A mesterséges intelligencia ma már nem csak technológiai hír, hanem makrogazdasági tényező: adatközpontokra, chipekre, felhőinfrastruktúrára elképesztő összegek mennek el, miközben a vállalatok még sokszor kísérleti üzemmódban használják az AI-t. A kérdés nem az, hogy az AI fontos-e, hanem az, hogy milyen ciklusban gondolkodunk róla. Rövid távú hype-ként kezeljük, vagy középtávú, 7–11 éves beruházási–konjunktúra ciklusként, ahogy a Juglar-ciklus elmélete sugallja? Aki stratégiai döntéseket hoz – tulajdonos, befektető, menedzser –, annak nem elég az éves büdzsé horizontja: értenie kell, milyen szakaszában járunk az AI-beruházások ciklusának.
A Juglar-ciklus az a klasszikus üzleti ciklus, amely a beruházások, a hiteldinamika és a ciklikus válságok kapcsolatát vizsgálja. Clément Juglar már a 19. században azonosított 7–11 éves, visszatérő mozgásokat az aggregált gazdasági aktivitásban, és azt állította, hogy a válság nem külső baleset, hanem a prosperitás belső következménye. Ha ma megnézzük az AI-adatközpontokra, chipekre, nagy nyelvi modellekre költött tőkét, nagyon hasonló mintázatot látunk: gyorsan emelkedő beruházási hullám, amelyet olcsó finanszírozás, óriási várakozások és erős verseny táplál.
Ebben a cikkben azt vizsgálom, hol tartunk ma a mesterséges intelligenciában a Juglar-ciklus elmélete szerint. Nem akadémiai szőrszálhasogatásról van szó, hanem nagyon gyakorlati dilemmákról: belépj-e most AI-projektekbe vagy várj; skálázd-e az adatközpont-fogyasztásodat vagy bérelj; hogyan értékeld az AI-cégeket befektetőként; mit jelent ez egy magyar kkv vagy nagyvállalat számára a következő 5–10 évben. A célom az, hogy a klasszikus cikluselméletet lefordítsam a mai AI-dilemmák nyelvére – úgy, mintha a saját pénzünket és cégünket kellene védenünk a következő Juglar-ciklus fordulópontjainál.
Mi a Juglar-ciklus?
A Juglar-ciklus a gazdasági ciklusok hierarchiájában a középtávú, nagyjából 7–11 éves üzleti ciklus, amely elsősorban a fix tőkeberuházásokhoz és a hitelciklushoz kapcsolódik. A 19. században Clément Juglar francia közgazdász a banki mérlegek, hitelállományok és fizetésképtelenségek adatait vizsgálva arra jutott, hogy a gazdaság nem egyenes vonalban növekszik, hanem ismétlődő, jól körülírható szakaszokon megy keresztül: fellendülés, túlfűtöttség, válság, pangás, majd újra fellendülés.
A modern értelmezések – például Grinin, Korotajev és Malkov matematikai modellje – négy fő fázist különítenek el: helyreállás (recovery), felívelés/prosperitás, recesszió/krízis és depresszió/stagnálás. Ezekhez részletes al-fázisok tartoznak (gyorsuló növekedés, boom, összeomlás, lefelé csúszás, stabilizáció, áttörés), amelyekben a beruházások, az árak, a bérek, a profitráták és a hitelezés tipikus mintázat szerint mozognak. A Juglar-ciklus lényege, hogy a krízis nem „véletlen sokk”, hanem a megelőző túlberuházás, hitelbővülés és optimizmus természetes következménye.
Schumpeter a 20. században továbbfejlesztette ezt a gondolatot: számára a „klasszikus üzleti ciklus” – amelyet Juglar után neveztek el – az innovációk közepes méretű hullámainak felel meg, miközben a rövidebb Kitchin-ciklusok a készletekhez, a hosszú Kondratyev-hullámok pedig a technológiai paradigmaváltásokhoz kötődnek. A magyar szakirodalomban is elterjedt az a felfogás, hogy egy Kondratyev-hullám nagyjából hat Juglar-ciklusból áll, vagyis a középtávú beruházási ciklusok „rakódnak” össze hosszú technológiai korszakokká. A mesterséges intelligencia esetében érdemes külön kezelni a hosszú távú, paradigmaváltó kérdéseket (ezeket a Kondratyev-logika ragadja meg), és a konkrét 7–11 éves AI-beruházási hullámokat, amelyeket Juglar szemüvege segít értelmezni.
