Michael Roberts 27/7/2025
Οι μετοχές των Magnificent 7 – NVIDIA, Microsoft, Alphabet (Google), Apple, Meta, Tesla και Amazon – αποτελούν σήμερα περίπου το 35% της αξίας του αμερικανικού χρηματιστηρίου και η αγοραία αξία της NVIDIA αποτελεί περίπου το 19% των Magnificent 7. Ο S&P 500 δεν ήταν ποτέ πιο συγκεντρωμένος σε μία μόνο μετοχή από ό,τι σήμερα, με την Nvidia να αντιπροσωπεύει σχεδόν το 8% του δείκτη.
Πρόκειται για μια εξαιρετικά συγκεντρωτική χρηματιστηριακή αγορά, η οποία βρίσκεται πλέον σε επίπεδα ρεκόρ, καθοδηγούμενη από μόλις επτά μετοχές και συγκεκριμένα από την Nvidia, την εταιρεία που κατασκευάζει όλους τους επεξεργαστές που χρειάζονται οι εταιρείες τεχνητής νοημοσύνης για να αναπτύξουν τα μοντέλα τους. Εάν η αύξηση των εσόδων της Nvidia αποδυναμωθεί, αυτό θα ασκήσει τεράστια καθοδική πίεση σε αυτή την εξαιρετικά υπερτιμημένη χρηματιστηριακή αγορά. Όπως το έθεσε ο Torsten Slok, επικεφαλής οικονομολόγος σε ένα από τα μεγαλύτερα επενδυτικά ιδρύματα: “Η διαφορά μεταξύ της φούσκας της πληροφορικής τη δεκαετία του 1990 και της φούσκας της τεχνητής νοημοσύνης σήμερα είναι ότι οι 10 κορυφαίες εταιρείες του S&P 500 σήμερα είναι περισσότερο υπερτιμημένες από ό,τι ήταν τη δεκαετία του 1990″.
Είναι λοιπόν ο μεγάλος τομέας της ΤΝ μια τεράστια φούσκα, που χρηματοδοτείται από πλασματικά κεφάλαια τα οποία δεν θα πραγματοποιηθούν με έσοδα και, το σημαντικότερο, με κέρδη για τους ηγέτες της ΤΝ; Μέχρι το τέλος του τρέχοντος έτους, οι Meta, Amazon, Microsoft, Google και Tesla θα έχουν δαπανήσει πάνω από 560 δισεκατομμύρια δολάρια σε κεφαλαιουχικές δαπάνες για την ΤΝ τα τελευταία δύο χρόνια, αλλά έχουν συγκεντρώσει έσοδα μόνο περίπου 35 δισεκατομμυρίων δολαρίων. Η Amazon σχεδιάζει να δαπανήσει 105 δισ. δολάρια σε κεφαλαιουχικές δαπάνες φέτος, αλλά θα έχει έσοδα μόλις 5 δισ. δολάρια. Και τα έσοδα δεν είναι κέρδος, καθώς τα έσοδα μετρούνται πριν από το κόστος παροχής υπηρεσιών ΤΝ. Οι επενδύσεις στην τεχνητή νοημοσύνη ανέρχονται πλέον σε 332 δισ. δολάρια κεφαλαιουχικών δαπανών το 2025 για μόλις 28,7 δισ. δολάρια έσοδα. Οι επενδύσεις στα τεράστια κέντρα δεδομένων (data centers) που είναι απαραίτητα για την εκπαίδευση και την πηγή των μοντέλων ΤΝ σχεδιάζεται να φτάσουν το 1 τρισ. δολάρια μέχρι το τέλος της δεκαετίας.
Αλλά αν κάποιος από τους Μεγαλοπρεπείς Επτά αρχίσει να ψυχορραγεί σχετικά με τις δαπάνες του σε σχέση με τα έσοδα και τα κέρδη του και έτσι μειώσει τις αγορές του σε τσιπ, η τιμή της μετοχής της Nvidia θα μπορούσε να κατευθυνθεί γρήγορα προς τα κάτω, συμπαρασύροντας και άλλους μαζί της.
