सुरुवातीचा धक्का: DeepSeek आणि कार्यक्षमतेचा भ्रम
या वर्षाच्या सुरुवातीला चीनच्या DeepSeek AI च्या उदयाने तंत्रज्ञान गुंतवणूक क्षेत्रात मोठी खळबळ उडवून दिली. त्याचा वरवर पाहता क्रांतिकारी दृष्टिकोन, जो लक्षणीयरीत्या कमी संगणकीय भारासह (computational overhead) शक्तिशाली कृत्रिम बुद्धिमत्ता (AI) देण्याचे वचन देत होता, त्याने तात्काळ अनेक तर्कवितर्कांना जन्म दिला. एक विचारप्रवाह वेगाने पसरला: कदाचित AI पायाभूत सुविधांचा (AI infrastructure) अविरत, खर्चिक विस्तार, ज्यात विशेष चिप्स आणि सिस्टीम्सची मोठ्या प्रमाणावर खरेदी केली जाते, तो आता मंदावणार होता. बाजाराने यावर प्रतिक्रिया दिली, जी दर्शवत होती की किफायतशीर AI चे नवीन युग अपेक्षित खर्चाच्या मोठ्या वाढीला नाटकीयरित्या कमी करू शकते.
तथापि, उद्योगातील उच्च-स्तरीय विचारवंतांच्या अलीकडील बैठकीतील निष्कर्षांवरून एक पूर्णपणे भिन्न चित्र समोर आले आहे. Bloomberg Intelligence ने न्यूयॉर्कमध्ये आयोजित केलेल्या जनरेटिव्ह AI (generative AI) परिषदेने सूचित केले की, सुरुवातीचा अर्थ, जो केवळ संभाव्य खर्चातील बचतीवर केंद्रित होता, त्याने मोठ्या चित्राकडे दुर्लक्ष केले. खर्चात घट होण्याचे संकेत देण्याऐवजी, या कार्यक्रमात अधिक AI क्षमतेसाठी (AI capacity) जवळजवळ अतृप्त भूक असल्याचे अधोरेखित झाले. एकमत हे खर्चात कपात करण्याबद्दल नव्हते; तर ते बुद्धिमान प्रणालींसाठीची घातांकीय (exponentially) वाढणारी मागणी कशी पूर्ण करायची याबद्दल होते, जरी मेनू कमी खर्चिक असावा अशी तीव्र इच्छा असली तरीही.
प्रत्यक्ष कामातील आवाज: क्षमतेची अतृप्त तहान
दिवसभर चाललेल्या या कार्यक्रमातील चर्चा, ज्यात डेव्हलपर, स्ट्रॅटेजिस्ट आणि गुंतवणूकदार एकत्र आले होते, सातत्याने वाढत्या मागणीमुळे प्रचंड गुंतवणुकीला चालना मिळत असल्याच्या विषयाभोवती फिरत होत्या. Bloomberg Intelligence चे वरिष्ठ तंत्रज्ञान विश्लेषक आणि कार्यक्रमाच्या आयोजकांपैकी एक, मनदीप सिंग (Mandeep Singh) यांनी प्रचलित भावना थोडक्यात मांडली. अनेक पॅनेल आणि तज्ञांच्या चर्चांवर विचार करताना, त्यांनी एक सार्वत्रिक सूर नोंदवला: सहभागी असलेल्या कोणालाही त्यांच्याकडे पुरेशी AI क्षमता आहे असे वाटत नव्हते. जास्त असण्याऐवजी अधिक हवे असल्याची भावना प्रबळ होती.