Juglar-ciklus és beruházási dinamika a modern AI-gazdaságban
A Juglar-ciklus klasszikusan a gépekbe és berendezésekbe történő beruházások ciklikusságával foglalkozik. Ma ez a „gép és berendezés” nagyon gyakran AI-adatközpontot, nagy teljesítményű GPU-kat, nagy sávszélességű hálózatot és szoftveres infrastruktúrát jelent. A mai AI-boom makroadatokban elsősorban három területen jelenik meg: adatközpont-építésekben, az ott működő speciális hardverek (racks, szerverek, hűtés) beszerzésében, valamint az ezekhez kapcsolódó szoftveres és immateriális beruházásokban.
Nemzetközi elemzések szerint az AI-ra felkészített adatközpont-kapacitás iránti kereslet 2023 és 2030 között éves átlagban nagyjából 30 százalék feletti ütemben nőhet, és 2030-ra a teljes adatközpont-igény mintegy 70 százalékát az AI-munkaterhelések vihetik el. A nagy technológiai vállalatok tőkekiadásai már 2024-ben rekordot döntöttek, és a becslések szerint a csak AI-hoz kötődő adatközpont-beruházások önmagukban a fejlett gazdaságok GDP-jének jelentős töredékét teszik ki. Ez tipikusan Juglar-jelenség: egy új technológiai lehetőség hatására középtávon kiugró beruházási hullám indul, amelyet olcsó finanszírozás, optimista várakozások és piaci verseny táplál.
A Juglar-modellből ismert pozitív visszacsatolások – hitelbővülés, megtérülési várakozások, a pénzügyi szektor „ráerősítő” szerepe – a mai AI-beruházásokban is megjelennek. Grinin és társszerzői elemzése szerint a középtávú ciklusokban különösen fontos a pénzügyi rendszer szerepe: a túl gyorsan bővülő hitelezés és az eszközárak emelkedése felerősíti a ciklus amplitúdóját, majd a fordulópontnál szintén gyorsan felerősíti a visszaesést. Az AI-infrastruktúrába ömlő tőke ma olyan mértéket ér el, hogy egyes elemzések szerint önmagában képes „elgörbíteni” a makrogazdasági mutatókat: nagy technológiai cégek tőkekiadása már a teljes vállalati beruházás jelentős hányadát adja, miközben a bevételi oldalon még csak részben látszik a megtérülés. Ez a feszültség tipikus Juglar-szituáció, ahol a ciklus végének kimenetele azon múlik, hogy mennyire kerül sor túlkapacitásra és pénzügyi feszültségekre.
AI-beruházási Juglar-ciklus 2015–2025 között
Ha a mesterséges intelligenciát nem technológiatörténeti, hanem kifejezetten Juglar-típusú beruházási ciklusban vizsgáljuk, akkor a 2015–2025 közötti időszak jól tekinthető egy teljes, középtávú AI-beruházási hullámnak. A 2010-es évek elején a mélytanulás látványos eredményei (kép- és beszédfelismerés, gépi fordítás) még főleg kutatólaborok és néhány nagyvállalat belügyei voltak. 2015–2017 között azonban a felhőszolgáltatók, a nagy technológiai cégek és a kockázati tőke már egyre komolyabb forrásokat kezdtek el allokálni AI-platformokra és -csapatokra – ez felel meg a Juglar-ciklus „helyreállási” és korai „felívelési” fázisának.
2018–2021 között a mesterséges intelligencia beépült a nagy platformok kínálatába, közben a járványidőszak is felgyorsította a digitalizációt. Az AI-startupok értékeltsége ugrásszerűen nőtt, a GPU-k iránti kereslet pedig sokszor meghaladta a kínálatot. Ez a korszak már a Juglar-féle „prosperitás” és „boom” szakasz tipikus jegyeit mutatta: széles körű optimizmus, bővülő hitel és tőke, kapacitásbővítés, gyors termék-kísérletezés. 2022–2024-ben a generatív AI megjelenése – nagy nyelvi modellek, képgenerátorok – tovább erősítette ezt: egyes becslések szerint a nagy felhőszolgáltatók 2024-es infrastuktúra-beruházásai 39 százalékkal haladták meg az előző évit, döntően az AI-adatközpontok miatt.
