Pomóż rozwijać World Market Atlas
Zamawiając wycenę firmy, wspierasz też rozwój projektu.
Wesprzyj projekt
Pomóż rozwijać World Market Atlas — niezależny projekt dla inwestorów indywidualnych. Twoje wsparcie pomaga tworzyć analizy i rozwijać narzędzia.
Straty OpenAI i Anthropic: ekonomika wyścigu o modele graniczne oraz problem porównywalności danych finansowych
Stan danych: 23 września 2026 r. Dane medialne, wyniki historyczne i prognozy rozróżniono w tekście.
Streszczenie
Celem artykułu jest analiza strat operacyjnych, zużycia gotówki i przyszłych zobowiązań infrastrukturalnych dwóch najważniejszych prywatnych przedsiębiorstw rozwijających graniczne modele sztucznej inteligencji: OpenAI i Anthropic. Analiza wskazuje, że nie istnieje jedna, w pełni porównywalna i publicznie zweryfikowana wartość określająca „stratę” każdej ze spółek. Dostępne źródła posługują się bowiem różnymi kategoriami: stratą operacyjną, stratą netto, ujemnymi wolnymi przepływami pieniężnymi, zużyciem gotówki oraz skorygowanym wynikiem operacyjnym.
Według dokumentów udostępnionych akcjonariuszom i opisanych przez „The Information”, OpenAI miało zużyć 3,7 mld USD gotówki w pierwszym kwartale 2026 r., osiągając w tym samym okresie 5,7 mld USD przychodów. Reuters zaznaczył jednak, że nie był w stanie niezależnie potwierdzić tych danych. Jeszcze większą skalę przedstawia prognoza opisana przez „Financial Times”: OpenAI ma oczekiwać łącznie 278 mld USD ujemnych wolnych przepływów pieniężnych w latach 2026–2030. Jest to jednak prognoza, a nie strata już poniesiona. Reuters
W przypadku Anthropic źródła medialne wskazują, że spółka zużyła około 5,6 mld USD gotówki w 2024 r. i zakładała ograniczenie tego zużycia do 3 mld USD w 2025 r. Jednocześnie w 2026 r. Anthropic miało prognozować pierwszy dodatni skorygowany wynik operacyjny. Nie oznacza to jednak automatycznie dodatniego wyniku netto ani dodatnich wolnych przepływów pieniężnych. Reuters
Słowa kluczowe: OpenAI, Anthropic, sztuczna inteligencja, cash burn, strata operacyjna, wolne przepływy pieniężne, compute, modele graniczne.
1. Wprowadzenie
Rozwój generatywnej sztucznej inteligencji doprowadził do powstania przedsiębiorstw, których tempo wzrostu przychodów jest wyjątkowo wysokie, ale jednocześnie wymaga niespotykanej wcześniej skali inwestycji w centra danych, procesory, energię, sieci przesyłowe, infrastrukturę chmurową oraz wysoko wykwalifikowanych pracowników. OpenAI i Anthropic należą do najważniejszych firm uczestniczących w tym wyścigu.
Ocena ich sytuacji finansowej jest jednak trudniejsza niż analiza tradycyjnych spółek giełdowych. Obie firmy pozostają przedsiębiorstwami prywatnymi i nie udostępniają publicznie pełnego, jednolitego zestawu skonsolidowanych sprawozdań finansowych porównywalnego z raportami rocznymi amerykańskich spółek giełdowych. Z tego względu większość informacji o ich stratach pochodzi z dokumentów inwestorskich, prezentacji dla akcjonariuszy, materiałów pozyskanych przez media albo wypowiedzi kierownictwa.
W kilku przypadkach Reuters wyraźnie zaznaczył, że nie był w stanie samodzielnie potwierdzić liczb pierwotnie opublikowanych przez „The Information” lub „Financial Times”. Dlatego prawidłowe naukowo sformułowanie brzmi nie „OpenAI na pewno straciło określoną kwotę”, lecz „według dokumentów opisanych przez dane medium spółka miała odnotować określony wynik”. Reuters
2. Metoda badawcza i hierarchia źródeł
W artykule zastosowano analizę dokumentacyjną. Źródła podzielono na trzy grupy:
Z analizy wyłączono niesygnowane wpisy w mediach społecznościowych, niesprawdzone zestawienia internetowe oraz dane, dla których nie udało się ustalić pierwotnego źródła.
3. „Strata” nie jest jednym pojęciem
W dyskusji dotyczącej OpenAI i Anthropic często miesza się kilka odmiennych kategorii finansowych.
