રઘુરામ રાજનનો AI પર ચેતવણી: બબાલ વાસ્તવિકતા કરતાં વધુ, રોકાણકારો સાવધ!

કેપિટલ એક્સપેન્ડિચરનો ફાંસો

નાણાકીય બજારો હાલમાં AI ને ઉત્પાદકતાના ચમત્કાર તરીકે જોઈ રહ્યા છે, પરંતુ તેની પાછળની કેપિટલ સ્ટ્રક્ચર એક અલગ જ વાર્તા કહે છે. મોટા GPU ક્લસ્ટર્સ અને ડેટા સેન્ટરના નિર્માણ માટે દેવામાં થયેલો ઝડપી વધારો અગાઉના ઇન્ફ્રાસ્ટ્રક્ચર બબલ્સ જેવો જ છે, જ્યાં ડેપ્રિસિયેશન (Depreciation) આવક કરતાં વધુ ઝડપથી વધી શકે છે. જો લાર્જ લેંગ્વેજ મોડલ્સ (LLMs) માં નવીનતાનો વર્તમાન દર સ્થિર થઈ જાય, તો ભારે ઇન્ફ્રાસ્ટ્રક્ચર ખર્ચ ધરાવતી કંપનીઓને માર્જિનમાં ઘટાડાનો સામનો કરવો પડશે. પ્રાયોગિક ઉપયોગથી નફાકારકતા સુધી પહોંચવું એ એક મુશ્કેલ પ્રક્રિયા છે જે હાલના વેલ્યુએશન મોડેલ્સમાં ઓછી આંકવામાં આવે છે.

કોમ્પિટિટિવ મજબૂતીનો ભ્રમ?

રોકાણકારો માને છે કે AI ક્ષેત્રમાં પ્રથમ પ્રવેશ કરનારને અજેય લાભ મળે છે. જોકે, આ મોડલ્સની પ્રકૃતિ, જેમાં સંશોધનમાં પારદર્શિતા અને ઓપન-સોર્સ (Open-source) પ્રતિકૃતિનો સમાવેશ થાય છે, તે લાંબા ગાળાના ભેદભાવને મુશ્કેલ બનાવે છે. પરંપરાગત સોફ્ટવેર મોટ્સથી વિપરીત, AI મોડલ્સ નવા, વધુ ઊર્જા-કાર્યક્ષમ આર્કિટેક્ચરથી સતત દબાણ હેઠળ રહે છે. આ એવી કંપનીઓ માટે ટેકનોલોજીકલ અપ્રચલિતતાનું જોખમ ઊભું કરે છે જેઓ આજે હાર્ડવેર પર ભારે રોકાણ કરે છે. જો કોઈ કંપની વર્તમાન ચિપ આર્કિટેક્ચર પર આધારિત તેની ડેટા વ્યૂહરચના બનાવે અને પછી વધુ કાર્યક્ષમ, વિશિષ્ટ સિલિકોન તરફ ફેરફાર જુએ, તો તે ઈન્ફ્રાસ્ટ્રક્ચરનો ખર્ચ સ્પર્ધાત્મક લાભને બદલે નોંધપાત્ર જવાબદારી બની જાય છે.

ફોરેન્સિક રિસ્કનો પરિપ્રેક્ષ્ય

જોખમ સંચાલન (Risk Management) ના દૃષ્ટિકોણથી, AI ક્ષેત્ર ત્રણ મુખ્ય પડકારોનો સામનો કરી રહ્યું છે જે ક્ષેત્ર-વ્યાપી પુનઃમૂલ્યાંકન (Revaluation) ને વેગ આપી શકે છે. પ્રથમ, હાઇપર-સ્કેલ ડેટા સેન્ટર્સ માટે વીજળીનો વપરાશ એટલો વધી ગયો છે કે સ્થાનિક ગ્રીડની સ્થિરતા જોખમમાં છે, જેના કારણે ઉચ્ચ-ઘનતાવાળા ટેક કોરિડોરમાં બાંધકામ પર પ્રતિબંધ લાગુ થઈ શકે છે. બીજું, મોડલ આઉટપુટ સંબંધિત ડેવલપરની જવાબદારીની સંભાવના—ખાસ કરીને ડીપફેક્સ (Deepfakes) અને સુરક્ષા ભંગ સંબંધિત—એક કાનૂની જોખમ ઊભું કરે છે જેનો વીમા બજારોએ હજુ સુધી સંપૂર્ણપણે અંદાજ લગાવ્યો નથી. છેવટે, રાજકીય પરિબળને અવગણી શકાય નહીં. જેમ જેમ સફેદપોશ કર્મચારીઓની મોટા પાયે નોકરીઓનું વિસ્થાપન ચૂંટણી પ્લેટફોર્મ્સ માટે ચર્ચાનો વિષય બને છે, તેમ સરકારો સંરક્ષણાત્મક કાયદાઓ ઘડી શકે છે જે આક્રમક રીતે કર્મચારીઓની સંખ્યા ઘટાડવા પર પ્રતિબંધ મૂકી શકે છે અથવા AI-વિશિષ્ટ કર લાદી શકે છે, જે વર્તમાન વેલ્યુએશન ગુણકને સમર્થન આપતા ખર્ચ-બચત સિદ્ધાંતને સીધો નબળો પાડે છે.

બજારની અપેક્ષાઓ અને ભવિષ્યની અસ્થિરતા

બ્રોકરેજ સર્વસંમતિ (Consensus) ઊંચી વૃદ્ધિ કરતી ટેક કંપનીઓની તરફેણ કરવાનું ચાલુ રાખે છે, તેમ છતાં ક્ષેત્ર-વિશિષ્ટ મેનિયા (Mania) પર ઐતિહાસિક ડેટા સૂચવે છે કે વર્તમાન આશાવાદ ભાગ્યે જ કેપિટલ એક્સપેન્ડિચર (Capital Expenditure) માં ચક્રીય ઘટાડાને ધ્યાનમાં લે છે. જો આંતરિક સુરક્ષા અવરોધો અને ડેટા ગવર્નન્સ (Data Governance) મુદ્દાઓને કારણે અપનાવવાની પ્રક્રિયા ધીમી રહે, તો અપેક્ષિત આવકમાં મોટો ઉછાળો ભવિષ્યના નાણાકીય સમયગાળામાં ધકેલાઈ જવાની સંભાવના છે. આ વર્તમાન શેર ભાવ, જે સંપૂર્ણતા માટે કિંમત નિર્ધારિત છે, અને બહુ-વર્ષીય એકીકરણ પ્રક્રિયાની વાસ્તવિકતા વચ્ચે અસંગતતા ઊભી કરે છે. ભવિષ્યનું પ્રદર્શન નવીનતાની ક્ષમતા દ્વારા નહીં, પરંતુ કડક મેક્રોઇકોનોમિક વાતાવરણમાં દેવાની બોજ અને નિયમનકારી અનુપાલનનું સંચાલન કરવાની ક્ષમતા દ્વારા નક્કી કરવામાં આવશે.