AI支出推高全球成長，生產力回報能否撐住評價？

 

AI投資把全球成長預期往上推

國際貨幣基金(IMF)在曼谷年會提出一個新的總體框架：AI資本支出正在支撐全球需求，也同步增加通膨、利率與金融市場壓力。資料中心、半導體和電力設備需要先投入大量資金，生產力改善則要經過較長時間才能反映在企業獲利。

IMF將今年全球經濟成長預測微幅上調至3.1%，2027年維持3.4%。美國今年與2027年均預估成長2.3%，台灣今年可達10.7%，南韓為3.3%。半導體出口與科技投資鏈，是亞洲成長高於其他地區的重要支撐。

這組預測代表AI已經形成前期高度集中的需求衝擊。雲端業者擴建資料中心，帶動GPU、CPU、網路設備、光通訊、冷卻系統與發電設施需求。供應鏈營收先受惠，生產力與現金回報則要等待應用端逐步兌現。

 

科技公司發債開始與主權債競逐資金

AI基礎建設的資金規模，已經大到足以改變債券市場供給。IMF指出，超大型雲端業者與AI企業占全球投資級債券發行的比重，從2024年低於1%升至目前約10%。Alphabet、Meta等科技集團與AI實驗室，今年透過債務融資籌集數千億美元，用於資料中心、晶片及電力基建。

這些債券多半期限較長，會與政府公債爭奪保險公司、退休基金及大型資產管理機構的資金。PIMCO非傳統策略投資長Marc Seidner認為，AI債券尚未成為殖利率的主要驅動因素，但供給增加已使債市承受更大壓力。

AI資本支出正在進入資產負債表階段。當大型科技公司逐步提高外部融資，投資人需要同時追蹤資本支出、自由現金流、利息成本與債務期限。高成長仍可支持融資能力；若營收轉化速度落後，資金成本便會開始侵蝕投資報酬。

公債殖利率上升也會提高股票折現率，壓低長久期資產評價。這使AI股面臨雙重敏感度：企業需要持續投入龐大資本，市場又會用更高利率折算未來現金流。

 

能源庫存與公共債務壓縮政策緩衝

中東戰爭推升能源風險，各國目前透過燃料來源多元化及戰略儲備減輕衝擊。代價是全球石油庫存正以每日約270萬桶的速度下降，逐步接近可能推升油價的敏感區域。

能源成本若再度快速上升，家庭實質所得與企業利潤率都會承壓。資料中心還需要長期而穩定的電力供應，油價、天然氣價格與電網投資成本，都可能改變AI基建的回收期。能源供給已成為AI擴張速度的限制條件。

財政面的緩衝也在減少。IMF預估，先進經濟體公共債務占GDP比率，將從2025年的108%升至2031年的115%；新興與發展中經濟體則由74%升至84%。國防支出、高實質利率與短期債務占比增加，讓政府再融資壓力持續累積。

IMF模型估計，2027年全球通膨超過5%的機率，已從今年4月評估的30%升至約35%，成長風險則偏向下行。央行因此面臨更窄的政策空間：降息過快可能讓通膨回升，維持高利率又會增加政府與企業利息負擔。

 

AI生產力落差可能放大股債修正

AI投資採取先建設、後收成的路徑。晶片、機房與發電設備可以快速形成訂單，企業流程改造、軟體變現與勞動生產力提升需要更長時間。兩者之間的時間差，構成目前AI循環最大的財務風險。

IMF情境分析顯示，若AI生產力紅利低於市場預期，美股可能下跌20%。到2028年，全球經濟成長率可能較基準情境低1.1個百分點，亞洲更可能低1.7個百分點。亞洲承擔較大衝擊，反映半導體製造、電子零組件與出口對AI資本支出的高度連動。

這項模擬提供的是壓力測試，沒有直接預測市場必然出現20%跌幅。投資論點的追蹤條件仍很清楚：雲端業者資本支出是否持續增加、AI相關營收能否加速、資料中心利用率是否改善，以及自由現金流能否覆蓋基建投入。

訂單成長與生產力回報需要同步靠攏。若資本支出維持高檔，應用收入與成本節省卻長期落後，企業便可能削減新建計畫，衝擊半導體、網通、光通訊與電力設備供應鏈。

 

公債市場槓桿可能成為波動放大器

美國、歐洲與英國目前的市場流動性指標仍大致穩定，但公債市場內部保留了大量槓桿部位。避險基金常透過現貨公債與期貨價差進行基差交易，利潤率低，因此需要借款放大報酬。

美國避險基金持有公債的比重，從2022年約4%升至2025年約9%。部分部位已經退場，剩餘槓桿仍可能在利率預期劇烈變化時被迫平倉。公債價格下跌、抵押品價值下降與追加保證金，可能形成連鎖賣壓。

日本則面臨較明顯的流動性惡化。收益率曲線控制政策結束後，日本公債殖利率波動增加，交易深度下降。IMF建議各國延長債務到期年限，降低短債依賴，減少集中展期帶來的融資風險。

 

DBS與紅牛車隊呈現AI應用的兩種路徑

企業端已經把AI放進供應鏈調度、人才管理與即時決策。星展集團(DBS)強調新加坡的穩定性，可協助客戶因應伊朗衝突、俄烏戰爭及荷莫茲海峽風險，在不同市場之間重新配置供應鏈。執行長Tan Su Shan也主張以態度與適應力作為招募依據，反映技能更新速度正在加快。

Oracle與Red Bull Racing則把代理型AI導入F1策略系統。系統可以整合規則、賽況與歷史資料，直接提出行動建議。2025年義大利Monza站，Max Verstappen切彎防守後，AI建議車隊主動交還順位，以降低受罰風險；車隊採納後，Verstappen稍後再完成超車。

這類案例顯示，代理型AI開始介入高壓決策流程。人類團隊仍掌握最終決策，AI負責壓縮資料處理時間、整理風險與提出選項。企業獲得的價值，將取決於決策速度、錯誤成本與流程改善能否量化。

AI基建的長期方向仍由算力、網路、電力與企業應用共同支撐。現階段更需要追蹤融資結構、生產力兌現速度、能源成本及公債市場槓桿。這四項條件若同步惡化，AI資本支出循環就可能從成長引擎轉為金融壓力來源。