AI ची लाट खरी, पण स्टार्टअप्ससाठी मोठा धोका? माजी सिस्को सीईओचा इशारा!

माजी सिस्कोचे सीईओ जॉन चेंबर्स यांनी सांगितले की AI ची लाट ही खरी आणि दीर्घकाळ टिकणारी क्रांती आहे, कोणतीही तात्पुरती तेजी नाही. मात्र, त्यांनी असा इशारा दिला आहे की वेगाने होणारे बदल आणि प्रचंड इन्फ्रास्ट्रक्चर खर्चामुळे अनेक AI स्टार्टअप्स अपयशी ठरू शकतात.

काय घडले?

सिस्कोचे माजी सीईओ जॉन चेंबर्स यांनी आर्टिफिशियल इंटेलिजन्स (AI) क्षेत्रातील सध्याच्या वेगाला केवळ तात्पुरती तेजी (bubble) न मानता एक मूलभूत बदल (fundamental transformation) म्हटले आहे. चेंबर्स यांच्या मते, पुढील दशकात AI मुळे उत्पादकतेत (productivity) मोठी वाढ होईल. मात्र, AI स्टार्टअप्सच्या भविष्याबाबत त्यांनी गंभीर इशारा दिला आहे. चेंबर्स यांनी सांगितले की, AI क्षेत्रातील नवकल्पना (innovation) आणि बदल (disruption) हे 1990 च्या दशकातील इंटरनेट क्रांतीपेक्षा सुमारे 5 पट वेगाने घडत आहेत. या वेगामुळे, जरी AI तंत्रज्ञान टिकणारे असले तरी, त्याचा फायदा घेण्याचा प्रयत्न करणारे अनेक स्टार्टअप्स या तीव्र स्पर्धेत टिकू शकणार नाहीत.

गुंतवणूकदारांसाठी याचा अर्थ काय?

गुंतवणूकदारांसाठी AI क्षेत्र वेगाने एका टप्प्यातून दुसऱ्या टप्प्यात जात आहे. आता केवळ चर्चेऐवजी (hype) 'परिणाम-आधारित' (outcome-based) बिझनेस मॉडेल्सवर लक्ष केंद्रित केले जात आहे. चेंबर्स यांच्या मते, अशा वातावरणात कंपन्यांचे स्पर्धात्मक फायदे (competitive advantages) फार काळ टिकत नाहीत. इंटरनेटच्या काळात लहान कंपन्या हळूहळू मार्केट शेअर वाढवू शकत होत्या, पण सध्या AI क्षेत्रात मोठ्या टेक कंपन्यांचे वर्चस्व आहे. या कंपन्या इन्फ्रास्ट्रक्चरवर शेकडो अब्जांचा खर्च करत आहेत. यामुळे लहान कंपन्यांसाठी स्पर्धा करणे किंवा दीर्घकाळासाठी 'मोठ' (moat - व्यवसायातील असा फायदा जो त्यांना स्पर्धकांपासून पुढे ठेवतो) टिकवणे कठीण होत आहे.

टिकाऊपणाचे आव्हान (The Challenge of Sustainability)

2026 पर्यंत या क्षेत्रासाठी सर्वात मोठे आव्हान इन्फ्रास्ट्रक्चरचा प्रचंड खर्च आहे. AI क्षमता निर्माण करण्यासाठी आणि टिकवून ठेवण्यासाठी प्रचंड भांडवल (capital), ऊर्जा (energy) आणि विशेष हार्डवेअर (जसे की GPUs) आवश्यक आहे. स्टार्टअप्सना अनेकदा 'युटिलिटी विरुद्ध मोठ' (utility vs. moat) या संकटाचा सामना करावा लागतो. जेव्हा मूलभूत AI युटिलिटीज सामान्य होत जातात, तेव्हा काहीतरी खास आणि मौल्यवान तयार करणे कठीण होते. जे स्टार्टअप्स केवळ मोठ्या लँग्वेज मॉडेल्सवर आधारित फीचर्स तयार करण्यावर अवलंबून आहेत आणि ज्यांच्याकडे नफा मिळवण्याचा किंवा स्वतःचा डेटा (proprietary data) वापरण्याचा स्पष्ट मार्ग नाही, त्यांना स्पर्धा करणे अधिकाधिक कठीण होत आहे. अनेक प्रोजेक्ट्समध्ये स्केलिंगच्या समस्या येत आहेत आणि संशोधनानुसार, AI उपक्रमांपैकी फक्त काहीच प्रोटोटाइपमधून प्रत्यक्ष उत्पादनात यशस्वीरित्या पोहोचू शकतात.