2023–2025 között már olyan szintű AI-kapacitás-építés zajlik, hogy az elemzések szerint önmagában 1 százalék körüli GDP-arányt érhet el a fejlett gazdaságokban az AI-típusú beruházások súlya, miközben a bevételi oldal és a termelékenységi statisztikák ettől még érdemben elmaradnak. Az AMD vezérigazgatója például egy „masszív, tízéves AI-hullám” elejéről beszél, amelynek első szakaszában elsősorban az infrastruktúra-építés dominál. Juglar szemszögéből nézve ez a kép tipikusan egy késői felívelés/boom: hatalmas tőkebeáramlás, erős beruházási dinamika, még nem bizonyított cash flow-k, közben fokozódó beszélgetés az energiaszükségletről, szabályozásról, társadalmi hatásokról. A klasszikus Juglar-ciklus pedagógiája szerint ilyenkor kell a leginkább fegyelmezetten gondolkodni beruházóként és vállalatvezetőként.
Hol tartunk ma az AI-ban a Juglar-ciklus görbéjén?
A fenti időszakot végiggondolva a globális mesterséges intelligencia-ökoszisztéma ma valószínűleg egy késői Juglar-felívelésben, vagy annak és a korai korrekciós szakasz határán áll. A beruházási adatok, a chip- és adatközpont-kapacitások növekedése, a nagy technológiai cégek tőkekiadási tervei mind egyértelműen egy intenzív, felfelé tartó beruházási hullámot jeleznek. Ugyanakkor a termelékenységi mutatók, a vállalati szintű AI-adaptációs adatok és a profitabilitás vegyes képet mutatnak: az OECD 2024-es elemzése, illetve Brynjolfssonék produktivitási paradoxonról szóló munkája is kiemeli, hogy az AI-képességek látványos előretörése nem párosult arányos, széles körű termelékenységi ugrással. Ez klasszikus „késés” jelenség: a technológiai beruházások megelőzik a szervezeti, kompetencia- és intézményi alkalmazkodást.
Juglar szempontjából a jelenlegi helyzetben három kockázati jel figyelmeztet. Először: a hitel- és tőkepiacokon az AI-val kapcsolatos várakozások már beépültek az értékelésekbe, sok esetben előrehozottan árazva a még nem realizált nyereségeket. Másodszor: az AI-infrastruktúra-beruházások jelentős része olyan kapacitásokat hoz létre, amelyek valós kihasználtsága erősen függ a szabályozási környezettől, az energiaáraktól és a felhasználói bizalomtól. Harmadszor: a termelékenységi paradoxon azt üzeni, hogy a ciklus jelenlegi szakaszában a legnagyobb kockázat az, ha a vállalatok pusztán infrastruktúrát vásárolnak, de nem szervezik át a folyamataikat és nem fejlesztik a kompetenciákat hozzá.
„A mesterséges intelligencia-beruházások ma már nem technológiai kérdések, hanem cikluskezelési döntések: vagy tudatosan építesz rá 7–10 éves üzleti pályát, vagy a saját céged kerül be mellékszereplőként a következő korrekciós hullámba.” – Dajka Gábor
Én úgy látom, hogy a globális AI Juglar-ciklus jelenlegi szakasza üzleti szempontból egy „érett felívelés”: aki most lép be, még profitálhat a technológia éretlenségéből és a gyors tanulási görbéből, de csak akkor, ha fegyelmezetten, profitabilitás-centrikusan épít. Aki viszont csupán a hype-ot követi, és csupán azért ruház be AI-ba, mert „mindenki ezt csinálja”, az könnyen találhatja magát a következő ciklus recessziós fázisában túlméretezett költségbázissal és elégtelen megtérüléssel.
