AI ಲಾಭದ ಹೆಚ್ಚಳವು ವಾಲ್ ಸ್ಟ್ರೀಟ್‌ನ ಹೆಚ್ಚಿನ ನಿರೀಕ್ಷೆಗಳಿಗಿಂತ ಹಿಂದೆ ಉಳಿಯಬಹುದು ಏಕೆ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ (AI) ಉಂಟಾಗುವ ಕಾರ್ಪೊರೇಟ್ ಲಾಭದ ಬೃಹತ್ ಏರಿಕೆಯನ್ನು ವಾಲ್ ಸ್ಟ್ರೀಟ್ ಪ್ರಸ್ತುತ ಅಂದಾಜಿಸುತ್ತಿದೆ, ಆದರೆ ಈ ಕಾಲಮಿತಿ ಅತಿಯಾದ ಆಶಾವಾದದಿಂದ ಕೂಡಿದೆ ಎಂಬ ಎಚ್ಚರಿಕೆಗಳು ಕೇಳಿಬರುತ್ತಿವೆ. ಅಪ್ಪೋಲೋ (Apollo) ಸಂಸ್ಥೆಯ ಮುಖ್ಯ ಅರ್ಥಶಾಸ್ತ್ರಜ್ಞ ಟೋರ್ಸ್ಟನ್ ಸ್ಲೋಕ್ ಅವರ ಪ್ರಕಾರ, ತಂತ್ರಜ್ಞಾನೇತರ ವಲಯಗಳಲ್ಲಿ AI-ಚಾಲಿತ ಲಾಭದ ಪ್ರಮಾಣವು (margins) ಪ್ರಸ್ತುತ ಮಾರುಕಟ್ಟೆ ಮುನ್ಸೂಚನೆಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳಬಹುದು.

ತಂತ್ರಜ್ಞಾನದ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ವಾಸ್ತವಿಕ ಅಳವಡಿಕೆಯ ನಡುವಿನ ಅಂತರ

ಅನೇಕ AI ಕಂಪನಿಗಳ ಪ್ರಸ್ತುತ ಮೌಲ್ಯಮಾಪನವು ಒಂದು ಬೃಹತ್ ಕಲ್ಪನೆಯ ಮೇಲೆ ನಿಂತಿದೆ: ಅಂದರೆ, "Magnificent Seven" ತಂತ್ರಜ್ಞಾನದ ದೈತ್ಯ ಕಂಪನಿಗಳನ್ನು ಹೊರತುಪಡಿಸಿ ಉಳಿದಿರುವ S&P 493 ಸೂಚ್ಯಂಕವು AI ಏಕೀಕರಣದ ಮೂಲಕ ಗಮನಾರ್ಹ ಲಾಭದ ವಿಸ್ತರಣೆಯನ್ನು ಕಾಣಲಿದೆ ಎಂಬುದು. ತಂತ್ರಜ್ಞಾನ ಕಂಪನಿಗಳು ಈಗಾಗಲೇ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವಿಕೆಯ (automation) ಪ್ರಯೋಜನಗಳನ್ನು ಪಡೆಯುತ್ತಿದ್ದರೂ, ವಿಶಾಲವಾದ ಆರ್ಥಿಕತೆಯು ವಿಭಿನ್ನ ಕಥೆಯನ್ನು ಹೇಳುತ್ತಿದೆ.

ಸ್ಲೋಕ್ ಅವರ ಪ್ರಕಾರ, ಪ್ರಮುಖ ತಂತ್ರಜ್ಞಾನ ವಲಯದ ಹೊರಗಿನ ಉದ್ಯಮಗಳಲ್ಲಿ AI ಲಾಭದ ಪ್ರಮಾಣವನ್ನು ಹೆಚ್ಚಿಸುತ್ತಿದೆ ಎಂಬುದಕ್ಕೆ ಪ್ರಸ್ತುತ ಯಾವುದೇ ಗಮನಾರ್ಹ ಪುರಾವೆಗಳಿಲ್ಲ. ಮಾರುಕಟ್ಟೆಗಳು ವೇಗದ ಆದಾಯದ ಬೆಳವಣಿಗೆಯನ್ನು ನಿರೀಕ್ಷಿಸುತ್ತಿವೆ, ಆದರೆ ಈ ಮೌಲ್ಯಮಾಪನಗಳನ್ನು ಸಮರ್ಥಿಸಿಕೊಳ್ಳಲು ಅಗತ್ಯವಿರುವ ನೈಜ ನಗದು ಹರಿವು (cash flows) ಬಹಳ ಹಿಂದೆ ಉಳಿಯಬಹುದು. ಉತ್ಪಾದಕತೆಯ ಕ್ರಾಂತಿಯು ಐದು ತಿಂಗಳುಗಳ ಬದಲಿಗೆ ಐದು ವರ್ಷ ತೆಗೆದುಕೊಳ್ಳುವಲ್ಲಿ, ಈ ಉದ್ಯಮವು AI ಷೇರುಗಳ ನೋವಿನ ಮತ್ತು ಗಮನಾರ್ಹ ಮರು-ಮೌಲ್ಯಮಾಪನವನ್ನು ಎದುರಿಸಬೇಕಾಗಬಹುದು.

