ஏன் AI லாப உயர்வுகள் Wall Street-ன் உயர்ந்த எதிர்பார்ப்புகளை விடப் பின்வாங்கலாம்

செயற்கை நுண்ணறிவால் (AI) கார்ப்பரேட் லாபத்தில்தான் மிகப்பெரிய உயர்வு ஏற்படும் என்று Wall Street தற்போது கணக்கிட்டு வருகிறது, ஆனால் இந்த காலவரிசை மிகவும் நம்பிக்கையானதாக இருக்கலாம் என்று ஒரு எச்சரிக்கை விடுக்கப்படுகிறது. Apollo நிறுவனத்தின் தலைமைப் பொருளாதார நிபுணர் Torsten Slok, தொழில்நுட்பம் அல்லாத துறைகளில் AI மூலம் லாப வரம்புகள் (margins) கிடைப்பது, தற்போதைய சந்தை கணிப்புகளை விட நீண்ட காலம் எடுக்கலாம் என்று வாதிடுகிறார்.

தொழில்நுட்ப மதிப்பீடுகளுக்கும் நிஜ உலகப் பயன்பாட்டிற்கும் இடையிலான முரண்பாடு

பல AI நிறுவனங்களின் தற்போதைய மதிப்பீடு ஒரு மிகப்பெரிய அனுமானத்தின் அடிப்படையில் அமைந்துள்ளது: அதாவது, "Magnificent Seven" தொழில்நுட்ப ஜாம்பவான்களைத் தவிர்த்த மற்ற நிறுவனங்களைக் கொண்ட S&P 493 குறியீடு, AI ஒருங்கிணைப்பின் மூலம் குறிப்பிடத்தக்க லாப வரம்பு விரிவாக்கத்தைக் காணும் என்பதாகும். தொழில்நுட்ப நிறுவனங்கள் ஏற்கனவே ஆட்டோமேஷனின் (automation) பலன்களைப் பெற்று வந்தாலும், ஒட்டுமொத்தப் பொருளாதாரம் வேறு கதையைச் சொல்கிறது.

Slok-ன் கருத்துப்படி, முக்கிய தொழில்நுட்பத் துறைக்கு வெளியே உள்ள தொழில்துறைகளில் AI லாப வரம்புகளை அதிகரிப்பதாகத் தற்போது எந்த குறிப்பிடத்தக்க ஆதாரமும் இல்லை. சந்தைகள் விரைவான வருவாய் வளர்ச்சியை எதிர்பார்த்து விலையை நிர்ணயித்துள்ளன, ஆனால் இந்த மதிப்பீடுகளை நியாயப்படுத்தத் தேவையான உண்மையான பணப்புழக்கம் (cash flows) மிகவும் பின் தங்கியிருக்கக்கூடும். உற்பத்தித் திறன் புரட்சி ஐந்து மாதங்களுக்குப் பதிலாக ஐந்து ஆண்டுகள் எடுக்க நேரிட்டால், AI பங்குகள் பெரும் சரிவைச் சந்திக்க நேரிடும்.

ஒழுங்குமுறைப்படுத்தப்பட்ட தொழில்துறைகளில் உள்ள கட்டமைப்புத் தடைகள்

உற்பத்தித் திறன் அதிகரிப்பதில் ஏற்படும் தாமதம் என்பது வெறும் மெதுவான பயன்பாடு சார்ந்த விஷயம் மட்டுமல்ல; இது பல உலகளாவிய தொழில்துறைகள் இயங்கும் சிக்கலான சூழல்களின் விளைவாகும். சுகாதாரம், வங்கி, எரிசக்தி, மருந்துகள் மற்றும் உற்பத்தி போன்ற கடுமையான ஒழுங்குமுறை விதிகள் கொண்ட துறைகளில், AI ஒருங்கிணைப்பிற்கான பாதை பல தடைகளால் நிறைந்துள்ளது.