Είναι πιθανό να υλοποιηθούν οι αναμενόμενες αποδόσεις των εσόδων από αυτή την τεράστια επένδυση κεφαλαίου; Ο επικεφαλής του τμήματος ερευνών μετοχών της Goldman Sachs, Jim Covello, αμφισβήτησε το κατά πόσον οι εταιρείες που σχεδιάζουν να ρίξουν 1 τρισεκατομμύρια δολάρια στη δημιουργία γενεσιουργού τεχνητής νοημοσύνης θα δουν ποτέ απόδοση των χρημάτων. Ένας εταίρος της εταιρείας επιχειρηματικών κεφαλαίων Sequoia, εν τω μεταξύ, εκτίμησε ότι οι εταιρείες τεχνολογίας θα πρέπει να δημιουργήσουν 600 δισ. δολάρια σε πρόσθετα έσοδα για να δικαιολογήσουν τις πρόσθετες κεφαλαιακές δαπάνες τους μόνο το 2024 – περίπου έξι φορές περισσότερα από όσα είναι πιθανό να παράγουν.
Πάρτε τη γνωστή ChatGPT. Έχει, υποτίθεται, 500 εκατομμύρια εβδομαδιαίους ενεργούς χρήστες – αλλά κατά την τελευταία καταμέτρηση, μόνο 15,5 εκατομμύρια συνδρομητές που πληρώνουν, μόλις 3% ποσοστό μετατροπής. Ενώ ολοένα και περισσότεροι άνθρωποι χρησιμοποιούν πλέον chatbots τεχνητής νοημοσύνης, μόνο ένας ελάχιστος αριθμός πληρώνει για την υπηρεσία τεχνητής νοημοσύνης που χρησιμοποιεί, παράγοντας ετήσια έσοδα περίπου 12 δισ. δολαρίων, σύμφωνα με έρευνα της Menlo Ventures σε 5.000 Αμερικανούς ενήλικες.
Όσον αφορά τα κέρδη από την ΤΝ, η κατάσταση είναι ακόμη χειρότερη. Τα αποτελέσματα της ετήσιας αύξησης των κερδών της Big Tech είναι σταθερά ή επιβραδυνόμενα τα τελευταία τρίμηνα και αναμένεται να επιβραδυνθούν περαιτέρω το 2025 και το 2026.
Έτσι, τεράστιες επενδύσεις χρημάτων και πόρων, αστρονομικές πληρωμές σε εκπαιδευτές Τεχνητής Νοημοσύνης και τεράστια κέντρα δεδομένων που κατασκευάζονται – με την διαφημιστική εκστρατεία για την Τεχνητή Νοημοσύνη να οδηγεί το χρηματιστήριο σε ολοένα και νέα ύψη – αλλά μέχρι στιγμής, χωρίς να έχουν συγκεντρωθεί σημαντικά έσοδα και ουσιαστικά χωρίς κέρδη. Πρόκειται για μια επανάληψη της φούσκας dot.com σε στεροειδή.
Ωστόσο, μπορεί να υπάρχει φούσκα, αλλά αυτό δεν σημαίνει ότι τελικά δεν θα εμφανιστεί μια νέα “ανατρεπτική” τεχνολογία που θα αλλάξει ριζικά τα όρια της παραγωγικότητας για τις μεγάλες οικονομίες και έτσι θα προσφέρει μια νέα περίοδο ανάπτυξης. Η φούσκα της dot.com έσκασε το 2000 με μια τεράστια πτώση στο χρηματιστήριο, αλλά το διαδίκτυο εξαπλώθηκε σε όλους τους τομείς των επιχειρήσεων και σε όλα τα νοικοκυριά – και αναδείχθηκαν οι Μεγαλοπρεπείς Επτά.
