditionnelles.

Déconnexion des revenus : Pour rembourser la dette liée à la capacité prévue des centres de données, le monde aurait besoin d’environ 1 680 milliards de dollars de revenus annuels issus du calcul d’IA — un chiffre qui éclipse l’ensemble de l’industrie mondiale du logiciel.

Le déficit de talents chez Tesla : Les difficultés de Tesla pourraient ne pas être liées uniquement aux produits, mais à la perte de cette culture d’ingénierie spécifique axée sur la résolution de « problèmes complexes » qui existait il y a cinq à huit ans.

Conseils Pratiques

Auditez l’exposition « privée » de votre portefeuille : Si vous détenez des produits d’assurance ou des fonds de pension, renseignez-vous sur leur niveau d’exposition au crédit privé et aux SPV d’infrastructure d’IA.

Regardez au-delà du chiffre d’affaires : Lors de l’analyse des entreprises d’IA, déplacez votre attention de la croissance du chiffre d’affaires vers le flux de trésorerie disponible (free cash flow) et les prévisions de CapEx pour déterminer si la croissance est durable ou simplement financée par la dette.

Remettez en question le narratif de « l’infrastructure » : Soyez sceptique lorsque les centres de données d’IA sont comparés à l’immobilier traditionnel ; contrairement à un entrepôt, la valeur d’un centre de données est liée à des GPU qui se déprécient rapidement et à une demande logicielle spéculative.

Évaluez les cycles de renouvellement des produits : Pour les actions liées au matériel (comme Tesla), surveillez l’âge de la plateforme principale plutôt que les seuls chiffres de livraison pour évaluer la compétitivité à long terme.

Könnte der aktuelle KI-Boom die strukturellen Versäumnisse widerspiegeln, die zur Finanzkrise 2008 führten? Im Zentrum der Diskussion steht ein beunruhigender Trend unter den Tech-Giganten – darunter Alphabet, Microsoft, Amazon, Meta und Oracle –, die mutmaßlich Zweckgesellschaften (Special Purpose Vehicles, SPVs) nutzen, um Schulden in Milliardenhöhe aus ihren Bilanzen auszulagern. Durch die Gründung dieser Mantelgesellschaften zur Finanzierung massiver Rechenzentrumsausbauten können Unternehmen in ihren Ergebnisberichten mit ihrem Infrastrukturwachstum prahlen, während sie die tatsächlichen Kredite, die zur Finanzierung verwendet wurden, verbergen.

Dieser „Schattenbanking“-Ansatz ist besonders riskant, da die Schulden häufig durch Private-Credit-Märkte finanziert werden, denen die Transparenz und die Rating-Aufsicht öffentlicher Anleihen fehlen. Diese SPVs werden als stabile Infrastruktur vermarktet, ähnlich wie Immobilien, sind jedoch in Wahrheit hochspekulative Wetten auf die zukünftige Nachfrage nach KI-Rechenleistung. Die Zahlen legen eine erschreckende Lücke nahe: Der Umsatz, der zur Bedienung dieser Kredite erforderlich wäre, müsste deutlich über den aktuellen Gesamteinnahmen der weltweiten Softwareindustrie liegen. Dies schafft eine prekäre Situation, in der jeder Nachfragerückgang zu einer Kaskade von Zahlungsausfällen führen könnte.

Neben den systemischen Risiken der KI-Verschuldung thematisiert die Diskussion die gegensätzlichen Wege der Branchenführer. Tesla kämpft mit einer veralteten Produktpalette und einem „Talent-Exodus“ der Ingenieure, die den frühen Erfolg vorangetrieben haben, wodurch das Unternehmen stark von unbewiesenen Wetten wie Robotaxis und humanoidem Robotern abhängig ist. Im Gegensatz dazu verzeichnet Google ein explosives Cloud-Wachstum und widerstandsfähige Suchmaschineneinnahmen, zahlt jedoch einen hohen Preis bei den Investitionsausgaben (CapEx), was zu seinem ersten negativen Free Cashflow überhaupt geführt hat.

Überraschende Erkenntnisse

Umfang versteckter Schulden: Einige Berichte deuten darauf hin, dass fünf Tech-Giganten über 1,6 Billionen Dollar an außerbilanziellen Schulden haben, was bedeutet, dass die „unsichtbaren“ Schulden mittlerweile größer sind als die ausgewiesenen.

Die Private-Credit-Falle: Ein Großteil dieser KI-Infrastruktur wird über Private Credit durch Pensions- und Versicherungsfonds finanziert, wobei traditionelle Kreditratings oft vollständig umgangen werden.

Umsatz-Diskrepanz: Um die Schulden für die geplanten Rechenzentrumskapazitäten zu tilgen, müsste die Welt jährlich etwa 1,68 Billionen Dollar an Umsatz mit KI-Rechenleistung generieren – eine Zahl, die die gesamte globale Softwareindustrie in den Schatten stellt.

Teslas Talentlücke: Teslas Probleme könnten nicht nur an den Produkten liegen, sondern an einem Verlust jener spezifischen „Hard-Problem“-Engineering-Kultur, die vor fünf bis acht Jahren existierte.

Praktische Erkenntnisse

Prüfen Sie das „Private“ Exposure Ihres Portfolios: Wenn Sie Versicherungsprodukte oder Pensionsfonds halten, untersuchen Sie, wie hoch deren Exposure gegenüber Private Credit und KI-Infrastruktur-SPVs ist.

Blicken Sie über den Umsatz hinaus: Achten Sie bei der Analyse von KI-Unternehmen weniger auf das Umsatzwachstum als vielmehr auf den Free Cashflow und die CapEx-Prognosen, um zu sehen, ob das Wachstum nachhaltig ist oder lediglich durch Schulden finanziert wird.

Hinterfragen Sie das „Infrastruktur“-Narrativ: Seien Sie skeptisch, wenn KI-Rechenzentren mit traditionellen Immobilien verglichen werden; im Gegensatz zu einem Lagerhaus ist der Wert eines Rechenzentrums an schnell an Wert verlierende GPUs und eine spekulative Softwarenachfrage gebunden.

Bewerten Sie Produkt-Erneuerungszyklen: Beobachten Sie bei hardwarenahen Aktien (wie Tesla) das Alter der Kernplattform statt nur die Auslieferungszahlen, um die langfristige Wettbewerbsfähigkeit einzuschätzen.

We all know our political system is “broken” — but what if that’s not true? Some say the Republicans and Democrats constitute a wildly successful industry that has colluded to kill off competition, stifle reform, and drive the country apart. So what are you going to do about it?