चिपचा अतिपुरवठा नाही, तर चुकीची गुंतवणूक AI मधील तेजी संपवू शकते

कृत्रिम बुद्धिमत्तेचा (AI) सध्याचा सोन्याच्या शोधासारखा उत्साह एका अभूतपूर्व भांडवली खर्च चक्रामुळे (capital expenditure cycle) प्रेरित आहे, परंतु त्याच्या दीर्घकालीन शाश्वततेबाबत एक महत्त्वपूर्ण इशारा समोर आला आहे. जेफरीजचे (Jefferies) ग्लोबल हेड ऑफ इक्विटी स्ट्रॅटेजी, ख्रिस वुड यांच्या मते, AI मधील ही तेजी मागणीच्या अभावामुळे नाही, तर नफा कमावण्यातील संकटामुळे (crisis of profitability) संपू शकते.

चुकीची गुंतवणूक आणि चक्रीय वित्तपुरवठ्याचा धोका

पारंपारिक सेमीकंडक्टर चक्रांच्या उलट, जे सहसा साठ्याचा अचानक झालेला अतिरेक किंवा पुरवठ्यातील धक्क्यांमुळे संपतात, वुड यांनी AI व्यापारासाठी "चुकीची गुंतवणूक" (malinvestment) हा मुख्य धोका असल्याचे ओळखले आहे. मुख्य चिंता अशी आहे की, हायपरस्केलर्स (hyperscalers) आणि आघाडीचे AI लॅब्स त्यांनी करत असलेल्या प्रचंड भांडवली खर्चावर (capex) पुरेसा परतावा मिळवण्यात अपयशी ठरू शकतात.

वुड यांनी या परिसंस्थेतील एका संभाव्य धोकादायक फीडबॅक लूपवर प्रकाश टाकला आहे: चक्रीय वित्तपुरवठा व्यवस्था, जिथे Nvidia सारख्या कंपन्या OpenAI सारख्या AI लॅब्सना वित्तपुरवठा करतात आणि त्यानंतर त्या लॅब्स तोच भांडवल वापरून अधिक Nvidia चिप्स खरेदी करतात. जरी यामुळे अल्पकालीन वाढ होत असली, तरी यामुळे एक असुरक्षितता निर्माण होते. जर गुंतवणूकदारांनी या AI गुंतवणुकीच्या दीर्घकालीन कमाई करण्याच्या क्षमतेवर शंका घ्यायला सुरुवात केली, तर हा फीडबॅक लूप वेगाने कोलमडून पडू शकतो, ज्यामुळे बाजारपेठेत वेदनादायक विराम येऊ शकतो.

प्रचंड भांडवली खर्च (Capex) आणि जेव्हॉन्स पॅराडॉक्स (Jevons Paradox)

सध्या पाहायला मिळणाऱ्या गुंतवणुकीचा स्तर ऐतिहासिक आहे. TSMC ने आपला २०२६ चा भांडवली खर्चाचा (capex) अंदाज गेल्या वर्षीच्या ४१ अब्ज डॉलर्सवरून वाढवून सुमारे ५६ अब्ज डॉलर्स केला आहे, तर काही अंदाजानुसार २०२७ पर्यंत हा खर्च ६५-७० अब्ज डॉलर्सपर्यंत पोहोचू शकतो. या वाढीमुळे तैवानच्या अर्थव्यवस्थेला आधीच मोठी चालना मिळाली आहे, जिथे २०२६ च्या पहिल्या तिमाहीत (Q1) वार्षिक जीडीपी वाढ १४.५५% झाली आहे.

वुड हे याकडे "जेव्हॉन्स पॅराडॉक्स" (Jevons Paradox) च्या दृष्टिकोनातून पाहतात—म्हणजेच, कार्यक्षमता वाढल्यामुळे जेव्हा एखाद्या संसाधनाचा खर्च (या प्रकरणात, कम्प्युटिंग टोकन्स) कमी होतो, तेव्हा त्या संसाधनाचा एकूण वापर प्रत्यक्षात वाढतो. हा विरोधाभास "पिक्स अँड शॉव्हल्स" (picks and shovels) पुरवठादारांना, विशेषतः मेमरी आणि DRAM पुरवठादारांना फायदा मिळवून देतो. Micron सारख्या कंपन्या आधीच हा संरचनात्मक बदल अनुभवत आहेत; Micron ने १६ धोरणात्मक ग्राहक करार केले आहेत, जे त्यांच्या DRAM व्हॉल्यूमच्या २०% आणि NAND व्हॉल्यूमच्या एक तृतीयांश भागाला कव्हर करतात, जे सहसा पाच वर्षांच्या कालावधीसाठी असतात.

AI मॉडेल्सचे कमोडिटायझेशन (Commoditisation)

प्रीमियम पाश्चात्य AI पुरवठादारांच्या अर्थव्यवस्थेवर आणखी एक वाढता दबाव म्हणजे लार्ज लँग्वेज मॉडेल्सचे (LLMs) वेगाने होणारे कमोडिटायझेशन. उच्च-गुणवत्तेचे आणि कमी खर्चाचे मॉडेल्स—विशेषतः चीनमधून—येत असल्याने अमेरिकन कंपन्यांच्या वर्चस्वाला आव्हान मिळत आहे.

उदाहरणार्थ, Z.ai च्या GLM-5.2 च्या लाँचचे वर्णन कॉर्पोरेट वापरासाठी Anthropic च्या जवळपास समान असे केले गेले आहे, परंतु प्रति टोकन खर्च मात्र केवळ एक चतुर्थांश आहे. OpenRouter च्या डेटावरून व्हॉल्यूममध्ये मोठा बदल दिसून येतो; जूनच्या उत्तरार्धात, आघाडीच्या चिनी AI मॉडेल्सनी २१.३७ ट्रिलियन टोकन्सवर प्रक्रिया केली, जी आघाडीच्या अमेरिकन मॉडेल्सनी केलेल्या ५.७६ ट्रिलियन टोकन्सपेक्षा लक्षणीयरीत्या जास्त होती. स्वस्त आणि सक्षम पर्यायांच्या या ओघामुळे AI शर्यतीत आघाडीवर असलेल्या कंपन्यांच्या नफा मार्जिनवर प्रचंड दबाव येत आहे.

मुख्य निष्कर्ष

• मुख्य धोका: AI व्यापाराचा अंत पारंपारिक सेमीकंडक्टर अतिपुरवठ्यामुळे होण्याऐवजी, "चुकीची गुंतवणूक" (malinvestment) आणि भांडवली खर्चावरील (capex) कमी परतावा यांमुळे होण्याची शक्यता अधिक आहे.
• मेमरीमधील संरचनात्मक बदल: DRAM आणि मेमरी पुरवठादार सध्या सर्वात सुरक्षित "पिक्स अँड शॉव्हल्स" (picks and shovels) लाभार्थी आहेत, जे किंमत ठरवण्याची क्षमता (pricing power) टिकवून ठेवण्यासाठी दीर्घकालीन धोरणात्मक करारांचा वापर करत आहेत.
• कमोडिटायझेशनचा धोका: कमी खर्चिक आणि उच्च-कार्यक्षमता असलेल्या AI मॉडेल्सचा (विशेषतः चीनमधून) वेगाने उदय होत आहे, ज्यामुळे LLM क्षेत्राचे कमोडिटायझेशन होत असून पाश्चात्य AI नेत्यांच्या उच्च-मार्जिन मॉडेल्सना धोका निर्माण होत आहे.