Chi tiêu vốn cho AI bước vào giai đoạn xác thực hiệu quả: Liệu ba gã khổng lồ điện toán đám mây có đang bị thị trường định giá quá thấp?

Tóm tắt

Kể từ năm 2026, chi phí vốn dành cho cơ sở hạ tầng trí tuệ nhân tạo tiếp tục tăng cao, và trọng tâm của thị trường đối với các công ty công nghệ lớn cũng đã dịch chuyển theo. Trước đây, các nhà đầu tư có xu hướng coi đầu tư vào AI là một tài sản tăng trưởng dài hạn; giờ đây, câu hỏi cốt lõi đang dần chuyển thành: liệu những khoản chi phí vốn này có thể chuyển hóa thành doanh thu, lợi nhuận gộp, dòng tiền tự do và tỷ suất sinh lời trên vốn đủ cao hay không?

Áp lực giá cổ phiếu gần đây đối với ba nhà cung cấp dịch vụ đám mây lớn—Microsoft, Amazon và Alphabet/Google—phản ánh những lo ngại bề nổi về chi phí vốn AI, dòng tiền tự do và chi phí token. Tuy nhiên, một sự chuyển dịch sâu sắc hơn trong ngành có thể là AI doanh nghiệp đang chuyển từ giai đoạn "thử nghiệm trên diện rộng" sang "kỷ nguyên tính toán mức độ sử dụng chính xác". Trong giai đoạn này, các doanh nghiệp không còn gọi các mô hình đắt đỏ nhất một cách vô hạn nữa, mà quản lý các mô hình, năng lượng tính toán, dữ liệu, bảo mật và thanh toán một cách tinh chỉnh hơn dựa trên giá trị công việc, chi phí, tỷ lệ thành công, độ trễ và các yêu cầu tuân thủ.

Điều này không nhất thiết đồng nghĩa với việc nhu cầu AI sụp đổ. Thay vào đó, nó có thể cho thấy AI đang chuyển từ giai đoạn thử nghiệm sang giai đoạn triển khai kinh doanh chính thức. Đối với các công ty chỉ có một mô hình duy nhất, việc doanh nghiệp kiểm soát chi phí token có thể mang lại áp lực; nhưng đối với các nền tảng đám mây đa mô hình như Azure, AWS và Google Cloud, việc tính toán mức độ sử dụng chính xác thay vào đó có thể củng cố giá trị của họ như một lớp kiểm soát chi phí AI doanh nghiệp, lớp định tuyến mô hình, lớp quản trị dữ liệu và lớp thanh toán.

I. Những lý do cốt lõi khiến thị trường định giá lại ba ông lớn điện toán đám mây

Áp lực gần đây lên cổ phiếu liên quan đến ba ông lớn đám mây không thể hiểu đơn giản là thị trường từ chối nhu cầu AI dài hạn. Chính xác hơn, thị trường đang chuyển trọng tâm từ "liệu có nhu cầu về AI không" sang "cần bao nhiêu vốn để hiện thực hóa nhu cầu AI". Đây là một sự thay đổi trong logic định giá. Trước đây, chi phí vốn AI thường được coi là khoản đầu tư tăng trưởng; nhưng khi các khoản đầu tư vào trung tâm dữ liệu, GPU, mạng, điện năng, hệ thống làm mát và lưu trữ mở rộng nhanh chóng, các nhà đầu tư bắt đầu đặt câu hỏi liệu các khoản chi tiêu này là tài sản tăng trưởng có tỷ suất sinh lời cao hay là một cuộc đua vũ trang phòng thủ mà các gã khổng lồ công nghệ buộc phải tham gia.

Số liệu của Microsoft cung cấp một hình ảnh trực quan về sự tăng tốc chi phí vốn này. Chi phí tài sản và thiết bị của Microsoft trong quý 3 của năm tài chính 2026 là 30,876 tỷ USD, so với 16,745 tỷ USD cùng kỳ năm ngoái; trong chín tháng đầu của năm tài chính 2026, chi phí này là 80,146 tỷ USD, so với 47,472 tỷ USD cùng kỳ năm ngoái. Sự thay đổi này minh họa rằng việc xây dựng cơ sở hạ tầng AI đã nâng cấp từ chi phí vốn đám mây thông thường lên một chu kỳ đầu tư có cường độ cao hơn.

