क्यों एक AI मार्केट क्रैश डॉट-कॉम मंदी से भी अधिक विनाशकारी हो सकता है

आर्टिफिशियल इंटेलिजेंस (AI) की लहर ने बाजार में अभूतपूर्व उत्साह पैदा किया है, लेकिन प्रमुख वित्त विशेषज्ञ अश्वथ दामोदरन एक आसन्न प्रणालीगत जोखिम (systemic risk) के प्रति आगाह कर रहे हैं। पिछले तकनीकी चक्रों के विपरीत, वर्तमान AI उछाल भारी भौतिक बुनियादी ढांचे और भारी कर्ज की नींव पर टिका है, जो 2000 के डॉट-कॉम क्रैश की तुलना में कहीं अधिक विनाशकारी संभावित सुधार (correction) की स्थिति पैदा कर रहा है।

बुनियादी ढांचे का जाल: कर्ज और मूल्यह्रास (Depreciation)

न्यूयॉर्क यूनिवर्सिटी के प्रोफेसर अश्वथ दामोदरन इस बात पर प्रकाश डालते हैं कि कैसे टेक दिग्गज काम करने के तरीके में एक मौलिक बदलाव आया है। डॉट-कॉम युग के दौरान, कंपनियां काफी हद तक 'कैपिटल-लाइट' (कम पूंजी वाली) थीं, जो न्यूनतम भौतिक ओवरहेड के साथ सॉफ्टवेयर का विस्तार करती थीं। आज, AI की दौड़ के लिए डेटा केंद्रों और विशेष हार्डवेयर में भारी पूंजीगत व्यय (CapEx) की आवश्यकता है।

दामोदरन "मैग्नीफिसेंट सेवन" (Magnificent Seven) कंपनियों के लिए एक महत्वपूर्ण जोखिम की ओर इशारा करते हैं: वे कैपिटल-लाइट सॉफ्टवेयर मॉडल से भारी इंफ्रास्ट्रक्चर मॉडल की ओर बढ़ रही हैं। ये कंपनियां उन संपत्तियों में अरबों का निवेश कर रही हैं जिनका मूल्य दस वर्षों में कम (depreciate) होता है, फिर भी तेजी से बदलते AI परिदृश्य में, वह हार्डवेयर केवल पांच वर्षों में अप्रचलित (obsolete) हो सकता है। चूंकि इस विस्तार का एक बड़ा हिस्सा कर्ज के माध्यम से वित्तपोषित है, इसलिए बाजार में सुधार (correction) न केवल शेयरधारकों को नुकसान पहुंचाएगा—बल्कि यह एक व्यापक आर्थिक प्रभाव (ripple effect) भी पैदा कर सकता है।

AI पारंपरिक सॉफ्टवेयर स्केलिंग टेस्ट में क्यों विफल रहता है

टेक उद्योग में एक आम गलतफहमी यह है कि AI क्लासिक सॉफ्टवेयर "शून्य सीमांत लागत" (marginal cost of zero) के नियम का पालन करता है। दामोदरन का तर्क है कि यह एक भ्रम है। Netflix के विपरीत, जो बढ़ते सब्सक्राइबर आधार में निश्चित कंटेंट लागत को फैला देता है, AI मॉडल में प्रत्येक व्यक्तिगत इंटरैक्शन के लिए महत्वपूर्ण लागत आती है।

वह AI बिजनेस मॉडल की तुलना Netflix के बजाय Spotify से करते हैं। Spotify के मॉडल में, प्रत्येक नए स्ट्रीम पर लागत आती है, जिसके परिणामस्वरूप मार्जिन कम हो जाता है। इसी तरह, प्रत्येक अतिरिक्त AI क्वेरी महंगी कंप्यूटिंग शक्ति (compute power) का उपयोग करती है। पारंपरिक 'इकोनॉमीज़ ऑफ स्केल' की यह कमी, और DeepSeek जैसे कम लागत वाले प्रतिस्पर्धियों से होने वाले संभावित मूल्य क्षरण (price erosion) को देखते हुए, यह संकेत मिलता है कि तीव्र विकास वास्तव में मूल्य बनाने के बजाय उसे नष्ट कर सकता है।

"AI फीवर ड्रीम" और सामाजिक व्यवधान

दामोदरन AI के "बुल केस" (bull case) को भी संबोधित करते हैं, जिसमें अपने स्वयं के अस्तित्व संबंधी जोखिम शामिल हैं। यदि AI अपना अंतिम वादा पूरा करता है—न केवल एक उत्पादकता उपकरण के रूप में, बल्कि मानव श्रम के पूर्ण प्रतिस्थापन के रूप में—तो इसके सामाजिक परिणाम अभूतपूर्व होंगे।

वह इस परिदृश्य को एक "AI fever dream" के रूप में वर्णित करते हैं, जहाँ इस तकनीक की सफलता ही सभी व्हाइट-कॉलर कर्मचारियों में से आधे तक को विस्थापित कर सकती है। हालाँकि बैलेंस शीट पर आर्थिक रिटर्न प्रभावशाली लग सकते हैं, लेकिन बड़े पैमाने पर नौकरियों के विस्थापन से समाज पर पड़ने वाली "अत्यधिक लागत" एक ऐसा जोखिम है जिसे वर्तमान बाजार मूल्यांकन (market valuations) समझने में विफल रहे हैं।

रणनीतिक संयम बनाम आक्रामक खर्च

इस उन्माद के बीच, दामोदरन AI की दौड़ में Apple की कथित हिचकिचाहट का एक आश्चर्यजनक बचाव करते हैं। जबकि आलोचकों का तर्क है कि Apple पीछे छूट रहा है, दामोदरन सुझाव देते हैं कि "संयम को कम आंकना" एक आम गलती है। अपने प्रतिस्पर्धियों द्वारा सामना की जाने वाली भारी CapEx गलतियों और हार्डवेयर के अप्रचलित होने के जोखिमों को देखते हुए, Apple खुद को अधिक दक्षता और कम बर्बाद पूंजी के साथ बाजार में उतरने के लिए तैयार कर रहा होगा।

मुख्य निष्कर्ष

• संरचनात्मक जोखिम: डॉट-कॉम युग के विपरीत, AI की तेजी भारी कर्ज और विशाल भौतिक बुनियादी ढांचे द्वारा संचालित है, जो किसी भी क्रैश को प्रणालीगत रूप से अधिक खतरनाक बनाता है।
• मार्जिन संपीड़न: AI में पारंपरिक सॉफ्टवेयर की तरह 'जीरो-मार्जिनल-कॉस्ट' का लाभ नहीं है; यह एक स्केलेबल प्लेटफॉर्म (जैसे Netflix) के बजाय एक उच्च-लागत वाली सेवा (जैसे Spotify) की तरह अधिक काम करता है।
• सामाजिक प्रभाव: सबसे सफल AI बिजनेस मॉडल—वे जो पूरी तरह से मानव श्रम की जगह ले लेते हैं—गहरी सामाजिक अस्थिरता और आर्थिक व्यवधान पैदा कर सकते हैं।