Strata operacyjna powstaje wtedy, gdy koszty podstawowej działalności przedsiębiorstwa są wyższe od jego przychodów. Obejmuje między innymi koszty infrastruktury, badań i rozwoju, wynagrodzeń, sprzedaży oraz administracji.
Strata netto uwzględnia również pozycje pozaoperacyjne, takie jak koszty finansowe, zmiany wartości instrumentów kapitałowych, podatki lub jednorazowe skutki restrukturyzacji. Może być zatem znacznie wyższa albo niższa od straty operacyjnej.
Cash burn, czyli zużycie gotówki, wskazuje, o ile zmniejszyły się zasoby pieniężne przedsiębiorstwa w związku z finansowaniem działalności i inwestycji. Nie jest to to samo co strata księgowa.
Ujemne wolne przepływy pieniężne oznaczają, że przepływy generowane przez działalność przedsiębiorstwa nie wystarczają do sfinansowania jego inwestycji. W przypadku laboratoriów AI znaczenie mogą mieć zarówno bieżące koszty obliczeń, jak i wieloletnie umowy dotyczące mocy centrów danych.
Skorygowany wynik operacyjny może natomiast pomijać pewne koszty, na przykład wynagrodzenia w akcjach. Z tego powodu dodatni skorygowany wynik operacyjny nie jest równoznaczny z dodatnim wynikiem netto.
Dodatkowym problemem jest stosowanie pojęcia run-rate revenue. Jest ono ekstrapolacją najnowszego tempa sprzedaży, a nie przychodem osiągniętym przez pełne dwanaście miesięcy. Anthropic definiowało ten wskaźnik poprzez pomnożenie sprzedaży konsumpcyjnej z ostatnich 28 dni przez 13 oraz miesięcznych przychodów subskrypcyjnych przez 12. Według Reuters Breakingviews przychód Anthropic zgodny z zasadami GAAP za okres od rozpoczęcia działalności do końca 2025 r. wynosił ponad 5 mld USD, podczas gdy podawany w lutym 2026 r. run-rate sięgał już 19 mld USD. Obie liczby mogą być prawdziwe, ale mierzą zupełnie inne zjawiska. Reuters
4. OpenAI – wzrost przychodów przy bardzo wysokim zużyciu kapitału
4.1. Dane za pierwszy kwartał 2026 r.
Według dokumentów udostępnionych akcjonariuszom i opisanych przez „The Information”, OpenAI miało w pierwszym kwartale 2026 r.:
Reuters opublikował tę informację 16 czerwca 2026 r., zastrzegając jednocześnie, że nie był w stanie niezależnie potwierdzić raportu. Reuters
Relacja zużycia gotówki do przychodów wynosiła około:
(3,7 ÷ 5,7) × 100% ≈ 64,9%
Oznacza to, że raportowane zużycie gotówki odpowiadało około 65 centom na każdego dolara kwartalnego przychodu. Nie należy jednak interpretować tego wskaźnika jako marży operacyjnej, ponieważ cash burn może obejmować inwestycje, płatności wynikające z wcześniejszych zobowiązań oraz zmiany kapitału obrotowego.
4.2. Niepubliczne dane za 2025 r.
W czerwcu 2026 r. „Fortune” opisało kopie sprawozdań finansowych OpenAI pozyskane przez dziennikarza Eda Zitrona i „Financial Times”. Według tych materiałów przychody spółki w 2025 r. miały wynieść około 13,07 mld USD, koszty i wydatki 34 mld USD, a strata operacyjna około 20,92 mld USD. Fortune
Liczby te są istotne, ale nie należy przedstawiać ich jako publicznie potwierdzonego, audytowanego wyniku dostępnego na takich samych zasadach jak raport spółki giełdowej. Są to dane z kopii dokumentów pozyskanych przez media. W niniejszym artykule pełnią zatem funkcję materiału pomocniczego, a nie bezspornego sprawozdania publicznego.
Jeżeli przedstawione dane są prawidłowe, strata operacyjna odpowiadałaby około 160% przychodów, a całkowite koszty byłyby około 2,6 razy wyższe od sprzedaży. Skala ta pokazuje, że szybki wzrost przychodów nie wystarczał jeszcze do pokrycia kosztów badań, infrastruktury, obsługi modeli, dystrybucji i rozbudowy przedsiębiorstwa.
