सॉफ्टवेयर ने दुनिया को खा लिया था, अब हार्डवेयर सॉफ्टवेयर को खा रहा है

• SaaS युग में इंटरफेस और एप्लिकेशन कुल मार्जिन का 75~90% हासिल करते थे, लेकिन AI में वैल्यू का केंद्र semiconductor·computing·data·inference platform की ओर नीचे खिसक रहा है, जिससे एप्लिकेशन लेयर पतली होती जा रही है
• भारी पूंजी और CoWoS·HBM·बिजली की भौतिक बाधाएं, डेटा switching cost, और एप्लिकेशन लॉजिक की replaceability वैल्यू के केंद्र को निचली लेयरों में स्थिर कर रहे हैं
• NVIDIA का data center revenue अप्रैल 2026 में समाप्त तिमाही में 75.2 अरब डॉलर तक पहुंचा, जो साल-दर-साल 92% अधिक है, और 4 बड़े hyperscaler का Q1 2026 capex 131 अरब डॉलर तक पहुंच गया, जिससे पूंजी भौतिक आधारभूत लेयर में केंद्रित हो रही है
• open-weight models का performance gap और pricing तेजी से घट रहे हैं, लेकिन inference·optimization platform जो high throughput और low latency देते हैं, proprietary data platform, और कुछ premium models जिनके पास top-tier performance और enterprise distribution है, अभी भी वैल्यू बनाए हुए हैं
• AI एप्लिकेशन में inference cost औसतन revenue का 23% है, इसलिए कुल मार्जिन 50~60% पर अटक सकता है; इस वजह से proprietary data loop·system of record·regulated workflow·distribution power·performance-based pricing में से कम-से-कम एक होना जरूरी है ताकि पारंपरिक सॉफ्टवेयर जैसी defensibility मिल सके

---

AI से उलटती वैल्यू शिफ्ट की दिशा

• SaaS में एक अतिरिक्त user को support करने की marginal cost लगभग शून्य थी, और interface·workflow·system of record के मालिक बनने वाली कंपनियां 75~90% gross margin हासिल करती थीं
• AI में inference variable cost of revenue बन गया है, इसलिए वैल्यू का केंद्र एप्लिकेशन से निचली लेयरों की ओर जा रहा है
  • semiconductor और computing, data platform, open models चलाने वाले inference engine, और कुछ premium frontier models मुख्य वैल्यू लेयर बनाते हैं
• इसका मतलब यह नहीं कि एप्लिकेशन गायब हो रहे हैं, लेकिन उनकी लेयर पतली हो रही है
  • model और data की valuation बढ़ रही है, जबकि बिना differentiation वाले wrapper applications का margin और revenue multiple घट रहा है
• dot-com crash के बाद private capital capital-intensive और cyclical semiconductor से निकलकर cloud·SaaS की ओर गया था, जहां 80%+ gross margin और recurring revenue मिलता था
• AI इस प्रवाह को उलटकर पूंजी को फिर से silicon·packaging·power·data infrastructure·inference base की ओर लौटा रहा है
  • tech सेक्टर की सबसे मूल्यवान franchise फिर से chip companies बन रही हैं
  • inference और data platform रिकॉर्ड गति से बढ़ने वाले infrastructure business बन रहे हैं
  • asset-light applications, जो पिछली capital shift का destination थे, अब AI stack में कमजोर margin structure के साथ खड़े हैं

वैल्यू निचली लेयरों में जमा होने के चार कारण

• AI stack की हर लेयर का मूल्यांकन इस आधार पर किया जा सकता है कि वैल्यू का अगला 1 डॉलर किसी और द्वारा कितनी आसानी से replace किया जा सकता है
• capital intensity एक entry barrier की तरह काम करती है
  • 4 बड़े hyperscaler वार्षिकीकृत आधार पर 500 अरब डॉलर से अधिक capex कर रहे हैं, और 2026 में यह 600 अरब डॉलर से ऊपर जा सकता है
  • जिन बाजारों में लगातार बहुत बड़ी पूंजी झोंकनी पड़ती है, वहां पूंजी खुद moat बन जाती है
• physical bottleneck को अल्पकाल में सिर्फ पैसा लगाकर दूर करना मुश्किल है
  • CoWoS advanced packaging, high-bandwidth memory (HBM), और power स्पष्ट constraint के रूप में काम कर रहे हैं
  • जो कंपनियां इन दुर्लभ constraints को control करती हैं, वही वैल्यू कब्जा करती हैं
• switching cost और inertia data platform में वैल्यू जमा करते हैं
  • एक ही environment में जितने ज्यादा pipeline·table·model जुड़ते हैं, migration cost उतनी बढ़ती जाती है
  • open weights को portable बनाने के लिए design किया गया है, इसलिए वैल्यू model से ज्यादा उसे उपलब्ध कराने वाले platform की ओर जाती है
• surface layer का replacement risk लगातार बढ़ रहा है
  • general-purpose application logic को models सीधे कर सकते हैं, इसलिए stack में इसे replace करना सबसे आसान है