महत्त्वाचे म्हणजे, सिंग यांनी जोडले की, ‘पायाभूत सुविधांचा बुडबुडा’ (infrastructure bubble), जो वेगाने विस्तारणाऱ्या तंत्रज्ञान क्षेत्रांमधील एक सामान्य भीती आहे, तो चर्चेतून लक्षणीयरीत्या अनुपस्थित होता. संपूर्ण उद्योगासमोरील मूलभूत आव्हानावर लक्ष केंद्रित राहिले. सिंग यांचे सहकारी आणि Bloomberg Intelligence चे IT सेवा आणि सॉफ्टवेअरचे वरिष्ठ विश्लेषक अनुराग राणा (Anurag Rana) यांनी याला सर्वात महत्त्वाचा प्रश्न म्हणून मांडले: ‘आपण त्या [AI पायाभूत सुविधांच्या उभारणी] चक्रात कुठे आहोत?’
या मोठ्या उभारणीचा नेमका टप्पा निश्चित करणे अजूनही कठीण आहे (‘कोणालाही नक्की माहित नाही’, राणा यांनी कबूल केले), हे मान्य करताना, DeepSeek च्या घटनेने निःसंशयपणे दृष्टिकोन बदलला. यामुळे महत्त्वपूर्ण AI वर्कलोड्स संभाव्यतः अधिक किफायतशीरपणे हाताळले जाऊ शकतात या आशेचा एक शक्तिशाली डोस मिळाला. ‘DeepSeek ने बऱ्याच लोकांना हादरवून सोडले’, राणा यांनी निरीक्षण नोंदवले. याचा अर्थ स्पष्ट होता: जर अत्याधुनिक AI मॉडेल्स खरोखरच कमी मागणी असलेल्या हार्डवेअरवर कार्यक्षमतेने चालू शकले, तर कदाचित मोठ्या टेक कंपन्यांच्या सहभागाने नियोजित असलेल्या अब्जावधी डॉलर्सच्या प्रकल्पांचे पुनर्मूल्यांकन केले जाऊ शकते किंवा वेगळ्या पद्धतीने मोजले जाऊ शकते.
राणा यांच्या मते, संपूर्ण उद्योगात प्रतिध्वनित होणारे स्वप्न म्हणजे AI ऑपरेशनल खर्च, विशेषतः इन्फरन्स (inference) (ज्या टप्प्यावर प्रशिक्षित मॉडेल्स अंदाज किंवा सामग्री तयार करतात) साठी, गेल्या दशकात क्लाउड कंप्युटिंग स्टोरेजमध्ये (cloud computing storage) दिसलेल्या नाट्यमय घसरणीच्या मार्गाचे अनुसरण करणे. त्यांनी आठवण करून दिली की Amazon Web Services (AWS) सारख्या प्लॅटफॉर्मवर मोठ्या प्रमाणात डेटा संग्रहित करण्याचे अर्थशास्त्र सुमारे आठ वर्षांत नाटकीयरित्या सुधारले. ‘खर्चाच्या आलेखातील ती घसरण… अर्थशास्त्र चांगले होते’, त्यांनी सांगितले. ‘आणि प्रत्येकाला हीच आशा आहे, की इन्फरन्सच्या बाजूने… जर आलेख त्या पातळीवर घसरला, तर अरे देवा, AI चा अवलंब दर… नेत्रदीपक असेल.’ सिंग यांनी सहमती दर्शवली, नोंदवले की DeepSeek च्या आगमनाने मूलभूतपणे ‘कार्यक्षमता प्राप्त करण्याबद्दल प्रत्येकाची मानसिकता बदलली आहे.’
