מדוע עליות הרווחים מבינה מלאכותית עשויות להתעכב מאחורי הציפיות הגבוהות של וול סטריט

וול סטריט מתמחרת כעת זינוק אדיר ברווחיות התאגידית המונע על ידי בינה מלאכותית, אך אזהרה גוברת מרמזת כי לוח הזמנים הזה עשוי להיות אופטימי מדי. טורסטן סלוק (Torsten Slok), הכלכלן הראשי ב-Apollo, טוען כי המימוש בפועל של שולי הרווח המונעים על ידי AI במגזרים שאינם טכנולוגיים עשוי לקחת זמן רב הרבה יותר ממה שמרמזות תחזיות השוק הנוכחיות.

הפער בין הערכות השווי של חברות הטכנולוגיה לבין האימוץ בעולם האמיתי

הערכת השווי הנוכחית של חברות AI רבות נשענת על הנחה אחת, עצומה: שאינדקס ה-S&P 493 — האינדקס שאינו כולל את שבע ענקיות הטכנולוגיה ("Magnificent Seven") — יראה התרחבות משמעותית בשולי הרווח באמצעות שילוב AI. בעוד שחברות טכנולוגיה כבר נהנות מיתרונות האוטומציה, הכלכלה הרחבה יותר מספרת סיפור אחר.

לדברי סלוק, כיום אין ראיות משמעותיות לכך ש-AI מגדילה את שולי הרווח בתעשיות מחוץ למגזר הטכנולוגיה הליבה. השווקים מתמחרים צמיחה מהירה ברווחים, אך תזרימי המזומנים בפועל הנדרשים כדי להצדיק את הערכות השווי הללו עשויים להשתרך הרחק מאחור. אם מהפכת הפרודוקטיביות תיקח חמש שנים להתממש במקום חמישה חודשים, התעשייה עלולה לעמוד בפני תמחור מחדש כואב ומשמעותי של מניות ה-AI.

חסמים מבניים בתעשיות מפוקחות

העיכוב בשיפור הפרודוקטיביות אינו רק עניין של אימוץ איטי; הוא תוצר לוואי של הסביבות המורכבות שבהן פועלות תעשיות גלובליות רבות. במגזרים מפוקחים מאוד כגון בריאות, בנקאות, אנרגיה, תרופות וייצור, הדרך לשילוב AI רצופה במכשולים.

דרישות פרטיות מחמירות, עמידה ברגולציה קפדנית והצורך בשינויים מקיפים בתהליכים, משמעותם שתעשיות אלו אינן יכולות להשתנות במהירות של סטארט-אפ תוכנה. חיכוכים מוסדיים אלו פועלים כבלם על המהירות שבה ניתן להטמיע AI כדי לייעל תהליכי עבודה ולהפחית עלויות. כתוצאה מכך, "קפיצת הפרודוקטיביות" עליה מהמרים המשקיעים עשויה להתעכב שנים, בעוד מגזרים אלו מנווטים במורכבויות המשפטיות והתפעוליות של הטמעת למידת מכונה (machine learning).

בעיית המדידה בעבודת ידע

גם כאשר AI מצליחה להגדיל את היעילות של עובדים בודדים, עולה אתגר משני: הקושי לכמת את הרווחים הללו. בתחום עבודת הידע, שיפורי פרודוקטיביות הם קשים מאוד למדידה מדויקת.

בניגוד לייצור, שבו ניתן לעקוב בקלות אחר התפוקה, לרווחים שיושגו על ידי עובד המשתמש ב-LLM כדי לנסח דוחות או לנתח נתונים לרוב חסרים מדדים ברורים. ללא נתונים קונקרטיים, צוותי הנהלה מתקשים להצדיק הוצאות הוניות רחבות היקף או להכיר בשיפורים במאזן הרשמי. במקום זאת, שיפורי יעילות הדרגתיים אלו נספגים לעיתים קרובות בפעילות השוטפת, ואינם באים לידי ביטוי בהתרחבות שולי הרווח הנראית לעין שוול סטריט דורשת.

נקודות מפתח

• סיכון להערכת יתר של השוק: הערכות השווי של מניות AI מבוססות במידה רבה על צמיחה בשולי הרווח ב-S&P 493, דבר שטרם התממש במגזרים שאינם טכנולוגיים.
• חיכוך רגולטורי: תעשיות כמו בריאות ובנקאות עומדות בפני עיכובים משמעותיים באימוץ AI בשל חובות פרטיות ושינויים מורכבים בתהליכים.
• פער היכולת לכמת: קשה למדוד ולדווח על שיפורי פרודוקטיביות בעבודת ידע, מה שמקשה על חברות לתרגם את השימוש ב-AI לצמיחה בשורה התחתונה.