Στα γραφεία των οικονομολόγων, αναλυτών και διαχειριστών κεφαλαίων, ένα ερώτημα επανέρχεται συχνά: βρισκόμαστε μπροστά σε μια νέα επενδυτική φούσκα ή σε μια τεχνολογική μετάβαση που θα αλλάξει μόνιμα την οικονομία; Ο σκεπτικισμός είναι κατανοητός, ειδικά όταν οι αποτιμήσεις εταιρειών σε αναδυόμενους τομείς φτάνουν σε επίπεδα που δύσκολα δικαιολογούνται με παραδοσιακά χρηματοοικονομικά εργαλεία. Η Ιστορία δείχνει ότι οι «φούσκες» σπάνια αναγνωρίζονται τη στιγμή που σχηματίζονται. Αυτό που γίνεται πιο εύκολα αντιληπτό σε πραγματικό χρόνο είναι η ζήτηση, η οποία, σύμφωνα με το Forbes, είναι υπαρκτή, έντονη και διαχέεται σε ολόκληρη την οικονομία.

Τα θεμελιώδη μεγέθη γύρω από την τεχνητή νοημοσύνη είναι 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 βελτιώνουν συγκεκριμένες λειτουργίες, από την τιμολόγηση και τον σχεδιασμό προϊόντων έως τη διαχείριση πελατών. 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 ότι όλες οι αποτιμήσεις είναι δικαιολογημένες. Το κρίσιμο 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 αυτό το περιβάλλον, η ανθρώπινη τάση προς την κερδοσκοπία λειτουργεί ως επιταχυντής υπερβολών, καθιστώντας τη διάκριση μεταξύ δικαιολογημένου ενθουσιασμού και υπερεκτίμησης εξαιρετικά λεπτή.

Η Ιστορία προσφέρει χρήσιμα παραδείγματα. Στις αρχές του 20ού αιώνα, εκατοντάδες εταιρείες κατασκεύαζαν αυτοκίνητα στις Ηνωμένες Πολιτείες. Οι πωλήσεις εκτοξεύθηκαν, αλλά οι περισσότερες από αυτές τις εταιρείες εξαφανίστηκαν. Η αγορά αναδιαμορφώθηκε γύρω από λίγους παίκτες που κατάφεραν να παράγουν πιο αποδοτικά ή 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.

Στην καρδιά αυτών των παραδειγμάτων βρίσκεται η «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 θα δικαιολογήσουν 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.

Η απάντηση στο ερώτημα αν πρόκειται για φούσκα ή επανάσταση δεν είναι μονοσήμαντη. Η τεχνητή νοημοσύνη περιέχει στοιχεία υπερβολής στις αποτιμήσεις, αλλά ταυτόχρονα διαθέτει ισχυρά θεμέλια. Πολλές επενδύσεις θα αποτύχουν, όμως η συνολική τεχνολογία είναι πολύ πιθανό να μετασχηματίσει βαθιά τον επιχειρηματικό κόσμο τα επόμενα χρόνια. Το ερώτημα είναι ποιοι θα καταφέρουν να επιβιώσουν και να διαμορφώσουν τη νέα κανονικότητα. Σε αυτό το ερώτημα, προς το παρόν, δεν μπορεί να υπάρχει ασφαλής απάντηση.