AI基礎設施資本支出壓縮雲端毛利率風險
定義
AI 基礎設施資本支出壓縮雲端毛利率風險，是指雲端平台為支援 AI 訓練、推論與企業 AI 應用，投入大量 GPU、CPU、資料中心、網路、電力與冷卻資產，導致折舊、能源與營運成本上升，短中期壓低雲端毛利率或自由現金流。
影響機制
- AI 工作負載需求上升，客戶與第一方產品同時競爭算力。
- 雲端平台提高 capex，部署 GPU/CPU、資料中心與網路容量。
- 新資產折舊、能源與維運成本先進入成本結構。
- 若 utilization、定價、Copilot/AI 應用收入或長約轉化速度不足，雲端毛利率與自由現金流承壓。
- 若需求持續超過供應，收入與 Commercial Remaining Performance Obligation 可能上升，但 margin pressure 仍會延續。
Microsoft 案例
2026-05-18-Microsoft-MSFT公司概覽與FY2026-Q2-AI雲端分析 主張，Microsoft Corporation FY2026 Q2 毛利率約 68%，Microsoft Cloud 毛利率約 67%，下降主因是 AI 基礎設施投資與 AI 產品使用量增加。來源同時稱本季資本支出達 375 億美元，其中約三分之二用於短期 GPU/CPU 資產。
這代表同一個 AI demand signal 可以同時是利多與風險：它支持 Azure 成長與 RPO 增長，也會提高基礎設施折舊和營運成本。
受影響實體或概念
早期訊號
- Cloud gross margin 連續下降，且管理層歸因於 AI 使用量、折舊或資料中心成本。
- capex 成長長期高於雲端收入與 operating income 成長。
- AI capacity 從「供不應求」轉向「過度建置」或 utilization 下降。
- RPO 增長放緩，但 capex 與折舊仍高。
- 客戶開始優化 AI spending，推遲訓練/推論工作負載或轉向更便宜模型。
緩解因素
- 長期合約、預付款與高 RPO 可提高收入能見度。
- AI 應用定價、Copilot 付費席位、平台費與推論使用量可提高 revenue per unit of compute。
- 自研晶片、資料中心效率提升、軟體優化與產品組合改善可抵銷成本壓力。
- 若需求長期高於供應，平台方可能有更強定價權。
- 多源採購、地理多元化、Maia 類自研晶片與混合雲策略，可能降低單一 GPU 供應商或單一資料中心區域的集中風險；但改善幅度需用部署量、成本與利用率驗證。
來源
外部模型合作的成本層
Microsoft–Anthropic 來源新增一個非硬體成本層：除了 GPU/CPU、資料中心、能源與折舊，外部模型合作還可能帶來投資支出、模型授權/使用成本、模型路由與治理成本。若 Microsoft 每年需支付高額費用使用 Anthropic 模型，同時又要維持 Copilot 價格競爭力，AI 產品毛利率可能面臨額外壓力。具體 5 億美元年支出等數字仍需核驗。
競爭與供應鏈補充
2026-05-18-Microsoft-MSFT收入競爭供應鏈與劣勢改善分析 讓此風險更具體：雲端毛利率壓力不只來自「投資太多」，也來自 Microsoft 與 AWS、Google Cloud、Oracle 等平台競爭時，必須同時維持價格競爭力、服務廣度與 AI capacity。若 GPU、CPU、網路設備或能源供應偏緊，Microsoft 可能面臨成本上升與容量不足；若供應放鬆但需求轉弱，又可能面臨過度建置與折舊壓力。
Microsoft 對 capex 壓力的改善路徑
來源主張 Microsoft 管理層把 AI capex 視為策略性投資，並以 Maia 200、自有模型、利用率優化、軟體效率與供應鏈多元化改善 TCO / ROIC。這提供了毛利率壓力的可能緩解路徑；但「短期 capex 壓力」是否能轉化為「長期軟體高毛利回報」，仍需用 Azure revenue、Copilot monetization、Microsoft Cloud gross margin、depreciation schedule 與 ROIC 逐季驗證。
競爭比較下的 capex 張力
優劣勢比較來源把 AI capex 放進競爭框架：相對 AWS，Microsoft 的高 AI capex 支撐 Azure / Copilot 成長，但短期可能壓縮 cloud gross margin；相對 Google，若 Microsoft 在模型/晶片成本效率上落後，capex pressure 可能更難轉嫁；相對 Apple，Microsoft 的 capex-heavy cloud AI strategy 與 Apple consumer device strategy 形成不同股東回報敘事。
五層堆疊下的 capex 回收風險
AI 五層蛋糕補充了 capex 風險的來源：雲端平台需要同時投資能源/電力接入、GPU/HBM、資料中心冷卻與網路、模型訓練以及應用分銷。如果應用層 monetization 不足或能源瓶頸導致 utilization 低於預期，cloud gross margin 與 ROIC 可能承壓。
Decode bottleneck 對 capex 的影響
新來源補充：LLM 推論不是純 compute 問題；memory bandwidth、KV Cache 與長上下文需求可能使雲端平台除了 GPU 數量外，還需投入更多 HBM、記憶體容量、網路與 serving optimization，壓縮短中期毛利率。
推論優化的雙面性
新來源補充：推論優化可能改善每 token 成本與 cloud gross margin；但若更低延遲與更長上下文刺激更多使用量，capex、HBM、儲存與網路需求可能繼續上升。
Roadmap 的雙面性
新來源主張 2026-2027 年推論成本可再降 40-50%；若落地可改善單 token 成本，但百萬 token 與 agentic workload 可能拉高總 capex、memory、network 與 power 需求。