கடுமையான தனியுரிமைத் தேவைகள், கடுமையான ஒழுங்குமுறை இணக்கம் மற்றும் பெரிய அளவிலான செயல்முறை மாற்றங்களின் அவசியம் ஆகியவற்றால், இந்தத் தொழில்துறைகளால் ஒரு மென்பொருள் ஸ்டார்ட்அப் (software startup) போல விரைவாக மாற முடியாது. பணிப்பாய்வுகளை (workflows) மேம்படுத்தவும் செலவுகளைக் குறைக்கவும் AI பயன்படுத்தப்படும் வேகத்தைக் குறைக்க இந்த நிறுவன ரீதியான உராய்வுகள் ஒரு தடையாகச் செயல்படுகின்றன. இதன் விளைவாக, முதலீட்டாளர்கள் எதிர்பார்க்கும் அந்த "உற்பத்தித் திறன் உயர்வு", இயந்திரக் கற்றல் (machine learning) அமலாக்கத்தின் சட்ட மற்றும் செயல்பாட்டுச் சிக்கல்களை இந்தத் துறைகள் கையாளுவதால் பல ஆண்டுகள் தாமதமாகலாம்.

அறிவுசார் பணிகளில் உள்ள அளவீட்டுப் பிரச்சனை

AI தனிப்பட்ட பணியாளர்களின் செயல்திறனை வெற்றிகரமாக அதிகரித்தாலும், ஒரு இரண்டாம் நிலை சவால் உருவாகிறது: அந்த முன்னேற்றங்களை அளவிடுவது கடினம். அறிவுசார் பணிகளின் (knowledge work) களத்தில், உற்பத்தித் திறன் மேம்பாடுகளைத் துல்லியமாக அளவிடுவது மிகவும் கடினமானது.

உற்பத்தித் துறையைப் போல வெளியீடுகளை (output) எளிதாகக் கண்காணிக்க முடியாது; ஒரு ஊழியர் அறிக்கைகளைத் தயாரிக்க அல்லது தரவை ஆய்வு செய்ய LLM-ஐப் பயன்படுத்தும்போது கிடைக்கும் முன்னேற்றங்களுக்குத் தெளிவான அளவீடுகள் இருப்பதில்லை. உறுதியான தரவுகள் இல்லாமல், மேலாண்மை குழுக்கள் பெரிய அளவிலான மூலதனச் செலவுகளை (capital expenditures) நியாயப்படுத்தவோ அல்லது முறையான இருப்புநிலைக் குறிப்பில் (balance sheet) அந்த முன்னேற்றங்களைக் காட்டவோ சிரமப்படுகிறார்கள். மாறாக, இந்தச் சிறு முன்னேற்றங்கள் பெரும்பாலும் அன்றாடச் செயல்பாடுகளிலேயே "ஒடுங்கிப் போய்விடுகின்றன", இதனால் Wall Street எதிர்பார்க்கும் தெளிவான லாப வரம்பு விரிவாக்கம் தெரிவதில்லை.

முக்கியக் குறிப்புகள்

• சந்தை அதிகமதிப்பீட்டு அபாயம்: AI பங்கு மதிப்பீடுகள் S&P 493-ன் லாப வளர்ச்சியையே பெரிதும் நம்பியிருக்கின்றன, ஆனால் தொழில்நுட்பம் அல்லாத துறைகளில் இது இன்னும் நிகழவில்லை.
• ஒழுங்குமுறைத் தடைகள்: தனியுரிமை விதிகள் மற்றும் சிக்கலான செயல்முறை மாற்றங்கள் காரணமாக சுகாதாரம் மற்றும் வங்கி போன்ற துறைகள் AI பயன்பாட்டில் குறிப்பிடத்தக்கத் தாமதங்களைச் சந்திக்கின்றன.
• அளவிடும் இடைவெளி: அறிவுசார் பணிகளில் உற்பத்தித் திறன் மேம்பாடுகளை அளவிடுவதும் அறிக்கையிடுவதும் கடினம், இதனால் நிறுவனங்கள் AI பயன்பாட்டைத் தங்கள் நிகர லாப வளர்ச்சியாக (bottom-line growth) மாற்றுவது சிரமமாக உள்ளது.