ویرگول
ورودثبت نام
امیرحسین روشن ضمیر
امیرحسین روشن ضمیرمخترع،کارآفرین،پژوهشگر نوآوری و تحول دیجیتال، بنیانگذار استارتاپ چمروش، استاد مدعو دانشگاه صنعتی امیرکبیر، دانش آموخته دکترای مدیریت دانشگاه برادفورد انگلستان
امیرحسین روشن ضمیر
امیرحسین روشن ضمیر
خواندن ۵ دقیقه·۲۰ روز پیش

بحران اقتصادی هوش مصنوعی؛ آیا سرمایه‌گذاری میلیاردی غول‌های فناوری به حباب مالی تبدیل می‌شود؟

آیا سرمایه‌گذاری صدها میلیارد دلاری در زیرساخت‌های هوش مصنوعی، آغاز بزرگ‌ترین موج خلق ارزش اقتصادی در تاریخ فناوری است یا شکل‌گیری حبابی که ممکن است حتی قدرتمندترین شرکت‌های جهان را با بحران بازگشت سرمایه مواجه کند؟

هوش مصنوعی در چند سال گذشته به موتور اصلی رقابت در صنعت فناوری تبدیل شده است.  شرکت‌های بزرگ برای توسعه مدل‌های پیشرفته‌تر، ساخت دیتاسنترها، خرید تراشه‌های قدرتمند و تأمین انرژی، میلیاردها دلار هزینه کرده‌اند.  اما اکنون، پس از موج اولیه هیجان، پرسش مهم‌تری مطرح شده است: آیا درآمدهای حاصل از هوش مصنوعی می‌توانند هزینه‌های سنگین توسعه این فناوری را جبران کنند؟ مسئله دیگر صرفاً ساخت مدل‌های هوشمندتر نیست؛ بلکه اثبات این موضوع است که این سرمایه‌گذاری عظیم، در نهایت به سودآوری پایدار منجر خواهد شد.

بحران اقتصادی هوش مصنوعی
بحران اقتصادی هوش مصنوعی

۱. سرمایه‌گذاری بی‌سابقه؛ رقابت بر سر زیرساخت هوش مصنوعی

شرکت‌هایی مانند Microsoft، Google، Amazon و Meta در حال توسعه گسترده زیرساخت‌های محاسباتی خود هستند.  این رقابت شامل ساخت دیتاسنترها، خرید پردازنده‌های پیشرفته، توسعه خدمات ابری و تأمین انرژی موردنیاز برای پردازش‌های هوش مصنوعی است.  بر اساس گزارش S&P Global Ratings در اوت ۲۰۲۶، مجموع سرمایه‌گذاری سرمایه‌ای شش بازیگر بزرگ این صنعت، شامل Microsoft، Google، Amazon، Meta، Oracle و SpaceX، ممکن است تا سال ۲۰۲۷ از ۱. ۳ تریلیون دلار فراتر برود.  این مؤسسه همچنین پیش‌بینی کرده است که جریان نقدی آزاد این شرکت‌ها در مجموع طی سال‌های ۲۰۲۶ و ۲۰۲۷ تحت فشار قرار گیرد و بازگشت آن به محدوده مثبت به سال‌های بعد موکول شود. البته کاهش جریان نقدی به معنای ورشکستگی این شرکت‌ها نیست؛ اما نشان می‌دهد حتی قدرتمندترین بازیگران فناوری نیز برای حفظ جایگاه رقابتی خود، ناچار به اختصاص بخش بزرگی از منابع مالی‌شان به سرمایه‌گذاری‌های زیرساختی هستند.