लेयर 1: semiconductor और computing

• NVIDIA और hyperscaler capex

  • NVIDIA का data center revenue अप्रैल 2026 में समाप्त तिमाही में 75.2 अरब डॉलर रहा, जो साल-दर-साल 92% बढ़ा
  • gross margin लगभग 75% है, और annualized revenue लगभग 300 अरब डॉलर है
  • अगली तिमाही के लिए total revenue guidance 91 अरब डॉलर है, और AI accelerator revenue share के आधार पर इसका market share लगभग 80% है
  • 4 बड़े hyperscaler का Q1 2026 capex लगभग 131 अरब डॉलर तक पहुंचा
    • Amazon ने 44.2 अरब डॉलर, Alphabet ने 35.7 अरब डॉलर खर्च किए
    • Microsoft ने 30.9 अरब डॉलर, Meta ने 19.8 अरब डॉलर निवेश किए
  • यह investment scale annualized आधार पर लगभग 525 अरब डॉलर है, और 2026 की annual guidance 600 अरब डॉलर+ की ओर बढ़ रहा है
  • Goldman Sachs का अनुमान है कि 2025~2030 के दौरान hyperscaler का cumulative capex 5.3 ट्रिलियन डॉलर होगा

• computing·memory·storage की supply constraints

  • वैश्विक semiconductor revenue 2025 में 793 अरब डॉलर रहा, जो साल-दर-साल 21% अधिक है, और 2026 में इसके 1 ट्रिलियन डॉलर के करीब पहुंचने की संभावना है
    • WSTS का अनुमान लगभग 975 अरब डॉलर है, यानी साल-दर-साल 25% वृद्धि
    • Gartner का अनुमान इससे भी अधिक है
  • AI कुल semiconductor revenue का लगभग 30% है, और 2029 तक इसके 50%+ होने की उम्मीद है
  • computing सेगमेंट में AI accelerator market के 2024 के लगभग 80 अरब डॉलर से बढ़कर 2029 में 280 अरब डॉलर+ होने का अनुमान है
  • memory segment पर भी तेजी से दबाव बढ़ रहा है
    • HBM demand 2025 में लगभग 130% बढ़ी, और 2026 में अतिरिक्त लगभग 70% बढ़ने की उम्मीद है
    • commodity DRAM contract price Q1 2026 में पिछली तिमाही की तुलना में लगभग 90% बढ़ा
    • AI data center advanced DRAM का लगभग 70% absorb कर रहे हैं
  • NAND market 2026 में लगभग 65 अरब डॉलर तक पहुंचेगा, और कुल bits का पांचवां हिस्सा AI में इस्तेमाल होगा
    • 2027 तक demand growth 20~22% रहने का अनुमान है, जो supply growth 15~17% से अधिक होगी

• packaging·power bottleneck और return risk

  • मुख्य constraint chip design से हटकर packaging और power पर आ रहा है
  • TSMC की CoWoS production capacity 2025 में लगभग 70,000 wafers प्रति माह से बढ़कर 2026 में लगभग 110,000 wafers हो जाएगी, लेकिन व्यवहार में यह लगभग पूरी तरह booked है
  • NVIDIA ने 2027 तक supply का आधे से अधिक हिस्सा reserve कर लिया है
  • 2025 में घोषित नई AI data center capacity 10GW से अधिक थी, जबकि मौजूदा packaging base लगभग 18GW capacity को support कर सकता है
  • Google TPU, AWS Trainium, और Broadcom ASIC जैसे hyperscaler custom silicon 200 अरब डॉलर+ के accelerator market में बढ़ रहे हैं
    • लंबी अवधि में ये NVIDIA का share घटा सकते हैं, लेकिन वैल्यू को semiconductor layer से बाहर नहीं ले जाते
  • सबसे बड़ा जोखिम revenue नहीं बल्कि return on investment है
    • सालाना 500 अरब डॉलर+ capex और 2~3 साल की accelerator useful life को देखते हुए, installed base utilization पर्याप्त ऊंचा होना चाहिए ताकि margin टिके रहें
    • competitors से ज्यादा, utilization ही पूरे AI stack की profitability का सबसे बड़ा variable है

