Rynek utożsamia sztuczną inteligencję z procesorami graficznymi, pamięcią HBM i szybkim flashem, a dyski twarde traktuje jak technologię schyłkową. To błąd. Trenowanie i wdrażanie modeli AI generuje ogromne wolumeny danych, które trzeba trwale i tanio przechowywać: zbiory treningowe, kolejne wersje wag modeli, punkty kontrolne, logi inferencji, bazy wektorowe dla RAG oraz dane multimodalne (obraz, wideo, audio). Zdecydowana większość tych danych jest zimna lub ciepła, rzadko czytana, i ekonomicznie musi trafić na najtańszy nośnik w przeliczeniu na terabajt, czyli na pojemne dyski nearline.
Sednem tezy jest ekonomia kosztu na terabajt. Pamięć flash pozostaje kilkukrotnie (około 5-7x) droższa za terabajt w klasie pojemnościowej, a luka ta nie zamyka się szybko, bo producenci NAND kierują ograniczone moce raczej ku wysokomarżowym dyskom SSD dla przedsiębiorstw. W efekcie krańcowy petabajt danych AI ląduje na talerzach magnetycznych. Wbrew intuicji AI nie zabija dysków twardych, lecz powiększa ich rynek.