AI bubble ایک ہی منڈی نہیں، تحقیق نے کمپنیوں کے درمیان فرق دکھا دیا

مختصر جواب یہ ہے کہ پورے AI شعبے کو ایک bubble کہنا درست نہیں، لیکن بعض AI سے وابستہ حصص bubble جیسی قیمت حرکیات دکھا سکتے ہیں۔ Cornell کی 25 اگست 2026 کی وضاحت بھی یہی فرق سامنے لاتی ہے: کمپنیوں اور ذیلی شعبوں کو ایک زمرہ سمجھنے سے ان کے درمیان نمایاں تفاوت چھپ جاتا ہے۔

اس لیے اصل سوال صرف یہ نہیں کہ AI bubble ہے یا نہیں، بلکہ یہ ہے کہ کسی مخصوص کمپنی کی قیمت، کمائی اور سرمایہ کاری کے درمیان تعلق کتنا مضبوط ہے۔ اچھی ٹیکنالوجی کامیاب کاروبار بن سکتی ہے، مگر کامیاب کاروبار کا حصہ بھی اتنا مہنگا خریدا جا سکتا ہے کہ مستقبل کی عمدہ کارکردگی پہلے ہی قیمت میں شامل ہو۔

ٹیکنالوجی کی کامیابی اور حصص کی قیمت الگ سوال ہیں

Bubble کا دعویٰ عموماً تین مختلف باتوں کو ملا دیتا ہے: AI کی معاشی افادیت، اسے فروخت کرنے والی کمپنی کا کاروباری معیار، اور اس کمپنی کے حصص کی موجودہ valuation۔ پہلی بات درست ہونے سے باقی دونوں خودکار طور پر ثابت نہیں ہوتیں۔ AI اپنانے سے پیداوار یا آمدن بڑھ سکتی ہے، لیکن سرمایہ کار کا نتیجہ اس قیمت پر بھی منحصر ہے جو متوقع منافع کے لیے ادا کی گئی۔

اسی طرح بلند price-to-earnings نسبت بذاتِ خود bubble کا ثبوت نہیں۔ تیز اور پائیدار منافع بلند valuation کو سہارا دے سکتا ہے؛ خطرہ اس وقت بڑھتا ہے جب قیمت میں شامل توقعات عملی adoption، margins اور cash generation سے مسلسل آگے نکلتی جائیں۔ دوسری طرف کم valuation بھی تحفظ کی ضمانت نہیں، اگر مانگ یا مسابقتی حیثیت کمزور ہو رہی ہو۔

Cornell کا طریقہ ہر حصص کو الگ جانچتا ہے

Abir Sarkar اور Martin T. Wells نے بدلتی ہوئی volatility کے ماحول کے لیے SV-ADF طریقہ تیار کیا۔ اصل تحقیقی مقالے کے مطابق یہ روزانہ قیمتوں میں stochastic volatility کو ملحوظ رکھتا، غیر معمولی تیزی کے آغاز اور خاتمے کی تاریخ بندی کرتا اور عارضی price spikes کو نسبتاً مستقل explosive behaviour سے الگ کرنے کی کوشش کرتا ہے۔ مقالہ 11 جولائی 2026 کو آن لائن شائع ہوا۔

مطالعے کا مرکزی نتیجہ cross-sectional heterogeneity ہے: ایک ہی AI بیانیے سے منسلک کمپنیوں میں econometric exuberance یکساں نہیں ملی۔ یہ نتیجہ منتخب AI-exposed equities کے قیمت ریکارڈ سے متعلق ہے، پورے شعبے کی ہر کمپنی سے نہیں۔

SV-ADF بنیادی قدر متعین کرنے والا valuation model بھی نہیں۔ یہ قیمت کے رویے میں statistically explosive episodes تلاش کرتا ہے، مگر یہ نہیں بتاتا کہ کسی حصص کی مناسب قیمت کیا ہونی چاہیے یا correction کب آئے گی۔ اسی لیے اس signal کو آمدن، cash flow اور کاروباری کارکردگی کے ساتھ الگ پڑھنا ضروری ہے۔

خطرے کی پانچ خانوں والی scorecard

کسی AI سے وابستہ حصص یا فنڈ کا جائزہ پانچ الگ خانوں میں رکھا جا سکتا ہے۔ ان اشاروں کا کوئی عالمگیر سرخ یا سبز عدد مقرر نہیں؛ اہم بات یہ ہے کہ ہر خانے میں موجود شواہد قیمت میں شامل توقعات کو مضبوط کرتے ہیں، غیر واضح چھوڑتے ہیں یا ان کے خلاف جاتے ہیں۔