ನಿಯಂತ್ರಿತ ಉದ್ಯಮಗಳಲ್ಲಿನ ರಚನಾತ್ಮಕ ಅಡೆತಡೆಗಳು

ಉತ್ಪಾದಕತೆಯ ಲಾಭದಲ್ಲಿನ ವಿಳಂಬವು ಕೇವಲ ನಿಧಾನಗತಿಯ ಅಳವಡಿಕೆಯ ವಿಷಯವಲ್ಲ; ಇದು ಅನೇಕ ಜಾಗತಿಕ ಉದ್ಯಮಗಳು ಕಾರ್ಯನಿರ್ವಹಿಸುವ ಸಂಕೀರ್ಣ ಪರಿಸರಗಳ ಪರಿಣಾಮವಾಗಿದೆ. ಆರೋಗ್ಯ ರಕ್ಷಣೆ, ಬ್ಯಾಂಕಿಂಗ್, ಇಂಧನ, ಫಾರ್ಮಾಸ್ಯುಟಿಕಲ್ಸ್ ಮತ್ತು ಉತ್ಪಾದನಾ ವಲಯಗಳಂತಹ ಕಟ್ಟುನಿಟ್ಟಾದ ನಿಯಮಾವಳಿಗಳಿರುವ ವಲಯಗಳಲ್ಲಿ, AI ಏಕೀಕರಣದ ಹಾದಿಯು ಅಡೆತಡೆಗಳಿಂದ ಕೂಡಿದೆ.

ಕಟ್ಟುನಿಟ್ಟಾದ ಗೌಪ್ಯತೆಯ ಅವಶ್ಯಕತೆಗಳು, ಕಠಿಣ ನಿಯಂತ್ರಕ ಅನುಸರಣೆ ಮತ್ತು ಪ್ರಕ್ರಿಯೆಗಳ ಬೃಹತ್ ಸುಧಾರಣೆಯ ಅಗತ್ಯತೆಯಿಂದಾಗಿ, ಈ ಉದ್ಯಮಗಳು ಸಾಫ್ಟ್‌ವೇರ್ ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗಳಂತೆ ವೇಗವಾಗಿ ಬದಲಾಗಲು ಸಾಧ್ಯವಿಲ್ಲ. ಈ ಸಾಂಸ್ಥಿಕ ಅಡೆತಡೆಗಳು ಕೆಲಸದ ಹರಿವನ್ನು (workflows) ಉತ್ತಮಗೊಳಿಸಲು ಮತ್ತು ವೆಚ್ಚವನ್ನು ಕಡಿಮೆ ಮಾಡಲು AI ಅನ್ನು ನಿಯೋಜಿಸುವ ವೇಗವನ್ನು ಕುಂಠಿತಗೊಳಿಸುತ್ತವೆ. ಪರಿಣಾಮವಾಗಿ, ಹೂಡಿಕೆದಾರರು ನಿರೀಕ್ಷಿಸುತ್ತಿರುವ "ಉತ್ಪಾದಕತೆಯ ಏರಿಕೆ" (productivity bump), ಈ ವಲಯಗಳು ಮಷೀನ್ ಲರ್ನಿಂಗ್ ಅನುಷ್ಠಾನದ ಕಾನೂನು ಮತ್ತು ಕಾರ್ಯಾಚರಣೆಯ ಸಂಕೀರ್ಣತೆಗಳನ್ನು ನಿಭಾಯಿಸುವಾಗ ವರ್ಷಗಳ ಕಾಲ ವಿಳಂಬವಾಗಬಹುದು.

ಜ್ಞಾನದ ಕೆಲಸದಲ್ಲಿನ (Knowledge Work) ಮಾಪನ ಸಮಸ್ಯೆ

AI ವೈಯಕ್ತಿಕ ಕೆಲಸಗಾರರ ದಕ್ಷತೆಯನ್ನು ಯಶಸ್ವಿಯಾಗಿ ಹೆಚ್ಚಿಸಿದರೂ ಸಹ, ಒಂದು secondary ಸವಾಲು ಎದುರಾಗುತ್ತದೆ: ಅಂದರೆ ಈ ಲಾಭಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸುವ ಕಷ್ಟ. ಜ್ಞಾನದ ಕೆಲಸದ (knowledge work) ಕ್ಷೇತ್ರದಲ್ಲಿ, ಉತ್ಪಾದಕತೆಯ ಸುಧಾರಣೆಗಳನ್ನು ನಿಖರವಾಗಿ ಅಳೆಯುವುದು ಅತ್ಯಂತ ಕಷ್ಟಕರವಾಗಿದೆ.

