എന്തുകൊണ്ടാണ് AI ലാഭവിഹിതം വോൾ സ്ട്രീറ്റിന്റെ ഉയർന്ന പ്രതീക്ഷകൾക്ക് പിന്നിലായേക്കാവുന്നത്

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (AI) വഴി കോർപ്പറേറ്റ് ലാഭക്ഷമതയിൽ വൻ വർദ്ധനവ് ഉണ്ടാകുമെന്ന് വോൾ സ്ട്രീറ്റ് നിലവിൽ കണക്കുകൂട്ടുന്നുണ്ടെങ്കിലും, ഈ കാലയളവ് അമിതമായി ശുഭപ്രതീക്ഷയുള്ളതാകാം എന്ന മുന്നറിയിപ്പുകൾ ശക്തമാകുന്നുണ്ട്. സാങ്കേതിക മേഖലയല്ലാത്ത മറ്റ് മേഖലകളിൽ AI മൂലികമായ ലാഭവിഹിതം (margins) ഉണ്ടാകാൻ നിലവിലെ വിപണി പ്രവചനങ്ങളെക്കാൾ കൂടുതൽ സമയമെടുത്തേക്കാം എന്ന് അപ്പോളോയിലെ (Apollo) ചീഫ് ഇക്കണോമിസ്റ്റ് ടോർസ്റ്റൻ സ്ലോക് വാദിക്കുന്നു.

സാങ്കേതിക മൂല്യനിർണ്ണയവും യഥാർത്ഥ ലോകത്തെ ഉപയോഗവും തമ്മിലുള്ള വ്യത്യാസം

പല AI കമ്പനികളുടെയും നിലവിലെ മൂല്യനിർണ്ണയം ഒരു വലിയ അനുമാനത്തെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്: അതായത്, "Magnificent Seven" ടെക് ഭീമന്മാരെ ഒഴിവാക്കിയുള്ള S&P 493 ഇൻഡക്സ്, AI സംയോജനത്തിലൂടെ വലിയ ലാഭവിഹിത വർദ്ധനവ് കാണിക്കും എന്നത്. സാങ്കേതിക കമ്പനികൾ ഓട്ടോമേഷന്റെ ഗുണങ്ങൾ ഇപ്പോൾ തന്നെ അനുഭവിക്കുന്നുണ്ടെങ്കിലും, വിപുലമായ സമ്പദ്‌വ്യവസ്ഥ മറ്റൊരു കഥയാണ് പറയുന്നത്.

സ്ലോക്കിന്റെ അഭിപ്രായത്തിൽ, പ്രധാന സാങ്കേതിക മേഖലയ്ക്ക് പുറത്തുള്ള വ്യവസായങ്ങളിൽ AI ലാഭവിഹിതം വർദ്ധിപ്പിക്കുന്നു എന്നതിന് നിലവിൽ വ്യക്തമായ തെളിവുകളില്ല. വിപണി വേഗത്തിലുള്ള വരുമാന വളർച്ച പ്രതീക്ഷിക്കുന്നുണ്ടെങ്കിലും, ഈ മൂല്യനിർണ്ണയങ്ങളെ ന്യായീകരിക്കാൻ ആവശ്യമായ യഥാർത്ഥ പണമൊഴുക്ക് (cash flows) വളരെ പിന്നിലായേക്കാം. ഉൽപ്പാദനക്ഷമതയിലെ ഈ വിപ്ലവം അഞ്ച് മാസങ്ങൾക്ക് പകരം അഞ്ച് വർഷമെടുത്താണ് സംഭവിക്കുന്നതെങ്കിൽ, AI ഓഹരികളുടെ മൂല്യനിർണ്ണയത്തിൽ വലിയ മാറ്റങ്ങൾ സംഭവിക്കാനും അത് വ്യവസായത്തിന് വലിയ തിരിച്ചടിയാകാനും സാധ്യതയുണ്ട്.

നിയന്ത്രിത വ്യവസായങ്ങളിലെ ഘടനാപരമായ തടസ്സങ്ങൾ

ഉൽപ്പാദനക്ഷമത വർദ്ധിക്കുന്നതിലെ കാലതാമസം എന്നത് സാങ്കേതികവിദ്യ സ്വീകരിക്കുന്നതിലെ മന്ദത മാത്രമല്ല; മറിച്ച് പല ആഗോള വ്യവസായങ്ങളും പ്രവർത്തിക്കുന്ന സങ്കീർണ്ണമായ സാഹചര്യങ്ങളുടെ ഫലമാണ്. ആരോഗ്യ സംരക്ഷണം, ബാങ്കിംഗ്, ഊർജ്ജം, ഫാർമസ്യൂട്ടിക്കൽസ്, നിർമ്മാണം തുടങ്ങിയ കർശനമായ നിയന്ത്രണങ്ങളുള്ള മേഖലകളിൽ AI സംയോജനത്തിലേക്കുള്ള പാത പ്രതിസന്ധികൾ നിറഞ്ഞതാണ്.