Πάρτε ένα άλλο παράδειγμα από τον 19ο αιώνα. Κατά τη διάρκεια της δεκαετίας του 1840, υπήρξε η Μανία των Σιδηροδρόμων, καθώς τεράστιος αριθμός εταιρειών συγκέντρωσε κεφάλαια για να επενδύσει στην κατασκευή σιδηροδρομικών γραμμών σε ολόκληρη τη Βρετανία. Οι μετοχές των σιδηροδρόμων εκτοξεύτηκαν, με τις τιμές των μετοχών να διπλασιάζονται μέσα σε 18 μήνες από τις αρχές του 1843. Όμως μετά τη φούσκα ήρθε η έκρηξη το 1845, με πολλές εταιρείες να χρεοκοπούν και τις τιμές των μετοχών να πέφτουν στο μισό. Αυτό προκάλεσε μια εκτεταμένη οικονομική κρίση και μια πτώση της παραγωγής. Παρ’ όλα αυτά, οι σιδηρόδρομοι κατασκευάστηκαν, το κόστος των μεταφορών μειώθηκε απότομα και η καταναλωτική ζήτηση για ταξίδια επεκτάθηκε σημαντικά. Η Βρετανία εισήλθε σε οικονομική άνθηση τη δεκαετία του 1850.
Θα ακολουθήσει η φούσκα της ΤΝ την ίδια πορεία, προκαλώντας οικονομική κατάρρευση και κρίση, αλλά τελικά θα αποτελέσει τη βάση για νέα αύξηση της παραγωγικότητας; Σε προηγούμενες αναρτήσεις σχετικά με την ΤΝ, έχω εξιστορήσει τον σκεπτικισμό σχετικά με τα οφέλη της ΤΝ όσον αφορά την παραγωγικότητα που προσφέρουν ειδικοί όπως ο βραβευμένος με Νόμπελ, Daren Acemoglu και άλλοι. Επίσης, σε μια πρόσφατη εμπεριστατωμένη έκθεση του ΟΟΣΑ σχετικά με την αύξηση της παραγωγικότητας στις μεγάλες οικονομίες, ρίχτηκε κρύο νερό στην επίδραση του διαδικτύου στην αύξηση της παραγωγικότητας τα τελευταία 25 χρόνια.
Όπως αναφέρεται στην έκθεση του ΟΟΣΑ: “Τον τελευταίο μισό αιώνα γεμίσαμε τα γραφεία και τις τσέπες με ολοένα και ταχύτερους υπολογιστές, ωστόσο η αύξηση της παραγωγικότητας της εργασίας στις προηγμένες οικονομίες επιβραδύνθηκε από περίπου 2% ετησίως τη δεκαετία του 1990 σε περίπου 0,8% την τελευταία δεκαετία. Ακόμη και η κάποτε ραγδαία αύξηση της παραγωγής ανά εργαζόμενο στην Κίνα έχει σταματήσει”. Η παραγωγικότητα της έρευνας έχει υποχωρήσει. Ο μέσος επιστήμονας παράγει σήμερα λιγότερες επαναστατικές ιδέες ανά δολάριο από ό,τι ο αντίστοιχος επιστήμονας της δεκαετίας του 1960.
Η αύξηση της παραγωγικότητας της εργασίας παρουσιάζει πτωτική τάση από τη δεκαετία του 1970 σε όλο τον ΟΟΣΑ και εξασθένησε περαιτέρω από την αλλαγή του αιώνα. Στις ΗΠΑ, η παραγωγικότητα αυξήθηκε από τα μέσα της δεκαετίας του 1990 έως τα μέσα της δεκαετίας του 2000 λόγω της αυξανόμενης αποδοτικότητας στην παραγωγή εξοπλισμού ΤΠΕ και της διάδοσης των καινοτομιών που σχετίζονται με το διαδίκτυο και υιοθετήθηκαν σε τομείς που χρησιμοποιούν ΤΠΕ, ιδίως στο λιανικό εμπόριο. “Ωστόσο, αυτή η ανάκαμψη ήταν σχετικά βραχύβια και έκτοτε η αύξηση της παραγωγικότητας ήταν υποτονική”.