۲.  بدهی بیشتر؛ تغییر در مدل تأمین مالی غول‌های فناوری

یکی از تحولات مهم این دوره، افزایش اتکای شرکت‌های فناوری به منابع مالی خارجی است. در گذشته، بسیاری از این شرکت‌ها توسعه کسب‌وکار خود را عمدتاً از طریق سود انباشته و جریان نقدی عملیاتی تأمین می‌کردند.  اما افزایش هزینه‌های سرمایه‌ای باعث شده است انتشار اوراق قرضه، تأمین مالی خصوصی، مشارکت با صندوق‌های اعتباری و قراردادهای اجاره بلندمدت اهمیت بیشتری پیدا کنند. بر اساس تحلیل Goldman Sachs در اوت ۲۰۲۶، حدود یک‌سوم هزینه‌های سرمایه‌ای هایپراسکیلرها در سال ۲۰۲۶ می‌تواند از طریق بدهی تأمین شود؛ سهمی که برای سال ۲۰۲۷ حدود ۳۵ درصد برآورد شده است.  گزارش بانک تسویه‌های بین‌المللی (BIS) نیز به پدیده‌ای قابل‌توجه اشاره می‌کند: تأمین مالی خارج از ترازنامه یا Shadow Borrowing. در این روش، بخشی از هزینه توسعه دیتاسنترها از طریق شرکت‌های پروژه، صندوق‌های اعتباری خصوصی و قراردادهای بلندمدت تأمین می‌شود.  این تعهدات الزاماً بدهی مستقیم شرکت مادر محسوب نمی‌شوند، اما می‌توانند ریسک‌های مالی قابل‌توجهی ایجاد کنند.

۳.  تناقض بزرگ؛ رشد درآمد در برابر کاهش جریان نقدی

یکی از مهم‌ترین چالش‌های اقتصادی هوش مصنوعی، فاصله میان رشد درآمد و سرعت افزایش هزینه‌های سرمایه‌گذاری است.  طبق تحلیل رویترز در ژوئیه ۲۰۲۶، برآوردهای LSEG نشان می‌دهد افزایش جریان نقدی عملیاتی پنج هایپراسکیلر بزرگ بین سال‌های ۲۰۲۵ تا ۲۰۲۷ حدود ۳۴۰ میلیارد دلار خواهد بود؛ در حالی که افزایش هزینه‌های سرمایه‌ای آن‌ها ممکن است به ۵۳۴ میلیارد دلار برسد.  این فاصله نشان می‌دهد رشد درآمد به‌تنهایی برای اثبات موفقیت اقتصادی سرمایه‌گذاری‌ها کافی نیست.  برای مثال، افزایش تقاضا برای ChatGPT یا رشد خدمات ابری Azure و AWS لزوماً به معنای سودآوری متناسب با هزینه‌های انجام‌شده نیست.  شرکت‌ها باید ثابت کنند که هوش مصنوعی علاوه بر افزایش فروش، می‌تواند حاشیه سود، بهره‌وری و بازده سرمایه‌گذاری (ROI) را نیز بهبود دهد. بعنوان مثال شرکتی که ۱۰۰ میلیارد دلار درآمد دارد اما ناچار است ۱۲۰ میلیارد دلار صرف خرید GPU، زیرساخت شبکه و قراردادهای انرژی کند، عملاً وارد فاز سوزاندن نقدینگی شده است.

۴.  ریسک پنهان؛ استهلاک تراشه‌ها و ظرفیت مازاد

یکی دیگر از ریسک‌های مهم، سرعت تغییر فناوری است. تراشه‌های پیشرفته هوش مصنوعی ممکن است در مدت نسبتاً کوتاهی با نسل‌های جدیدتر جایگزین شوند. بنابراین، شرکت‌ها باید عمر اقتصادی تجهیزات، هزینه استهلاک و سرعت بازگشت سرمایه را با دقت بیشتری محاسبه کنند. در اقتصاد سنتی، کارخانه یا دیتاسنتر ابری استاندارد عمر مفیدی بین ۱۰ تا ۲۰ سال دارد؛ اما معماری تراشه‌های AI با سرعت شگفت‌انگیزی متحول می‌شود. استهلاک اقتصادی چیپ‌ها ۳ تا نهایتاً ۵ ساله است. این یعنی غول‌ها قبل از استهلاک سرمایه‌گذاری قبلی، باید موج جدید CapEx را شروع کنند.از سوی دیگر، اگر دیتاسنترها بر اساس پیش‌بینی‌های بیش‌ازحد خوش‌بینانه ساخته شوند، احتمال شکل‌گیری ظرفیت مازاد وجود دارد. در چنین شرایطی، رقابت برای فروش خدمات محاسباتی می‌تواند قیمت‌ها و حاشیه سود را کاهش دهد. در واقع، ممکن است شرکت‌ها زیرساخت‌هایی بسیار گران‌قیمت در اختیار داشته باشند که میزان تقاضای واقعی بازار، توجیه اقتصادی استفاده از تمام ظرفیت آن‌ها را فراهم نکند.

