Του Bill Conerly
"Τι γίνεται με τη φούσκα της τεχνητής νοημοσύνης;" είναι η πιο συνηθισμένη ερώτηση που τίθεται σήμερα στους οικονομολόγους και στους επενδυτές. Ο σκεπτικισμός είναι δικαιολογημένος ιδίως όσον αφορά την αποτίμηση των εταιρειών σε αναδυόμενους τομείς. Οι "φούσκες" δύσκολα εντοπίζονται σε πραγματικό χρόνο, αν και η ζήτηση διαπιστώνεται εύκολα.
Τα θεμελιώδη στοιχεία είναι εξαιρετικά θετικά για τις εταιρείες τεχνητής νοημοσύνης, με δύο σημαντικές οικονομικές δραστηριότητες που είναι σχεδόν βέβαιο ότι θα αποδειχθούν ισχυρές. Οι εταιρείες που παράγουν μεγάλα γλωσσικά μοντέλα (LLM) θα αποτελέσουν σημαντική κινητήρια δύναμη της παραγωγικότητας σε ένα πολύ ευρύ φάσμα επιχειρήσεων, μη κερδοσκοπικών οργανισμών και κυβερνήσεων. Επιπλέον, πολλές εταιρείες αναπτύσσουν εξειδικευμένες εφαρμογές που χρησιμοποιούν LLM για τη βελτίωση της παραγωγικότητας σε συγκεκριμένες εργασίες, όπως η τιμολόγηση ή ο σχεδιασμός προϊόντων. Εκτός από αυτές τις δύο σημαντικές προσεγγίσεις, έχουν αναπτυχθεί μικρά γλωσσικά μοντέλα για εξειδικευμένες εργασίες, αν και είναι λιγότερο βέβαιο ότι αυτή η προσέγγιση θα ξεπεράσει τις εξειδικευμένες εφαρμογές που συνδέονται με τα LLM.
Ωστόσο, οι ισχυροί θεμελιώδεις παράγοντες δεν δικαιολογούν πάντα τις εξαιρετικά υψηλές αποτιμήσεις των εταιρειών. Το μυστικό είναι να υπολογιστεί πόσο υψηλοί θα είναι οι θεμελιώδεις παράγοντες σε σχέση με τις τρέχουσες αποτιμήσεις. Αυτό είναι εξαιρετικά δύσκολο να γίνει, εκ των προτέρων.
Ο κλάδος της τεχνητής νοημοσύνης προσπαθεί να βρει το καλύτερο επιχειρηματικό μοντέλο για την εφαρμογή της τεχνολογίας σε πραγματικά προβλήματα. Το γεγονός αυτό, σε συνδυασμό με την τάση του ανθρώπου προς την κερδοσκοπία, καθιστά δύσκολη την αποτίμηση.
Το 1908, στις Ηνωμένες Πολιτείες υπήρχαν πάνω από 250 εταιρείες που κατασκεύαζαν αυτοκίνητα. Ακολούθησαν δύο "αντιφατικές" εξελίξεις: οι πωλήσεις των αυτοκινήτων εκτοξεύτηκαν μεν σε αδιανόητα επίπεδα, ωστόσο οι περισσότερες αυτοκινητοβιομηχανίες έκλεισαν. Εντυπωσιακό αν μη τι άλλο.
Οι κατασκευάστριες εταιρείες αυτοκινήτων έπρεπε να βρουν τον τρόπο να παράγουν αποτελεσματικά. Η Ford ήταν καλή σε αυτό τον τομέα. Και έπρεπε να ανακαλύψουν τι ήθελαν περισσότερο οι πελάτες. Σε αυτό τον τομέα η General Motors ήταν καλύτερη. Σε έναν κλάδο με μεγάλες οικονομίες κλίμακας, οι εταιρείες με χαμηλότερες επιδόσεις έχασαν μερίδιο αγοράς, με αποτέλεσμα το κόστος τους να υπερβεί αυτό των άλλων εταιρειών. Έτσι, κατέρρευσαν.
Παρόμοια εικόνα κατά την εκρηκτική ανάπτυξη των dot-com τη δεκαετία του 1990. Πολλές εταιρείες δημιουργήθηκαν στον τομέα του ηλεκτρονικού εμπορίου και οι περισσότερες έπαψαν να λειτουργούν. Ωστόσο, οι διαδικτυακές αγορές έχουν φτάσει σε επίπεδα που λίγοι ανέμεναν πριν από δύο δεκαετίες. Η επιχειρηματική ιδέα ήταν εξαιρετική, αλλά οι περισσότερες προσπάθειες απέτυχαν.
Πίσω από όλο αυτό υπάρχει μια ιδέα που την ονομάζω "οικονομία δοκιμών και σφαλμάτων". Οι επιχειρήσεις πρέπει να πειραματίζονται, ακόμη και αν πολλά πειράματα αποτύχουν — ή επιτύχουν με την έννοια ότι η εταιρεία μαθαίνει τι δεν θα λειτουργήσει. Σπάνια μια σημαντική καινοτομία λειτουργεί τέλεια στην πρώτη της εφαρμογή.