Ο βασικός παράγοντας για την αύξηση της παραγωγικότητας της εργασίας είναι οι επενδύσεις σε νέες τεχνολογίες εξοικονόμησης εργασίας. Όμως οι επιχειρηματικές επενδύσεις έχουν επιβραδυνθεί αισθητά σε όλες τις χώρες. Και ο ΟΟΣΑ καθιστά σαφές το γιατί. “Η επιβράδυνση των επενδύσεων, παρά τις άμεσα διαθέσιμες και φθηνές πιστώσεις για τις επιχειρήσεις που έχουν πρόσβαση στις κεφαλαιαγορές, συνάδει με ιστορικά πρότυπα που δείχνουν ότι η αβεβαιότητα και τα αναμενόμενα κέρδη τείνουν να παίζουν μεγαλύτερο ρόλο από ό,τι οι χρηματοπιστωτικές συνθήκες στις επενδυτικές αποφάσεις“. Με άλλα λόγια, η κερδοφορία του κεφαλαίου μειώθηκε, μειώνοντας το κίνητρο για επενδύσεις σε νέες τεχνολογίες.
Και τα λεγόμενα “άυλα στοιχεία”, όπως οι επενδύσεις σε λογισμικό, δεν αντιστάθμισαν τη μείωση των επενδύσεων σε εγκαταστάσεις, εξοπλισμό κ.λπ. “Παρά την άνοδο των άυλων αγαθών, οι συνολικές επενδύσεις μετά το GFC ήταν συνολικά αδύναμες, γεγονός που επιδείνωσε άμεσα την επιβράδυνση της παραγωγικότητας της εργασίας”.
Η τεχνητή νοημοσύνη θα είναι διαφορετική; Μπορεί να προσφέρει υψηλότερη παραγωγικότητα μέσω των εταιρειών που αντικαθιστούν εκατομμύρια εργαζόμενους σε όλη την οικονομία με εργαλεία ΤΝ; Το πρόβλημα εδώ είναι ότι τα οικονομικά θαύματα προέρχονται συνήθως από την ανακάλυψη και όχι από την επανάληψη εργασιών με μεγαλύτερη ταχύτητα. Μέχρι στιγμής, η τεχνητή νοημοσύνη ενισχύει κυρίως την αποδοτικότητα και όχι τη δημιουργικότητα. Μια έρευνα σε περισσότερους από 7.000 εργαζόμενους στον τομέα της γνώσης διαπίστωσε ότι οι βαριές χρήστες της δημιουργικής ΤΝ μείωσαν τις εβδομαδιαίες εργασίες ηλεκτρονικού ταχυδρομείου κατά 3,6 ώρες (31%), ενώ η συνεργατική εργασία παρέμεινε αμετάβλητη. Αλλά μόλις όλοι ανέθεσαν τις απαντήσεις ηλεκτρονικού ταχυδρομείου στο ChatGPT, ο όγκος των εισερχομένων διευρύνθηκε, ακυρώνοντας τα αρχικά κέρδη αποδοτικότητας. “Η σύντομη ανάκαμψη της παραγωγικότητας της Αμερικής τη δεκαετία του 1990 μας διδάσκει ότι τα κέρδη από τα νέα εργαλεία, είτε πρόκειται για λογιστικά φύλλα είτε για πράκτορες τεχνητής νοημοσύνης, ξεθωριάζουν αν δεν συνοδεύονται από πρωτοποριακές καινοτομίες”. (ΟΟΣΑ).
