چرا سودآوری ناشی از هوش مصنوعی ممکن است از انتظارات بالای والاستریت عقب بماند
والاستریت در حال حاضر افزایش عظیم سودآوری شرکتها تحت تأثیر هوش مصنوعی را در قیمتها لحاظ میکند، اما هشدارهای فزاینده نشان میدهند که این بازه زمانی ممکن است بیش از حد خوشبینانه باشد. تورستن اسلاک، اقتصاددان ارشد در Apollo، استدلال میکند که تحقق واقعی حاشیه سود ناشی از هوش مصنوعی در بخشهای غیرفناوری ممکن است بسیار طولانیتر از پیشبینیهای فعلی بازار باشد.
شکاف میان ارزشگذاریهای فناوری و پذیرش در دنیای واقعی
ارزشگذاری فعلی بسیاری از شرکتهای هوش مصنوعی بر یک فرض واحد و بزرگ استوار است: اینکه شاخص S&P 493 — شاخصی که غولهای فناوری «Magnificent Seven» را شامل نمیشود — از طریق ادغام هوش مصنوعی، شاهد گسترش قابل توجه حاشیه سود خواهد بود. در حالی که شرکتهای فناوری هماکنون در حال بهرهمندی از مزایای اتوماسیون هستند، اقتصاد گستردهتر داستان متفاوتی را روایت میکند.
به گفته اسلاک، در حال حاضر شواهد قابل توجهی مبنی بر اینکه هوش مصنوعی در حال افزایش حاشیه سود در صنایع خارج از بخش اصلی فناوری است، وجود ندارد. بازارها رشد سریع سود را در قیمتها لحاظ کردهاند، اما جریانهای نقدی واقعی که برای توجیه این ارزشگذاریها لازم است، ممکن است بسیار عقبتر از این پیشبینیها باشد. اگر انقلاب بهرهوری به جای پنج ماه، پنج سال طول بکشد تا محقق شود، این صنعت ممکن است با بازنگری قیمتی (repricing) دردناک و قابل توجه در سهام هوش مصنوعی مواجه شود.
موانع ساختاری در صنایع تحت نظارت
تأخیر در دستیابی به بهرهوری صرفاً ناشی از پذیرش کند نیست؛ بلکه محصول محیطهای پیچیدهای است که بسیاری از صنایع جهانی در آن فعالیت میکنند. در بخشهای بهشدت تحت نظارت مانند مراقبتهای بهداشتی، بانکداری، انرژی، داروسازی و تولید، مسیر ادغام هوش مصنوعی مملو از موانع است.
الزامات سختگیرانه حریم خصوصی، انطباق دقیق با مقررات و ضرورت بازنگری گسترده در فرآیندها به این معناست که این صنایع نمیتوانند مانند یک استارتاپ نرمافزاری به سرعت تغییر مسیر دهند. این اصطکاکهای نهادی مانند ترمز در سرعت بهکارگیری هوش مصنوعی برای بهینهسازی جریانهای کاری و کاهش هزینهها عمل میکنند. در نتیجه، «جهش بهرهوری» که سرمایهگذاران روی آن شرط بستهاند، ممکن است با توجه به پیچیدگیهای قانونی و عملیاتی پیادهسازی یادگیری ماشین در این بخشها، سالها به تأخیر بیفتد.
مشکل اندازهگیری در مشاغل دانشمحور
حتی زمانی که هوش مصنوعی با موفقیت کارایی تکتک کارکنان را افزایش میدهد، یک چالش ثانویه پدید میآید: دشواری در کمّیسازی این دستاوردها. در حوزه مشاغل دانشمحور، اندازهگیری دقیق بهبودهای بهرهوری به شدت دشوار است.
برخلاف بخش تولید که خروجی آن به راحتی قابل پیگیری است، دستاوردهای حاصل از استفاده یک کارمند از LLM برای پیشنویس گزارشها یا تحلیل دادهها، اغلب فاقد معیارهای مشخص است. بدون دادههای ملموس، تیمهای مدیریتی برای توجیه هزینههای سرمایهای در مقیاس بزرگ یا ثبت این بهبودها در ترازنامه رسمی با مشکل مواجه میشوند. در عوض، این افزایشهای تدریجی کارایی اغلب در عملیات روزانه «جذب» میشوند و نمیتوانند به شکل گسترش محسوس حاشیه سود که والاستریت انتظار دارد، ظاهر شوند.
نکات کلیدی
- ریسک ارزشگذاری بیش از حد بازار: ارزشگذاری سهام هوش مصنوعی به شدت بر پایه رشد حاشیه سود در S&P 493 استوار است که هنوز در بخشهای غیرفناوری محقق نشده است.
- اصطکاک مقرراتی: صنایعی مانند مراقبتهای بهداشتی و بانکداری به دلیل الزامات حریم خصوصی و بازنگریهای پیچیده در فرآیندها، با تأخیرهای قابل توجهی در پذیرش هوش مصنوعی مواجه هستند.
- شکاف در قابلیت اندازهگیری: بهبودهای بهرهوری در مشاغل دانشمحور به سختی قابل اندازهگیری و گزارش هستند، که این امر تبدیل استفاده از هوش مصنوعی به رشد سود خالص را برای شرکتها دشوار میکند.