The post has been translated automatically. Original language: Russian
AI has hit the wall: why data centers have become a new tension point
Artificial intelligence is usually discussed as software. The model has become faster. The chatbot has become smarter. The code generator has learned to understand the context better. But there's a more mundane part to it all.: servers, video cards, cooling, networks, and electricity.
That's where the new race starts now.
A recent example is the USA. Reuters writes that in the country's industrial belt, the growth of Big Tech data centers is already affecting factory electricity bills. Belden Brick, a brick manufacturer in Ohio, has seen its electricity costs rise by 90%, and its monthly capacity charge — a charge for available power—has risen from $1,600 to $12,000. In one of the largest U.S. energy grid zones, which covers part of the country's East Coast and industrial belt, such payments have increased by more than 1,000% in two years.
This is not a story about AI "consuming too much." This is a story about how artificial intelligence is no longer just a digital product. It has become a physical burden on energy systems, cities, industry, and company budgets.
When a business says "we are implementing AI," this phrase often hides a simple question: where will it all work and how much will each request cost?
The cloud is not a metaphor.
The AI service looks easy for the user: he opened the interface, wrote a request, and received a response. But the "cloud" is not an abstract space. This is a specific data center with server racks, cooling systems, backup power and electrical connection.
The more companies that use AI, the higher the demand for computing. The models need to be trained, customized, run for millions of users, store data, process requests, and ensure stable service operation.
The International Energy Agency predicts that by 2030, global electricity consumption by data centers may grow to about 945 TWh. This is almost twice the current level and slightly less than 3% of global electricity consumption according to the IEA baseline scenario.
The number is not important on its own. More importantly, data centers are not evenly distributed across the planet. They are concentrated in certain regions where there are already factories, residential areas, logistics and other large consumers. Therefore, the load does not appear "somewhere in the world", but in a specific network, with a specific operator and in a specific electricity bill.
Why does this apply not only to Big Tech
You might think that the problem of data centers is the concern of Microsoft, Google, Amazon, Meta and other giants. But in practice, it quickly reaches everyone who builds AI products.
The startup connects the model via the API, and it gets the cost of the request. The company is launching an internal AI assistant - and must take into account the load, data storage, delays, security, and costs of the cloud. A B2B service scales from 10 clients to 100 — and suddenly realizes that its economy was based only on a small amount of usage.
An AI project can look great on a demo. But in production, other questions arise: which model is needed for this task, whether it is possible to use a smaller model, what to cache, where generative AI is needed, and where conventional search or classical analytics are sufficient.
This is where the line between "we added AI" and "we built a working product" runs.
Infrastructure becomes a separate market
The demand for computing is already changing businesses around AI. On July 6, Reuters reported that TeraWulf had signed a 20-year deal with Anthropic for data center infrastructure. The expected contract revenue is about $19 billion. It is important that TeraWulf used to be known as a bitcoin mining company, but now relies on AI infrastructure.
This is a good market marker. The money goes not only to models and applications, but also to platforms, electricity, GPU clusters, cooling, and long-term capacity contracts.
In other words, the next AI competition won't just be between chatbots. It will run between the infrastructures: who gets access to power faster, who uses computing more efficiently, and who can keep the cost of an AI service under control.
What does this mean for startups and IT teams?
For startups, the conclusion is simple: AI cannot be considered free magic on top of a product. Each model's response has a price. And the more successful the product, the more noticeable this price is.
Therefore, teams will have to think not only about the quality of the response, but also about the architecture. Where to use the larger model. Where a small one is enough. Which requests can be omitted from the LLM. How to store the context. How to calculate the cost of one operation. How not to turn user growth into loss growth.
This is also an important signal for IT specialists. AI does not make infrastructure professions less necessary. On the contrary, the role of cloud architects, DevOps engineers, data engineers, MLOps specialists and the FinOps approach is growing - that is, the ability to manage the cost of cloud and computing.
AI no longer lives only in presentations, interfaces, and prompta. He lives in data centers, power grids, and budgets.
The AI market is maturing. Now the question is not only which model responds better. The question is who will be able to launch AI consistently, quickly, and economically intelligently.
For businesses, this means that an AI project should be considered not as an experiment with a new feature, but as an infrastructure task. For startups, it's important to think about the cost of computing from day one. For professionals, it is to develop skills at the intersection of cloud, data, DevOps, MLOps, and infrastructure economics.
Artificial intelligence has an electricity bill. And according to this account, it will increasingly be seen which AI projects are ready for the real market, and which ones will remain a beautiful demo.
ИИ уперся в розетку: почему дата-центры стали новой точкой напряжения
Обычно искусственный интеллект обсуждают как софт. Модель стала быстрее. Чат-бот стал умнее. Генератор кода научился лучше понимать контекст. Но за всем этим есть более приземленная часть: серверы, видеокарты, охлаждение, сети и электричество.
Именно там сейчас начинается новая гонка.