Magyarország és a mesterséges intelligencia Juglar-ciklusban
Magyarország helyzete az AI Juglar-ciklusában eltér a globális képtől. Miközben a nemzetközi nagyvállalatok már egy érett, erőteljes felívelési szakaszban járnak, a hazai vállalati ökoszisztéma jóval korábban tart a saját AI-ciklusában. A 2020-ban elfogadott Magyarország Mesterséges Intelligencia Stratégiája 2020–2030 egyértelműen gazdasági és versenyképességi eszközként tekint az AI-ra, a 2025-ös megújított stratégia pedig megerősíti, hogy a cél az AI-értéklánc egészének megerősítése és a vállalati adoptáció gyorsítása. Ugyanakkor az EU Digital Decade 2024-es országjelentése alapján a magyar vállalatok mindössze 3,7 százaléka használ valamilyen AI-technológiát, szemben az uniós 8 százalékos átlaggal.
Más adatok szerint a magyar AI-piac 2024-ben mintegy 350 millió dollár körüli méretű, és évente közel 30 százalékos növekedési rátával bővülhet 2030-ig. Ez a kombináció – alacsony jelenlegi vállalati adaptáció, de magas növekedési ütem – Juglar-szempontból azt jelenti, hogy Magyarország még a korai felívelési szakaszban jár: az AI mint lehetőség ismert, a stratégiai dokumentumok elkészültek, de a tényleges vállalati beruházási hullám még korlátozott. A globális AI Juglar-ciklushoz képest időzítésbeli csúszásban vagyunk: a technológia már érettebb, a nemzetközi „tanulópénz” nagy részét mások fizették ki, miközben a hazai piacon még bőven vannak belépési rések.
Dajka Gábor tapasztalata szerint a magyar kkv-k jelentős része ott tart, hogy néhány munkatárs privát módon használ generatív AI-eszközöket, de nincs szervezeti AI-stratégia, nincsenek tudatosan kialakított AI-folyamatok, és az adatvagyon sincs úgy strukturálva, hogy arra komolyabb AI-rendszert lehessen építeni. Ez azt is jelenti, hogy a hazai vállalkozások számára a következő 5–7 év valójában az első AI Juglar-ciklusuk felívelő szakasza lesz. Aki most kezdi kiépíteni az adat- és AI-kompetenciákat, az egyszerre használhatja ki a globális technológiai érettséget és a hazai versenytársak késlekedését. Aki viszont még öt évig csak kívülről szemléli az AI-t, az a következő korrekciós fázisban már kialakult piaci pozíciókkal fog szembesülni.
Vállalati akcióterv a Juglar-ciklus szakaszaihoz igazítva
Ahhoz, hogy a Juglar-ciklus elmélete ne maradjon elvont fogalom, érdemes lefordítani vállalati döntési nyelvre. A mesterséges intelligenciára vetítve a középtávú ciklus fázisaihoz konkrét fókuszok és döntéstípusok rendelhetők. Az alábbi táblázat azt foglalja össze, hogyan érdemes gondolkodni AI-beruházásról és -stratégiáról a különböző szakaszokban.
| Juglar-fázis az AI-ban | Piaci jelenségek | Ajánlott vállalati stratégia |
|---|---|---|
| Helyreállás / korai felívelés | Technológia kiforratlan, kevés sztenderd; kevés, de gyorsan növekvő szereplő; mérsékelt verseny a tehetségekért. | Pilot projektek, adatvagyon-felmérés, AI-stratégia alapjainak lefektetése, belső kompetenciaépítés, kísérletezés kontrollált költségkerettel. |
| Felívelés / terjedés | Gyorsan bővülő piac, egyre több versenytárs, érettebb eszközök, növekvő szabályozási figyelem. | Folyamat-szintű AI-integráció (ügyfélszolgálat, marketing, pénzügy), AI-governance kialakítása, partneri együttműködések, skálázható architektúrák. |
| Boom / túlfűtöttség | Beruházási láz, magas értékelések, erős marketingzaj, kapacitásbővítés hitelből is. | Fegyelmezett beruházás, szigorú ROI-kritériumok, „nice-to-have” AI-projektek elhalasztása, cash-flow-védelmet szolgáló döntések. |
| Korrekció / recesszió | Megszűnő vagy konszolidálódó AI-vállalatok, óvatosabb finanszírozás, szabályozási szigorodás. | Lehetőségérzékeny akvizíciók, költségcsökkentés AI-val, meglévő rendszerek stabilizálása, kompetencia megtartása. |
| Stagnálás / új egyensúly | Standardizált technológia, érettebb piac, marginális termelékenység-nyereségek. | Finomhangolás, hatékonyságoptimalizálás, új üzleti modellek keresése a már beágyazott AI-képességekre építve. |
Dajka Gábor tapasztalata szerint a magyar cégek többsége ma úgy próbál AI-t bevezetni, hogy nincs tisztában azzal, éppen melyik Juglar-fázisban van a saját AI-ciklusában. A nagy globális szereplők számára a boom-szakasz már valódi kapacitásépítést és piaci dominanciaharcot jelent, míg egy hazai kkv-nál ugyanez a korszak még gyakran csak eszközszintű kísérletezésről szól. Ezt a fáziseltolódást érdemes tudatosan kezelni: nem kell lemásolni a globális óriások tőkekiadási mintáit, viszont lehet használni az általuk „kitaposott” technológiai utat és tapasztalatokat.