कार्यक्षमतेची ही तळमळ संपूर्ण परिषदेच्या सत्रांमध्ये जाणवत होती. अनेक पॅनेलने एंटरप्राइझ AI प्रकल्पांना संकल्पनात्मक टप्प्यातून थेट उत्पादनात आणण्याच्या व्यावहारिकतेवर चर्चा केली, तरीही समांतर चर्चेत या AI मॉडेल्स तैनात करण्याच्या आणि चालवण्याच्या खर्चात कपात करण्याच्या गंभीर गरजेवर सतत जोर दिला गेला. ध्येय स्पष्ट आहे: AI ला व्यापक अनुप्रयोग आणि वापरकर्त्यांसाठी आर्थिकदृष्ट्या व्यवहार्य बनवून सर्वांसाठी सुलभ करणे (democratize access). Bloomberg चे स्वतःचे मुख्य तंत्रज्ञानज्ञ, शॉन एडवर्ड्स (Shawn Edwards) यांनी सुचवले की DeepSeek हे पूर्णपणे आश्चर्यकारक नव्हते, तर सार्वत्रिक इच्छेचे एक शक्तिशाली उदाहरण होते. ‘यामुळे मला वाटले की जर तुम्ही जादूची कांडी फिरवून हे मॉडेल्स अविश्वसनीयपणे कार्यक्षमतेने चालवू शकलात तर ते उत्तम होईल’, त्यांनी टिप्पणी केली, ही इच्छा केवळ एका विशिष्ट प्रगतीपुरती मर्यादित न ठेवता AI मॉडेल्सच्या संपूर्ण स्पेक्ट्रमपर्यंत वाढवली.
प्रसाराचे तत्त्व: संगणकीय मागणीला इंधन
कार्यक्षमतेच्या शोधात असूनही, तज्ञ AI पायाभूत सुविधांमध्ये सतत, भरीव गुंतवणुकीची अपेक्षा का करतात याचे एक प्राथमिक कारण म्हणजे AI मॉडेल्सचा प्रचंड प्रसार (proliferation of AI models). न्यूयॉर्क परिषदेत वारंवार येणारा विषय म्हणजे सर्व कार्ये हाताळण्यास सक्षम असलेल्या एकाच, अखंड AI मॉडेलच्या कल्पनेपासून निर्णायकपणे दूर जाणे.
- मॉडेल्सचे कुटुंब: Bloomberg चे एडवर्ड्स (Edwards) यांनी म्हटल्याप्रमाणे, ‘आम्ही मॉडेल्सचे कुटुंब वापरतो. सर्वोत्तम मॉडेल असे काहीही नसते.’ हे वाढत्या समजुतीचे प्रतिबिंब आहे की भिन्न AI आर्किटेक्चर्स भिन्न कार्यांमध्ये उत्कृष्ट कामगिरी करतात – भाषा निर्मिती, डेटा विश्लेषण, प्रतिमा ओळख, कोड पूर्ण करणे इत्यादी.
- एंटरप्राइझ कस्टमायझेशन: पॅनेल सदस्यांनी मोठ्या प्रमाणावर सहमती दर्शवली की मोठे, सामान्य-उद्देशीय ‘फाउंडेशन’ (foundation) किंवा ‘फ्रंटियर’ (frontier) मॉडेल्स प्रमुख AI लॅबद्वारे विकसित आणि परिष्कृत केले जात राहतील, परंतु व्यवसायांमधील खरी क्रिया संभाव्यतः शेकडो किंवा हजारो विशेष AI मॉडेल्स तैनात करण्यामध्ये आहे.
- फाइन-ट्यूनिंग आणि मालकीचा डेटा: यापैकी अनेक एंटरप्राइझ मॉडेल्स फाइन-ट्यूनिंग (fine-tuning) नावाच्या प्रक्रियेद्वारे बेस मॉडेल्समधून स्वीकारले जातील. यामध्ये कंपनीच्या विशिष्ट, अनेकदा मालकीच्या (proprietary) डेटावर पूर्व-प्रशिक्षित न्यूरल नेटवर्कला पुन्हा प्रशिक्षित करणे समाविष्ट आहे. हे AI ला अद्वितीय व्यावसायिक संदर्भ, परिभाषा आणि ग्राहक संवाद समजून घेण्यास अनुमती देते, ज्यामुळे सामान्य मॉडेलपेक्षा बरेच अधिक संबंधित आणि मौल्यवान परिणाम मिळतात.