Свежий пример — США. Reuters пишет, что в промышленном поясе страны рост дата-центров Big Tech уже влияет на счета заводов за электричество. У производителя кирпича Belden Brick в Огайо расходы на электроэнергию выросли на 90%, а ежемесячный capacity charge — плата за доступную мощность — поднялся с $1 600 до $12 000. В одной из крупнейших энергосетевых зон США, которая охватывает часть Восточного побережья и промышленного пояса страны, такие платежи выросли более чем на 1 000% за два года.
Это не история о том, что ИИ «потребляет слишком много». Это история о том, что искусственный интеллект перестал быть только цифровым продуктом. Он стал физической нагрузкой на энергосистемы, города, промышленность и бюджеты компаний.
Когда бизнес говорит «мы внедряем AI», за этой фразой часто скрывается простой вопрос: где это все будет работать и сколько будет стоить каждый запрос?
Облако — это не метафора
Для пользователя AI-сервис выглядит легко: открыл интерфейс, написал запрос, получил ответ. Но «облако» — это не абстрактное пространство. Это конкретный дата-центр с серверными стойками, системами охлаждения, резервным питанием и подключением к электросети.
Чем больше компаний используют AI, тем выше спрос на вычисления. Модели нужно обучать, донастраивать, запускать для миллионов пользователей, хранить данные, обрабатывать запросы и обеспечивать стабильную работу сервиса.
Международное энергетическое агентство прогнозирует, что к 2030 году мировое потребление электроэнергии дата-центрами может вырасти примерно до 945 ТВт⋅ч. Это почти вдвое больше текущего уровня и чуть меньше 3% мирового потребления электроэнергии по базовому сценарию IEA.
Цифра важна не сама по себе. Важнее другое: дата-центры не распределены равномерно по планете. Они концентрируются в отдельных регионах, где уже есть заводы, жилые районы, логистика и другие крупные потребители. Поэтому нагрузка появляется не «где-то в мире», а в конкретной сети, у конкретного оператора и в конкретном счете за электричество.
Почему это касается не только Big Tech
Можно подумать, что проблема дата-центров — это забота Microsoft, Google, Amazon, Meta и других гигантов. Но на практике она быстро доходит до всех, кто строит AI-продукты.
Стартап подключает модель через API — и у него появляется себестоимость запроса. Компания запускает внутреннего AI-ассистента — и должна считать нагрузку, хранение данных, задержки, безопасность и расходы на cloud. B2B-сервис масштабируется с 10 клиентов до 100 — и внезапно понимает, что его экономика держалась только на маленьком объеме использования.
AI-проект может отлично выглядеть на демо. Но в production появляются другие вопросы: какая модель нужна для этой задачи, можно ли использовать модель меньше, что кешировать, где нужен генеративный AI, а где достаточно обычного поиска или классической аналитики.
Именно здесь проходит граница между «мы добавили AI» и «мы построили работающий продукт».
Инфраструктура становится отдельным рынком
Спрос на вычисления уже меняет бизнесы вокруг AI. 6 июля Reuters сообщил, что TeraWulf заключила 20-летнюю сделку с Anthropic на дата-центровую инфраструктуру. Ожидаемая контрактная выручка — около $19 млрд. Важно, что TeraWulf раньше была известна как компания из сферы bitcoin mining, а теперь делает ставку на AI-инфраструктуру.
Это хороший маркер рынка. Деньги идут не только в модели и приложения, но и в площадки, электричество, GPU-кластеры, охлаждение и долгосрочные контракты на мощности.
Другими словами, следующая конкуренция в AI будет идти не только между чат-ботами. Она будет идти между инфраструктурами: кто быстрее получит доступ к мощности, кто эффективнее использует вычисления и кто сможет удержать стоимость AI-сервиса под контролем.
Что это значит для стартапов и IT-команд
Для стартапов вывод простой: AI нельзя считать бесплатной магией поверх продукта. У каждого ответа модели есть цена. И чем успешнее продукт, тем заметнее эта цена.
Поэтому командам придется думать не только о качестве ответа, но и об архитектуре. Где использовать большую модель. Где хватит маленькой. Какие запросы можно не отправлять в LLM. Как хранить контекст. Как считать стоимость одной операции. Как не превратить рост пользователей в рост убытков.
Для IT-специалистов это тоже важный сигнал. AI не делает инфраструктурные профессии менее нужными. Наоборот, растет роль cloud-архитекторов, DevOps-инженеров, data engineers, MLOps-специалистов и FinOps-подхода — то есть умения управлять стоимостью cloud и вычислений.
ИИ уже не живет только в презентациях, интерфейсах и промптах. Он живет в дата-центрах, энергосетях и бюджетах.
Рынок AI взрослеет. Теперь вопрос не только в том, какая модель отвечает лучше. Вопрос в том, кто сможет запускать AI стабильно, быстро и экономически разумно.
Для бизнеса это означает: AI-проект нужно считать не как эксперимент с новой функцией, а как инфраструктурную задачу. Для стартапов — думать о стоимости вычислений с первого дня. Для специалистов — развивать навыки на стыке cloud, данных, DevOps, MLOps и экономики инфраструктуры.
У искусственного интеллекта появился счет за электричество. И по этому счету все чаще будет видно, какие AI-проекты готовы к реальному рынку, а какие останутся красивым демо.
Share