„Beruházni AI-ba Juglar-szemmel azt jelenti, hogy nem az éppen legtrendibb eszközre költesz, hanem arra a folyamatra, amiből 7–10 év múlva is érték lesz a cégedben.” – Dajka Gábor
Gyakorlati szinten ezt úgy fogalmaznám meg: a következő években akkor leszel előnyben, ha az AI-projekteket nem IT-projektként, hanem konjunktúra-fázishoz illesztett, tudatos beruházásként kezeled. A boom-szakaszban különösen fontos, hogy a CFO és a stratégiai vezetés közösen döntsön az AI-ról: melyik beruházás szolgál valódi versenyelőnyt, és mi az, ami csak drága kísérlet lenne egy túlfűtött környezetben.
Etikai, szociológiai és politikai dimenzió Juglar-szemmel
A Juglar-ciklusokat gyakran úgy tanítják, mintha pusztán gazdasági–pénzügyi jelenségek lennének, de valójában mindig társadalmi következményekkel járnak: munkaerőpiaci átrendeződés, jövedelmi különbségek, bizalmi válságok, politikai reakciók. A mesterséges intelligencia esetében ez a hatás különösen erős. Az OECD 2024-es elemzése szerint az AI képes lehet érdemben növelni a termelékenységet, de a hatások eloszlása nagyon egyenlőtlen lehet: bizonyos szektorok és képzettségi csoportok nyernek, mások veszítenek, és a rövid távú alkalmazkodás költségei magasak.
Magyar kutatások is rámutatnak, hogy az AI hazai elterjedése nem homogén: egyes, nagyobb technológiai érettségű vállalatok gyorsan integrálják az AI-t, míg másoknál az elfogadás lassabb, részben a bizalmi és átláthatósági kérdések miatt. A Juglar-ciklus szempontjából ez azt jelenti, hogy a boom-szakaszban könnyen kialakulhat olyan beruházási minta, ahol a tőke és a magas hozzáadott érték koncentrálódik néhány szereplőnél, a korrekciós szakasz pedig az alacsony jövedelmű, kevésbé védett munkavállalókat sújtja jobban. Ha nem készülünk fel erre oktatásban, átképzésben, szociális védőhálókban, akkor a következő AI-beruházási válság könnyen társadalmi elégedetlenségbe torkollhat.
Etikai szempontból az is kérdés, milyen minőségű adatvagyonra épülnek az AI-rendszerek, kik férnek hozzá a fejlett modellekhez, és mennyire átlátható, hogy egy adott döntésben – legyen az hitelbírálat, orvosi diagnózis vagy állásra jelentkező szűrése – milyen módon játszik szerepet a mesterséges intelligencia. A Juglar-ciklus kritikus pontjai – túlfűtöttség, majd krízis – mindig felerősítik a bizalmi kérdéseket: ha a boom alatt nem épül ki a korrekt szabályozás és az etikai normarendszer, a korrekció során a bizalmi válság sokkal mélyebb lesz. Ezért tartom fontosnak, hogy a vállalatok ne csak profit-szempontból, hanem társadalmi felelősségvállalásként is gondolkodjanak az AI-ciklusban betöltött szerepükről.