Cấu trúc dòng tiền của Amazon cũng cho thấy áp lực chi phí vốn. Doanh số AWS của Amazon trong quý 1 năm 2026 tăng 28% so với cùng kỳ năm ngoái lên 37,6 tỷ USD, và lợi nhuận hoạt động của AWS là 14,2 tỷ USD, cho thấy bản thân mảng kinh doanh đám mây vẫn duy trì mức tăng trưởng mạnh mẽ; tuy nhiên, dòng tiền hoạt động của công ty trong 12 tháng gần nhất là 148,5 tỷ USD, và dòng tiền tự do giảm xuống còn 1,2 tỷ USD, chủ yếu do lượng mua sắm tài sản và thiết bị tăng đáng kể, điều mà công ty tuyên bố rõ ràng là chủ yếu phản ánh các khoản đầu tư vào AI.

Alphabet/Google cũng thể hiện những đặc điểm tương tự. Doanh thu Google Cloud của Alphabet trong quý 1 năm 2026 tăng trưởng 63% lên 20 tỷ USD, một sự tăng tốc đáng kể trong tăng trưởng kinh doanh đám mây; tuy nhiên, trong cùng quý đó, chi phí mua sắm tài sản và thiết bị đạt 35,674 tỷ USD, và dòng tiền tự do là 10,116 tỷ USD. Dòng tiền của Google chưa rơi vào tình trạng mất kiểm soát, nhưng độ dốc của chi phí vốn rõ ràng đã trở nên dốc hơn.

Do đó, điều thị trường thực sự lo lắng không phải là ba ông lớn đám mây không có nhu cầu, mà là những hạn chế về vốn do chính nhu cầu mạnh mẽ đó mang lại. Nếu đầu tư cơ sở hạ tầng AI tiếp tục tăng, nhưng tốc độ chuyển hóa doanh thu và dòng tiền tương ứng thấp hơn kỳ vọng, các bội số định giá tự nhiên sẽ bị nén lại.

II. Chi phí AI đã đi vào báo cáo tài chính, không chỉ dừng lại ở lớp kể chuyện

Một trong những khác biệt lớn nhất giữa các sản phẩm AI và dịch vụ đăng ký phần mềm truyền thống nằm ở cấu trúc chi phí. Chi phí biên của phần mềm Office hoặc phần mềm doanh nghiệp truyền thống là rất thấp; một người dùng viết thêm một email, tạo thêm một bảng tính hoặc tạo thêm một tài liệu không làm tăng đáng kể chi phí đơn vị của công ty phần mềm. Nhưng các sản phẩm AI thì khác. Mỗi lượt gọi mô hình, mỗi lần suy luận và mỗi lần thực thi của tác nhân AI đều tương ứng với chi phí năng lượng tính toán, lưu trữ, mạng và dịch vụ mô hình.

Microsoft đã tiết lộ sự thay đổi này trong các báo cáo tài chính của mình. Trong quý 3 của năm tài chính 2026, biên lợi nhuận gộp của Microsoft Cloud đã giảm xuống còn 66%, do các khoản đầu tư liên tục vào cơ sở hạ tầng AI và sự gia tăng trong việc sử dụng sản phẩm AI, được bù đắp một phần nhờ cải thiện hiệu quả trong Azure và Microsoft 365 Commercial Cloud. Nói cách khác, việc sử dụng AI không còn chỉ là câu chuyện ở khía cạnh doanh thu, mà đã đi vào khía cạnh chi phí.

Trong phân khúc Năng suất và Quy trình Kinh doanh, Microsoft đã tiết lộ mức tăng 680 triệu USD trong giá vốn hàng bán, chủ yếu do các khoản đầu tư cơ sở hạ tầng AI hỗ trợ số lượng tài khoản đăng ký và mức độ sử dụng Microsoft 365 Copilot tăng trưởng. Điều này không có nghĩa là Copilot đã làm tổn hại đến các yếu tố cơ bản của Microsoft; ngược lại, nó minh họa rằng cấu trúc biên lợi nhuận gộp của phần mềm AI có thể thấp hơn SaaS Office truyền thống, nhưng nếu công ty có thể thiết kế lại mô hình tính phí thông qua cơ chế "tài khoản đăng ký + mức độ sử dụng", thì vẫn còn không gian để quản lý áp lực biên lợi nhuận gộp.

Những tác động của sự thay đổi này đối với các nhà đầu tư là rất quan trọng. Các sản phẩm AI không thể được định giá chỉ dựa trên logic phần mềm truyền thống, mà còn phải được quan sát qua tăng trưởng doanh thu, cường độ sử dụng, chi phí suy luận, hiệu quả định tuyến mô hình, tỷ lệ lưu bộ nhớ đệm và khả năng tính phí sử dụng. Điều thực sự đáng theo dõi trong tương lai không chỉ là số lượng người dùng sản phẩm AI, mà là liệu mức sử dụng trên mỗi đơn vị có thể tạo ra một biên lợi nhuận gộp bền vững hay không.

