پایان دوران پول مفت؛ هوش مصنوعی و «سرمایه شناختی» چطور بازی سرمایه‌گذاری را عوض می‌کنند؟

هوش مصنوعی استفاده از «سرمایه شناختی» را آسان‌تر و دردسترس‌تر از همیشه کرده است.

آیا سرمایه شناختی می‌تواند شکاف رشد شرکت‌های سرمایه‌گذاری خصوصی را پر کند؟

جهش ضریب‌های مالی که به لطف نرخ‌های بهره پایین رقم خورده بود، بیش از نیمی از سود خرید شرکت‌ها را تأمین می‌کرد. اما آن دوران دیگر تمام شده است؛ حالا رشد واقعی باید از دل دانش یک شرکت و سرعت عمل آن در تصمیم‌گیری بیرون بیاید.

سال‌ها بهترین و وفادارترین شریک شرکت‌های سرمایه‌گذاری خصوصی (PE)، بانک مرکزی آمریکا (فدرال رزرو) بود. نرخ‌های بهره پایین، ارزش‌گذاری شرکت‌ها را بالا می‌برد و رشد ضریب‌های مالی (Multiples) بخش اعظم کار را پیش می‌برد. گزارش جهانی شرکت بِین (Bain & Company) برای سال ۲۰۲۶ این موضوع را شفاف بیان می‌کند: نرخ‌های پایین «باعث بالا رفتن مداوم ضریب‌ها شد؛ عاملی که بیش از ۵۰ درصد از سود تمام قراردادهای خرید استقراضی (Buyout) را تأمین کرد.»

اما آن اهرم دیگر از دست رفته است. نمونه‌ای که شرکت بین بر اساس معیارهای صنعت در آمریکا مطرح کرده، به خوبی نشان می‌دهد که اوضاع چقدر سخت‌تر شده است. در یک خرید استقراضی معمول در سال ۲۰۱۵، خریدار حدود نصف مبلغ قرارداد را با نرخ بهره ۶ درصد وام می‌گرفت، شرکت را به قیمت ۱۰ برابر سود عملیاتی (EBITDA) می‌خرید و آن را با ضریب ۱۲.۵ برابر می‌فروخت. رشد سالانه ۵ درصدی در سود عملیاتی کافی بود تا طی پنج سال پول سرمایه‌گذار ۲.۵ برابر شود که معادل نرخ بازده داخلی (IRR) حدود ۲۰ درصد بود. اما امروز، خریدار باید حدود ۳۶ درصد مبلغ را با نرخ بهره ۸ درصد وام بگیرد، حدود ۱۴ برابر سود عملیاتی هزینه کند و امیدوار باشد بتواند شرکت را با ضریب ۱۵ برابر بفروشد. شرکت بین می‌گوید برای به دست آوردن همان سود ۲.۵ برابری، سود عملیاتی شرکت باید سالانه ۱۰ تا ۱۲ درصد رشد کند؛ به قول معروف: «رشد ۱۲ درصدی، همان ۵ درصدی قدیم است!»

حالا این ۵ تا ۷ درصد رشد اضافی قرار است از کجا بیاید؟ دیگر نمی‌توانید برای به دست آوردنش وام بگیرید و نمی‌توانید روی خریدار بعدی هم حساب کنید که شرکت را با ضریب بالاتری بخرد. خودتان باید این رشد را در بطن کسب‌وکار بسازید. اینجاست که ایده «سرمایه شناختی» می‌تواند کلید اصلی حل معما باشد.

شش نوع سرمایه در دنیای کسب‌وکار

در سال ۲۰۱۸، تحلیلی در نشریه strategy+business مطرح شد مبنی بر اینکه شرکت‌ها با ۶ شکل مختلف از سرمایه با هم رقابت می‌کنند. سه نوع آن برای همه آشناست: سرمایه مالی، انسانی و طبیعی. اما سه نوع دیگر با دیجیتالی شدن دنیا متولد شدند و امروز بیش‌ترین اهمیت را دارند. اولی «سرمایه رفتاری» (Behavior Capital) است؛ یعنی جمع‌آوری و مدل‌سازی داده‌هایی که ردپای واقعی مشتریان، کارمندان و ماشین‌ها را ثبت می‌کند. دومی «سرمایه شبکه‌ای» (Network Capital) است؛ یعنی مجموعه نقاط اتصالی که شرکت برای پیشبرد استراتژی‌هایش از آن‌ها استفاده می‌کند (به‌ویژه شبکه‌های ارتباطی کاربران، درست مثل مدل کاری شرکت متا). سومی هم «سرمایه شناختی» (Cognitive Capital) است؛ یعنی مجموعه‌ای از الگوریتم‌ها، فرآیندهای ثبت‌شده، قوانین تصمیم‌گیری و داده‌ها که دست به دست هم ارزش خلق می‌کنند. در هر شرکتی ترکیبی از سرمایه شناختی انسانی و دیجیتال وجود دارد. شرکت‌های پیشرو همیشه در مرزهای هدایت تصمیم‌گیری‌ها، تبدیل تحلیل‌های مکرر به بینش‌های فرموله‌شده و مهندسی دانش حول فعالیت‌های فکری حرکت می‌کنند تا تجربه‌ها و نتایج متمایزی برای مشتری بسازند. به این دسته دوم سرمایه‌های «بیکان» (BeCoN) گفته می‌شود؛ چون بیش‌ترین قدرت و کارایی آن‌ها زمانی ظاهر می‌شود که در کنار هم به کار گرفته شوند.