- विकासाचे लोकशाहीकरण: डेटा सायन्स प्लॅटफॉर्म Dataiku चे प्रतिनिधित्व करणारे जेड डोहर्टी (Jed Dougherty) यांनी एंटरप्राइझ AI एजंट्ससाठी ‘मॉडेल्समधील पर्यायीपणाची’ (optionality among the models) गरज अधोरेखित केली. त्यांनी कंपन्यांना त्यांच्या AI साधनांवर नियंत्रण, निर्मिती क्षमता आणि ऑडिटेबिलिटी (auditability) देण्याच्या महत्त्वावर जोर दिला. ‘आम्ही या गोष्टी तयार करण्याची साधने लोकांच्या हाती देऊ इच्छितो’, डोहर्टी यांनी ठासून सांगितले. ‘आम्हाला दहा PhDs सर्व एजंट्स तयार करत असलेले नको आहेत.’ विकासात व्यापक सुलभतेकडे जाणारा हा जोर स्वतःच या वितरित निर्मिती प्रयत्नांना समर्थन देण्यासाठी अधिक मूलभूत पायाभूत सुविधांची आवश्यकता दर्शवतो.
- ब्रँड-विशिष्ट AI: सर्जनशील उद्योग याचे उत्तम उदाहरण देतात. Adobe मधील नवीन व्यवसाय उपक्रमांचे नेतृत्व करणाऱ्या हॅना एलसाक्र (Hannah Elsakr) यांनी स्पष्ट केले की त्यांची रणनीती कस्टम मॉडेल्सवर एक प्रमुख भिन्नता म्हणून अवलंबून आहे. ‘आम्ही तुमच्या ब्रँडसाठी कस्टम मॉडेल एक्सटेंशन प्रशिक्षित करू शकतो जे नवीन जाहिरात मोहिमेसाठी मदत करू शकते’, त्यांनी स्पष्ट केले, AI विशिष्ट ब्रँड सौंदर्यशास्त्र आणि संदेशन राखण्यासाठी कसे तयार केले जाऊ शकते हे दर्शविले.
मॉडेल्सच्या विविधतेपलीकडे, कॉर्पोरेट वर्कफ्लोमध्ये AI एजंट्स (AI agents) ची वाढती तैनाती प्रक्रिया मागणीचा आणखी एक महत्त्वपूर्ण चालक आहे. हे एजंट्स केवळ निष्क्रिय साधने म्हणून नव्हे तर बहु-चरण कार्ये पार पाडण्यास सक्षम सक्रिय सहभागी म्हणून कल्पिले आहेत.
Microsoft च्या Copilot Studio एजंट्स आणि ऑटोमेशन प्रयत्नांचे प्रमुख रे स्मिथ (Ray Smith) यांनी भविष्याचा अंदाज वर्तवला जिथे वापरकर्ते Copilot सारख्या एकीकृत इंटरफेसद्वारे संभाव्यतः शेकडो विशेष एजंट्सशी संवाद साधतील. ‘तुम्ही संपूर्ण प्रक्रिया एका एजंटमध्ये कोंबणार नाही, तुम्ही ती भागांमध्ये विभाजित कराल’, त्यांनी स्पष्ट केले. हे एजंट्स, त्यांनी सुचवले, प्रोग्रामिंगच्या ‘नवीन जगात अॅप्स’ आहेत. दृष्टी अशी आहे जिथे वापरकर्ते फक्त त्यांचे ध्येय सांगतात – ‘आम्हाला काय साध्य करायचे आहे ते सांगा’ – आणि एजंट आवश्यक चरणांचे आयोजन करतो. ‘एजंटिक अॅप्स हे वर्कफ्लोचा फक्त एक नवीन मार्ग आहे’, स्मिथ यांनी सांगितले, यावर जोर दिला की ही दृष्टी साकार करणे तांत्रिक शक्यतेचा (‘हे सर्व तांत्रिकदृष्ट्या शक्य आहे’) विषय कमी आणि ‘आपण ते कोणत्या गतीने तयार करतो’ याचा जास्त आहे.