क्षेत्रावरील दबाव आणि इन्फ्रास्ट्रक्चर मर्यादा

स्पर्धेबरोबरच, AI क्षेत्र वास्तविक जगातील मोठ्या मर्यादांशी झगडत आहे. डेटा सेंटर्स - जे AI चा कणा आहेत - त्यांना प्रचंड वीज आणि पाण्याची आवश्यकता असते. यामुळे ऊर्जा (energy bottlenecks) समस्या निर्माण होत आहेत, ज्या प्रोजेक्टच्या वेळापत्रकावर आणि ऑपरेटिंग खर्चावर परिणाम करू शकतात. जगभरातील सरकारे डेटा गव्हर्नन्स आणि जबाबदारीवर लक्ष केंद्रित करत असल्यामुळे नियामक तपासणी (regulatory scrutiny) देखील वाढत आहे. कंपन्यांसाठी, AI मधील यश केवळ तांत्रिक कौशल्यावर अवलंबून नाही; तर या मोठ्या इन्फ्रास्ट्रक्चर प्रोजेक्ट्सशी संबंधित पर्यावरणीय (environmental), कायदेशीर (legal) आणि कार्यान्वयन (operational) धोके व्यवस्थापित करण्यावरही अवलंबून आहे.

गुंतवणूकदार हे कसे पाहू शकतात?

AI क्षेत्रात गुंतवणूक करणारे गुंतवणूकदार विजेते आणि पराभूत यांच्यातील फरक ओळखण्यास उत्सुक असतील. काही टेक कंपन्यांकडे AI विकासाचा खर्च पेलण्याची आणि मार्केटमधील आपले स्थान सुरक्षित करण्याची क्षमता आहे, तर अनेक लहान कंपन्यांना जास्त 'कॅश बर्न' (cash burn - खर्च) आणि गुंतवणुकीवर खरा परतावा (return on investment) दाखवण्याचे दडपण आहे. चेंबर्स सुचवतात की एकाच स्टॉक किंवा स्टार्टअपवर अवलंबून न राहता, पोर्टफोलिओ दृष्टिकोन (portfolio approach) म्हणजे विविधीकरण (diversification) हा सर्वात सुरक्षित मार्ग आहे. मार्केट अशा कंपन्यांना अधिक महत्त्व देत आहे ज्या AI अंमलबजावणीतून प्रत्यक्ष महसूल वाढ (revenue growth) किंवा खर्च बचत (cost savings) दाखवू शकतात, केवळ नवीन AI भागीदारी जाहीर करण्याऐवजी.

गुंतवणूकदारांनी काय लक्ष ठेवावे?

भविष्यात, गुंतवणूकदारांसाठी कंपन्यांची AI गुंतवणुकीला मोजता येण्याजोग्या परिणामांमध्ये रूपांतरित करण्याची क्षमता, जसे की कमी झालेले ऑपरेशनल सायकल टाइम्स (operational cycle times) किंवा स्पष्ट महसूल वाढ (revenue gains) हे महत्त्वाचे ठरेल. बाजारातील सहभागी इन्फ्रास्ट्रक्चर बूमची टिकाऊपणा देखील तपासू शकतात, ज्यात ऊर्जा मर्यादा आणि नियामक बदल कंपन्यांच्या AI ऑपरेशन्स वाढवण्याच्या क्षमतेवर कसा परिणाम करतात हे समाविष्ट आहे. शेवटी, स्वतःचा डेटा किंवा इन्फ्रास्ट्रक्चर असलेल्या कंपन्या आणि केवळ बिग टेक कडून क्षमता भाड्याने घेणाऱ्या कंपन्यांमधील फरक दीर्घकालीन स्पर्धात्मक स्थितीचे मूल्यांकन करण्यासाठी महत्त्वपूर्ण ठरेल.