Τα μεγάλα γλωσσικά μοντέλα κλίνουν προς τη στατιστική συναίνεση. Ένα μοντέλο που εκπαιδεύτηκε πριν από τον Γαλιλαίο θα είχε παπαγαλίσει ένα γεωκεντρικό σύμπαν- τροφοδοτούμενο με κείμενα του 19ου αιώνα, θα είχε αποδείξει ότι η ανθρώπινη πτήση είναι αδύνατη πριν τα καταφέρουν οι αδελφοί Ράιτ. Μια πρόσφατη ανασκόπηση του Nature διαπίστωσε ότι, ενώ τα LLMs ελάφρυναν τις επιστημονικές εργασίες ρουτίνας, τα αποφασιστικά άλματα διορατικότητας εξακολουθούσαν να ανήκουν στους ανθρώπους. Η ανθρώπινη νόηση εννοείται καλύτερα ως μια μορφή αιτιώδους συλλογισμού βασισμένου στη θεωρία και όχι ως η έμφαση που δίνει η ΤΝ στην επεξεργασία πληροφοριών και στην πρόβλεψη βάσει δεδομένων. Η τεχνητή νοημοσύνη χρησιμοποιεί μια προσέγγιση της γνώσης με βάση τις πιθανότητες και είναι σε μεγάλο βαθμό οπισθοδρομική και μιμητική, ενώ η ανθρώπινη νόηση είναι εμπροσθοβαρής και ικανή να παράγει γνήσια καινοτομία.
Το μεγάλο Άγιο Δισκοπότηρο της OpenAI και άλλων εταιρειών τεχνητής νοημοσύνης είναι μια υπερ-ευφυής γεννητική τεχνητή νοημοσύνη που μπορεί να αναλάβει την καινοτομία από τους ανθρώπους. Μέχρι στιγμής, αυτό παραμένει τόσο μυθικό όσο ήταν το Άγιο Δισκοπότηρο στη λογοτεχνία. Η τρέχουσα Γενετική ΑΙ μπορεί να κάνει μόνο σταδιακές ανακαλύψεις, αλλά δεν μπορεί να επιτύχει θεμελιώδεις ανακαλύψεις από το μηδέν, όπως οι άνθρωποι.
Αλλά ο γκουρού του OpenAI, Σαμ Άλτμαν, υπόσχεται ότι η τεχνητή νοημοσύνη του δεν θα μπορεί να κάνει μόνο τη δουλειά ενός εργαζομένου, αλλά θα μπορεί να κάνει όλες τις δουλειές τους: “Η τεχνητή νοημοσύνη μπορεί να κάνει τη δουλειά ενός οργανισμού”. Αυτό θα είναι η απόλυτη μεγιστοποίηση της κερδοφορίας με την κατάργηση των εργαζομένων στις εταιρείες (ακόμη και στις εταιρείες AI;), καθώς οι μηχανές AI θα αναλάβουν τη λειτουργία, την ανάπτυξη και την εμπορία των πάντων. Αυτός είναι ο λόγος για τον οποίο ο Altman και οι άλλοι μεγιστάνες της AI δεν θα σταματήσουν να επεκτείνουν τα κέντρα δεδομένων τους και να αναπτύσσουν ακόμα πιο προηγμένα τσιπ, μόνο και μόνο επειδή κινεζικά μοντέλα AI όπως το DeepSeek έχουν υποτιμήσει τα τρέχοντα μοντέλα τους. Τίποτα δεν πρέπει να σταματήσει τον στόχο της υπερ-ευφυούς τεχνητής νοημοσύνης.
Δυστυχώς, όπως εξηγεί το MIT Tech, πολλά μοντέλα τεχνητής νοημοσύνης είναι διαβόητα μαύρα κουτιά, πράγμα που σημαίνει ότι ενώ ένας αλγόριθμος μπορεί να παράγει ένα χρήσιμο αποτέλεσμα, δεν είναι σαφές στους ερευνητές πώς έφτασε εκεί. Αυτό συμβαίνει εδώ και χρόνια, με τα συστήματα ΤΝ να αψηφούν συχνά τα θεωρητικά μοντέλα που βασίζονται στη στατιστική. Με άλλα λόγια, οι εκπαιδευτές ΤΝ δεν γνωρίζουν πραγματικά πώς λειτουργούν τα μοντέλα ΤΝ. Αυτό είναι ένα σημαντικό εμπόδιο για την επίτευξη του Αγίου Δισκοπότηρου.
