Por que os ganhos de lucro da IA podem ficar atrás das altas expectativas de Wall Street

Wall Street está atualmente precificando um aumento massivo na lucratividade corporativa impulsionado pela inteligência artificial, mas um alerta crescente sugere que esse cronograma pode ser excessivamente otimista. Torsten Slok, economista-chefe da Apollo, argumenta que a realização real das margens impulsionadas pela IA em setores não tecnológicos pode levar muito mais tempo do que as projeções atuais do mercado sugerem.

O Descompasso entre as Avaliações de Tecnologia e a Adoção no Mundo Real

A avaliação atual de muitas empresas de IA baseia-se em uma premissa única e massiva: que o S&P 493 — o índice que exclui os gigantes tecnológicos das "Magnificent Seven" — verá uma expansão significativa de margens por meio da integração da IA. Embora as empresas de tecnologia já estejam colhendo os benefícios da automação, a economia em geral conta uma história diferente.

De acordo com Slok, não há atualmente evidências significativas de que a IA esteja impulsionando as margens de lucro em indústrias fora do setor tecnológico central. Os mercados estão precificando um rápido crescimento de lucros, mas os fluxos de caixa reais necessários para justificar essas avaliações podem ficar muito para trás. Se a revolução da produtividade levar cinco anos para se materializar em vez de cinco meses, o setor poderá enfrentar um ajuste de preços doloroso e significativo nas ações de IA.

Barreiras Estruturais em Indústrias Regulamentadas

O atraso nos ganhos de produtividade não é apenas uma questão de adoção lenta; é um subproduto dos ambientes complexos nos quais muitas indústrias globais operam. Em setores altamente regulamentados, como saúde, bancário, energia, farmacêutico e manufatura, o caminho para a integração da IA é repleto de obstáculos.

Requisitos rigorosos de privacidade, conformidade regulatória estrita e a necessidade de revisões massivas de processos significam que essas indústrias não podem mudar de direção tão rapidamente quanto uma startup de software. Essas fricções institucionais atuam como um freio na velocidade com que a IA pode ser implantada para otimizar fluxos de trabalho e reduzir custos. Consequentemente, o "salto de produtividade" no qual os investidores estão apostando pode ser adiado por anos, à medida que esses setores navegam pelas complexidades legais e operacionais da implementação de machine learning.

O Problema de Mensuração no Trabalho de Conhecimento

Mesmo quando a IA aumenta com sucesso a eficiência de trabalhadores individuais, surge um desafio secundário: a dificuldade de quantificar esses ganhos. No reino do trabalho de conhecimento, as melhorias de produtividade são notoriamente difíceis de medir com precisão.

Ao contrário da manufatura, onde a produção é facilmente rastreada, os ganhos obtidos por um funcionário que utiliza um LLM para redigir relatórios ou analisar dados muitas vezes carecem de métricas claras. Sem dados concretos, as equipes de gestão têm dificuldade em justificar despesas de capital em larga escala ou reconhecer as melhorias em um balanço patrimonial formal. Em vez disso, esses ganhos incrementais de eficiência são frequentemente "absorvidos" pelas operações diárias, não se manifestando como a expansão visível de margem que Wall Street exige.

Principais Conclusões

• Risco de Supervalorização do Mercado: As avaliações das ações de IA baseiam-se fortemente no crescimento das margens no S&P 493, o que ainda não se materializou nos setores não tecnológicos.
• Fricção Regulatória: Indústrias como saúde e bancária enfrentam atrasos significativos na adoção de IA devido a mandatos de privacidade e revisões complexas de processos.
• A Lacuna de Quantificabilidade: Os ganhos de produtividade no trabalho de conhecimento são difíceis de medir e relatar, dificultando para as empresas traduzir o uso de IA em crescimento do lucro líquido.