III. Doanh nghiệp bắt đầu kiểm soát token: Nhu cầu sụp đổ hay tính toán mức độ sử dụng chính xác?

Việc các doanh nghiệp bắt đầu kiểm soát mức độ sử dụng AI là một diễn biến chính khác đáng lo ngại gần đây trên thị trường. Tuy nhiên, hiện tượng này không nên bị quy đồng trực tiếp với việc nhu cầu biến mất. Một lời giải thích hợp lý hơn là các doanh nghiệp đang chuyển từ "dùng AI bất cứ khi nào có thể" sang giai đoạn tính toán mức độ sử dụng chính xác của câu hỏi "liệu mỗi lần sử dụng AI có xứng đáng không".

Trường hợp của Uber là một ví dụ điển hình. Theo báo cáo của truyền thông, sau khi khuyến khích nhân viên sử dụng các công cụ lập trình AI, Uber đã cạn kiệt toàn bộ ngân sách AI cả năm trong vòng bốn tháng, sau đó phải thiết lập mức trần 1.500 USD cho mỗi nhân viên, mỗi công cụ, mỗi tháng đối với các công cụ lập trình dạng tác nhân như Claude Code và Cursor. Trường hợp này không cho thấy các công cụ AI không có giá trị, mà minh họa rằng khi các công cụ đủ hữu ích và lan truyền quá nhanh, ngân sách doanh nghiệp có thể nhanh chóng vượt khỏi tầm kiểm soát.

Tình trạng hạn chế năng lượng tính toán Gemini giữa Google và Meta cũng cho thấy năng lượng tính toán cao cấp vẫn ở trong tình trạng nguồn cung thắt chặt. Theo các báo cáo được truyền thông dẫn lại, Google đã thông báo với Meta rằng họ không thể đáp ứng toàn bộ năng lượng tính toán Gemini mà Meta yêu cầu, và Meta do đó đã khuyến khích nhân viên của mình sử dụng các token AI hiệu quả hơn. Báo cáo này chưa được Reuters xác minh độc lập và do đó nên được xem như một báo cáo truyền thông thay vì một thực tế được xác nhận chính thức; tuy nhiên, xu hướng mà nó phản ánh là rõ ràng: ngay cả khi các công ty công nghệ lớn tiếp tục xây dựng cơ sở hạ tầng AI với khối lượng lớn, nguồn cung năng lượng tính toán chất lượng cao vẫn có thể không theo kịp nhu cầu.

Việc Microsoft điều chỉnh nội bộ các giấy phép Claude Code cũng phản ánh cùng một logic. The Verge đưa tin rằng Microsoft có kế hoạch loại bỏ hầu hết các giấy phép Claude Code và thúc đẩy nhiều nhà phát triển chuyển sang sử dụng GitHub Copilot CLI; báo cáo cho biết việc điều chỉnh này liên quan đến cả tính tích hợp công cụ và các yếu tố tài chính. Trường hợp này minh họa rằng ngay cả trong các công ty công nghệ lớn, việc sử dụng các công cụ AI đã bắt đầu bị hạn chế bởi chi phí, chiến lược sản phẩm và kiểm soát hệ sinh thái.

Một số thay đổi về giá của AWS phản ánh sự khan hiếm năng lượng tính toán AI từ phía cung. Theo Business Insider, AWS đã tăng giá dịch vụ EC2 Capacity Blocks dành cho ML khoảng 20%, sau đợt tăng giá khoảng 15% vào tháng Giêng. Cần nhấn mạnh rằng đây không phải là một đợt tăng giá toàn diện trên toàn bộ AWS, mà là một đợt điều chỉnh giá đối với các dịch vụ đặt trước năng lượng tính toán AI/ML cụ thể. Ý nghĩa của việc này là năng lượng tính toán AI cao cấp vẫn sở hữu tính khan hiếm, và các nhà cung cấp đám mây hàng đầu vẫn duy trì quyền lực định giá nhất định đối với một số sản phẩm năng lượng tính toán.

Các trường hợp này cùng chỉ ra một nhận định: các doanh nghiệp không ngừng sử dụng AI, mà đang bắt đầu quản lý việc sử dụng AI. Chi phí token, ngân sách tính toán, giá trị công việc và quyền sử dụng đang trở thành mối quan tâm chung của các bộ phận IT và tài chính doanh nghiệp. Đây chính là nền tảng công nghiệp của "kỷ nguyên tính toán mức độ sử dụng AI chính xác".

