В последние 12-18 месяцев прогнозирование спроса на электронные компоненты стало настоящим вызовом. Ранее стабильный процесс, основанный на исторических данных и предсказуемых сроках поставки, теперь сталкивается с неопределенностью. Основной причиной этого изменения является стремительное развитие технологий искусственного интеллекта.
По прогнозам IDC, глобальный доход от продаж полупроводников вырастет на 52,8% и достигнет 1,29 триллиона долларов к 2026 году, что в значительной степени обусловлено спросом на AI и память. Однако этот рост неравномерно распределен. Отчет подчеркивает необходимость перераспределения цепочек поставок, с акцентом на производство зрелых узлов и поддерживающие технологии, включая Китай, поскольку инфраструктура AI меняет распределение мощностей.
Нехватка памяти становится серьезной проблемой. С увеличением числа центров обработки данных AI они поглощают все больше ресурсов глобального производства DRAM и NAND. Ожидается, что дефицит продлится до 2027 года, при этом крупнейшие поставщики из США и Южной Кореи смогут удовлетворить лишь 60% спроса на DRAM. Это уже сказывается на рынке электроники, где цены на память выросли на 90% в начале 2026 года по сравнению с концом 2025 года.
Команды по закупкам могут наблюдать стабильный спрос на уровне продуктов, но доступность компонентов может меняться стремительно и неожиданно. Особенно это касается пассивных компонентов, используемых в мощных и высокопроизводительных приложениях. Например, спрос на высокоемкие MLCC, полимерные и танталовые конденсаторы растет из-за их роли в поддержке AI и высокоплотных вычислительных систем.
В таких условиях строгие стратегии минимизации запасов показывают свои ограничения. Хотя минимальные запасы работают, когда поставки надежны, они становятся уязвимыми в условиях нестабильности. Это не означает отказа от эффективности, а скорее необходимость внедрения гибкости в процесс закупок. Использование альтернативных компонентов и распределенных моделей запасов становится все более актуальным.
В условиях неопределенности, вызванной AI, традиционные модели прогнозирования уже не работают. Вместо того чтобы стремиться к идеальным прогнозам, компании начинают разрабатывать более быстрые стратегии реагирования, что включает в себя проектирование с учетом гибкости и раннюю квалификацию альтернативных компонентов. В конечном итоге, не только прогнозирование становится сложнее, но и условия, на которых оно основывается.