Waarom de winststijgingen door AI achter kunnen blijven bij de hoge verwachtingen van Wall Street
Wall Street houdt momenteel rekening met een enorme stijging van de winstgevendheid van bedrijven, gedreven door kunstmatige intelligentie, maar een groeiende waarschuwing suggereert dat deze tijdlijn te optimistisch kan zijn. Torsten Slok, hoofdeconoom bij Apollo, stelt dat de feitelijke realisatie van door AI gedreven marges in niet-technologische sectoren veel langer zou kunnen duren dan de huidige marktprojecties doen vermoeden.
De kloof tussen tech-waarderingen en de adoptie in de praktijk
De huidige waardering van veel AI-bedrijven rust op één enkele, enorme aanname: dat de S&P 493 — de index exclusief de "Magnificent Seven" techreuzen — een aanzienlijke margeverruiming zal zien door AI-integratie. Terwijl techbedrijven al de voordelen van automatisering ervaren, vertelt de bredere economie een ander verhaal.
Volgens Slok is er momenteel geen significant bewijs dat AI de winstmarges in sectoren buiten de kerntechnologiesector een boost geeft. De markten houden rekening met een snelle winstgroei, maar de feitelijke kasstromen die nodig zijn om deze waarderingen te rechtvaardigen, kunnen ver achterblijven. Als de productiviteitsrevolutie vijf jaar duurt in plaats van vijf maanden, kan de sector geconfronteerd worden met een pijnlijke en significante herwaardering van AI-aandelen.
Structurele barrières in gereguleerde sectoren
De vertraging in productiviteitswinsten is niet louter een kwestie van trage adoptie; het is een bijproduct van de complexe omgevingen waarin veel wereldwijde industrieën opereren. In sterk gereguleerde sectoren zoals de gezondheidszorg, het bankwezen, de energievoorziening, de farmacie en de productie is de weg naar AI-integratie vol hindernissen.
Strikte privacyvereisten, rigoureuze naleving van regelgeving en de noodzaak voor grootschalige proceswijzigingen betekenen dat deze sectoren zich niet zo snel kunnen aanpassen als een softwarestartup. Deze institutionele wrijvingen werken als een rem op de snelheid waarmee AI kan worden ingezet om workflows te optimaliseren en kosten te verlagen. Als gevolg hiervan kan de "productiviteitsboost" waar beleggers op wedden jaren vertraging oplopen, terwijl deze sectoren de juridische en operationele complexiteit van de implementatie van machine learning moeten navigeren.
Het meetprobleem in kenniswerk
Zelfs wanneer AI er succesvol in slaagt de efficiëntie van individuele werknemers te verhogen, ontstaat er een secundaire uitdaging: de moeilijkheid om deze winsten te kwantificeren. In de wereld van kenniswerk zijn productiviteitsverbeteringen berucht moeilijk nauwkeurig te meten.
In tegenstelling tot de productie, waar de output gemakkelijk te volgen is, ontbreken bij de winsten die een werknemer behaalt door een LLM te gebruiken voor het opstellen van rapporten of het analyseren van gegevens vaak duidelijke maatstaven. Zonder concrete gegevens hebben managementteams moeite om grootschalige kapitaaluitgaven te rechtvaardigen of de verbeteringen op een formele balans te erkennen. In plaats daarvan worden deze incrementele efficiëntiewinsten vaak "geabsorbeerd" door de dagelijkse werkzaamheden, waardoor ze zich niet manifesteren als de zichtbare margeverruiming die Wall Street eist.
Belangrijkste conclusies
- Risico op marktoverwaardering: De waarderingen van AI-aandelen zijn sterk gebaseerd op margengroei in de S&P 493, die in niet-technologische sectoren nog niet is gerealiseerd.
- Regulatoire wrijving: Sectoren zoals de gezondheidszorg en het bankwezen kampen met aanzienlijke vertragingen bij de adoptie van AI vanwege privacyvoorschriften en complexe proceswijzigingen.
- De kwantificeringskloof: Productiviteitswinsten in kenniswerk zijn moeilijk te meten en te rapporteren, waardoor het voor bedrijven lastig is om het gebruik van AI te vertalen naar groei van de nettowinst.