IV. Báo cáo về việc Meta bán năng lượng tính toán: Phía cung cũng bắt đầu tính toán ROI

Các báo cáo gần đây về việc Meta có kế hoạch xây dựng mảng kinh doanh đám mây và bán năng lượng tính toán AI dư thừa đã bổ sung thêm bằng chứng từ phía cung cho logic này. Reuters, dẫn nguồn từ Bloomberg, đưa tin rằng Meta đang thiết lập một mảng kinh doanh đám mây để bán năng lượng tính toán AI dư thừa; kế hoạch này vẫn đang được phát triển và các chiến lược có thể thay đổi, đồng thời Reuters cũng tuyên bố họ không thể xác minh độc lập báo cáo này. Do đó, thông tin này nên được xem như một báo cáo truyền thông và một tín hiệu cần quan sát, thay vì một công bố chiến lược chính thức đã hoàn tất.

Ý nghĩa của sự kiện này không nằm ở việc liệu Meta có ngay lập tức trở thành đối thủ thay thế trực tiếp cho AWS, Azure hay Google Cloud hay không, mà ở chỗ nó minh họa rằng các công ty công nghệ lớn cũng đang bắt đầu cân nhắc cách chuyển hóa năng lượng tính toán thành một tài sản có thể tính phí bên ngoài sau những khoản đầu tư khổng lồ vào cơ sở hạ tầng AI. Báo cáo của Reuters cũng đề cập đến việc các nhà phân tích tin rằng việc Meta tăng nguồn cung năng lượng tính toán có thể có tác động lớn hơn đến các công ty đám mây thế hệ mới (neocloud) như CoreWeave và Nebius so với các nhà cung cấp dịch vụ quy mô siêu lớn (hyperscalers) lớn, bởi các công ty này phụ thuộc một phần vào sự tăng trưởng nhu cầu của Meta; báo cáo cũng chỉ ra rằng chi phí cơ sở hạ tầng AI của Meta vào năm 2026 có thể lên tới 145 tỷ USD.

Từ góc độ công nghiệp, trường hợp của Meta minh họa rằng năng lượng tính toán AI đang được tài sản hóa. Năng lượng tính toán không còn chỉ là một khoản đầu tư R&D nội bộ, mà còn có thể trở thành một tài sản cơ sở hạ tầng được cho thuê, định giá và quản lý. Tuy nhiên, những bên thực sự có khả năng nắm giữ giá trị lâu dài không chỉ là "ai sở hữu năng lượng tính toán", mà là những bên có thể tích hợp năng lượng tính toán, mô hình, dữ liệu, bảo mật, thanh toán và quy trình làm việc của doanh nghiệp lại với nhau. Đây cũng là điểm khác biệt mấu chốt giữa ba ông lớn đám mây và các nhà cung cấp chỉ cho thuê năng lượng tính toán thuần túy.

V. Kỷ nguyên tính toán mức độ sử dụng AI chính xác: Từ thử nghiệm diện rộng sang triển khai kinh doanh chính thức

"Kỷ nguyên tính toán mức độ sử dụng AI chính xác" có thể được hiểu là giai đoạn thứ hai của quá trình thương mại hóa AI trong doanh nghiệp. Giai đoạn đầu tiên là giai đoạn thử nghiệm diện rộng, nơi câu hỏi cốt lõi đối với các doanh nghiệp là liệu họ có thể kết nối AI với các sản phẩm và quy trình hay không. Trong giai đoạn này, các tính năng AI được nhúng nhanh chóng vào phần mềm, tìm kiếm, văn phòng, dịch vụ khách hàng và các công cụ lập trình, và thị trường tập trung nhiều hơn vào mức độ sử dụng, câu chuyện kể và tính khả thi về mặt kỹ thuật.

Giai đoạn thứ hai là giai đoạn tính toán mức độ sử dụng chính xác. Các doanh nghiệp bắt đầu đặt câu hỏi: liệu mỗi lượt gọi AI có xứng đáng không? Liệu tất cả các công việc có cần đến các mô hình tiên phong nhất không? Những công việc nào có thể sử dụng các mô hình rẻ hơn? Nội dung nào có thể lưu vào bộ nhớ đệm? Những công việc nào phù hợp để xử lý theo lô? Những cách sử dụng AI nào nên được bao gồm trong phí tài khoản đăng ký, và những cách nào nên được tính phí dựa trên mức độ sử dụng? Điều này cho thấy AI đang chuyển từ các bản demo sản phẩm sang các đợt triển khai kinh doanh chính thức, và các doanh nghiệp đang bắt đầu đưa nó vào hệ thống ngân sách, tuân thủ và phân bổ chi phí.