AI एजंट्सना दैनंदिन संस्थात्मक प्रक्रियेत अधिक खोलवर रुजविण्याचा हा जोर खर्च कपात आणि कार्यक्षम तैनातीसाठी दबाव आणखी तीव्र करतो. मायक्रोप्रोसेसर जायंट ARM Holdings चे उत्पादन व्यवस्थापन प्रमुख जेम्स मॅकनिव्हन (James McNiven) यांनी आव्हानाला सुलभतेच्या संदर्भात मांडले. ‘आपण अधिकाधिक उपकरणांवर प्रवेश कसा प्रदान करू शकतो?’ त्यांनी विचार केला. विशिष्ट कार्यांमध्ये जवळजवळ ‘PhD-स्तरीय’ क्षमता प्राप्त करणाऱ्या मॉडेल्सचे निरीक्षण करून, त्यांनी काही वर्षांपूर्वी विकसनशील राष्ट्रांमध्ये मोबाईल पेमेंट सिस्टीम आणण्याच्या परिवर्तनीय प्रभावाशी समांतरता दर्शविली. मूळ प्रश्न कायम आहे: ‘आपण ती [AI क्षमता] ती क्षमता वापरू शकणाऱ्या लोकांपर्यंत कशी पोहोचवू शकतो?’ अत्याधुनिक AI एजंट्सना कर्मचाऱ्यांच्या विस्तृत वर्गासाठी सहाय्यक म्हणून सहज उपलब्ध करून देण्यासाठी केवळ हुशार सॉफ्टवेअरच नव्हे तर कार्यक्षम हार्डवेअर आणि अपरिहार्यपणे, अधिक मूलभूत पायाभूत सुविधा गुंतवणुकीची आवश्यकता आहे, जरी प्रति गणना कार्यक्षमता सुधारली तरीही.
स्केलिंग अडथळे: सिलिकॉन, ऊर्जा आणि क्लाउड दिग्गज
सर्वाधिक वापरले जाणारे, सामान्य फाउंडेशन मॉडेल्स देखील थक्क करणाऱ्या गतीने वाढत आहेत, ज्यामुळे विद्यमान पायाभूत सुविधांवर प्रचंड ताण येत आहे. Amazon Web Services (AWS) साठी कंप्युटिंग आणि नेटवर्किंगचे निरीक्षण करणारे डेव्ह ब्राउन (Dave Brown) यांनी उघड केले की त्यांचे प्लॅटफॉर्म एकटेच ग्राहकांना सुमारे 1,800 भिन्न AI मॉडेल्स मध्ये प्रवेश देते. त्यांनी AWS च्या या शक्तिशाली साधनांना चालवण्याचा ‘खर्च कमी करण्यासाठी बरेच काही करण्यावर’ तीव्र लक्ष केंद्रित केले असल्याचे अधोरेखित केले.
AWS सारख्या क्लाउड प्रदात्यांसाठी एक प्रमुख धोरण म्हणजे त्यांचे स्वतःचे कस्टम सिलिकॉन (custom silicon) विकसित करणे. ब्राउन यांनी AWS-डिझाइन केलेल्या चिप्सचा वाढता वापर हायलाइट केला, जसे की त्यांचे Trainium प्रोसेसर जे AI प्रशिक्षणासाठी ऑप्टिमाइझ केलेले आहेत, असे सांगून, ‘AWS इतर कंपन्यांच्या प्रोसेसरपेक्षा स्वतःचे अधिक प्रोसेसर वापरत आहे.’ विशेष, इन-हाउस हार्डवेअरकडे जाण्याचा हा उद्देश कार्यप्रदर्शन आणि खर्चावर नियंत्रण मिळवणे, Nvidia, AMD आणि Intel सारख्या सामान्य-उद्देशीय चिप पुरवठादारांवरील अवलंबित्व कमी करणे आहे. या प्रयत्नांनंतरही, ब्राउन यांनी स्पष्टपणे मूलभूत वास्तव मान्य केले: ‘खर्च कमी असता तर ग्राहक अधिक काही करतील.’ मागणीची मर्यादा सध्या संभाव्य अनुप्रयोगांच्या अभावापेक्षा बजेटच्या मर्यादांनी अधिक परिभाषित केली आहे.