4.3. Prognoza do 2030 r.
Najbardziej znacząca liczba dotycząca przyszłych potrzeb finansowych OpenAI pochodzi z prezentacji spółki, którą miał przeanalizować „Financial Times”. Według Reuters OpenAI prognozuje:
Wszystkie te wartości są prognozami wynikającymi z wewnętrznej prezentacji, a nie zrealizowanymi wynikami. OpenAI nie skomentowało bezpośrednio raportu przed jego publikacją przez Reuters. Reuters
Plan oznaczałby, że nawet przy bardzo szybkim wzroście sprzedaży spółka zakłada wieloletni okres ujemnych przepływów pieniężnych. Strategia OpenAI przypomina pod tym względem budowę infrastruktury: przedsiębiorstwo zabezpiecza moce obliczeniowe z wyprzedzeniem, zanim przychody generowane przez te aktywa w pełni pokryją ich koszty.
4.4. Finansowanie strat
31 marca 2026 r. OpenAI oficjalnie poinformowało o pozyskaniu 122 mld USD zadeklarowanego kapitału przy wycenie post-money wynoszącej 852 mld USD. Spółka podała również, że generuje około 2 mld USD przychodów miesięcznie. Jest to informacja pochodząca bezpośrednio od przedsiębiorstwa, lecz nie stanowi potwierdzenia jego rentowności. OpenAI
Kapitał pozyskany od inwestorów nie jest przychodem ze sprzedaży ani zyskiem. Służy między innymi do pokrywania ujemnych przepływów pieniężnych, finansowania prac badawczych oraz zawierania umów na przyszłe dostawy mocy obliczeniowej.
5. Anthropic – od wysokiego cash burn do raportowanej rentowności skorygowanej
5.1. Zużycie gotówki w latach 2024–2025
W lutym 2025 r. Reuters, powołując się na raport „The Information”, podał, że Anthropic:
Anthropic nie odpowiedziało wówczas na prośbę Reuters o komentarz. Co szczególnie ważne, kwota 3 mld USD była prognozą na 2025 r., a nie potwierdzonym później wynikiem rocznym. Reuters
Nie należy więc pisać, że „Anthropic straciło 3 mld USD w 2025 r.”. Prawidłowe sformułowanie brzmi: w lutym 2025 r. spółka miała prognozować zużycie około 3 mld USD gotówki w całym roku.
5.2. Pierwsza raportowana prognoza dodatniego wyniku operacyjnego
W maju 2026 r. Reuters Breakingviews podał, że Anthropic wygenerowało 4,8 mld USD przychodów w pierwszym kwartale roku i oczekiwało 10,9 mld USD przychodów w drugim kwartale. Spółka miała również prognozować 559 mln USD skorygowanego zysku operacyjnego w tym okresie, co byłoby jej pierwszym rentownym kwartałem według tej miary. Reuters
Prognozowana skorygowana marża operacyjna wynosiła około:
(0,559 ÷ 10,9) × 100% ≈ 5,1%
Według Reuters wskaźnik ten uwzględniał pełny koszt trenowania nowych modeli, ale pomijał wynagrodzenia oparte na akcjach. Nie był więc odpowiednikiem nieskorygowanego zysku operacyjnego ani zysku netto. Reuters
We wrześniu 2026 r. „Financial Times” informował, że Anthropic miało przekazać akcjonariuszom prognozę dodatniego skorygowanego wyniku operacyjnego przez drugi kwartał z rzędu. Reuters ponownie zaznaczył, że nie był w stanie niezależnie zweryfikować tej informacji, a Anthropic nie odpowiedziało przed publikacją. Reuters
Prognozy te sugerują możliwą poprawę ekonomiki działalności Anthropic, ale nie dowodzą jeszcze, że przedsiębiorstwo osiągnęło:
5.3. Dlaczego wyników Anthropic i OpenAI nie można porównywać bez korekt
Reuters Breakingviews zwrócił uwagę, że przychody Anthropic nie były pomniejszane o część należną partnerom dystrybucyjnym. OpenAI miało natomiast przedstawiać swoje przychody po potrąceniu udziału należnego Microsoftowi. W konsekwencji 1 USD przychodu raportowanego przez Anthropic nie musi odpowiadać 1 USD przychodu raportowanego przez OpenAI. Reuters
Podobny problem występuje po stronie kosztów. Skorygowany wynik operacyjny Anthropic wyłączał wynagrodzenia w akcjach. Tymczasem dla szybko rozwijającej się firmy technologicznej koszty takich wynagrodzeń mogą być ekonomicznie istotne, nawet jeżeli w danym okresie nie powodują bezpośredniego wypływu gotówki.
Z tego powodu na podstawie dostępnych danych nie można odpowiedzialnie stwierdzić, że Anthropic jest bezwzględnie bardziej rentowne od OpenAI. Można jedynie powiedzieć, że Anthropic raportowało szybsze dojście do dodatniego skorygowanego wyniku operacyjnego.