Giai đoạn thứ ba là tối ưu hóa chi phí trên mỗi công việc. Trong kỷ nguyên AI, người ta không thể chỉ nhìn vào mức giá trên mỗi triệu token, bởi thứ doanh nghiệp thực sự mua không phải là bản thân các token, mà là kết quả hiệu quả trong một quy trình làm việc nhất định. Ví dụ, trong lập trình, một công việc có thể là sửa một lỗi mã nguồn hoặc hoàn thành một sửa đổi mã nguồn được nhóm chấp nhận; trong dịch vụ khách hàng, một công việc có thể là giải quyết một phiếu yêu cầu hỗ trợ; trong phân tích tài chính, một công việc có thể là hoàn thành một bản tóm tắt được các nhà phân tích chấp nhận. Điều thực sự quan trọng là tổng chi phí để đạt được một kết quả hiệu quả—nghĩa là chi phí mô hình, chi phí công cụ, chi phí thử lại và chi phí kiểm duyệt thủ công chia cho tỷ lệ thành công.

Giai đoạn thứ tư là giai đoạn trả phí theo kết quả đầu ra. Các doanh nghiệp cuối cùng có nhiều khả năng muốn trả tiền cho các kết quả đầu ra hơn là thuần túy cho các token. Ví dụ, tính phí dựa trên số phiếu yêu cầu hỗ trợ khách hàng được giải quyết, số lượt đánh giá tuân thủ đã hoàn thành, số lượng khách hàng tiềm năng đủ điều kiện được tạo ra hoặc các tính năng phần mềm đã hoàn thành. Nếu thương mại hóa AI bước vào giai đoạn này, giá trị sẽ dịch chuyển từ việc "tiêu thụ nhiều token hơn" sang "tạo ra nhiều kết quả hiệu quả hơn với chi phí thấp hơn".

VI. Tại sao việc tính toán mức độ sử dụng chính xác có thể củng cố giá trị của ba nền tảng đám mây lớn

Nếu các doanh nghiệp chỉ theo đuổi các mô hình mạnh nhất, giá trị có thể tập trung vào tay các công ty chỉ có một mô hình duy nhất. Nhưng khi các doanh nghiệp bắt đầu theo đuổi việc hoàn thành các công việc hiệu quả nhất với chi phí thấp nhất, giá trị sẽ chảy nhiều hơn về các nền tảng đám mây đa mô hình. Lý do là vì các doanh nghiệp khi triển khai chính thức AI không chỉ cần bản thân mô hình; họ còn cần quản lý quyền truy cập, ranh giới dữ liệu, lựa chọn mô hình, giám sát chi phí, phân bổ thanh toán, kiểm soát độ trễ, đánh giá tuân thủ và tích hợp quy trình làm việc của doanh nghiệp.

Lợi thế chung của Microsoft, Amazon và Google là họ không chỉ cho thuê GPU hay bán một mô hình duy nhất, mà cung cấp một môi trường vận hành AI cho doanh nghiệp. Azure, AWS và Google Cloud lần lượt sở hữu năng lượng tính toán, lưu trữ, mạng, cơ sở dữ liệu, bảo mật, quản lý danh tính, chợ ứng dụng mô hình, định tuyến mô hình, giám sát chi phí, thanh toán, tuân thủ và các kênh bán hàng doanh nghiệp. Những khả năng này giúp họ trông giống như các nền tảng AI doanh nghiệp hơn là những nhà cung cấp năng lượng tính toán thuần túy trong kỷ nguyên tính toán mức độ sử dụng AI chính xác.

Các nhà cung cấp đám mây đang sản phẩm hóa khả năng này. Bộ định tuyến mô hình của Microsoft Azure AI Foundry được thiết kế để tối ưu hóa chi phí và độ trễ, định tuyến các công việc đơn giản đến các mô hình nhỏ hơn, rẻ hơn và các công việc phức tạp đến các mô hình mạnh hơn trong khi vẫn duy trì chất lượng tương đương. Tính năng Định tuyến Lời nhắc Thông minh của AWS Bedrock có thể lựa chọn các mô hình trong cùng một họ mô hình dựa trên từng yêu cầu, điều mà AWS chính thức tuyên bố có thể giảm chi phí lên tới khoảng 30% mà không ảnh hưởng đến độ chính xác. Model Garden của Google Cloud cung cấp hơn 200 mô hình từ Google và các đối tác, hỗ trợ khách hàng khám phá, tùy chỉnh và triển khai các mô hình trên cùng một nền tảng.