अग्रगण्य AI डेव्हलपर्सना आवश्यक असलेल्या संसाधनांचे प्रमाण प्रचंड आहे. ब्राउन यांनी AWS च्या Anthropic सोबतच्या दैनंदिन सहकार्याची नोंद घेतली, जे अत्याधुनिक Claude भाषा मॉडेल्सच्या कुटुंबाचे निर्माते आहेत. Anthropic चे ॲप्लिकेशन प्रोग्रामिंग इंटरफेसचे प्रमुख मायकेल गेर्स्टनहॅबर (Michael Gerstenhaber), ब्राउन यांच्यासोबत बोलताना, आधुनिक AI च्या संगणकीय तीव्रतेकडे लक्ष वेधले, विशेषतः जटिल तर्क किंवा ‘विचार’ करण्यासाठी डिझाइन केलेले मॉडेल्स. हे मॉडेल्स अनेकदा त्यांच्या उत्तरांसाठी तपशीलवार चरण-दर-चरण स्पष्टीकरण तयार करतात, ज्यामुळे महत्त्वपूर्ण प्रक्रिया शक्ती वापरली जाते. ‘विचार करणारे मॉडेल्समुळे बरीच क्षमता वापरली जाते’, गेर्स्टनहॅबर यांनी सांगितले.
Anthropic सक्रियपणे AWS सोबत ‘प्रॉम्प्ट कॅशिंग’ (prompt caching) (मागील संवादांमधून गणना संग्रहित करणे आणि संसाधने वाचवण्यासाठी पुन्हा वापरणे) सारख्या ऑप्टिमायझेशन तंत्रांवर काम करत असताना, मूलभूत हार्डवेअरची आवश्यकता प्रचंड आहे. गेर्स्टनहॅबर यांनी स्पष्टपणे सांगितले की Anthropic ला फक्त त्याच्या सध्याच्या मॉडेल्सचा संच चालवण्यासाठी ‘अनेक डेटा सेंटर्समध्ये’ वितरीत केलेले ‘शेकडो हजारो ॲक्सिलरेटर्स’ (accelerators) – विशेष AI चिप्स – आवश्यक आहेत. हे केवळ एका प्रमुख AI प्लेयरला आधार देणाऱ्या संगणकीय संसाधनांच्या निव्वळ प्रमाणाची ठोस जाणीव करून देते.
सिलिकॉनच्या विशाल ताफ्याची खरेदी आणि व्यवस्थापन करण्याच्या आव्हानाला आणखी भर घालणारी गोष्ट म्हणजे AI शी संबंधित वाढता ऊर्जा वापर (spiraling energy consumption). ब्राउन यांनी याला एक गंभीर आणि वेगाने वाढणारी चिंता म्हणून हायलाइट केले. सध्या गहन AI वर्कलोड्सना समर्थन देणारे डेटा सेंटर्स आधीच शेकडो मेगावॅटमध्ये मोजली जाणारी वीज वापरत आहेत. भविष्यातील आवश्यकता अपरिहार्यपणे गिगावॅट श्रेणीत – मोठ्या पॉवर प्लांट्सच्या उत्पादनात – वाढतील असे अंदाज सूचित करतात. ‘ती वापरत असलेली शक्ती’, ब्राउन यांनी AI चा संदर्भ देत इशारा दिला, ‘मोठी आहे, आणि अनेक डेटा सेंटर्समध्ये तिचा ठसा मोठा आहे.’ ही वाढती ऊर्जेची मागणी केवळ प्रचंड ऑपरेशनल खर्चच सादर करत नाही तर AI पायाभूत सुविधांच्या पुढील पिढीसाठी स्थान निश्चित करणे आणि त्यांना ऊर्जा पुरवण्यासाठी महत्त्वपूर्ण पर्यावरणीय आणि लॉजिस्टिक आव्हाने देखील उभी करते.