Dajka Gábor marketingszakértő, business coach és befektető szerint
Ha egy mondatban kellene megfogalmaznom, hol tartunk ma a mesterséges intelligenciában a Juglar-ciklus elmélete szerint, így mondanám: globálisan egy érett, túlhevülés közeli AI-beruházási ciklusban vagyunk, Magyarországon pedig ennek még csak a korai felívelésében. Ez a kettősség egyszerre jelent kockázatot és lehetőséget. Kockázatot, mert a nemzetközi boom zaját könnyű félreértelmezni és túlméretezett beruházásokba futni egy olyan piacon, ahol a hazai ügyfélkör AI-érettsége még alacsony. Lehetőséget, mert a technológia, a módszertan és a nemzetközi tapasztalat már rendelkezésre áll, miközben a magyar cégek jelentős része még előkészítési fázisban sem jár.
„A mesterséges intelligencia nem csak egy új eszköz a marketingben vagy a menedzsmentben, hanem egy teljes Juglar-ciklusnyi kihívás: tíz évre szóló döntés arról, hogy mennyire veszed komolyan az adatalapú gondolkodást.” – Dajka Gábor
Az Online marketing és pszichológia című könyvemben is azt hangsúlyozom, hogy technológiai eszközt csak akkor érdemes komolyan venni, ha a mögötte lévő pszichológiai, szervezeti és stratégiai logikát is értjük. Az AI esetében ez hatványozottan igaz. A következő 7–10 évben az fog jól járni, aki az AI-t nem „varázseszközként”, hanem középtávú beruházási ciklusként kezeli: adatvagyont épít, folyamatokat rendez, kompetenciát fejleszt, és fegyelmezetten választja ki, mire költ. Aki viszont csak az eszközt hajszolja, és koncepció nélkül halmoz fel AI-szoftvereket, az a ciklus végén valószínűleg egy drága, alulhasznosított technológiai készlettel fog szembesülni.
Én abban hiszek, hogy a mesterséges intelligencia nem „elintézi helyettünk” az üzleti gondolkodást, hanem felerősíti, mennyire volt átgondolt a stratégiánk. Ha Juglar szemével nézünk az AI-ra, akkor nem a napi hír számít, hanem az, hogy a következő tíz évben milyen döntésekkel helyezkedünk el ebben a ciklusban – és milyen céget akarunk látni a következő korrekció után is talpon.
Szakértő válaszol – GYIK
Mit jelent a Juglar-ciklus egy magyar kkv számára a mesterséges intelligencia területén?
Egy magyar kkv szempontjából a Juglar-ciklus azt jelenti, hogy az AI-t nem egyéves projektként, hanem 7–10 éves beruházási és tanulási pályaként érdemes kezelni. A korai szakaszban – ahol ma a legtöbb hazai vállalkozás tart – a fő feladat az adatvagyon rendbetétele, néhány jól meghatározott pilot kiválasztása (például ügyfélszolgálati automatizálás, marketing-folyamatok támogatása, belső riportolás) és az alapkompetenciák kiépítése. Nem az a cél, hogy mindenre AI-t vezessünk be, hanem hogy tudatosan felépüljön egy olyan szervezet, amely képes a következő években is új AI-eszközöket integrálni. A későbbi, felívelő szakaszban már jönnek a komolyabb beruházások és az üzleti modell szintű változtatások, de azok csak akkor lesznek stabilak, ha az első ciklusban megteremtjük a szervezeti alapot hozzá.
Lehet-e, hogy az AI-hype „csak” egy buborék a Juglar-ciklus boom szakaszában?
Bizonyos részei nyilvánvalóan buborékjellegűek: vannak túlértékelt cégek, túlzó ígéretek és olyan AI-projektek, amelyek mögött nincs valós üzleti logika. Juglar szemszögéből ez nem meglepő: a boom szakasz mindig hoz túlkapacitást és túlzott optimizmust. Ugyanakkor az AI-alapú adatközpontok, a félvezető-fejlesztések és a vállalati folyamatokba beépülő AI-képességek nem fognak eltűnni attól, hogy egyes szegmensekben korrekció jön. A kérdés az, hogy a saját céged szintjén mennyi a „valódi” kapacitás és mennyi a buborék. Ha a beruházásaid mögött kimutatható költségmegtakarítás, bevételnövekedés vagy versenyelőny van, akkor egy korrekciót is át fogsz vészelni. Ha viszont a projektek többsége csak presztízs vagy kíváncsiság, de nincs mérhető hatása, akkor egy gazdasági visszaesés idején ezek lesznek az első tételek, amelyeket le kell vágni.