Đây cũng là lý do tại sao các báo cáo về việc Meta bán năng lượng tính toán AI không nhất thiết cấu thành một thông tin tiêu cực trực tiếp đối với ba ông lớn đám mây. Trong ngắn hạn, nó có thể làm tăng nguồn cung trên thị trường năng lượng tính toán AI, tạo ra sự cạnh tranh đặc biệt đối với một số công ty chỉ kinh doanh cho thuê năng lượng tính toán; nhưng về lâu dài, nó thay vào đó chứng minh rằng năng lượng tính toán đang trở thành một tài sản cơ sở hạ tầng có thể cho thuê và định giá. Điều thực sự quan trọng trong dài hạn không phải là nguồn cung năng lượng tính toán đơn lẻ, mà là liệu nền tảng đó có thể tích hợp năng lượng tính toán, mô hình, dữ liệu và quy trình làm việc của doanh nghiệp lại với nhau hay không.

VII. Các con đường khác nhau của ba ông lớn điện toán đám mây

Lợi thế của Microsoft nằm ở điểm thâm nhập của họ vào quy trình làm việc của doanh nghiệp. Office, Teams, Outlook, Excel, PowerPoint, GitHub, Dynamics, Bảo mật và Azure cùng nhau cấu thành môi trường làm việc hàng ngày của các doanh nghiệp. Rất khó để Anthropic hay các công ty mô hình khác trực tiếp phá vỡ các yếu tố cơ bản cốt lõi của Microsoft trong ngắn hạn, bởi quy trình làm việc, hệ thống danh tính, quyền truy cập, tệp tin, sự cộng tác và hệ thống tuân thủ của doanh nghiệp có chi phí chuyển đổi rất cao. Điều Microsoft thực sự cần quản lý là cấu trúc biên lợi nhuận gộp của Copilot. Nếu Copilot hoàn toàn phụ thuộc vào phí tài khoản đăng ký cố định và cho phép các lượt gọi chi phí cao không giới hạn, áp lực biên lợi nhuận gộp sẽ rất lớn; nhưng nếu Microsoft có thể dần dần thúc đẩy mô hình "tài khoản đăng ký + mức độ sử dụng", chuyển việc sử dụng AI chi phí cao sang các kịch bản có giá trị cao hơn, áp lực biên lợi nhuận gộp của họ có thể nằm trong tầm kiểm soát.

Lợi thế của Amazon nằm ở vị thế của AWS như một nền tảng đa mô hình, trung lập. AWS không cần phải đặt cược hoàn toàn vào một mô hình duy nhất; khách hàng có thể sử dụng Claude, mô hình Nova tự phát triển của Amazon, Meta, Mistral hoặc các mô hình khác trong Bedrock. Ngay cả khi một số công việc được chuyển hướng từ Claude sang các mô hình rẻ hơn, miễn là khối lượng công việc vẫn nằm trong hệ sinh thái AWS, Amazon vẫn có thể thu được doanh thu từ cơ sở hạ tầng, truy cập dữ liệu, quản trị bảo mật và dịch vụ nền tảng. Báo cáo truyền thông cho biết một số điều khoản trong quan hệ đối tác của Amazon với Anthropic có thể chuyển dịch từ thanh toán theo thời gian tính toán sang một hình thức gần hơn với thanh toán theo mức độ sử dụng token; thông tin này chưa phải là một công bố chính thức đầy đủ và chỉ có thể đóng vai trò là một tín hiệu quan sát. Nếu hướng đi này được giữ vững, chi phí sử dụng Claude sẽ tăng tuyến tính hơn theo mức độ sử dụng, điều này có thể thúc đẩy AWS tích cực hơn trong việc quảng bá định tuyến mô hình và sử dụng các mô hình tự phát triển của mình.

Con đường của Google nhấn mạnh vào sự tích hợp giữa các mô hình, chip và đám mây. Google sở hữu các tài nguyên như Gemini, TPU, Google Cloud, Model Garden, tìm kiếm và dữ liệu đa phương thức. Doanh thu Google Cloud của Alphabet trong quý 1 năm 2026 tăng trưởng 63% lên 20 tỷ USD, với tốc độ tăng trưởng kinh doanh đám mây tăng tốc đáng kể; công ty cũng tiết lộ rằng lượng đơn đặt hàng tồn đọng của Google Cloud đã vượt quá 460 tỷ USD. Nếu lợi thế về chi phí và hiệu suất của Gemini và TPU có thể chuyển hóa thành thị phần doanh nghiệp và dòng tiền chất lượng cao của Google Cloud, Google Cloud cũng có thể được hưởng lợi trong kỷ nguyên tính toán mức độ sử dụng AI chính xác.