5.4. Finansowanie i zobowiązania infrastrukturalne Anthropic
W lutym 2026 r. Anthropic oficjalnie poinformowało o pozyskaniu 30 mld USD kapitału przy wycenie post-money wynoszącej 380 mld USD. Spółka podawała wtedy run-rate revenue na poziomie 14 mld USD. Anthropic
W kwietniu 2026 r. Anthropic ogłosiło umowę z Amazonem obejmującą zobowiązanie do wydania ponad 100 mld USD na technologie AWS w ciągu dziesięciu lat oraz zabezpieczenie do 5 GW mocy obliczeniowej. Amazon zadeklarował równocześnie inwestycję 5 mld USD z możliwością zainwestowania kolejnych 20 mld USD, ponad wcześniejsze 8 mld USD. Anthropic
Kwota 100 mld USD nie jest bieżącą stratą Anthropic. Jest wieloletnim zobowiązaniem umownym, które będzie rozliczane w przyszłości. Pokazuje jednak, że nawet przedsiębiorstwo raportujące dodatni skorygowany wynik operacyjny musi zabezpieczać ogromne ilości kapitału na przyszłą infrastrukturę.
6. Zestawienie dostępnych danych
Tabela pokazuje, że dostępne liczby nie stanowią jednolitego szeregu porównawczego. W jednej kolumnie znajdują się wyniki historyczne, w innej prognozy, a ponadto stosowane są różne definicje przychodów i rentowności.
7. Główne przyczyny strat
7.1. Koszt trenowania modeli granicznych
Badanie Bena Cottiera i współautorów wskazuje, że amortyzowany koszt trenowania najbardziej wymagających obliczeniowo modeli granicznych wzrastał od 2016 r. średnio około 2,4 razy rocznie. Autorzy oszacowali, że w analizowanych projektach sprzęt obliczeniowy odpowiadał za około 47–64% kosztu rozwoju modelu, a praca personelu badawczo-rozwojowego – po uwzględnieniu wynagrodzeń kapitałowych – za około 29–49%. Sama energia odpowiadała za znacznie mniejszy udział, najczęściej 2–6%. arXiv
Badanie nie przedstawia rzeczywistych rachunków OpenAI lub Anthropic, lecz model kosztowy oparty na danych o sprzęcie, energii, chmurze i personelu. Jego znaczenie polega na pokazaniu, że koszt trenowania nie ogranicza się do zakupu energii elektrycznej. Najważniejszymi kategoriami są procesory, serwery, sieci, amortyzacja infrastruktury oraz praca wysoko opłacanych zespołów badawczych.
7.2. Koszt obsługi użytkowników
Po zakończeniu treningu model nadal generuje koszty przy każdym zapytaniu użytkownika. Jest to koszt inferencji obejmujący pracę procesorów, pamięć, sieć, centra danych i energię.
Stanford AI Index wskazał, że koszt inferencji systemu osiągającego poziom zbliżony do GPT-3.5 spadł ponad 280 razy między listopadem 2022 r. a październikiem 2024 r. Jednocześnie koszty sprzętu obniżały się średnio o około 30% rocznie, a efektywność energetyczna poprawiała się o około 40% rocznie. Stanford HAI
Spadek kosztu jednostkowego nie musi jednak prowadzić do spadku łącznych wydatków. Jeżeli liczba użytkowników, długość generowanych odpowiedzi, wykorzystanie agentów oraz zapotrzebowanie na bardziej zaawansowane modele rosną szybciej niż efektywność sprzętu, całkowity rachunek za inferencję nadal może się zwiększać.
7.3. Wyścig o dostęp do mocy obliczeniowej
Laboratoria AI zabezpieczają moce obliczeniowe z wieloletnim wyprzedzeniem. Powodem jest ograniczona dostępność nowoczesnych akceleratorów, transformatorów, przyłączy energetycznych, chłodzenia i odpowiednio wyposażonych centrów danych.
Prognozowane przez OpenAI wydatki infrastrukturalne na poziomie 856 mld USD do końca 2030 r. oraz zobowiązanie Anthropic do wydania ponad 100 mld USD na technologie AWS w ciągu dziesięciu lat pokazują, że rozwój modeli granicznych zaczyna przypominać działalność infrastrukturalną, a nie wyłącznie tworzenie oprogramowania. Reuters
7.4. Koszt badań i ryzyko szybkiej utraty wartości modeli
Nowy model może wymagać wielomiesięcznych badań, eksperymentów i testów bezpieczeństwa. Jednocześnie jego przewaga technologiczna może szybko maleć po wprowadzeniu kolejnej generacji modeli przez konkurentów.
