کیوں اے آئی (AI) کے منافع میں اضافہ وال اسٹریٹ کی بلند توقعات سے پیچھے رہ سکتا ہے

وال اسٹریٹ اس وقت مصنوعی ذہانت (AI) کے ذریعے کارپوریٹ منافع میں بڑے اضافے کی قیمت لگا رہا ہے، لیکن ایک بڑھتی ہوئی وارننگ یہ اشارہ دے رہی ہے کہ یہ ٹائم لائن ضرورت سے زیادہ پرامید ہو سکتی ہے۔ اپالو (Apollo) کے چیف اکانومسٹ ٹورسٹن سلوک (Torsten Slok) کا کہنا ہے کہ غیر ٹیکنالوجی کے شعبوں میں AI سے حاصل ہونے والے مارجن کا اصل ثبوت ملنے میں موجودہ مارکیٹ کے تخمینوں کے مقابلے میں کہیں زیادہ وقت لگ سکتا ہے۔

ٹیکنالوجی کی ویلیویشن اور حقیقی دنیا میں اپنائے جانے کے درمیان فرق

بہت سی AI کمپنیوں کی موجودہ ویلیویشن ایک واحد اور بڑے مفروضے پر مبنی ہے: کہ S&P 493—وہ انڈیکس جس میں "Magnificent Seven" ٹیکنالوجی کے بڑے نام شامل نہیں ہیں—AI کے انضمام کے ذریعے مارجن میں نمایاں اضافہ دیکھے گا۔ اگرچہ ٹیکنالوجی کمپنیاں پہلے ہی آٹومیشن کے فوائد دیکھ رہی ہیں، لیکن وسیع تر معیشت ایک مختلف کہانی بیان کرتی ہے۔

سلوک کے مطابق، فی الحال اس بات کا کوئی ٹھوس ثبوت نہیں ہے کہ AI بنیادی ٹیکنالوجی کے شعبے سے باہر کی صنعتوں میں منافع کے مارجن کو بڑھا رہا ہے۔ مارکیٹیں تیزی سے آمدنی میں اضافے کی توقع کر رہی ہیں، لیکن ان ویلیویشنز کے جواز کے لیے درکار اصل کیش فلو (cash flows) ان سے بہت پیچھے رہ سکتے ہیں۔ اگر پیداواری صلاحیت کا انقلاب پانچ ماہ کے بجائے پانچ سال میں حقیقت بنتا ہے، تو صنعت کو AI اسٹاکس کی تکلیف دہ اور بڑی ری پرائسنگ (repricing) کا سامنا کرنا پڑ سکتا ہے۔

ریگولیٹڈ صنعتوں میں ساختی رکاوٹیں

پیداواری صلاحیت میں اضافے میں تاخیر محض سست اپنائے جانے کا معاملہ نہیں ہے؛ بلکہ یہ ان پیچیدہ ماحول کا نتیجہ ہے جن میں بہت سی عالمی صنعتیں کام کرتی ہیں۔ ہیلتھ کیئر، بینکنگ، توانائی، فارماسیوٹیکلز اور مینوفیکچرنگ جیسے انتہائی ریگولیٹڈ شعبوں میں، AI کے انضمام کا راستہ رکاوٹوں سے بھرا ہوا ہے۔

رازداری کی سخت ضروریات، سخت ریگولیٹری تعمیل، اور عمل میں بڑے پیمانے پر تبدیلیوں کی ضرورت کا مطلب یہ ہے کہ یہ صنعتیں کسی سافٹ ویئر اسٹارٹ اپ کی طرح تیزی سے رخ نہیں بدل سکتیں۔ یہ ادارہ جاتی رگڑیں اس رفتار پر بریک کا کام کرتی ہیں جس رفتار سے ورک فلو کو بہتر بنانے اور اخراجات کم کرنے کے لیے AI کو استعمال کیا جا سکتا ہے۔ نتیجے کے طور پر، وہ "پیداواری اضافہ" (productivity bump) جس پر سرمایہ کار شرط لگا رہے ہیں، برسوں کے لیے تاخیر کا شکار ہو سکتا ہے کیونکہ یہ شعبے مشین لرننگ کے نفاذ کی قانونی اور آپریشنل پیچیدگیوں سے نمٹ رہے ہیں۔

نالج ورک (Knowledge Work) میں پیمائش کا مسئلہ

یہاں تک کہ جب AI کامیابی سے انفرادی کارکنوں کی کارکردگی میں اضافہ کرتا ہے، تو ایک ثانوی چیلنج سامنے آتا ہے: ان فوائد کی مقدار کا تعین کرنا مشکل ہو جاتا ہے۔ نالج ورک کے میدان میں، پیداواری صلاحیت میں بہتری کی درست پیمائش کرنا انتہائی مشکل ہوتا ہے۔

مینوفیکچرنگ کے برعکس، جہاں آؤٹ پٹ کو آسانی سے ٹریک کیا جا سکتا ہے، رپورٹیں تیار کرنے یا ڈیٹا کا تجزیہ کرنے کے لیے LLM استعمال کرنے والے ملازم کے ذریعے حاصل ہونے والے فوائد میں اکثر واضح پیمانے (metrics) نہیں ہوتے۔ ٹھوس ڈیٹا کے بغیر، انتظامی ٹیموں کے لیے بڑے پیمانے پر کیپیٹل اخراجات کا جواز پیش کرنا یا باقاعدہ بیلنس شیٹ پر بہتری کو ظاہر کرنا مشکل ہوتا ہے۔ اس کے بجائے، کارکردگی میں یہ بتدریج اضافے اکثر روزمرہ کے آپریشنز میں "ضم" ہو جاتے ہیں، اور اس طرح وہ واضح مارجن میں اضافے کے طور پر ظاہر نہیں ہو پاتے جس کا وال اسٹریٹ مطالبہ کرتا ہے۔

اہم نکات

• مارکیٹ کی اوور ویلیویشن کا خطرہ: AI اسٹاک کی ویلیویشن کا زیادہ تر دارومدار S&P 493 میں مارجن کے اضافے پر ہے، جو کہ غیر ٹیکنالوجی کے شعبوں میں ابھی تک ظاہر نہیں ہوا ہے۔
• ریگولیٹری رگڑ: ہیلتھ کیئر اور بینکنگ جیسی صنعتوں کو رازداری کے احکامات اور پیچیدہ عمل کی تبدیلیوں کی وجہ سے AI کو اپنانے میں نمایاں تاخیر کا سامنا ہے۔
• پیمائش کا فرق: نالج ورک میں پیداواری صلاحیت کے فائدے پیمائش اور رپورٹ کرنے میں مشکل ہوتے ہیں، جس کی وجہ سے کمپنیوں کے لیے AI کے استعمال کو خالص منافع (bottom-line) میں تبدیل کرنا مشکل ہو جاتا ہے۔