શા માટે AI નફામાં વધારો Wall Street ની ઊંચી અપેક્ષાઓ કરતા પાછળ રહી શકે છે

Wall Street હાલમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) દ્વારા સંચાલિત કોર્પોરેટ નફાકારકતામાં મોટા ઉછાળાની અપેક્ષા રાખી રહ્યું છે, પરંતુ વધતી જતી ચેતવણીઓ સૂચવે છે કે આ સમયરેખા અત્યંત આશાવાદી હોઈ શકે છે. Apollo ના મુખ્ય અર્થશાસ્ત્રી Torsten Slok નો દલીલ છે કે નોન-ટેક (non-tech) ક્ષેત્રોમાં AI-સંચાલિત માર્જિનનું વાસ્તવિક અમલીકરણ વર્તમાન બજારના અનુમાન કરતા ઘણું લાંબું સમય લઈ શકે છે.

ટેક વેલ્યુએશન અને વાસ્તવિક દુનિયામાં અમલીકરણ વચ્ચેનો તફાવત

ઘણી AI કંપનીઓના વર્તમાન વેલ્યુએશન (valuation) એક મોટા અનુમાન પર આધારિત છે: કે S&P 493—જે ઇન્ડેક્સમાં "Magnificent Seven" ટેક જાયન્ટ્સનો સમાવેશ થતો નથી—તે AI એકીકરણ દ્વારા નોંધપાત્ર માર્જિન વિસ્તરણ જોશે. જોકે ટેક કંપનીઓ ઓટોમેશનના ફાયદા પહેલેથી જ જોઈ રહી છે, પરંતુ વ્યાપક અર્થતંત્ર કંઈક અલગ જ વાર્તા કહે છે.

Slok ના જણાવ્યા અનુસાર, હાલમાં એવો કોઈ નોંધપાત્ર પુરાવો નથી કે AI મુખ્ય ટેકનોલોજી ક્ષેત્ર સિવાયના ઉદ્યોગોમાં નફાના માર્જિનમાં વધારો કરી રહ્યું છે. બજારો ઝડપી કમાણીના વિકાસની અપેક્ષા રાખી રહ્યા છે, છતાં આ વેલ્યુએશનને યોગ્ય ઠેરવવા માટે જરૂરી વાસ્તવિક કેશ ફ્લો (cash flows) ઘણો પાછળ રહી શકે છે. જો ઉત્પાદકતાની ક્રાંતિ પાંચ મહિનાને બદલે પાંચ વર્ષ લેશે, તો ઉદ્યોગને AI સ્ટોક્સના પીડાદાયક અને નોંધપાત્ર રિપ્રાઇસિંગ (repricing) નો સામનો કરવો પડી શકે છે.

નિયંત્રિત ઉદ્યોગોમાં માળખાગત અવરોધો

ઉત્પાદકતાના લાભોમાં વિલંબ એ માત્ર ધીમી સ્વીકૃતિનો વિષય નથી; તે એ જટિલ વાતાવરણનું પરિણામ છે જેમાં ઘણા વૈશ્વિક ઉદ્યોગો કાર્ય કરે છે. હેલ્થકેર, બેંકિંગ, એનર્જી, ફાર્માસ્યુટિકલ્સ અને મેન્યુફેક્ચરિંગ જેવા અત્યંત નિયંત્રિત ક્ષેત્રોમાં, AI એકીકરણનો માર્ગ અવરોધોથી ભરેલો છે.

કડક પ્રાઇવસી જરૂરિયાતો, કડક નિયમનકારી પાલન અને પ્રક્રિયાઓમાં મોટા ફેરફારોની આવશ્યકતાનો અર્થ એ છે કે આ ઉદ્યોગો સોફ્ટવેર સ્ટાર્ટઅપની જેમ ઝડપથી બદલાઈ શકતા નથી. આ સંસ્થાકીય ઘર્ષણ એ ઝડપ પર બ્રેક તરીકે કામ કરે છે જેના દ્વારા AI ને વર્કફ્લોને ઓપ્ટિમાઇઝ કરવા અને ખર્ચ ઘટાડવા માટે તૈનાત કરી શકાય છે. પરિણામે, રોકાણકારો જે "productivity bump" (ઉત્પાદકતામાં વધારો) પર દાવ લગાવી રહ્યા છે તે વર્ષો સુધી વિલંબિત થઈ શકે છે કારણ કે આ ક્ષેત્રો મશીન લર્નિંગના અમલીકરણની કાનૂની અને ઓપરેશનલ જટિલતાઓમાંથી પસાર થઈ રહ્યા છે.

નોલેજ વર્કમાં માપન સમસ્યા

જ્યારે AI વ્યક્તિગત કામદારોની કાર્યક્ષમતામાં સફળતાપૂર્વક વધારો કરે છે, ત્યારે એક બીજી પડકાર ઊભો થાય છે: આ લાભોનું પ્રમાણીકરણ (quantifying) કરવાની મુશ્કેલી. નોલેજ વર્કના ક્ષેત્રમાં, ઉત્પાદકતામાં સુધારો ચોકસાઈ સાથે માપવો અત્યંત મુશ્કેલ છે.

મેન્યુફેક્ચરિંગથી વિપરીત, જ્યાં આઉટપુટને સરળતાથી ટ્રેક કરી શકાય છે, ત્યાં રિપોર્ટ્સ ડ્રાફ્ટ કરવા અથવા ડેટાનું વિશ્લેષણ કરવા માટે LLM નો ઉપયોગ કરતા કર્મચારી દ્વારા મેળવેલા લાભોમાં ઘણીવાર સ્પષ્ટ માપદંડોનો અભાવ હોય છે. નક્કર ડેટા વિના, મેનેજમેન્ટ ટીમો મોટા પાયે મૂડી ખર્ચને (capital expenditures) યોગ્ય ઠેરવવામાં અથવા ફોર્મલ બેલેન્સ શીટ પર સુધારાઓને ઓળખવામાં સંઘર્ષ કરે છે. તેના બદલે, આ વધારાના કાર્યક્ષમતા લાભો ઘણીવાર દૈનિક કામગીરીમાં "શોષાઈ" જાય છે, અને Wall Street જે દેખીતા માર્જિન વિસ્તરણની માંગ કરે છે તે તરીકે દેખાતા નથી.

મુખ્ય મુદ્દાઓ

• બજારના ઓવરવેલ્યુએશનનું જોખમ: AI સ્ટોકનું વેલ્યુએશન S&P 493 માં માર્જિન વૃદ્ધિ પર ઘણું આધારિત છે, જે હજુ સુધી નોન-ટેક ક્ષેત્રોમાં જોવા મળ્યું નથી.
• નિયમનકારી ઘર્ષણ: હેલ્થકેર અને બેંકિંગ જેવા ઉદ્યોગો પ્રાઇવસી મેન્ડેટ્સ અને જટિલ પ્રક્રિયાના ફેરફારોને કારણે AI અપનાવવામાં નોંધપાત્ર વિલંબનો સામનો કરે છે.
• પ્રમાણીકરણનો તફાવત: નોલેજ વર્કમાં ઉત્પાદકતાના લાભો માપવા અને રિપોર્ટ કરવા મુશ્કેલ છે, જેના કારણે કંપનીઓ માટે AI ના ઉપયોગને બોટમ-લાઇન ગ્રોથમાં રૂપાંતરિત કરવો મુશ્કેલ બને છે.