रघुराम राजन यांचा AI वर इशारा: बाजारातील तेजी वास्तवापेक्षा जास्त?

भांडवली खर्चाचे जाळे (The Capital Expenditure Trap)

सध्याचे आर्थिक बाजार AI ला एक अभूतपूर्व उत्पादकता वाढवणारे तंत्रज्ञान मानत आहेत. परंतु, अंतर्गत भांडवली रचनेवरून वेगळीच कहाणी समोर येत आहे. मोठे GPU क्लस्टर्स आणि डेटा सेंटर उभारण्यासाठी प्रचंड कर्ज घेतले जात आहे, जे पूर्वीच्या पायाभूत सुविधांच्या बुडबुड्यांची आठवण करून देते. यामध्ये कंपन्यांचे घसारा (Depreciation) वेळापत्रक मिळणाऱ्या महसुलापेक्षा जास्त असल्याचे दिसून येते. जर लार्ज लँग्वेज मॉडेल्सच्या (LLMs) नवोपक्रमाची गती तांत्रिक मर्यादांमुळे मंदावली, तर ज्या कंपन्यांनी सुरुवातीलाच प्रचंड पायाभूत सुविधांवर खर्च केला आहे, त्यांना नफ्यात मोठी घट सहन करावी लागेल. प्रायोगिक वापर (Experimental Deployment) ते व्यावसायिक स्तरावरील नफा (Enterprise-grade Profitability) मिळवण्याची प्रक्रिया गुंतागुंतीची आहे, ज्याकडे सध्याच्या मूल्यांकन मॉडेलमध्ये (Valuation Models) कमी लेखले जात आहे.

स्पर्धात्मक खंदक (Competitive Moat) एक भ्रम?

गुंतवणूकदारांना नेहमीच असे वाटते की, 'फर्स्ट-मूव्हर ॲडव्हान्टेज' (First-mover Advantage) मुळे आर्टिफिशियल इंटेलिजन्स क्षेत्रात प्रवेश करणे इतरांसाठी अशक्य होते. मात्र, AI मॉडेल्सचे संशोधन आणि ओपन-सोर्स (Open-source) प्रतिकृती यांमुळे टिकून राहणारी वेगळी ओळख निर्माण करणे कठीण आहे. पारंपरिक सॉफ्टवेअरच्या विपरीत, जिथे नेटवर्क इफेक्ट्समुळे (Network Effects) फायदा मिळतो, तिथे AI मॉडेल्सना नवीन आणि अधिक ऊर्जा-कार्यक्षम आर्किटेक्चर्समुळे (Energy-efficient Architectures) सतत स्पर्धेला सामोरे जावे लागते. यामुळे, आज ज्या कंपन्या हार्डवेअरमध्ये मोठी गुंतवणूक करत आहेत, त्यांच्यासाठी तंत्रज्ञान कालबाह्य होण्याचा धोका आहे. जर कंपनीने आजच्या चिप आर्किटेक्चरवर आधारित डेटा धोरण तयार केले आणि भविष्यात अधिक कार्यक्षम सिलिकॉनचा (Specialized Silicon) उदय झाला, तर त्या पायाभूत सुविधांवरील खर्च हा फायद्याऐवजी एक मोठा भार ठरू शकतो.

जोखीम व्यवस्थापन (Forensic Risk Perspective)

जोखीम व्यवस्थापनाच्या दृष्टिकोनातून पाहिल्यास, AI क्षेत्राला तीन प्रमुख आव्हानांचा सामना करावा लागत आहे, ज्यामुळे संपूर्ण सेक्टरमध्ये पुनर्मूल्यांकन (Revaluation) होऊ शकते. पहिले म्हणजे, हायपर-स्केल डेटा सेंटर्ससाठी (Hyper-scale Data Centers) विजेचा वाढता वापर स्थानिक ग्रीडच्या स्थिरतेसाठी धोकादायक ठरत आहे, ज्यामुळे जास्त तंत्रज्ञान घनता असलेल्या भागात (High-density Tech Corridors) डेटा सेंटर बांधकामांवर निर्बंध येऊ शकतात. दुसरे म्हणजे, AI मॉडेलच्या आउटपुटमुळे (Deepfakes, Security Breaches) विकसकांना कायदेशीर जबाबदाऱ्या येऊ शकतात, ज्याची विमा बाजारात (Insurance Markets) अद्याप पूर्णपणे मोजणी झालेली नाही. तिसरे आणि महत्त्वाचे म्हणजे, राजकीय पैलू. जर पांढरपेशा कर्मचाऱ्यांच्या नोकऱ्या जाण्याची शक्यता वाढली, तर सरकार संरक्षण कायदे लागू करू शकते, ज्यामुळे कर्मचाऱ्यांची कपात करण्यावर मर्यादा येतील किंवा AI वर विशेष कर लादले जातील. यामुळे, कंपन्यांना खर्च वाचवण्याचा जो फायदा अपेक्षित आहे, त्यावर थेट परिणाम होईल.

बाजारातील अपेक्षा आणि भविष्यातील अस्थिरता

सध्या ब्रोकरेज कंपन्या (Brokerage Consensus) उच्च-वाढीच्या तंत्रज्ञान कंपन्यांना (High-growth Tech Firms) प्राधान्य देत आहेत. परंतु, भूतकाळातील अशाच बाजारातील तेजीच्या घटना पाहता, सध्याचा आशावाद भांडवली खर्चातील (Capital Expenditure) चक्रीय घसरणीचा (Cyclical Downturns) विचार करत नाही. जर अंतर्गत सुरक्षा आणि डेटा गव्हर्नन्सच्या (Data Governance) समस्यांमुळे AI स्वीकारण्याची प्रक्रिया मंदावली, तर अपेक्षित महसुलात वाढ भविष्यातील आर्थिक वर्षांमध्ये ढकलली जाऊ शकते. यामुळे, आजच्या शेअरच्या किमती आणि प्रत्यक्षात अनेक वर्षांच्या एकत्रीकरणाची (Integration Process) गरज यात तफावत निर्माण होते. भविष्यातील कामगिरी केवळ नवनवीन शोध लावण्याच्या क्षमतेवर नाही, तर वाढत्या कर्जाचे व्यवस्थापन आणि कडक होत चाललेल्या आर्थिक परिस्थितीत नियामक अनुपालन (Regulatory Compliance) करण्याच्या क्षमतेवर अवलंबून असेल.