Τεχνητή Νοημοσύνη: Βρισκόμαστε μπροστά σε μια ακόμη επενδυτική φούσκα ή σε μια τεχνολογική μετάβαση

Η Ιστορία δείχνει ότι οι «φούσκες» σπάνια αναγνωρίζονται τη στιγμή που σχηματίζονται

Λίγα ερωτήματα επανέρχονται τόσο συχνά στα γραφεία των οικονομολόγων, των αναλυτών και των διαχειριστών κεφαλαίων όσο αυτό που αφορά την τεχνητή νοημοσύνη: βρισκόμαστε μπροστά σε μια ακόμη επενδυτική φούσκα ή σε μια τεχνολογική μετάβαση που θα αλλάξει μόνιμα τον τρόπο λειτουργίας της οικονομίας;

Ο σκεπτικισμός δεν είναι αβάσιμος, ειδικά όταν οι αποτιμήσεις εταιρειών σε αναδυόμενους τομείς εκτινάσσονται σε επίπεδα που δύσκολα εξηγούνται με παραδοσιακά χρηματοοικονομικά εργαλεία.

Η Ιστορία δείχνει ότι οι «φούσκες» σπάνια αναγνωρίζονται τη στιγμή που σχηματίζονται.

Όσο κι αν αυτό αποτελεί κλισέ στις αγορές, το βέβαιο είναι πως αυτό που γίνεται ευκολότερο να διαπιστωθεί σε πραγματικό χρόνο δεν είναι η υπερβολή, αλλά η ζήτηση.

Και στη συγκεκριμένη περίπτωση, σύμφωνα με το Forbes, η ζήτηση για λύσεις τεχνητής νοημοσύνης είναι υπαρκτή, έντονη και διαχέεται σε ολόκληρη την οικονομία.

Τα θεμελιώδη μεγέθη είναι ισχυρά

Σε αντίθεση με άλλες περιόδους έντονου ενθουσιασμού, τα θεμελιώδη μεγέθη γύρω από την τεχνητή νοημοσύνη εμφανίζονται εξαιρετικά ισχυρά. Δύο βασικοί άξονες οικονομικής δραστηριότητας ξεχωρίζουν.

Πρώτον, οι εταιρείες που αναπτύσσουν μεγάλα γλωσσικά μοντέλα (LLM) αναμένεται να λειτουργήσουν ως οριζόντιος πολλαπλασιαστής παραγωγικότητας για επιχειρήσεις, δημόσιους οργανισμούς και μη κερδοσκοπικούς φορείς.

Δεύτερον, αναπτύσσεται ταχύτατα ένα οικοσύστημα εξειδικευμένων εφαρμογών που «χτίζουν» πάνω σε αυτά τα μοντέλα, βελτιώνοντας συγκεκριμένες λειτουργίες, από την τιμολόγηση και τον σχεδιασμό προϊόντων έως τη διαχείριση πελατών.

Παράλληλα, εμφανίζονται και μικρότερα, πιο εξειδικευμένα γλωσσικά μοντέλα για συγκεκριμένες χρήσεις. Ωστόσο, παραμένει ανοιχτό αν αυτή η προσέγγιση θα υπερισχύσει έναντι των εφαρμογών που αξιοποιούν τα μεγάλα, γενικής χρήσης μοντέλα.

Η αποτίμηση είναι το δύσκολο κομμάτι

Το γεγονός ότι τα θεμελιώδη μεγέθη είναι θετικά, δεν σημαίνει αυτομάτως ότι όλες οι αποτιμήσεις είναι δικαιολογημένες.

Το κρίσιμο –και σχεδόν αδύνατο εκ των προτέρων– ερώτημα είναι αν το μέγεθος των μελλοντικών ωφελειών αρκεί για να στηρίξει τις σημερινές τιμές των μετοχών.

Η δυσκολία αυτή εντείνεται από το γεγονός ότι ο κλάδος ακόμη αναζητά το πιο αποτελεσματικό επιχειρηματικό μοντέλο για τη μαζική αξιοποίηση της τεχνητής νοημοσύνης σε πραγματικά προβλήματα.

Σε αυτό το περιβάλλον, η ανθρώπινη τάση προς την κερδοσκοπία λειτουργεί ως επιταχυντής υπερβολών, καθιστώντας τη διάκριση μεταξύ δικαιολογημένου ενθουσιασμού και υπερεκτίμησης εξαιρετικά λεπτή.