• Valuation: موجودہ قیمت کتنی ترقی پہلے ہی فرض کرتی ہے؟ P/E، price-to-sales اور free-cash-flow yield کو کمپنی کی growth، margins اور واقعی قابلِ موازنہ کاروباروں کے ساتھ دیکھنا ایک اکیلے multiple سے زیادہ معلومات دیتا ہے۔
• منافع اور cash flow: آمدن بڑھنے کے ساتھ operating profit اور free cash flow بھی بہتر ہو رہے ہیں یا ترقی accounting revenue تک محدود ہے؟ مسلسل share dilution، stock-based compensation اور working-capital کی تبدیلی headline profit اور حصص یافتہ کے معاشی فائدے میں فرق پیدا کر سکتی ہے۔
• سرمایہ خرچ: data centres، chips اور cloud capacity پر خرچ کے مقابلے میں نئی آمدن کتنی جلد اور کس margin کے ساتھ آ رہی ہے؟ Capex بذاتِ خود منفی signal نہیں؛ تشویش اس وقت بڑھتی ہے جب خرچ تیز ہو مگر utilisation، pricing power یا واپسی کا راستہ واضح نہ ہو۔
• Adoption: pilots، downloads اور انتظامیہ کے عمومی بیانات سے آگے paying customers، renewals، استعمال کی گہرائی اور AI سے منسوب قابلِ پیمائش آمدن دیکھی جا سکتی ہے۔ وسیع adoption ٹیکنالوجی کی افادیت دکھا سکتی ہے، مگر سخت مقابلہ اسی وقت کمپنی کے margins محدود کر سکتا ہے۔
• Concentration: پورٹ فولیو، ETF یا index میں چند بڑی کمپنیوں کا حقیقی وزن کتنا ہے، اور ان کی آمدن کن مشترک مفروضوں پر منحصر ہے؟ مختلف ticker حقیقی diversification نہیں دیتے اگر سب کی قیمتیں ایک ہی cloud spending، chip demand یا risk appetite سے چلتی ہوں۔

ایک signal نہیں، اشاروں کا باہمی تعلق اہم ہے

بلند valuation کے ساتھ مضبوط cash generation اور مسلسل commercial adoption ہو تو حصہ مہنگا ہو سکتا ہے، مگر صرف اسی بنیاد پر bubble کا دعویٰ کمزور رہے گا۔ اس کے برعکس بلند valuation، تیز capex، غیر واضح monetisation اور econometric exuberance ایک ساتھ دکھائی دیں تو خطرہ محض روزانہ volatility سے زیادہ سنجیدہ ہو جاتا ہے۔

نسبتاً سستا حصہ بھی لازماً محفوظ نہیں۔ اگر موجودہ منافع پرانی مصنوعات سے آ رہا ہو، AI اخراجات کی واپسی غیر واضح ہو اور market share کم ہو رہی ہو تو کم multiple بنیادی کمزوری کی قیمت ہو سکتا ہے۔ Scorecard کا مقصد جادوئی مجموعی نمبر بنانا نہیں، بلکہ یہ واضح کرنا ہے کہ valuation کن قابلِ مشاہدہ کاروباری شرائط پر قائم ہے۔

Macro correction مضبوط کمپنی کو بھی متاثر کر سکتی ہے

کمپنی وار فرق وسیع منڈی کا خطرہ ختم نہیں کرتا۔ ECB کے 17 اگست 2026 کے تجزیے کے مطابق امریکی CAPE تاریخی چوٹی کے قریب تھا؛ AI adoption cash flows کے لیے مثبت ہونے کے باوجود پھیلتا ہوا، غیر متنوع معاشی خطرہ مطلوبہ risk premium بڑھا سکتا ہے، جس سے منافع برقرار رہنے پر بھی valuation نیچے آ سکتی ہے۔ تجزیہ یہ بھی واضح کرتا ہے کہ correction کا درست وقت پہلے سے معلوم نہیں کیا جا سکتا۔

پاکستان سے عالمی ٹیک حصص یا بیرونِ ملک index funds دیکھنے والے قاری کے لیے اس کا مطلب یہ ہے کہ فنڈ کا نام “global” یا “diversified” ہونا کافی معلومات نہیں دیتا۔ اس کی underlying holdings، سب سے بڑے weights اور مشترک AI exposure بتاتے ہیں کہ بظاہر مختلف سرمایہ کاریاں ایک ہی macro خطرے پر کتنی منحصر ہیں۔

نتیجہ binary نہیں: AI ایک مفید ٹیکنالوجی ہو سکتی ہے، بعض کمپنیاں مضبوط cash flows بنا سکتی ہیں، اور پھر بھی کچھ حصص یا مرتکز فنڈ ضرورت سے زیادہ قیمت پر trade کر سکتے ہیں۔ زیادہ درست تشخیص valuation، cash flow، capex، adoption اور concentration کو کمپنی وار دیکھتی ہے، جبکہ price exuberance کو اضافی signal مانتی ہے—واحد فیصلہ کن ثبوت نہیں۔