همان‌طور که صاحب‌نظران برجسته‌ای مثل برایان آرتور اشاره کرده‌اند، دارایی‌های مبتنی بر BeCoN رفتاری کاملاً متفاوت با دارایی‌های سنتی دارند. یک کارخانه فرسوده می‌شود و یک ناوگان کامیون مستهلک خواهد شد؛ اما یک الگوریتم قیمت‌گذاری با هر بار اجرا بهتر و هوشمند‌تر می‌شود و هرچه داده‌های رفتاری بیشتری دریافت کند و به پارامترهای بیشتری متصل شود، سرعت ارتقایش بالا‌تر می‌رود. در سال ۲۰۱۸، پنج شرکت بزرگ بازار آمریکا شامل آلفابت، آمازون، اپل، فیسبوک (متا) و مایکروسافت که به آن‌ها شرکت‌های «بایونیک» می‌گفتند، در مجموع حدود ۱۳ درصد از ارزش کل بازار سهام آمریکا را در اختیار داشتند.

چه چیزی در دنیای فناوری تغییر کرد؟

در سال ۲۰۱۸، سرمایه شناختی دارایی بسیار گران‌قیمتی بود. ساختن آن یعنی استخدام مهندسان کمیاب یادگیری ماشین و صرف سال‌ها زمان برای جمع‌آوری داده‌های اختصاصی؛ کاری که فقط غول‌های تکنولوژی از پس هزینه‌های سنگین آن برمی‌آمدند.

اما ظهور هوش مصنوعی مولد منحنی هزینه‌ها را زیر و رو کرد. طبق گزارش شاخص هوش مصنوعی استنفورد موسوم به گزارش 2025 AI Index، قیمت ارزان‌ترین مدلی که عملکردی در سطح GPT-3.5 داشت، از ۲۰ دلار به ازای هر یک میلیون توکن در نوامبر ۲۰۲۲ به تنها ۷ سنت در اکتبر ۲۰۲۴ سقوط کرد؛ یعنی افتی نزدیک به ۲۸۰ برابر در کم‌تر از دو سال! حالا یک شرکت پخش متوسط، یک بیمه محلی یا یکی از شرکت‌های زیرمجموعه صندوق‌های سرمایه‌گذاری می‌تواند آیین‌نامه‌های ارزیابی ریسک، قضاوت‌های قیمت‌گذاری و دستورالعمل‌های خدماتی خود را به نرم‌افزارهای هوشمندی تبدیل کند که خودشان تصمیم می‌گیرند؛ امکانی که هشت سال پیش کاملاً دست‌نیافتنی بود.

این همان نقطه اهرم جدید است. اگر اهرم مالی بازده سرمایه سهام‌داران را چند برابر می‌کرد، «اهرم شناختی» خروجی و بازدهی نیروها و فرآیندهای فعلی شرکت را چندین برابر می‌کند.

نمونه‌های عینی سرمایه شناختی در بازار واقعی

دو شرکتی را در نظر بگیرید که توانسته‌اند این دارایی را با موفقیت بسازند. جی‌پی مورگان (JPMorgan Chase) برای سال ۲۰۲۵ بودجه‌ای حدود ۱۸ میلیارد دلاری به فناوری اختصاص داده و حالا به هزینه‌های هوش مصنوعی درست مثل مراکز داده، سیستم‌های پرداخت و کنترل ریسک به عنوان یک زیرساخت اصلی نگاه می‌کند. شرکت دوردش (DoorDash) هم از همان ابتدا بر پایه سرمایه شناختی بنا شده بود؛ سیستم‌های توزیع، قیمت‌گذاری و تطبیق سفارش‌های آن از رفتار میلیاردها سفارش مشتریان یاد می‌گیرند. در سال ۲۰۲۵، این پلتفرم حدود ۳.۱۷ میلیارد سفارش را پردازش کرد و به سود عملیاتی تعدیل‌شده ۲.۷۸ میلیارد دلاری رسید؛ یعنی رشدی بیش از ۴۵ درصد نسبت به رقم ۱.۹ میلیارد دلاری سال ۲۰۲۴. بخشی از این رشد از طریق خرید شرکت دلیورو (Deliveroo) به دست آمد که از اکتبر ۲۰۲۵ به آمار‌ها اضافه شد. اما حتی بدون دلیورو هم سفارش‌های سه‌ماهه چهارم دوردش ۲۰ درصد رشد داشته است (گزارش مالی دوردش). در هر حالت، این رشد بسیار بالا‌تر از نرخ ۱۰ تا ۱۲ درصدی است که خریداران امروزی به آن نیاز دارند.