लेयर 2: open models और inference platform

• model performance convergence और supply expansion

  • Stanford AI Index के अनुसार Chatbot Arena में सबसे अच्छे closed model और सबसे अच्छे open-weight model के बीच का अंतर जनवरी 2024 के 8.04% से घटकर फरवरी 2025 में 1.70% रह गया
  • MMLU में 2023 का लगभग 17.5-point gap लगभग गायब हो गया है
  • DeepSeek R1 ने दिखाया कि frontier-grade reasoning के लिए 100 मिलियन डॉलर+ training budget अनिवार्य नहीं है
  • Qwen, Hugging Face पर Llama को पीछे छोड़कर सबसे अधिक डाउनलोड की जाने वाली model family बन गया है
  • Hugging Face पर 22 लाख+ models रजिस्टर्ड हैं, और catalog लगभग 24 महीनों में दोगुना हो गया है
  • जब हजारों समान open models मौजूद हों, तो weights से ज्यादा दुर्लभ चीज उन्हें efficiently चलाने की क्षमता बन जाती है
    • throughput, latency, और token-per-cost optimization जरूरी है
    • model routing, caching, fine-tuning, evaluation, और guardrail भी जरूरी हैं

• गैर-अमेरिकी open models और platform value

  • open-weight frontier में गैर-अमेरिकी developers की हिस्सेदारी बढ़ रही है
  • अगस्त 2024 से अगस्त 2025 तक Chinese developers का Hugging Face downloads में 17.1% हिस्सा था
    • अमेरिकी developers की हिस्सेदारी 15.8% थी
  • Qwen, Llama को पार कर नंबर-1 downloaded model family बन गया
  • open models की commoditization में सिर्फ economics नहीं, बल्कि supply chain और policy variables भी शामिल हैं
  • जैसे Linux खुद से ज्यादा Red Hat और cloud ने आर्थिक वैल्यू capture की, वैसे ही open weights में भी model से ज्यादा spend उस platform में जाएगा जो इन्हें reliably और कम लागत पर उपलब्ध कराता है
  • टिकाऊ business open model से ज्यादा inference·optimization platform के करीब है
    • portable models को production में reliable और सस्ते तरीके से चलाने की क्षमता आसानी से commoditize नहीं होती

• inference platform की growth और cost structure

  • Fireworks AI ने खुलासा किया कि लगभग 3 साल में उसका annualized revenue 800 मिलियन डॉलर पार कर गया और साल-दर-साल 4x+ बढ़ा
  • Together AI भी इसी तरह के scale पर माना जाता है, और Baseten 5x+ साल-दर-साल बढ़कर लगभग 600 मिलियन डॉलर तक पहुंच गया
  • ये कंपनियां model lab नहीं, बल्कि open weights को production में उपयोगी बनाने वाली foundational providers हैं
  • अगर प्रति माह 50 अरब output tokens प्रोसेस करने वाली mid-scale AI feature मानी जाए, तो cost gap बहुत बड़ा है
    • अगर frontier API की output pricing 10~15 डॉलर प्रति 10 लाख tokens हो, तो monthly cost लगभग 500,000~750,000 डॉलर होगी
    • अगर Llama, Qwen, DeepSeek जैसे open models inference platform पर 0.40~1 डॉलर प्रति 10 लाख tokens पर मिलें, तो monthly cost लगभग 20,000~50,000 डॉलर होगी
  • cost reduction 90%+ है, और platform बचत का एक हिस्सा margin के रूप में रख सकता है
  • यह calculation सिर्फ उदाहरण है; वास्तविक लागत model, context length, और utilization पर निर्भर करेगी

