Почему рост прибыли от ИИ может не оправдать высоких ожиданий Уолл-стрит
В настоящее время Уолл-стрит закладывает в цены мощный скачок корпоративной прибыльности, обусловленный искусственным интеллектом, однако нарастающее число предостережений указывает на то, что эти сроки могут быть чрезмерно оптимистичными. Торстен Слок, главный экономист Apollo, утверждает, что реальное достижение роста маржинальности за счет ИИ в нетехнологических секторах может занять гораздо больше времени, чем предполагают текущие рыночные прогнозы.
Разрыв между оценкой технологических компаний и реальным внедрением
Текущая оценка многих ИИ-компаний строится на одном масштабном допущении: что индекс S&P 493 — индекс, исключающий технологических гигантов «Великолепной семерки» — продемонстрирует значительное расширение маржи благодаря интеграции ИИ. В то время как технологические компании уже получают выгоду от автоматизации, состояние более широкой экономики говорит о другом.
По словам Слока, на данный момент нет веских доказательств того, что ИИ повышает рентабельность в отраслях за пределами основного технологического сектора. Рынки закладывают в цены быстрый рост прибыли, однако реальные денежные потоки, необходимые для обоснования этих оценок, могут значительно отставать. Если революция производительности материализуется через пять лет, а не через пять месяцев, индустрия может столкнуться с болезненной и существенной переоценкой акций ИИ-компаний.
Структурные барьеры в регулируемых отраслях
Задержка в росте производительности — это не просто вопрос медленного внедрения; это побочный продукт сложной среды, в которой работают многие мировые отрасли. В высокорегулируемых секторах, таких как здравоохранение, банковское дело, энергетика, фармацевтика и производство, путь к интеграции ИИ сопряжен с многочисленными препятствиями.
Строгие требования к конфиденциальности, жесткое соблюдение нормативных требований и необходимость масштабного пересмотра процессов означают, что эти отрасли не могут перестроиться так же быстро, как софтверный стартап. Эти институциональные барьеры замедляют скорость развертывания ИИ для оптимизации рабочих процессов и снижения затрат. Следовательно, «скачок производительности», на который делают ставку инвесторы, может отложиться на годы, пока эти сектора будут преодолевать юридические и операционные сложности внедрения машинного обучения.
Проблема измерения в интеллектуальном труде
Даже когда ИИ успешно повышает эффективность отдельных работников, возникает вторичная проблема: сложность количественной оценки этих достижений. В сфере интеллектуального труда повышение производительности крайне трудно измерить с высокой точностью.
В отличие от производства, где объем выпуска легко отследить, результаты работы сотрудника, использующего LLM для составления отчетов или анализа данных, часто не имеют четких метрик. Без конкретных данных руководству трудно обосновать масштабные капитальные затраты или отразить улучшения в официальном балансе. Вместо этого эти постепенные выигрыши в эффективности часто «растворяются» в повседневных операциях, не проявляясь в виде видимого расширения маржи, которого требует Уолл-стрит.
Основные выводы
- Риск переоценки рынка: Оценки акций ИИ-компаний в значительной степени основаны на росте маржинальности в индексе S&P 493, который пока не проявился в нетехнологических секторах.
- Регуляторные барьеры: Такие отрасли, как здравоохранение и банковское дело, сталкиваются со значительными задержками во внедрении ИИ из-за требований конфиденциальности и необходимости сложной перестройки процессов.
- Проблема количественной оценки: Рост производительности в интеллектуальном труде трудно измерить и зафиксировать, что мешает компаниям трансформировать использование ИИ в рост чистой прибыли.