Powoduje to przyspieszoną ekonomiczną utratę wartości nakładów badawczo-rozwojowych. Model pozostaje technicznie sprawny, ale może wymagać obniżenia ceny albo zastąpienia nowszym systemem. Ryzyko to zwiększa presję na ciągłe ponoszenie kolejnych kosztów treningu.
8. Dyskusja: czy straty są oznaką słabości?
Wysokie straty nie muszą automatycznie oznaczać, że model biznesowy przedsiębiorstwa jest nieskuteczny. W fazie szybkiego wzrostu firma może świadomie ponosić ujemne przepływy pieniężne, aby zdobywać klientów, rozwijać technologię i zabezpieczać przyszłą infrastrukturę.
Jednocześnie sama możliwość pozyskiwania ogromnego kapitału nie dowodzi trwałej rentowności. Finansowanie inwestorskie jedynie przesuwa w czasie moment, w którym przychody muszą zacząć pokrywać:
koszt inferencji + udział partnerów + badania i trening + wynagrodzenia + infrastrukturę + pozostałe koszty
Największym ryzykiem jest sytuacja, w której ceny modeli spadają szybciej niż koszty ich trenowania i obsługi. Konkurencja między OpenAI, Anthropic, Google, Meta, xAI oraz dostawcami modeli otwartych może wywoływać presję na obniżanie cen. W takim otoczeniu szybki wzrost liczby użytkowników nie musi automatycznie przekładać się na proporcjonalny wzrost marży.
Z drugiej strony rosnąca automatyzacja programowania, analizy dokumentów, obsługi klienta i procesów administracyjnych może generować przychody o znacznie wyższej wartości niż proste interakcje z chatbotem. Z ekonomicznego punktu widzenia kluczowy będzie więc nie sam wolumen tokenów, lecz zdolność do pobierania opłat za rozwiązanie konkretnego problemu biznesowego.
9. Ograniczenia badania
Najważniejszym ograniczeniem jest brak pełnych, publicznie dostępnych i jednolicie sporządzonych sprawozdań obu przedsiębiorstw. Z tego wynikają cztery problemy.
Po pierwsze, część liczb pochodzi z dokumentów wewnętrznych opisanych przez media. Po drugie, wyniki historyczne bywają zestawiane z prognozami przyszłymi. Po trzecie, definicje przychodów różnią się między przedsiębiorstwami. Po czwarte, skorygowane wyniki mogą pomijać ekonomicznie istotne pozycje, takie jak wynagrodzenia w akcjach lub udziały partnerów dystrybucyjnych. Reuters
Nie można zatem na podstawie dostępnych materiałów obliczyć w pełni porównywalnych marż EBITDA, EBIT, wyniku netto ani wolnych przepływów pieniężnych obu przedsiębiorstw.
10. Wnioski
OpenAI pozostaje przedsiębiorstwem o bardzo wysokim zapotrzebowaniu na kapitał. Najbardziej aktualny raport dotyczący pierwszego kwartału 2026 r. wskazuje na 3,7 mld USD cash burn przy 5,7 mld USD przychodów, ale liczby te nie zostały niezależnie potwierdzone przez Reuters. Wieloletnia prognoza 278 mld USD ujemnych wolnych przepływów pieniężnych pokazuje, że kierownictwo ma zakładać kontynuację agresywnego finansowania infrastruktury co najmniej do końca dekady. Reuters
Anthropic również ponosiło bardzo wysokie koszty, czego wyrazem było raportowane zużycie około 5,6 mld USD gotówki w 2024 r. Dane z 2026 r. sugerują jednak przejście do dodatniego skorygowanego wyniku operacyjnego. Nie jest to równoznaczne z trwałym zyskiem netto, ponieważ wskaźnik wyłączał między innymi wynagrodzenia w akcjach, a sposób ujmowania udziałów partnerów różnił się od metod stosowanych przez OpenAI. Reuters
Na podstawie dostępnych dowodów można więc sformułować trzy najważniejsze wnioski:
Straty obu przedsiębiorstw należy interpretować jako element szerszego wyścigu o kontrolę nad mocą obliczeniową. Compute staje się w tym modelu nie tylko kosztem bieżącym, lecz strategicznym zasobem produkcyjnym. Ostateczna wartość ekonomiczna OpenAI i Anthropic będzie zależała od tego, czy przychody generowane przez zabezpieczoną dziś infrastrukturę przewyższą w przyszłości koszt jej finansowania, utrzymania i ciągłego unowocześniania.
Bibliografia
Wpisy wyrażają osobiste opinie autora na dzień publikacji. Nie stanowią rekomendacji inwestycyjnej.