શા માટે AI માર્કેટ ક્રેશ ડોટ-કોમ બસ્ટ કરતા પણ વધુ ઝડપી હોઈ શકે છે

આર્ટિફિશિયલ ઇન્ટેલિજન્સના બૂમથી બજારમાં અભૂતપૂર્વ ઉત્સાહ જોવા મળ્યો છે, પરંતુ જાણીતા નાણાકીય નિષ્ણાત અશ્વાથ દામોદરન એક આગામી પ્રણાલીગત જોખમ (systemic risk) વિશે ચેતવણી આપી રહ્યા છે. અગાઉના ટેક સાયકલથી વિપરીત, વર્તમાન AI નો ઉછાળો વિશાળ ભૌતિક ઇન્ફ્રાસ્ટ્રક્ચર અને ભારે દેવા પર આધારિત છે, જે વર્ષ 2000 ના ડોટ-કોમ ક્રેશ કરતા પણ વધુ વિનાશક સંભવિત સુધારા (correction) માટે ભૂમિકા તૈયાર કરી રહ્યો છે.

ઇન્ફ્રાસ્ટ્રક્ચરનો જાળ: દેવું અને ઘસારો (Depreciation)

ન્યૂયોર્ક યુનિવર્સિટીના પ્રોફેસર અશ્વાથ દામોદરન ટેક જાયન્ટ્સ કેવી રીતે કાર્ય કરે છે તેમાં એક મૂળભૂત ફેરફાર પર પ્રકાશ પાડે છે. ડોટ-કોમ યુગ દરમિયાન, કંપનીઓ મોટાભાગે 'કેપિટલ-લાઇટ' હતી, જે ન્યૂનતમ ભૌતિક ખર્ચ સાથે સોફ્ટવેરનું વિસ્તરણ કરતી હતી. આજે, AI ની સ્પર્ધા માટે ડેટા સેન્ટર્સ અને વિશિષ્ટ હાર્ડવેરમાં મોટા પ્રમાણમાં મૂડી ખર્ચ (CapEx) ની જરૂર પડે છે.

દામોદરન "Magnificent Seven" કંપનીઓ માટે એક ગંભીર જોખમ તરફ નિર્દેશ કરે છે: તેઓ કેપિટલ-લાઇટ સોફ્ટવેર મોડલમાંથી ભારે ઇન્ફ્રાસ્ટ્રક્ચર મોડલ તરફ વળી રહી છે. આ કંપનીઓ એવા અસ્કયામતોમાં અબજો ડોલરનું રોકાણ કરી રહી છે જેનો ઘસારો દસ વર્ષમાં થાય છે, છતાં ઝડપથી બદલાતા AI લેન્ડસ્કેપમાં, તે હાર્ડવેર માત્ર પાંચ વર્ષમાં જ જૂનું (obsolete) થઈ શકે છે. આ વિસ્તરણનો મોટો હિસ્સો દેવા દ્વારા નાણાં મેળવવામાં આવતો હોવાથી, માર્કેટ કરેક્શન માત્ર શેરધારકોને જ નુકસાન નહીં પહોંચાડે—તે વ્યાપક આર્થિક અસરો (ripple effect) પણ લાવી શકે છે.

શા માટે AI પરંપરાગત સોફ્ટવેર સ્કેલિંગ ટેસ્ટમાં નિષ્ફળ જાય છે

ટેક ઉદ્યોગમાં એક સામાન્ય ગેરસમજ એ છે કે AI ક્લાસિક સોફ્ટવેરના "marginal cost of zero" ના નિયમનું પાલન કરે છે. દામોદરન દલીલ કરે છે કે આ એક ભ્રમ છે. Netflix ની જેમ નહીં, જે વધતા જતા સબ્સ્ક્રાઇબર બેઝ પર નિશ્ચિત કન્ટેન્ટ ખર્ચ વહેંચે છે, AI મોડલ્સ દરેક સિંગલ ઇન્ટરેક્શન માટે નોંધપાત્ર ખર્ચ કરે છે.