लेयर 3: कुछ premium models

• open models का convergence औसत performance gap को कम करता है, लेकिन frontier को खत्म नहीं करता
• complex agent task, long-running reliability, production coding, और safety जैसे क्षेत्रों में, जहां एक अतिरिक्त performance point के लिए भुगतान किया जाता है, premium layer बनी रहेगी
• Anthropic का annualized revenue 2024 के अंत में लगभग 1 अरब डॉलर से बढ़कर मई 2026 में लगभग 47 अरब डॉलर हो गया, और साल के अंत तक लगभग 100 अरब डॉलर की उम्मीद है
  • 10 लाख डॉलर+ वार्षिक spend करने वाले enterprise customers की संख्या 1,000 से अधिक है
• OpenAI का annualized revenue 2024 के अंत में लगभग 6 अरब डॉलर, 2025 के अंत में लगभग 20 अरब डॉलर, और 2026 के मध्य में लगभग 30 अरब डॉलर है, जो साल के अंत तक लगभग 60 अरब डॉलर की ओर बढ़ रहा है
• दोनों labs अलग revenue standards का उपयोग करते हैं, और 2026 year-end numbers estimates हैं, इसलिए absolute scale से अधिक growth trajectory पर ध्यान देना चाहिए
• premium layer 2023 की अपेक्षा से संकरी है, और defensible position के लिए frontier performance के साथ enterprise distribution भी जरूरी है

लेयर 4: data platform

• data platform, pipeline·table·ontology के जमा होने के साथ migration cost बढ़ाकर data gravity बनाते हैं
• Databricks का annualized revenue 6.9 अरब डॉलर से ऊपर पहुंच चुका है और लगभग 80% की growth दर्ज की है
  • AI products पहले ही revenue का लगभग 26% हिस्सा बन चुके हैं
  • private valuation लगभग 170 अरब डॉलर है
• Palantir एक operational layer है जो enterprise data को controlled decision-making से जोड़ती है
  • Q1 2026 revenue साल-दर-साल 85% बढ़कर लगभग 6.5 अरब डॉलर annualized scale तक पहुंच गया
  • US commercial revenue 133% बढ़ा
  • Rule of 40 metric 145% है
  • market cap लगभग 350 अरब डॉलर है, और इसका valuation revenue के लगभग 50x पर है
• models आपस में converge कर सकते हैं, लेकिन enterprise proprietary data और उसके ऊपर बने workflow·ontology replace नहीं होते
• model layer जितनी commoditize होगी, data और decision loop को own करने वाले platform उतना ही स्थायी leverage रखेंगे
• Palantir के लगभग 50x और foundation model companies के 25~50x जैसे ऊंचे revenue multiple, सामान्य software surface की तुलना में proprietary data से जुड़ी लेयर पर केंद्रित हैं

लेयर 5: पतली होती एप्लिकेशन लेयर

• gross margin पर दबाव

  • पारंपरिक SaaS में अतिरिक्त user को support करने की लागत लगभग शून्य होती थी, इसलिए 75~90% gross margin संभव था
  • AI-native applications में हर request पर model दोबारा चलाना पड़ता है, इसलिए gross margin 50~60% के आसपास रहता है
  • ICONIQ के 2026 data के अनुसार growth-stage AI companies में inference cost औसतन revenue का लगभग 23% है
  • SaaS के cost of revenue के विपरीत, scale बढ़ने पर inference cost share अपने-आप नहीं गिरता
  • बहुत पतले wrapper में gross margin 25% तक गिर सकता है

• valuation का polarization

  • market, AI stack की लेयर के अनुसार अलग-अलग revenue multiple लागू कर रहा है
    • foundation model companies का valuation 25~50x पर है
    • AI-native platform लगभग 25~30x पर हैं
    • पारंपरिक SaaS median 2021 के 18.6x peak से गिरकर लगभग 6.7x पर आ गया है
    • AI wrapper 5~8x पर हैं, यानी पारंपरिक SaaS के बराबर या उससे भी नीचे
  • model और data को ऊंची वैल्यू मिलती है, लेकिन बिना differentiation वाली application surface की valuation कम है
  • टिकाऊ application के लिए ऐसे assets चाहिए जिन्हें model आसानी से absorb न कर सके
    • proprietary data loop या system of record होना चाहिए
    • regulated workflow और वास्तविक distribution defensibility देते हैं
    • performance-based pricing inference cost को margin में बदल सकती है
  • इन तत्वों के बिना, एप्लिकेशन commoditized model के ऊपर prompt और glue code की पतली लेयर बनकर रह जाते हैं

