AI లాభాల వృద్ధి వాల్ స్ట్రీట్ యొక్క అధిక అంచనాలను అందుకోవడంలో ఎందుకు వెనుకబడి ఉండవచ్చు

ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) వల్ల కార్పొరేట్ లాభదాయకత భారీగా పెరుగుతుందని వాల్ స్ట్రీట్ ప్రస్తుతం భావిస్తోంది, కానీ ఈ కాలక్రమం అతిగా ఆశావాదంతో కూడుకున్నదని హెచ్చరికలు వస్తున్నాయి. అపోలో (Apollo) చీఫ్ ఎకనామిస్ట్ టోర్స్టెన్ స్లోక్ (Torsten Slok) వాదన ప్రకారం, నాన్-టెక్ రంగాలలో AI ఆధారిత మార్జిన్ల వాస్తవ అమలు ప్రస్తుత మార్కెట్ అంచనాల కంటే చాలా ఎక్కువ సమయం తీసుకోవచ్చు.

టెక్ వాల్యుయేషన్లు మరియు వాస్తవ ప్రపంచ అనువర్తనాల మధ్య ఉన్న వ్యత్యాసం

అనేక AI కంపెనీల ప్రస్తుత వాల్యుయేషన్ ఒకే ఒక భారీ ఊహపై ఆధారపడి ఉంది: అదేమిటంటే, "Magnificent Seven" టెక్ దిగ్గజాలను మినహాయించి, S&P 493 ఇండెక్స్ AI అనుసంధానం ద్వారా గణనీయమైన మార్జిన్ విస్తరణను చూస్తుందని. టెక్ కంపెనీలు ఇప్పటికే ఆటోమేషన్ వల్ల ప్రయోజనాలను పొందుతున్నప్పటికీ, విస్తృత ఆర్థిక వ్యవస్థ మరో కథ చెబుతోంది.

స్లోక్ ప్రకారం, ప్రధాన సాంకేతిక రంగం వెలుపల ఉన్న పరిశ్రమలలో AI లాభాల మార్జిన్లను పెంచుతోందని చెప్పడానికి ప్రస్తుతం ఎటువంటి గణనీయమైన ఆధారాలు లేవు. మార్కెట్లు వేగవంతమైన ఆదాయ వృద్ధిని ఆశిస్తున్నాయి, కానీ ఈ వాల్యుయేషన్లను సమర్థించడానికి అవసరమైన వాస్తవ నగదు ప్రవాహాలు (cash flows) చాలా వెనుకబడి ఉండవచ్చు. ఒకవేళ ఉత్పాదకత విప్లవం ఐదు నెలలకు బదులుగా ఐదు సంవత్సరాలు పడితే, పరిశ్రమ AI స్టాక్‌ల ధరల భారీ మార్పు (repricing) వంటి కష్టతరమైన పరిస్థితిని ఎదుర్కోవాల్సి రావచ్చు.

నియంత్రిత పరిశ్రమలలోని నిర్మాణాత్మక అడ్డంకులు

ఉత్పాదకత వృద్ధిలో ఆలస్యం అనేది కేవలం నెమ్మదైన అనువర్తనానికి సంబంధించిన విషయం మాత్రమే కాదు; ఇది అనేక ప్రపంచ పరిశ్రమలు పనిచేసే సంక్లిష్ట వాతావరణం వల్ల కలిగే ఫలితం. హెల్త్‌కేర్, బ్యాంకింగ్, ఎనర్జీ, ఫార్మాస్యూటికల్స్ మరియు తయారీ వంటి కఠినమైన నిబంధనలు ఉన్న రంగాలలో, AI అనుసంధాన మార్గం అనేక అడ్డంకులతో నిండి ఉంది.

కఠినమైన గోప్యత (privacy) అవసరాలు, కఠినమైన నియంత్రణ నిబంధనలు మరియు భారీ ప్రక్రియల మార్పుల అవసరం కారణంగా, ఈ పరిశ్రమలు ఒక సాఫ్ట్‌వేర్ స్టార్టప్ అంత వేగంగా మారలేవు. వర్క్‌ఫ్లోలను ఆప్టిమైజ్ చేయడానికి మరియు ఖర్చులను తగ్గించడానికి AIని ఉపయోగించే వేగాన్ని ఈ సంస్థాగత ఘర్షణలు అడ్డుకుంటాయి. తత్ఫలితంగా, ఇన్వెస్టర్లు ఆశించే ఆ "ఉత్పాదకత పెరుగుదల" (productivity bump), మెషిన్ లెర్నింగ్ అమలులోని చట్టపరమైన మరియు కార్యాచరణ సంక్లిష్టతలను ఈ రంగాలు అధిగమించే వరకు ఏళ్ల తరబడి ఆలస్యం కావచ్చు.

నాలెడ్జ్ వర్క్‌లో కొలమాన సమస్య

AI వ్యక్తిగత కార్మికుల సామర్థ్యాన్ని విజయవంతంగా పెంచినప్పటికీ, ఒక ద్వితీయ సవాలు ఎదురవుతుంది: ఆ లాభాలను లెక్కించడం (quantifying) కష్టంగా ఉండటం. నాలెడ్జ్ వర్క్ (knowledge work) రంగంలో, ఉత్పాదకత మెరుగుదలలను ఖచ్చితంగా కొలవడం చాలా కష్టం.

అవుట్‌పుట్‌ను సులభంగా ట్రాక్ చేయగలిగే తయారీ రంగంలా కాకుండా, నివేదికలను రూపొందించడానికి లేదా డేటాను విశ్లేషించడానికి LLMని ఉపయోగించే ఉద్యోగి సాధించే లాభాలకు తరచుగా స్పష్టమైన కొలమానాలు ఉండవు. ఖచ్చితమైన డేటా లేకపోతే, మేనేజ్‌మెంట్ బృందాలు భారీ మూలధన వ్యయాలను (capital expenditures) సమర్థించుకోవడానికి లేదా అధికారిక బ్యాలెన్స్ షీట్‌లో ఆ మెరుగుదలలను గుర్తించడానికి ఇబ్బంది పడతాయి. దీనికి బదులుగా, ఈ క్రమబద్ధమైన సామర్థ్య వృద్ధిలు తరచుగా రోజువారీ కార్యకలాపాల్లో కలిసిపోతాయి, వాల్ స్ట్రీట్ కోరుకునే స్పష్టమైన మార్జిన్ విస్తరణగా కనిపించవు.

ముఖ్య అంశాలు

• మార్కెట్ ఓవర్ వాల్యుయేషన్ రిస్క్: AI స్టాక్ వాల్యుయేషన్లు S&P 493 లోని మార్జిన్ వృద్ధిపై ఎక్కువగా ఆధారపడి ఉన్నాయి, ఇది నాన్-టెక్ రంగాలలో ఇంకా కనిపించలేదు.
• నియంత్రణ ఘర్షణలు: గోప్యత నిబంధనలు మరియు సంక్లిష్టమైన ప్రక్రియల మార్పుల కారణంగా హెల్త్‌కేర్ మరియు బ్యాంకింగ్ వంటి పరిశ్రమలు AI అనుసంధానంలో గణనీయమైన ఆలస్యాన్ని ఎదుర్కొంటున్నాయి.
• కొలమాన వ్యత్యాసం (The Quantifiability Gap): నాలెడ్జ్ వర్క్‌లో ఉత్పాదకత వృద్ధిని కొలవడం మరియు నివేదించడం కష్టం, దీనివల్ల కంపెనీలు AI వినియోగాన్ని నేరుగా లాభాల వృద్ధిగా మార్చడం కష్టమవుతుంది.