તેઓ AI બિઝનેસ મોડલને Netflix ને બદલે Spotify સાથે સરખાવે છે. Spotify ના મોડલમાં, દરેક નવા સ્ટ્રીમ માટે ખર્ચ થાય છે, જેના પરિણામે માર્જિન ઓછું રહે છે. તેવી જ રીતે, દરેક વધારાની AI ક્વેરી મોંઘી કમ્પ્યુટ પાવરનો ઉપયોગ કરે છે. પરંપરાગત 'economies of scale' નો અભાવ અને DeepSeek જેવા ઓછા ખર્ચવાળા સ્પર્ધકો દ્વારા સંભવિત ભાવ ઘટાડાને જોતા એવું લાગે છે કે ઝડપી વૃદ્ધિ મૂલ્ય નિર્માણ કરવાને બદલે વાસ્તવમાં મૂલ્યનો નાશ કરી શકે છે.

"AI Fever Dream" અને સામાજિક વિક્ષેપ

દામોદરન AI માટેના "bull case" વિશે પણ વાત કરે છે, જેમાં તેના પોતાના અસ્તિત્વના જોખમો રહેલા છે. જો AI તેનું અંતિમ વચન પૂર્ણ કરે—માત્ર ઉત્પાદકતાના સાધન તરીકે જ નહીં, પરંતુ માનવ શ્રમ માટે સંપૂર્ણ વિકલ્પ તરીકે—તો તેના સામાજિક પરિણામો અભૂતપૂર્વ હશે.

તેઓ આ પરિસ્થિતિને "AI fever dream" તરીકે વર્ણવે છે, જ્યાં આ ટેકનોલોજીની સફળતા પોતે જ તમામ વ્હાઇટ-કોલર કામદારોના અડધા ભાગ સુધીના વિસ્થાપનનું કારણ બની શકે છે. જોકે આર્થિક વળતર બેલેન્સ શીટ પર પ્રભાવશાળી દેખાઈ શકે છે, પરંતુ મોટા પાયે નોકરીઓના વિસ્થાપનને કારણે સમાજ પર પડતા "અસહ્ય ખર્ચ" એ એવો જોખમ છે જેને વર્તમાન માર્કેટ વેલ્યુએશન ધ્યાનમાં લેવામાં નિષ્ફળ જાય છે.

વ્યૂહાત્મક સંયમ વિરુદ્ધ આક્રમક ખર્ચ

આ ઉન્માદ વચ્ચે, Damodaran એ AI રેસમાં Apple ની કથિત ખચકાટનું આશ્ચર્યજનક રીતે બચાવ કરે છે. જ્યારે ટીકાકારો દલીલ કરે છે કે Apple પાછળ રહી રહ્યું છે, ત્યારે Damodaran સૂચવે છે કે "સંયમને ઓછું આંકવો" એ એક સામાન્ય ભૂલ છે. તેના સાથીદારો દ્વારા સામનો કરવામાં આવેલા મોટા CapEx ના નિર્ણયો અને હાર્ડવેરના બિનઉપયોગી થવાના જોખમોનું નિરીક્ષણ કરીને, Apple વધુ કાર્યક્ષમતા અને ઓછા બગાડાયેલા મૂડી સાથે બજારમાં પ્રવેશવા માટે પોતાને તૈયાર કરી રહ્યું હોઈ શકે છે.

મુખ્ય તારણો

• માળખાગત જોખમ (Structural Risk): ડૉટ-કોમ યુગથી વિપરીત, AI નો ઉછાળો ભારે દેવું અને વિશાળ ભૌતિક માળખાકીય સુવિધાઓ દ્વારા સંચાલિત છે, જે આર્થિક પતન (crash) ને વધુ વ્યવસ્થિત રીતે જોખમી બનાવે છે.
• માર્જિન કોમ્પ્રેશન (Margin Compression): AI માં પરંપરાગત સોફ્ટવેર જેવો શૂન્ય-માર્જિનલ-કોસ્ટ (zero-marginal-cost) નો ફાયદો નથી, તે સ્કેલેબલ પ્લેટફોર્મ (જેમ કે Netflix) કરતા ઉચ્ચ-ખર્ચ સેવા (જેમ કે Spotify) તરીકે વધુ કાર્ય કરે છે.
• સામાજિક પ્રભાવ: સૌથી સફળ AI બિઝનેસ મોડલ્સ—જે માનવ શ્રમને સંપૂર્ણપણે બદલી નાખે છે—તે ઊંડી સામાજિક અસ્થિરતા અને આર્થિક વિક્ષેપ લાવી શકે છે.