किन शर्तों पर वैल्यू फिर एप्लिकेशन की ओर जा सकती है

• अगर एप्लिकेशन interaction data तेजी से जमा कर लें, तो वे खुद data platform बन सकते हैं और data gravity हासिल कर सकते हैं
  • system of record की भूमिका निभाने वाले applications, thinning trend के अपवाद बन सकते हैं
• अगर premium model labs inference को own करके agent बनाएं और सीधे applications बेचें, तो वे तीन लेयरों की वैल्यू internalize कर सकते हैं
  • इससे वैल्यू ऊपर redisribute होने के बजाय एक ही कंपनी में केंद्रित होगी, लेकिन independent inference platform और application layer कमजोर हो सकते हैं
• अगर inference cost अपेक्षा से तेजी से commoditize होती है, तो AI applications का gross margin SaaS स्तर तक लौट सकता है
  • LLMflation के अनुसार intelligence की एक unit की cost सालाना लगभग 10x गिर रही है, और 2024 की शुरुआत के बाद median price decline rate सालाना लगभग 200x तक पहुंची है
  • यदि inference लगभग free हो जाए, तो application layer की margin समस्या कमजोर पड़ेगी
  • हालांकि लागत शून्य होने पर भी surface layer की replaceability बनी रहेगी, इसलिए valuation समस्या अधिकांशतः बनी रहेगी
• यही cost decline semiconductor और inference platform की pricing पर दबाव डालते हुए applications के margin को बहाल कर सकती है, लेकिन surface layer का structural replacement risk बना रहेगा

निवेशकों·फाउंडरों·मौजूदा कंपनियों की रणनीति

• निवेशकों को interface से ज्यादा control point का मूल्यांकन करना चाहिए
  • computing और packaging·power·memory जैसे physical bottleneck पर ध्यान देना चाहिए
  • इसमें वे data platform भी शामिल हैं जो लगातार proprietary data जमा करते हैं
  • वे inference·optimization platform भी शामिल हैं जो open models की abundant supply को monetize करते हैं
  • frontier performance और enterprise distribution दोनों रखने वाले कुछ premium models की पहचान करनी चाहिए
• एप्लिकेशन में data loop या system of record की मांग करनी चाहिए, और जब तक साबित न हो, 80%+ नहीं बल्कि 50~60% gross margin मानकर चलना चाहिए
• फाउंडरों को proprietary data loop own करना होगा या system of record बनना होगा
  • या फिर pricing को performance-based बनाना होगा ताकि inference cost में गिरावट सिर्फ customer savings तक सीमित न रहे, बल्कि अपनी margin में बदले
• मौजूदा कंपनियां भारी पूंजी मांगने वाली foundational layer का moat किराए पर ले सकती हैं, लेकिन उसे सीधे own करना कठिन है
  • computing या frontier model से प्रतिस्पर्धा करने के बजाय, data layer में defensibility बनाना अधिक उपयुक्त है, जहां data·training·serving एक ही जगह रह सके

अगले 4 quarters में देखने योग्य संकेतक

• अगर hyperscaler capex बनाम revenue 25~30% से ऊपर जाने पर भी margin टिके रहते हैं, तो foundational layer की return logic बनी रहेगी
  • अगर return on invested capital टूटता है, तो पूरे stack की वैल्यू फिर से re-rate हो सकती है
• अगर Fireworks AI, Together AI, और Baseten का annual recurring revenue क्रमशः लगभग 1~2 अरब डॉलर तक बढ़ता है, तो यह साबित होगा कि वैल्यू model से ज्यादा inference layer में जमा हो रही है
• अगर agent·coding जैसे कठिन benchmark पर open और closed model के बीच का gap लगभग 2 points के भीतर रहता है, तो model layer की commoditization और मजबूत होगी
• अगर growth-stage AI applications का gross margin 50~60% पर बना रहता है, तो thinning application thesis कायम रहेगी; अगर यह 75%+ पर लौटता है, तो यह thesis कमजोर होगी
• अगर DRAM और HBM pricing quarter दर quarter दो-अंकीय दर से बढ़ती रहती है, तो यह पुष्टि होगी कि physical constraint और margin foundational layer में ही टिके हुए हैं

3~5 साल के नजरिये से पोजिशनिंग

• उच्च-प्रायिकता वाले परिदृश्य में foundational layer और data layer पर फोकस करना चाहिए, और premium models को तभी चुनना चाहिए जब कुछ विजेताओं पर बहुत ऊंचा conviction हो
• एप्लिकेशन पर पारंपरिक software-level revenue multiple तभी लागू करने चाहिए जब उनके पास data loop या system of record हो
• पूंजी, physical bottleneck, data switching cost, और replaceability से बनी वैल्यू की gravity AI stack की निचली लेयरों में वैल्यू जमा कर रही है