۵.  آیا حباب هوش مصنوعی در حال شکل‌گیری است؟

برای پاسخ به این پرسش باید میان ارزش واقعی فناوری و ارزش‌گذاری اقتصادی شرکت‌های فعال در این صنعت تفاوت قائل شویم. هوش مصنوعی بدون تردید ظرفیت تغییر صنایع، افزایش بهره‌وری و بازتعریف مدل‌های کسب‌وکار را دارد؛ اما ارزشمند بودن یک فناوری به این معنا نیست که تمام سرمایه‌گذاری‌های انجام‌شده در آن الزاماً سودآور خواهند بود.  تجربه حباب دات‌کام در اواخر دهه ۱۹۹۰ نیز نشان داد که یک فناوری می‌تواند آینده اقتصاد را متحول کند، اما بسیاری از شرکت‌هایی که در موج نخست آن سرمایه‌گذاری کرده‌اند، هرگز به بازده مورد انتظار نرسند. احتمالاً در موج فعلی نیز برندگان نهایی الزاماً شرکت‌هایی نخواهند بود که بیشترین هزینه را برای توسعه زیرساخت‌ها انجام می‌دهند؛ بلکه آن‌هایی موفق‌تر خواهند بود که بتوانند فناوری، کاربرد تجاری، مزیت رقابتی و مدل درآمدی پایدار را به یکدیگر پیوند دهند.

۶.  جمع‌بندی؛ آزمون واقعی هوش مصنوعی تازه آغاز شده است

به نظر می‌رسد صنعت هوش مصنوعی از مرحله اثبات توانمندی فناوری وارد مرحله اثبات ارزش اقتصادی شده است.

در این مرحله، چهار شاخص اهمیت ویژه‌ای دارند:

۱.  بازده سرمایه‌گذاری (ROI): آیا درآمد حاصل از هوش مصنوعی با حجم سرمایه‌گذاری انجام‌شده تناسب دارد؟

۲.  جریان نقدی آزاد (FCF): آیا شرکت‌ها پس از پرداخت هزینه‌های عملیاتی و سرمایه‌ای، همچنان نقدینگی کافی ایجاد می‌کنند؟

۳.  پایداری بدهی (Debt Sustainability): آیا تعهدات مالی بلندمدت با درآمدهای قابل پیش‌بینی تناسب دارند؟

۴.  تجاری‌سازی هوش مصنوعی (Commercial Monetization): آیا کاربردهای واقعی این فناوری می‌توانند درآمد و حاشیه سود پایدار ایجاد کنند؟

در نهایت، مسئله اصلی ترکیدن قطعی حباب هوش مصنوعی نیست؛ بلکه احتمال ورود این صنعت به یک دوره اصلاح ساختاری است.  دوره‌ای که در آن سرمایه‌گذاران و مدیران ناچار خواهند شد میان هیجان فناورانه و واقعیت اقتصادی تمایز قائل شوند.

شاید پرسش مهم آینده این نباشد که کدام شرکت قدرتمندترین مدل هوش مصنوعی را می‌سازد؛ بلکه این باشد که کدام شرکت می‌تواند از هوش مصنوعی یک کسب‌وکار پایدار، سودآور و ارزش‌آفرین خلق کند.

 

هوش مصنوعیبحران اقتصادیفناوری
۳
۰
امیرحسین روشن ضمیر
امیرحسین روشن ضمیر
مخترع،کارآفرین،پژوهشگر نوآوری و تحول دیجیتال، بنیانگذار استارتاپ چمروش، استاد مدعو دانشگاه صنعتی امیرکبیر، دانش آموخته دکترای مدیریت دانشگاه برادفورد انگلستان
شاید از این پست‌ها خوشتان بیاید