Por qué las ganancias de beneficios por IA podrían retrasarse respecto a las altas expectativas de Wall Street
Wall Street está descontando actualmente un aumento masivo en la rentabilidad corporativa impulsado por la inteligencia artificial, pero una advertencia creciente sugiere que este cronograma podría ser excesivamente optimista. Torsten Slok, economista jefe de Apollo, sostiene que la realización real de los márgenes impulsados por la IA en sectores no tecnológicos podría tardar mucho más de lo que sugieren las proyecciones actuales del mercado.
La desconexión entre las valoraciones tecnológicas y la adopción en el mundo real
La valoración actual de muchas empresas de IA se basa en un supuesto único y masivo: que el S&P 493 —el índice que excluye a los gigantes tecnológicos de los "Magnificent Seven"— experimentará una expansión significativa de sus márgenes mediante la integración de la IA. Si bien las empresas tecnológicas ya están viendo los beneficios de la automatización, la economía en general cuenta una historia diferente.
Según Slok, actualmente no hay evidencia significativa de que la IA esté impulsando los márgenes de beneficio en industrias fuera del sector tecnológico principal. Los mercados están descontando un rápido crecimiento de las ganancias, pero los flujos de caja reales necesarios para justificar estas valoraciones podrían quedarse muy atrás. Si la revolución de la productividad tarda cinco años en materializarse en lugar de cinco meses, la industria podría enfrentarse a una dolorosa y significativa revalorización de las acciones de IA.
Barreras estructurales en industrias reguladas
El retraso en las ganancias de productividad no es simplemente una cuestión de adopción lenta; es un subproducto de los entornos complejos en los que operan muchas industrias globales. En sectores altamente regulados como la salud, la banca, la energía, la farmacéutica y la manufactura, el camino hacia la integración de la IA está lleno de obstáculos.
Los estrictos requisitos de privacidad, el riguroso cumplimiento normativo y la necesidad de reestructuraciones masivas de procesos significan que estas industrias no pueden pivotar tan rápido como una startup de software. Estas fricciones institucionales actúan como un freno a la velocidad con la que la IA puede implementarse para optimizar los flujos de trabajo y reducir costos. En consecuencia, el "impulso de productividad" por el que apuestan los inversores podría retrasarse años mientras estos sectores navegan por las complejidades legales y operativas de la implementación del aprendizaje automático.
El problema de la medición en el trabajo del conocimiento
Incluso cuando la IA aumenta con éxito la eficiencia de los trabajadores individuales, surge un desafío secundario: la dificultad de cuantificar estas ganancias. En el ámbito del trabajo del conocimiento, las mejoras de productividad son notoriamente difíciles de medir con precisión.
A diferencia de la manufactura, donde la producción se rastrea fácilmente, las ganancias obtenidas por un empleado que utiliza un LLM para redactar informes o analizar datos a menudo carecen de métricas claras. Sin datos concretos, los equipos directivos tienen dificultades para justificar gastos de capital a gran escala o reconocer las mejoras en un balance formal. En su lugar, estas ganancias de eficiencia incrementales suelen ser "absorbidas" por las operaciones diarias, sin llegar a manifestarse como la expansión visible de los márgenes que Wall Street exige.
Conclusiones clave
- Riesgo de sobrevaloración del mercado: Las valoraciones de las acciones de IA se basan en gran medida en el crecimiento de los márgenes en el S&P 493, algo que aún no se ha materializado en los sectores no tecnológicos.
- Fricción regulatoria: Industrias como la salud y la banca enfrentan retrasos significativos en la adopción de la IA debido a los mandatos de privacidad y a las complejas reestructuraciones de procesos.
- La brecha de cuantificabilidad: Las ganancias de productividad en el trabajo del conocimiento son difíciles de medir e informar, lo que dificulta que las empresas traduzcan el uso de la IA en un crecimiento de los beneficios netos.