ทำไมกำไรจาก AI อาจล่าช้ากว่าความคาดหวังอันสูงลิ่วของ Wall Street

ขณะนี้ Wall Street กำลังคาดการณ์ถึงการพุ่งขึ้นอย่างมหาศาลของความสามารถในการทำกำไรขององค์กรที่ขับเคลื่อนโดยปัญญาประดิษฐ์ (AI) แต่คำเตือนที่เพิ่มมากขึ้นบ่งชี้ว่ากรอบเวลานี้อาจมองโลกในแง่ดีเกินไป Torsten Slok หัวหน้านักเศรษฐศาสตร์ที่ Apollo แย้งว่าการบรรลุอัตรากำไรที่ขับเคลื่อนด้วย AI ในภาคส่วนที่ไม่ใช่เทคโนโลยี (non-tech sectors) จริงๆ นั้น อาจต้องใช้เวลานานกว่าที่การคาดการณ์ของตลาดในปัจจุบันระบุไว้มาก

ความไม่สอดคล้องกันระหว่างมูลค่าหุ้นกลุ่มเทคโนโลยีและการนำไปใช้งานจริง

มูลค่าปัจจุบันของบริษัท AI หลายแห่งตั้งอยู่บนสมมติฐานที่ยิ่งใหญ่เพียงอย่างเดียว นั่นคือดัชนี S&P 493 ซึ่งเป็นดัชนีที่ไม่รวมยักษ์ใหญ่ด้านเทคโนโลยี "Magnificent Seven" จะมีการขยายตัวของอัตรากำไรอย่างมีนัยสำคัญผ่านการบูรณาการ AI แม้ว่าบริษัทเทคโนโลยีจะเริ่มเห็นประโยชน์จากระบบอัตโนมัติแล้ว แต่เศรษฐกิจในวงกว้างกลับบอกเล่าเรื่องราวที่แตกต่างออกไป

ตามความเห็นของ Slok ในปัจจุบันยังไม่มีหลักฐานสำคัญที่บ่งชี้ว่า AI กำลังช่วยเพิ่มอัตรากำไรในอุตสาหกรรมนอกเหนือจากภาคเทคโนโลยีหลัก ตลาดกำลังคาดการณ์การเติบโตของกำไรอย่างรวดเร็ว แต่กระแสเงินสดที่แท้จริงซึ่งจำเป็นต่อการรองรับมูลค่าเหล่านี้อาจตามหลังอยู่มาก หากการปฏิวัติผลิตภาพ (productivity revolution) ต้องใช้เวลาถึงห้าปีแทนที่จะเป็นห้าเดือน อุตสาหกรรมนี้อาจต้องเผชิญกับการปรับราคาหุ้น AI ครั้งใหญ่ที่สร้างความเจ็บปวดได้

อุปสรรคเชิงโครงสร้างในอุตสาหกรรมที่มีกฎระเบียบควบคุม

ความล่าช้าในการเพิ่มผลิตภาพไม่ใช่เพียงเรื่องของการนำไปใช้งานที่ล่าช้าเท่านั้น แต่เป็นผลพลอยได้จากสภาพแวดล้อมที่ซับซ้อนซึ่งอุตสาหกรรมระดับโลกจำนวนมากดำเนินงานอยู่ ในภาคส่วนที่มีกฎระเบียบควบคุมอย่างเข้มงวด เช่น การดูแลสุขภาพ การธนาคาร พลังงาน ยา และการผลิต เส้นทางสู่การบูรณาการ AI นั้นเต็มไปด้วยอุปสรรค

ข้อกำหนดด้านความเป็นส่วนตัวที่เข้มงวด การปฏิบัติตามกฎระเบียบที่เคร่งครัด และความจำเป็นในการยกเครื่องกระบวนการทำงานขนานใหญ่ หมายความว่าอุตสาหกรรมเหล่านี้ไม่สามารถปรับตัวได้รวดเร็วเท่ากับบริษัทสตาร์ทอัพด้านซอฟต์แวร์ แรงเสียดทานเชิงสถาบันเหล่านี้ทำหน้าที่เหมือนเบรกที่ชะลอความเร็วในการนำ AI มาใช้เพื่อเพิ่มประสิทธิภาพการทำงานและลดต้นทุน ส่งผลให้ "การก้าวกระโดดของผลิตภาพ" (productivity bump) ที่นักลงทุนกำลังเดิมพันไว้อาจล่าช้าไปหลายปี ในขณะที่ภาคส่วนเหล่านี้ต้องจัดการกับความซับซ้อนทางกฎหมายและการดำเนินงานของการนำ Machine Learning มาใช้งาน

ปัญหาด้านการวัดผลในงานด้านความรู้ (Knowledge Work)

แม้ว่า AI จะสามารถเพิ่มประสิทธิภาพของพนักงานแต่ละคนได้สำเร็จ แต่ความท้าทายลำดับที่สองก็ปรากฏขึ้น นั่นคือความยากในการวัดผลกำไรเหล่านี้เป็นตัวเลข ในขอบเขตของงานด้านความรู้ (knowledge work) การปรับปรุงผลิตภาพนั้นขึ้นชื่อว่าวัดผลได้อย่างแม่นยำได้ยากยิ่ง

ต่างจากการผลิตที่สามารถติดตามผลผลิตได้ง่าย ผลลัพธ์ที่ได้จากการที่พนักงานใช้ LLM ในการร่างรายงานหรือวิเคราะห์ข้อมูลมักขาดตัวชี้วัดที่ชัดเจน หากไม่มีข้อมูลที่เป็นรูปธรรม ทีมบริหารจะประสบปัญหาในการอนุมัติงบประมาณรายจ่ายฝ่ายทุน (capital expenditures) ขนาดใหญ่ หรือการรับรู้ถึงการปรับปรุงในงบดุลอย่างเป็นทางการ ในทางกลับกัน ผลกำไรจากการเพิ่มประสิทธิภาพที่เพิ่มขึ้นทีละน้อยเหล่านี้มักจะถูก "กลืน" เข้าไปในการดำเนินงานประจำวัน ทำให้ไม่สามารถแสดงออกมาเป็นการขยายตัวของอัตรากำไรที่ชัดเจนตามที่ Wall Street ต้องการ

สรุปประเด็นสำคัญ

• ความเสี่ยงจากการประเมินมูลค่าตลาดสูงเกินจริง: มูลค่าหุ้น AI ขึ้นอยู่กับการเติบโตของอัตรากำไรในดัชนี S&P 493 เป็นอย่างมาก ซึ่งยังไม่เกิดขึ้นจริงในภาคส่วนที่ไม่ใช่เทคโนโลยี
• แรงเสียดทานด้านกฎระเบียบ: อุตสาหกรรมอย่างการดูแลสุขภาพและการธนาคารเผชิญกับความล่าช้าอย่างมากในการนำ AI มาใช้ เนื่องจากข้อบังคับด้านความเป็นส่วนตัวและการยกเครื่องกระบวนการที่ซับซ้อน
• ช่องว่างในการวัดผล: การเพิ่มผลิตภาพในงานด้านความรู้เป็นเรื่องยากที่จะวัดผลและรายงาน ทำให้บริษัทต่างๆ เปลี่ยนการใช้งาน AI ให้เป็นการเติบโตของกำไรสุทธิ (bottom-line growth) ได้ยาก