در نقطه مقابل، دو شرکتی را ببینید که درآمدشان هنوز به تعداد نیروی انسانی و فروش اشتراک وابسته است. موسسه تحقیقاتی گارتنر (Gartner) گزارش‌های خود را عمدتاً از طریق قراردادهای اشتراک سالانه می‌فروشد. ارزش سهام این شرکت در سال ۲۰۲۵ با سقوط سنگین ۴۷.۹ درصدی روبه‌رو شد. رشد درآمد آن در سه‌ماهه سوم به ۲.۷ درصد و در سه‌ماهه چهارم به ۲.۲ درصد افت کرد و ارزش قراردادهای سه‌ماهه چهارم با نرخ ارز ثابت تنها ۱ درصد رشد داشت. دو عامل اصلی در این اتفاق نقش داشتند: کاهش بودجه‌های فدرال آمریکا که تمدید قراردادها را کم کرد و گرایش برخی مشتریان به استفاده از ابزار‌های تحقیقاتی هوش مصنوعی به جای خدمات مشاوره‌ای انسانی. هرچند مدیرعامل گارتنر اشاره کرد که ارزش قراردادها بدون احتساب بخش دولتی در سه‌ماهه سوم ۶ درصد رشد داشته و هوش مصنوعی تنها دلیل این افت نبوده، اما تأثیر آن کاملاً مشهود است (گزارش مالی گارتنر).

شرکت مشاوره اکسنچر (Accenture) نمونه پیچیده‌تری است که واقعیت بازار را به چالش می‌کشد. این شرکت در یک سه‌ماهه سال ۲۰۲۵ بیش از ۱۱ هزار نفر از نیروهای خود را تعدیل کرد و در سه‌ماهه چهارم سال مالی ۲۰۲۵ حدود ۶۱۵ میلیون دلار هزینه برای بهینه‌سازی کسب‌وکار پرداخت کرد. سپس برای سال مالی ۲۰۲۶ پیش‌بینی رشد ۲ تا ۵ درصدی ارائه داد و در عمل به رشد ۵ درصدی رسید، طوری که سه‌ماهه چهارم آن ۷ درصد رشد داشت. چشم‌انداز سال مالی ۲۰۲۷ این شرکت رشد ۳ تا ۶ درصدی است و تعداد کارکنانش دوباره به حدود ۸۱۴ هزار نفر رسیده است (گزارش مالی اکسنچر). مدل‌های کسب‌وکار مبتنی بر نیروی انسانی هنوز می‌توانند رشد کنند؛ اما این تعدیل‌ها نشان می‌دهد ساختار هزینه‌ای آن‌ها به شدت تحت فشار است. وقتی نرم‌افزارها و ابزار‌های هوش مصنوعی می‌توانند بخشی از وظایف یک مشاور یا تحلیل‌گر را انجام دهند، شرکتی که دستمزدش را ساعتی و بر اساس تعداد نفرات می‌گیرد، قدرت قیمت‌گذاری خود را از دست می‌دهد و مالکان باید تصمیم بگیرند این سود به جیب چه کسی می‌رود.

سه سؤال کلیدی برای صاحبان کسب‌وکار و سرمایه‌گذاران

چه یک صندوق سرمایه‌گذاری را اداره کنید و چه مالک تام یک شرکت باشید، با سه مقطع تصمیم‌گیری حیاتی روبه‌رو هستید:

در مرحله ورود و خرید شرکت، از خود بپرسید: آیا سرمایه شناختی بخشی از هسته اصلی خلق ارزش شماست یا گزینه‌ای است که امیدوارید بعداً به سراغش بروید؟ اگر این موضوع در مدل اولیه نباشد، قطعاً در برنامه ۱۰۰ روزه پس از خرید هم جایی نخواهد داشت.

در طول دوره مالکیت، بررسی کنید که آیا در حال ساختن سرمایه شناختی و کسب ارزش از آن هستید یا خیر. تصمیماتی را که امروز بر بستر نرم‌افزار و الگوریتم‌ها اجرا می‌شوند بشمارید و اثر آن‌ها را بر حاشیه سود و رشد شرکت پیگیری کنید.

در زمان خروج و فروش شرکت، بررسی کنید که آیا می‌توانید دارایی ارزشمندی را به خریدار بعدی نشان دهید که همچنان رشد کند؟ خریدار برای یک موتور قیمت‌گذاری هوشمند که سه سال کارایی موفق پس داده پول خوبی می‌پردازد؛ اما هیچ خریداری برای یک طرح آزمایشی و آزمون‌وخطا پول خرج نمی‌کند.

دهه گذشته و دوران پول‌های آسان، به سرمایه‌گذاران یاد داد که به دنبال اهرم‌های مالی در ترازنامه‌ها باشند؛ اما دهه آینده به سرمایه‌گذارانی پاداش می‌دهد که این اهرم را در دانش و هوش نهفته در دل شرکت‌ها پیدا کنند.