കർശനമായ സ്വകാര്യതാ മാനദണ്ഡങ്ങൾ, കണിശമായ നിയന്ത്രണങ്ങൾ പാലിക്കൽ, പ്രവർത്തനരീതികളിൽ വലിയ മാറ്റങ്ങൾ വരുത്തേണ്ടതിന്റെ ആവശ്യകത എന്നിവ കാരണം ഒരു സോഫ്റ്റ്‌വെയർ സ്റ്റാർട്ടപ്പിനെപ്പോലെ വേഗത്തിൽ മാറാൻ ഈ വ്യവസായങ്ങൾക്ക് കഴിയില്ല. വർക്ക്ഫ്ലോകൾ മെച്ചപ്പെടുത്തുന്നതിനും ചെലവ് കുറയ്ക്കുന്നതിനുമായി AI ഉപയോഗിക്കുന്നതിനെ ഈ സ്ഥാപനപരമായ തടസ്സങ്ങൾ സാവധാനത്തിലാക്കുന്നു. തൽഫലമായി, നിക്ഷേപകർ പ്രതീക്ഷിക്കുന്ന ആ "ഉൽപ്പാദനക്ഷമത വർദ്ധനവ്" (productivity bump), മെഷീൻ ലേണിംഗ് നടപ്പിലാക്കുന്നതിലെ നിയമപരവും പ്രവർത്തനപരവുമായ സങ്കീർണ്ണതകൾ കാരണം വർഷങ്ങളോളം വൈകിയേക്കാം.

നോളജ് വർക്കിലെ (Knowledge Work) അളക്കൽ പ്രശ്നം

AI വ്യക്തിഗത തൊഴിലാളികളുടെ കാര്യക്ഷമത വർദ്ധിപ്പിക്കുമ്പോഴും, മറ്റൊരു വെല്ലുവിളി ഉയരുന്നു: ഈ നേട്ടങ്ങളെ കൃത്യമായി അളക്കുക എന്നത് പ്രയാസകരമാണ്. നോളജ് വർക്കിന്റെ മേഖലയിൽ, ഉൽപ്പാദനക്ഷമതയിലെ പുരോഗതി കൃത്യതയോടെ അളക്കുന്നത് വളരെ ബുദ്ധിമുട്ടാണ്.

ഉൽപ്പാദനം എളുപ്പത്തിൽ നിരീക്ഷിക്കാൻ കഴിയുന്ന നിർമ്മാണ മേഖലയെപ്പോലെയല്ല, റിപ്പോർട്ടുകൾ തയ്യാറാക്കാനോ ഡാറ്റ വിശകലനം ചെയ്യാനോ ഒരു LLM ഉപയോഗിക്കുന്ന ജീവനക്കാരൻ നേടുന്ന നേട്ടങ്ങൾക്ക് വ്യക്തമായ അളവുകോലുകൾ ഉണ്ടാകണമെന്നില്ല. കൃത്യമായ വിവരങ്ങളില്ലാതെ, വലിയ തോതിലുള്ള മൂലധന ചെലവുകളെ (capital expenditures) ന്യായീകരിക്കാനോ ഔദ്യോഗിക ബാലൻസ് ഷീറ്റിൽ ഈ പുരോഗതി രേഖപ്പെടുത്താനോ മാനേജ്‌മെന്റ് ടീമുകൾക്ക് ബുദ്ധിമുട്ടായിരിക്കും. പകരം, ഈ ചെറിയ കാര്യക്ഷമത വർദ്ധനവുകൾ ദൈനംദിന പ്രവർത്തനങ്ങളിൽ ലയിച്ചുചേരുകയും വോൾ സ്ട്രീറ്റ് പ്രതീക്ഷിക്കുന്ന ലാഭവിഹിത വർദ്ധനവായി പ്രകടമാകാതിരിക്കുകയും ചെയ്യുന്നു.

പ്രധാന കാര്യങ്ങൾ

• വിപണിയിലെ മൂല്യവർദ്ധനവ് മൂലമുള്ള റിസ്ക്: AI ഓഹരികളുടെ മൂല്യം പ്രധാനമായും S&P 493-ലെ ലാഭവിഹിത വളർച്ചയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്, എന്നാൽ സാങ്കേതിക മേഖലയല്ലാത്ത മേഖലകളിൽ ഇത് ഇതുവരെ പ്രകടമായിട്ടില്ല.
• നിയന്ത്രണപരമായ തടസ്സങ്ങൾ: സ്വകാര്യതാ മാനദണ്ഡങ്ങളും സങ്കീർണ്ണമായ പ്രവർത്തന മാറ്റങ്ങളും കാരണം ആരോഗ്യ സംരക്ഷണം, ബാങ്കിംഗ് തുടങ്ങിയ വ്യവസായങ്ങൾ AI സ്വീകരിക്കുന്നതിൽ വലിയ കാലതാമസം നേരിടുന്നു.
• അളക്കാനുള്ള പ്രയാസം: നോളജ് വർക്കിലെ ഉൽപ്പാദനക്ഷമത വർദ്ധനവ് അളക്കുന്നതും റിപ്പോർട്ട് ചെയ്യുന്നതും പ്രയാസകരമാണ്, ഇത് AI ഉപയോഗത്തെ കമ്പനികളുടെ ലാഭമാക്കി മാറ്റുന്നതിന് തടസ്സമാകുന്നു.