AI मुळे होणारा नफा वॉल स्ट्रीटच्या उच्च अपेक्षांच्या मागे का राहू शकतो

वॉल स्ट्रीट सध्या कृत्रिम बुद्धिमत्तेमुळे (AI) कॉर्पोरेट नफ्यात मोठी वाढ होईल असा अंदाज वर्तवत आहे, परंतु वाढत्या चेतावणीनुसार हा कालावधी अतिशय आशावादी असू शकतो. अपोलोचे मुख्य अर्थशास्त्रज्ञ टॉर्स्टन स्लोक यांचा असा युक्तिवाद आहे की, तंत्रज्ञान क्षेत्राबाहेरील (non-tech) क्षेत्रांमध्ये AI-आधारित नफ्याचे प्रत्यक्षात येणे सध्याच्या बाजार अंदाजापेक्षा खूप जास्त वेळ घेऊ शकते.

टेक व्हॅल्युएशन आणि वास्तविक जगातील अवलंबन यातील तफावत

अनेक AI कंपन्यांचे सध्याचे मूल्यांकन एका मोठ्या गृहितकावर आधारित आहे: की S&P 493—ज्यामध्ये "Magnificent Seven" टेक दिग्गज कंपन्यांचा समावेश नाही—या निर्देशांकात AI एकत्रीकरणामुळे नफ्याच्या प्रमाणात (margin) मोठी वाढ होईल. जरी टेक कंपन्यांना ऑटोमेशनचे फायदे आधीच मिळत आहेत, तरीही व्यापक अर्थव्यवस्था वेगळी कथा सांगते.

स्लोक यांच्या मते, मुख्य तंत्रज्ञान क्षेत्राबाहेरील उद्योगांमध्ये AI मुळे नफ्याच्या प्रमाणात वाढ होत आहे याचा सध्या कोणताही ठोस पुरावा नाही. बाजार वेगाने वाढणाऱ्या कमाईचा अंदाज वर्तवत आहे, तरीही या मूल्यांकनांचे समर्थन करण्यासाठी आवश्यक असलेला प्रत्यक्ष रोख प्रवाह (cash flow) खूप मागे राहू शकतो. जर उत्पादकता क्रांती (productivity revolution) पाच महिन्यांच्या ऐवजी पाच वर्षे पूर्ण होण्यास लागली, तर उद्योगाला AI शेअर्सच्या वेदनादायक आणि मोठ्या पुनर्मूल्यांकनाचा (repricing) सामना करावा लागू शकतो.

नियंत्रित उद्योगांमधील संरचनात्मक अडथळे

उत्पादकता वाढण्यातील विलंब हा केवळ संथ अवलंबनाचा विषय नाही; तर तो अनेक जागतिक उद्योग ज्या जटिल वातावरणात कार्यरत आहेत, त्याचा परिणाम आहे. आरोग्यसेवा, बँकिंग, ऊर्जा, औषधनिर्माण आणि उत्पादन यांसारख्या अत्यंत नियंत्रित क्षेत्रांमध्ये, AI एकत्रीकरणाचा मार्ग अनेक अडथळ्यांनी भरलेला आहे.

कडक गोपनीयता आवश्यकता, कठोर नियामक अनुपालन (regulatory compliance) आणि मोठ्या प्रक्रिया बदलांची आवश्यकता यामुळे हे उद्योग सॉफ्टवेअर स्टार्टअपप्रमाणे वेगाने बदलू शकत नाहीत. हे संस्थात्मक अडथळे वर्कफ्लो ऑप्टिमाइझ करण्यासाठी आणि खर्च कमी करण्यासाठी AI तैनात करण्याच्या वेगावर लगाम घालतात. परिणामी, गुंतवणूकदार ज्या "उत्पादकता वाढीची" (productivity bump) अपेक्षा करत आहेत, ती या क्षेत्रांना मशीन लर्निंगच्या अंमलबजावणीतील कायदेशीर आणि कार्यात्मक गुंतागुंत सोडवताना अनेक वर्षे लांबू शकते.

नॉलेज वर्कमधील मोजमापाची समस्या

जेव्हा AI वैयक्तिक कामगारांची कार्यक्षमता यशस्वीरित्या वाढवते, तेव्हा एक दुसरी समस्या समोर येते: या फायद्यांचे मोजमाप करणे कठीण जाते. नॉलेज वर्कच्या (knowledge work) क्षेत्रात, उत्पादकता सुधारणा अचूकपणे मोजणे अत्यंत कठीण असते.

मॅन्युफॅक्चरिंगप्रमाणे नाही, जिथे उत्पादन सहजपणे ट्रॅक करता येते, तिथे अहवाल तयार करण्यासाठी किंवा डेटा विश्लेषणासाठी LLM वापरणाऱ्या कर्मचाऱ्याने मिळवलेले फायदे अनेकदा स्पष्ट मेट्रिक्सशिवाय असतात. ठोस डेटाशिवाय, व्यवस्थापन टीम मोठ्या प्रमाणावरील भांडवली खर्च (capital expenditures) किंवा औपचारिक ताळेबंदात (balance sheet) सुधारणांची नोंद करणे कठीण मानतात. त्याऐवजी, कार्यक्षमतेतील ही वाढीव सुधारणा अनेकदा दैनंदिन कामकाजात "विलीन" होते, ज्यामुळे वॉल स्ट्रीटला अपेक्षित असलेली नफ्यातील दृश्य वाढ दिसून येत नाही.

मुख्य निष्कर्ष

• बाजारातील अतिमूल्यांकनाचा धोका (Market Overvaluation Risk): AI स्टॉकचे मूल्यांकन मोठ्या प्रमाणावर S&P 493 मधील नफा वाढीवर आधारित आहे, जी अद्याप तंत्रज्ञान क्षेत्राबाहेरील क्षेत्रांमध्ये दिसून आलेली नाही.
• नियामक अडथळे (Regulatory Friction): गोपनीयता नियम आणि जटिल प्रक्रिया बदलांमुळे आरोग्यसेवा आणि बँकिंगसारख्या उद्योगांना AI अवलंबण्यात मोठ्या विलंबामुळे सामोरे जावे लागते.
• मोजमापातील तफावत (The Quantifiability Gap): नॉलेज वर्कमधील उत्पादकता वाढ मोजणे आणि त्याचा अहवाल देणे कठीण असते, ज्यामुळे कंपन्यांना AI च्या वापराचे रूपांतर थेट नफ्यात (bottom-line growth) करणे कठीण जाते.