Μαθήματα από το παρελθόν

Η Ιστορία προσφέρει χρήσιμα παραδείγματα. Στις αρχές του 20ού αιώνα, εκατοντάδες εταιρείες κατασκεύαζαν αυτοκίνητα στις Ηνωμένες Πολιτείες. Οι πωλήσεις εκτοξεύθηκαν, αλλά η συντριπτική πλειονότητα αυτών των εταιρειών εξαφανίστηκε.

Η αγορά αναδιαμορφώθηκε γύρω από λίγους παίκτες που κατάφεραν είτε να παράγουν πιο αποδοτικά είτε να κατανοήσουν καλύτερα τις ανάγκες των καταναλωτών.

Ανάλογο ήταν το μοτίβο και κατά την έκρηξη των dot-com τη δεκαετία του ’90.

Το ηλεκτρονικό εμπόριο τελικά ξεπέρασε κάθε προσδοκία, αλλά οι περισσότερες εταιρείες που δημιουργήθηκαν τότε δεν επιβίωσαν. Η ιδέα ήταν σωστή, όμως οι περισσότερες επιχειρηματικές εκτελέσεις απέτυχαν.

Η «οικονομία δοκιμών και σφαλμάτων»

Στην καρδιά αυτών των παραδειγμάτων βρίσκεται αυτό που μπορεί να περιγραφεί ως «οικονομία δοκιμών και σφαλμάτων». Η καινοτομία σπάνια λειτουργεί άψογα από την πρώτη στιγμή.

Πολλές επιχειρήσεις αποτυγχάνουν, άλλες μαθαίνουν μέσα από τα λάθη τους και λίγες τελικά βρίσκουν το μοντέλο που λειτουργεί σε μεγάλη κλίμακα.

Η τεχνητή νοημοσύνη δεν θα αποτελέσει εξαίρεση. Πολλές εταιρείες θα κλείσουν, κάποιες θα περάσουν από σοβαρές κρίσεις και ελάχιστες θα εξελιχθούν σε κυρίαρχους παίκτες που πράγματι θα δικαιολογήσουν –και ίσως ξεπεράσουν– τις σημερινές αποτιμήσεις.

Καθοριστικό ρόλο παίζει και η δομή της αγοράς. Σε ορισμένους τομείς, η συγκέντρωση είναι υψηλή και λίγοι παίκτες κυριαρχούν. Σε άλλους, επικρατεί κατακερματισμός με πολλές μικρές εταιρείες.

Στην τεχνητή νοημοσύνη, τα μεγάλα γλωσσικά μοντέλα τείνουν προς μια ολιγοπωλιακή δομή, ενώ οι εφαρμογές που βασίζονται σε αυτά μοιάζουν περισσότερο με έναν πολυδιάσπαρτο κλάδο, όπου η εξειδίκευση και η βαθιά γνώση κάθε αγοράς κάνουν τη διαφορά.

Έτσι, σύμφωνα πάντα με το Forbes, διαφορετικές εφαρμογές θα εξυπηρετούν διαφορετικά επαγγελματικά προβλήματα, ακόμη κι αν στο παρασκήνιο χρησιμοποιούν το ίδιο τεχνολογικό υπόβαθρο.

Φούσκα ή επανάσταση;

Η απάντηση δεν είναι μονοσήμαντη. Η τεχνητή νοημοσύνη εμπεριέχει σαφώς στοιχεία υπερβολής στις αποτιμήσεις, αλλά ταυτόχρονα διαθέτει ισχυρά θεμέλια που δύσκολα αγνοούνται.

Πολλές επενδύσεις θα αποτύχουν, όμως η συνολική τεχνολογία είναι πολύ πιθανό να μετασχηματίσει βαθιά τον επιχειρηματικό κόσμο τα επόμενα χρόνια.

Το ερώτημα, τελικά, δεν είναι αν θα υπάρξουν «θύματα» της υπερβολής, αλλά ποιοι θα καταφέρουν να επιβιώσουν και να διαμορφώσουν τη νέα κανονικότητα. Και σε αυτό το ερώτημα, προς το παρόν, δεν μπορεί να υπάρχει ασφαλής απάντηση…