Hogyan kapcsolódik a Juglar-ciklus a Kondratyev-hullámhoz az AI esetében?
A Kondratyev-hullám elmélete a hosszú, 40–60 éves technológiai–gazdasági korszakokat írja le, míg a Juglar-ciklus a 7–11 éves, középtávú üzleti ciklusokra koncentrál, elsősorban a fix tőkeberuházások szintjén. Az AI-nál a kettő egyszerre van jelen: hosszú távon a mesterséges intelligencia jó eséllyel egy új techno-gazdasági paradigma része (ez a Kondratyev-logika), miközben a konkrét adatközpont-, chip- és szoftverberuházások Juglar-típusú hullámokban futnak le. Vállalati szinten a Juglar-ciklus adja a gyakorlati időhorizontot (mire és mennyit ruházol be a következő évtizedben), míg a Kondratyev-hullám segít megérteni, hogy ez egy mélyebb struktúraváltás része, nem egy rövid trend. Én azt javaslom, hogy stratégiai gondolkodásban mindkettőt tartsuk szem előtt: középtávon fegyelmezett beruházási döntések, hosszú távon pedig bátorság a modellváltáshoz.
Mire figyeljen egy befektető, ha AI-cégeket értékel Juglar-szemlélettel?
Befektetőként Juglar-szemlélettel három dolgot néznék. Először: a vállalat mennyire van kitérve a boom-szakasz túlkapacitásának? Például csak infrastruktúrát épít-e, amelynek kihasználtsága kérdéses, vagy valós, stabil keresletre épít. Másodszor: a bevétel és a nyereség mennyire időzített egy esetleges korrekcióhoz képest – mennyire támaszkodik rövid távú hype-projektekre, és mennyi a hosszabb távú, szerződéses bevétel. Harmadszor: milyen minőségű az adat- és kompetencia-bázis a cégnél, vagyis mennyire helyettesíthető egy következő technológiai generációban. A Juglar-ciklus tanulsága az, hogy nem az a vállalat marad talpon, amely a legnagyobb kapacitást építi ki, hanem az, amelyik a ciklus fordulópontjain képes rugalmasan alkalmazkodni – és ehhez nagyon sokszor a vezetés minősége és az adatalapú gondolkodás a döntő, nem csupán a pillanatnyi technológiai fölény.
Mi a sajátossága a magyar piacnak az AI Juglar-ciklusában?
A magyar piac sajátossága, hogy a globális AI Juglar-ciklushoz képest késleltetve reagál: a technológia már érettebb, a nemzetközi legjobb gyakorlatok hozzáférhetők, de a hazai AI-adaptáció még alacsonyabb szintről indul. Ez egyszerre hátrány és előny. Hátrány, mert a digitális készségek, az adatmenedzsment-kultúra és a szervezeti nyitottság hiányosságai lassítják az AI bevezetését. Előny, mert nem kell minden hibát saját kézből elkövetni: van mire támaszkodni technológiai és üzleti mintákban. A Juglar-ciklus szempontjából ez azt jelenti, hogy a magyar vállalkozások ma egy olyan időszakban hozhatnak AI-döntéseket, amikor a globális boom már megmutatta az erősségeket és a gyenge pontokat, miközben a hazai piacon még bőven van tere az első-mozgó előnyöknek. A lényeg az, hogy ne maradjunk a „még ráérünk, ez csak hype” hozzáállásban, mert Juglar-logikával gondolkodva a következő 7–10 év döntései meghatározzák, hol állunk majd a következő korrekció után.
Ajánlott magyar videók/podcastok
Az alábbi magyar nyelvű előadás segít tágabb gazdasági–konjunkturális kontextusba helyezni a jelenlegi AI-beruházási hullámot, különösen a világgazdasági ciklusok fényében:
Források
Muriel Dal-Pont Legrand – Harald Hagemann (2007): Business Cycles in Juglar and Schumpeter
OECD (2024): The impact of Artificial Intelligence on productivity, distribution and growth
Magyarország Mesterséges Intelligencia Stratégiája 2020–2030