आर्थिक वाइल्डकार्ड: वाढीच्या योजनांवर एक सावली
तांत्रिक प्रगती आणि वाढत्या वापराच्या प्रकरणांमुळे चालणाऱ्या उत्साही दृष्टिकोन असूनही, AI गुंतवणुकीच्या सर्व अंदाजांवर एक महत्त्वपूर्ण चल घिरट्या घालत आहे: व्यापक आर्थिक वातावरण (economic climate). जसजशी Bloomberg Intelligence परिषद संपली, तसतसे उपस्थित लोक आधीच नव्याने घोषित केलेल्या जागतिक दर पॅकेजेसमुळे बाजारात घबराट पाहत होते, जे अपेक्षेपेक्षा अधिक व्यापक असल्याचे मानले जात होते.
हे एक शक्तिशाली स्मरणपत्र म्हणून काम करते की महत्त्वाकांक्षी तांत्रिक रोडमॅप्स मॅक्रोइकॉनॉमिक अडथळ्यांमुळे (macroeconomic headwinds) वेगाने विस्कळीत होऊ शकतात. Bloomberg चे राणा यांनी सावध केले की AI खर्च सुरुवातीला काहीसा सुरक्षित असू शकतो, परंतु कॉर्पोरेट IT गुंतवणुकीची पारंपारिक क्षेत्रे, जसे की AI शी संबंधित नसलेले सर्व्हर आणि स्टोरेज, आर्थिक आकुंचनात पहिले बळी ठरू शकतात. ‘आम्ही ज्या दुसऱ्या मोठ्या गोष्टीवर लक्ष केंद्रित करत आहोत ती म्हणजे नॉन-AI टेक खर्च’, त्यांनी नमूद केले, विशेषतः AI बजेटचा विचार करण्यापूर्वी, कमाईच्या हंगामात प्रमुख टेक सेवा प्रदात्यांवर संभाव्य परिणामाबद्दल चिंता व्यक्त केली.
तथापि, एक प्रचलित सिद्धांत आहे की AI अद्वितीयपणे लवचिक सिद्ध होऊ शकते. राणा यांनी सुचवले की मोठ्या कॉर्पोरेशन्सचे मुख्य वित्तीय अधिकारी (CFOs), आर्थिक अनिश्चिततेमुळे किंवा मंदीमुळे बजेटच्या मर्यादांना सामोरे जात असताना, AI उपक्रमांना प्राधान्य देण्याचा पर्याय निवडू शकतात. भविष्यातील स्पर्धात्मकतेसाठी महत्त्वपूर्ण मानल्या जाणाऱ्या धोरणात्मक AI गुंतवणुकीचे संरक्षण करण्यासाठी ते संभाव्यतः कमी गंभीर क्षेत्रांमधून निधी हलवू शकतात.
तरीही, हा आशावादी दृष्टिकोन हमीपासून खूप दूर आहे. राणा यांच्या मते, अंतिम चाचणी ही असेल की मोठ्या कॉर्पोरेशन्स वाढत्या आर्थिक अनिश्चिततेच्या पार्श्वभूमीवर त्यांचे आक्रमक भांडवली खर्चाचे (capital expenditure) लक्ष्य, विशेषतः AI डेटा सेंटर्स उभारण्यासाठी, कायम ठेवतात की नाही. गंभीर प्रश्न कायम आहे: ‘ते म्हणणार आहेत का, ‘तुम्हाला माहित आहे का? हे खूप अनिश्चित आहे.’’ याचे उत्तर ठरवेल की AI पायाभूत सुविधांच्या खर्चामागील थांबवता न येणारी गती तिची अविरत चढाई सुरू ठेवते की जागतिक आर्थिक वास्तवांनी ठरवलेल्या अनपेक्षित विरामाला सामोरे जाते.