Έτσι, η έκρηξη της τεχνητής νοημοσύνης εξακολουθεί να είναι απλώς μια οικονομική φούσκα. Όπως το έθεσε ένας σχολιαστής: “Η γεννητική τεχνητή νοημοσύνη δεν κάνει τα πράγματα που πωλείται ότι κάνει, και τα πράγματα που μπορεί πραγματικά να κάνει δεν είναι το είδος των πραγμάτων που δημιουργούν επιχειρηματικές αποδόσεις, αυτοματοποιούν την εργασία ή κάνουν πραγματικά πολύ περισσότερα από μια επέκταση μιας πλατφόρμας λογισμικού cloud. Τα χρήματα δεν υπάρχουν, οι χρήστες δεν υπάρχουν, κάθε εταιρεία φαίνεται να χάνει χρήματα και ορισμένες εταιρείες χάνουν τόσα πολλά χρήματα που είναι αδύνατο να πούμε πώς θα επιβιώσουν”.
Εν τω μεταξύ, η μαζική κατασκευή κέντρων δεδομένων καταναλώνει πρωτοφανή επίπεδα ενέργειας. Ο Διεθνής Οργανισμός Ενέργειας προβλέπει ότι η κατανάλωση ηλεκτρικής ενέργειας των κέντρων δεδομένων θα διπλασιαστεί σε 945 τεραβατώρες έως το 2030 – περισσότερο από την τρέχουσα ενέργεια που καταναλώνει μια ολόκληρη χώρα όπως η Ιαπωνία. Η Ιρλανδία και οι Κάτω Χώρες έχουν ήδη περιορίσει την ανάπτυξη νέων κέντρων δεδομένων λόγω ανησυχιών για τις επιπτώσεις τους στο δίκτυο ηλεκτρικής ενέργειας. Υπάρχουν τεράστιες αυξήσεις στη ζήτηση ενέργειας στα κέντρα δεδομένων κατά την εκπαίδευση μοντέλων τεχνητής νοημοσύνης, μαζί με μια ανώμαλη παροχή ενέργειας από ανανεώσιμες πηγές που απειλεί την ανθεκτικότητα και την ικανότητα των σημερινών ενεργειακών συστημάτων.
Όσον αφορά τα αποτελέσματα της παραγωγικότητας και της ανάπτυξης, ο ΟΟΣΑ αντισταθμίζει τα στοιχήματά του. Εάν οι τεχνολογίες τεχνητής νοημοσύνης εξαπλωθούν και εφαρμοστούν διαδοχικά, ο ΟΟΣΑ υπολογίζει ότι η παγκόσμια παραγωγικότητα της εργασίας θα αυξηθεί κατά 2,4% π.μ. τα επόμενα δέκα χρόνια και θα προσθέσει 4% στο παγκόσμιο ΑΕΠ από εκεί που θα ήταν με βάση τις τρέχουσες τάσεις. Ωστόσο, εάν η τεχνητή νοημοσύνη δεν είναι τόσο επιτυχής στη μείωση της ανάγκης για ανθρώπινη εργασία και δεν εξαπλωθεί σε όλους τους τομείς, τότε η παραγωγικότητα της εργασίας μπορεί να αυξηθεί μόνο κατά 0,8% μονάδες πάνω από το σημερινό επίπεδο τάσης σε δέκα χρόνια (από το σημερινό 0,8% ετησίως) και η παγκόσμια οικονομική ανάπτυξη θα παραμείνει αμετάβλητη. Οι ένορκοι δεν έχουν αποφασίσει.
About Author
