لماذا قد تتأخر مكاسب أرباح الذكاء الاصطناعي عن توقعات وول ستريت المرتفعة

تقوم وول ستريت حالياً بتسعير طفرة هائلة في ربحية الشركات مدفوعة بالذكاء الاصطناعي، لكن هناك تحذيراً متزايداً يشير إلى أن هذا الجدول الزمني قد يكون متفائلاً للغاية. يرى تورستن سلوك، كبير الاقتصاديين في Apollo، أن التحقيق الفعلي للهوامش الربحية المدفوعة بالذكاء الاصطناعي في القطاعات غير التقنية قد يستغرق وقتاً أطول بكثير مما تشير إليه توقعات السوق الحالية.

الفجوة بين تقييمات شركات التقنية والتبني في العالم الحقيقي

يعتمد التقييم الحالي للعديد من شركات الذكاء الاصطناعي على افتراض واحد ضخم: وهو أن مؤشر S&P 493 — وهو المؤشر الذي يستثني عمالقة التقنية السبعة الكبار "Magnificent Seven" — سيشهد توسعاً كبيراً في الهوامش من خلال دمج الذكاء الاصطناعي. وبينما تشهد شركات التقنية بالفعل فوائد الأتمتة، إلا أن الاقتصاد الأوسع يروي قصة مختلفة.

ووفقاً لسلوك، لا يوجد حالياً دليل ملموس على أن الذكاء الاصطناعي يعزز هوامش الربح في الصناعات الخارجة عن قطاع التكنولوجيا الأساسي. تقوم الأسواق بتسعير نمو سريع في الأرباح، ومع ذلك، فإن التدفقات النقدية الفعلية المطلوبة لتبرير هذه التقييمات قد تتأخر كثيراً. وإذا استغرقت ثورة الإنتاجية خمس سنوات لتتحقق بدلاً من خمسة أشهر، فقد يواجه القطاع عملية إعادة تسعير مؤلمة وكبيرة لأسهم الذكاء الاصطناعي.

العوائق الهيكلية في الصناعات الخاضعة للتنظيم

إن التأخير في مكاسب الإنتاجية ليس مجرد مسألة تبني بطيء؛ بل هو نتاج للبيئات المعقدة التي تعمل فيها العديد من الصناعات العالمية. ففي القطاعات الخاضعة لتنظيمات صارمة مثل الرعاية الصحية، والخدمات المصرفية، والطاقة، والأدوية، والتصنيع، يكون المسار نحو دمج الذكاء الاصطناعي محفوفاً بالعقبات.

إن متطلبات الخصوصية الصارمة، والامتثال التنظيمي الدقيق، وضرورة إجراء إصلاحات شاملة للعمليات، تعني أن هذه الصناعات لا يمكنها التحول بسرعة الشركات الناشئة في مجال البرمجيات. وتعمل هذه الاحتكاكات المؤسسية ككابح للسرعة التي يمكن بها نشر الذكاء الاصطناعي لتحسين سير العمل وتقليل التكاليف. وبناءً على ذلك، فإن "طفرة الإنتاجية" التي يراهن عليها المستثمرون قد تتأخر لسنوات بينما تتنقل هذه القطاعات عبر التعقيدات القانونية والتشغيلية لتنفيذ تعلم الآلة.

مشكلة القياس في الأعمال المعرفية

حتى عندما ينجح الذكاء الاصطناعي في زيادة كفاءة الموظفين الأفراد، يبرز تحدٍ ثانوي: وهو صعوبة قياس هذه المكاسب كمياً. ففي مجال الأعمال المعرفية، من المعروف أن تحسينات الإنتاجية يصعب قياسها بدقة.

وعلى عكس التصنيع، حيث يمكن تتبع المخرجات بسهولة، فإن المكاسب التي يحققها الموظف باستخدام النماذج اللغوية الكبيرة LLM لصياغة التقارير أو تحليل البيانات غالباً ما تفتقر إلى مقاييس واضحة. وبدون بيانات ملموسة، تواجه فرق الإدارة صعوبة في تبرير النفقات الرأسمالية واسعة النطاق أو إدراج التحسينات في الميزانية العمومية الرسمية. وبدلاً من ذلك، غالباً ما يتم "استيعاب" مكاسب الكفاءة التدريجية هذه في العمليات اليومية، مما يؤدي إلى فشلها في الظهور كالتوسع الملحوظ في الهوامش الذي تطلبه وول ستريت.

النقاط الرئيسية

• مخاطر المبالغة في تقييم السوق: تعتمد تقييمات أسهم الذكاء الاصطناعي بشكل كبير على نمو الهوامش في مؤشر S&P 493، وهو أمر لم يتحقق بعد في القطاعات غير التقنية.
• الاحتكاك التنظيمي: تواجه صناعات مثل الرعاية الصحية والخدمات المصرفية تأخيرات كبيرة في تبني الذكاء الاصطناعي بسبب تفويضات الخصوصية وإصلاحات العمليات المعقدة.
• فجوة القابلية للقياس: يصعب قياس مكاسب الإنتاجية في الأعمال المعرفية والإبلاغ عنها، مما يجعل من الصعب على الشركات ترجمة استخدام الذكاء الاصطناعي إلى نمو في صافي الأرباح.