ಉತ್ಪಾದನೆಯನ್ನು ಸುಲಭವಾಗಿ ಪತ್ತೆಹಚ್ಚಬಹುದಾದ ಉತ್ಪಾದನಾ ವಲಯದಂತೆ ಅಲ್ಲದೆ, ವರದಿಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಲು ಅಥವಾ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸಲು LLM ಬಳಸುವ ಉದ್ಯೋಗಿಯget ಆಗುವ ಲಾಭಗಳಿಗೆ ಸ್ಪಷ್ಟವಾದ ಮಾಪಕಗಳು ಇರುವುದಿಲ್ಲ. ನಿರ್ದಿಷ್ಟ ಡೇಟಾ ಇಲ್ಲದೆ, ಮ್ಯಾನೇಜ್‌ಮೆಂಟ್ ತಂಡಗಳು ದೊಡ್ಡ ಪ್ರಮಾಣದ ಬಂಡವಾಳ ವೆಚ್ಚಗಳನ್ನು ಸಮರ್ಥಿಸಿಕೊಳ್ಳಲು ಅಥವಾ ಔಪಚಾರಿಕ ಬ್ಯಾಲೆನ್ಸ್ ಶೀಟ್‌ನಲ್ಲಿ ಸುಧಾರಣೆಗಳನ್ನು ಗುರುತಿಸಲು ಹೆಣಗಾಡುತ್ತವೆ. ಬದಲಾಗಿ, ಈ ಸಣ್ಣ ಮಟ್ಟದ ದಕ್ಷತೆಯ ಲಾಭಗಳು ದೈನಂದಿನ ಕಾರ್ಯಾಚರಣೆಗಳಲ್ಲಿ "ಅಡಗಿದವು" (absorbed), ಮತ್ತು ವಾಲ್ ಸ್ಟ್ರೀಟ್ ಬಯಸುವ ದೃಶ್ಯಮಾನ ಲಾಭದ ವಿಸ್ತರಣೆಯಾಗಿ ಕಾಣಿಸಿಕೊಳ್ಳಲು ವಿಫಲವಾಗುತ್ತವೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

• ಮಾರುಕಟ್ಟೆಯ ಅತಿಯಾದ ಮೌಲ್ಯಮಾಪನದ ಅಪಾಯ: AI ಷೇರುಗಳ ಮೌಲ್ಯಮಾಪನವು S&P 493 ನಲ್ಲಿನ ಲಾಭದ ಬೆಳವಣಿಗೆಯ ಮೇಲೆ ಹೆಚ್ಚು ಅವಲಂಬಿತವಾಗಿದೆ, ಇದು ತಂತ್ರಜ್ಞಾನೇತರ ವಲಯಗಳಲ್ಲಿ ಇನ್ನೂ ಸಾಕಾರಗೊಂಡಿಲ್ಲ.
• ನಿಯಂತ್ರಕ ಅಡೆತಡೆಗಳು: ಆರೋಗ್ಯ ರಕ್ಷಣೆ ಮತ್ತು ಬ್ಯಾಂಕಿಂಗ್‌ನಂತಹ ಉದ್ಯಮಗಳು ಗೌಪ್ಯತೆಯ ಆದೇಶಗಳು ಮತ್ತು ಸಂಕೀರ್ಣ ಪ್ರಕ್ರಿಯೆಗಳ ಸುಧಾರಣೆಯಿಂದಾಗಿ AI ಅಳವಡಿಕೆಯಲ್ಲಿ ಗಮನಾರ್ಹ ವಿಳಂಬವನ್ನು ಎದುರಿಸುತ್ತಿವೆ.
• ಪ್ರಮಾಣೀಕರಣದ ಅಂತರ: ಜ್ಞಾನದ ಕೆಲಸದಲ್ಲಿನ ಉತ್ಪಾದಕತೆಯ ಲಾಭಗಳನ್ನು ಅಳೆಯುವುದು ಮತ್ತು ವರದಿ ಮಾಡುವುದು ಕಷ್ಟಕರವಾಗಿದೆ, ಇದು ಕಂಪನಿಗಳು AI ಬಳಕೆಯನ್ನು ನೇರ ಲಾಭದ ಬೆಳವಣಿಗೆಯಾಗಿ ಪರಿವರ್ತಿಸಲು ಕಷ್ಟವಾಗುವಂತೆ ಮಾಡುತ್ತದೆ.