VIII. Tại sao câu chuyện của Oracle lại không giống như vậy

Oracle cũng được hưởng lợi từ tình trạng thiếu hụt năng lượng tính toán AI, nhưng câu chuyện đầu tư của họ khác với các câu chuyện của Microsoft, Amazon và Google. Cốt lõi của ba ông lớn đám mây là sự tích hợp của các mô hình, năng lượng tính toán, dữ liệu, bảo mật, thanh toán và quy trình làm việc doanh nghiệp vào một nền tảng; câu chuyện của Oracle giống như một lượng đơn đặt hàng tồn đọng AI khổng lồ đi kèm với chi phí vốn cao hơn, nhu cầu huy động vốn và áp lực dòng tiền tự do lớn hơn.

Oracle chính thức tiết lộ rằng các nghĩa vụ thực hiện còn lại của họ trong năm tài chính 2026 đạt 638 tỷ USD, tăng 363% so với cùng kỳ năm ngoái; tuy nhiên, dòng tiền tự do trong cùng năm tài chính đó là âm 23,7 tỷ USD do công ty tiếp tục đầu tư để hỗ trợ sự tăng trưởng của mảng kinh doanh Cơ sở hạ tầng Đám mây. Oracle cũng tiết lộ rằng họ đã huy động được 43 tỷ USD nợ và 5 tỷ USD vốn cổ phần trong năm tài chính 2026, và dự kiến sẽ huy động thêm khoảng 40 tỷ USD nữa thông qua nợ và vốn cổ phần trong năm tài chính 2027.

Do đó, sự hiện diện của Oracle nhắc nhở các nhà đầu tư rằng những lo ngại của thị trường về chi phí vốn AI không phải là không có cơ sở. Chỉ là rủi ro này nhạy cảm hơn trong các câu chuyện cơ sở hạ tầng AI có cường độ vốn cao, nhu cầu huy động vốn lớn và mức độ tập trung khách hàng cao, trong khi ở các công ty đám mây dạng nền tảng như Microsoft, Amazon và Google, rủi ro và giá trị nền tảng cần được đánh giá một cách riêng biệt.

IX. Tác động đến định giá: Liệu ba ông lớn điện toán đám mây có đang bị chiết khấu quá mức?

Ở góc độ định giá, hệ số P/E dự phóng có thể đóng vai trò là một công cụ quan sát thô sơ nhưng hữu ích. Microsoft hiện đang giao dịch ở mức P/E dự phóng khoảng 19 lần, so với mức trung bình 5 năm là gần 30 lần; Amazon hiện giao dịch ở mức khoảng 27 lần, so với mức trung bình 5 năm là khoảng 45 lần; Alphabet hiện giao dịch ở mức khoảng 24–25 lần, so với mức trung bình 5 năm là khoảng 22 lần. Nếu chi phí vốn AI cuối cùng được chứng minh là khoản chi tiêu phòng thủ có tỷ suất sinh lời thấp, thì ngay cả khi ba ông lớn đám mây quay trở lại mức P/E dự phóng ở ngưỡng thấp của đầu 20 hoặc thậm chí là mười mười mấy lần, họ chưa chắc đã đủ rẻ. Ngược lại, nếu việc tính toán mức độ sử dụng AI chính xác củng cố tính chất không thể thay thế của các nền tảng đám mây trong hệ thống AI của doanh nghiệp, thì các định giá hiện tại có thể đang phản ánh quá mức áp lực dòng tiền ngắn hạn trong khi đánh giá thấp dòng tiền nền tảng trong tương lai.

Đối với các nhà đầu tư, chìa khóa không đơn giản là đánh giá xem ba ông lớn đám mây là "rẻ" hay "đắt", mà là đánh giá xem chi phí vốn của họ có thể chuyển hóa thành doanh thu nền tảng dài hạn hay không. Điều này đòi hỏi phải liên tục theo dõi tăng trưởng doanh thu đám mây, biên lợi nhuận gộp sản phẩm AI, tốc độ tăng trưởng chi phí vốn, áp lực khấu hao, tốc độ phục hồi dòng tiền tự do, hiệu quả định tuyến mô hình, mức độ sẵn sàng trả tiền cho AI của doanh nghiệp và cấu trúc tính phí sử dụng.

X. Các yếu tố rủi ro

Thứ nhất, thời gian hoàn vốn cho các khoản chi phí vốn AI có thể dài hơn những gì thị trường kỳ vọng. Các trung tâm dữ liệu, GPU, mạng, điện năng và cơ sở làm mát đều là các tài sản có cường độ vốn rất cao; nếu tăng trưởng doanh thu AI không đạt kỳ vọng, áp lực khấu hao và dòng tiền có thể tiếp tục kìm hãm các mức định giá.