Στον τομέα της τεχνητής νοημοσύνης, θα δούμε πολλά λάθη. Ορισμένες εταιρείες θα αποτύχουν. Άλλες θα αντιμετωπίσουν σοβαρά προβλήματα, αλλά θα επιβιώσουν. Και μερικές θα βρουν το σωστό μοντέλο για να βοηθήσουν τους πελάτες τους να επιτύχουν τεράστια κέρδη — και εντέλει θα αξίζουν τις υψηλές αποτιμήσεις τους.
Η δομή της αγοράς είναι κομμάτι του παζλ που καθορίζει την τελική επιτυχία μιας εταιρείας. Μερικές φορές, μια εταιρεία κυριαρχεί σε έναν συγκεκριμένο τομέα. Ποιος μπορεί να πει ποια εταιρεία είναι το Νο2 στον τομέα του λογισμικού λογιστικής για μικρές επιχειρήσεις; Αυτό συμβαίνει γιατί κάθε λογιστής μπορεί να φορτώσει ένα αρχείο υπολογιστή που έχει δημιουργηθεί με το QuickBooks. Οι ιδιοκτήτες μικρών επιχειρήσεων που χρησιμοποιούν κάποιο άλλο πρόγραμμα λογιστικής αντιμετωπίζουν περισσότερα προβλήματα.
Ορισμένοι κλάδοι έχουν λίγους μεγάλους παίκτες, ενώ άλλοι έχουν πολλούς μικρούς παίκτες — σκεφτείτε τα εστιατόρια. Πριν από λίγο καιρό έγραψα: "Ενώ το μεγάλο γλωσσικό μοντέλο θα μοιάζει με το ολιγοπώλιο των Airbus-Boeing, ο τομέας των εφαρμογών θα μοιάζει με σούσι, μπιφτέκια, πίτσα και ούτω καθεξής". Δηλαδή, οι επιχειρήσεις που παρέχουν πολύ συγκεκριμένες εφαρμογές θα είναι πολυάριθμες, χρησιμοποιώντας πολύ συγκεκριμένες γνώσεις ενός τομέα. Όταν ένας ηλεκτρολόγος θέλει ταχύτερους χρόνους ανταπόκρισης για προσφορές, θα στραφεί σε ένα προϊόν τεχνητής νοημοσύνης που έχει αναπτυχθεί με βαθιά γνώση της συγκεκριμένης εξειδικευμένης αγοράς: την εκτίμηση του κόστους των ηλεκτρικών εγκαταστάσεων. Αυτό το πρόγραμμα δεν θα βοηθήσει τον έμπορο αυτοκινήτων που προσπαθεί να αυξήσει τις πωλήσεις του τμήματος εξυπηρέτησης, αλλά κάποια άλλη εφαρμογή θα το κάνει. Ωστόσο, στο "παρασκήνιο" αυτοί οι πάροχοι εφαρμογών ενδέχεται να χρησιμοποιούν το ίδιο LLM.
Όσον αφορά την αποτίμηση των μετοχών, σκεφτείτε ότι η μετοχή της Amazon έφτασε στο απόγειό της το 1999. Δύο χρόνια μετά, η μετοχή είχε κατρακυλήσει κατά 95%. Ωστόσο, αποδείχθηκε ότι η αγορά το 1999 δεν ήταν ηλίθια. Η μετοχή αξίζει τώρα 52 φορές παραπάνω από την τιμή του 1999. Μια επένδυση στον δείκτη S&P 500, με επανεπένδυση των μερισμάτων, θα άξιζε σήμερα περίπου οκτώ φορές το ποσό που επενδύθηκε.
Η ιστορία της Amazon είναι χρήσιμη όχι μόνο για το πού οδηγήθηκε η κεφαλαιοποίησή της, αλλά και για την τρελή της πορεία. Η μετοχή είχε πολλά σκαμπανεβάσματα στη διαδρομή της. Οι επενδυτές πρέπει να θυμούνται ότι πολλές επενδύσεις σε dot-com έχασαν εντελώς την αξία τους.
Είναι "φούσκα" η βιομηχανία της Τεχνητής Νοημοσύνης; Ειλικρινά δεν ξέρω. Όλες οι μετοχές του κλάδου κρύβουν αρκετό ρίσκο στις τρέχουσες τιμές τους. Κάποιες όμως θα αποδείξουν ότι δικαιολογημένα αξίζουν την σημερινή τιμή τους και στο μέλλον θα αξίζουν και περισσότερο. Πολλές επενδύσεις θα αποτύχουν παταγωδώς. Υπάρχουν όμως ισχυρές ενδείξεις ότι η τεχνητή νοημοσύνη θα αποτελέσει μια τεράστια δύναμη στον επιχειρηματικό κόσμο για τα επόμενα χρόνια.