Thứ hai, sự sụt giảm giá token có thể có tác động kép đến hiệu quả kinh tế trên mỗi đơn vị. Chi phí token thấp hơn giúp phổ biến việc sử dụng AI, nhưng nếu giá giảm nhanh hơn mức tăng trưởng sử dụng và cải thiện hiệu quả chi phí, lợi nhuận gộp được tạo ra trên mỗi đơn vị năng lượng tính toán của các nhà cung cấp đám mây có thể chịu áp lực.

Thứ ba, việc ứng dụng AI tại các doanh nghiệp có thể không đạt được như những giả định lạc quan. Việc các doanh nghiệp kiểm soát mức độ sử dụng token, thiết lập giới hạn ngân sách và thắt chặt quản lý quyền truy cập có thể ngụ ý rằng một số ứng dụng AI vẫn chưa chứng minh được tỷ suất sinh lời (ROI) đủ rõ ràng. Nếu các tác nhân AI (AI agents) không đạt yêu cầu về tỷ lệ thành công, tính ổn định, tính tuân thủ và khả năng kiểm soát, tốc độ triển khai thực tế vào hoạt động kinh doanh có thể sẽ chậm lại.

Thứ tư, các công ty phát triển mô hình và các nhà cung cấp dịch vụ tính toán mới nổi có thể làm thay đổi sự phân bổ giá trị. OpenAI, Anthropic, Google, Meta và các dịch vụ đám mây mới nổi (neoclouds) đều đang cạnh tranh để giành lấy cơ sở hạ tầng AI và giá trị API mô hình. Những tin đồn về việc Meta bán năng lực tính toán cho thấy cục diện nguồn cung tính toán có thể đang thay đổi, mặc dù tác động lâu dài của nó vẫn cần phải theo dõi thêm.

Kết luận: Câu hỏi không phải là liệu có nhu cầu về AI hay không, mà là liệu chi phí vốn có thể được chuyển đổi thành dòng tiền của nền tảng hay không.

Vấn đề cốt lõi mà ba nhà cung cấp dịch vụ đám mây lớn hiện đang phải đối mặt không phải là liệu nhu cầu AI có tồn tại hay không, mà là liệu các khoản chi phí vốn cho AI có thể chuyển hóa thành dòng tiền bền vững cho nền tảng hay không. Thái độ của thị trường đối với việc đầu tư vào AI đang chuyển dịch từ "đầu tư càng nhiều càng tốt" sang "liệu đầu tư có mang lại lợi nhuận hay không". Điều này giải thích tại sao định giá của Microsoft, Amazon và Google đang bắt đầu chịu ảnh hưởng chung bởi chi phí vốn dành cho AI, dòng tiền tự do và chi phí token.

Tuy nhiên, việc các doanh nghiệp bắt đầu kiểm soát mức độ sử dụng AI không nhất thiết đồng nghĩa với việc nhu cầu AI sụp đổ. Điều đó cũng có thể cho thấy AI đang chuyển dịch từ giai đoạn thử nghiệm trên diện rộng sang giai đoạn triển khai chính thức vào hoạt động kinh doanh. Giai đoạn triển khai chính thức đòi hỏi việc lựa chọn mô hình, quản trị dữ liệu, kiểm soát quyền truy cập, giám sát chi phí, hệ thống thanh toán và tích hợp quy trình kinh doanh phức tạp hơn, vốn chính là thế mạnh của Azure, AWS và Google Cloud.

Những tin đồn về việc Meta bán năng lực tính toán cho thấy phía nguồn cung cũng đang bắt đầu tìm kiếm lợi nhuận từ các khoản chi phí vốn cho AI; ví dụ của Oracle nhắc nhở thị trường rằng nhu cầu mạnh mẽ đối với cơ sở hạ tầng AI không tự động chuyển hóa thành dòng tiền tự do chất lượng cao. Đối với các nhà đầu tư, điều thực sự cần hiểu là các công ty cơ sở hạ tầng AI khác nhau sẽ gánh chịu rủi ro chi phí vốn theo những cách khác nhau. Giá trị đầu tư của Microsoft, Amazon và Google cuối cùng phụ thuộc vào khả năng chuyển đổi các khoản đầu tư cơ sở hạ tầng AI thành dòng tiền dài hạn của nền tảng trong kỷ nguyên AI của doanh nghiệp, chứ không đơn thuần là quy mô của các khoản chi phí vốn ngắn hạn.