Неувядающая классика или постоянная перестройка? Вопрос актуален для фундаментального анализа. Ответ: скорее первое, однако сегодня эту картину меняют автоматизация и искусственный интеллект.
Они ускоряют трансформацию бизнес-моделей, перестраивают структуру затрат и меняют правила игры в рамках отраслей. Методы оценки акций должны адаптироваться под эти изменения.
Для инвестора это означает, что стандартных финансовых коэффициентов уже недостаточно. Нужно оценивать, насколько быстро и качественно компания адаптируется к новым технологическим реалиям и как это отразится на её долгосрочной стоимости.
Остановимся на оценке акций. Ситуацию можно рассмотреть в двух разрезах — влияние инновационных трендов на отдельные отрасли и появление новых подходов к фундаментальному анализу. Поехали!
Эволюционирующие отрасли
Перечислим классические цифровые сегменты, активно использующие технологии ИИ (AI). Общая черта — как правило, высокая доля нематериальных активов (необязательно, но вполне логично).
Финтех.
Платформы и маркетплейсы.
SaaS-сервисы (софт по подписке).
Логистика и часть промышленности.
Телекоммуникация, медиа и реклама.
Дополним картину непосредственно IT: разработчики моделей, производители «железа», создатели инфраструктуры. Примеры компаний-лидеров на Западе: NVIDIA, Microsoft, Alphabet, Amazon. В России активным развитием и адаптацией технологий ИИ занимаются в основном крупные экосистемы (Сбер, Яндекс, МТС, VK) и госкорпорации (Ростех, Росатом).
Инвестиционный анализ указанных отраслей и групп предприятий в идеале требует учёта ряда специфических факторов и расширения списка анализируемых фундаментальных показателей. В фокусе — долгосрочные тренды, которые в отдельных случаях отодвигают на задний план экономические циклы.
Новые механики
Не стоит забывать о том, что даже очень сильные тренды со временем затухают или перерастают в «новую норму». Это приводит к плавной эволюции методов инвестиционной оценки. Помимо специфики отдельных отраслей, отметим появление принципиально новых способов анализа.
Усилилась значимость количественных методов, включая работу с Big Data. В список продвинутых методов входят предиктивная аналитика на базе ИИ, использование NLP-алгоритмов (анализ текстовых данных из новостей, соцсетей, отчётности корпораций), анализ непосредственно рыночного сентимента (настроений инвесторов), использование алгоритмов машинного обучения (позволяют выявлять недооценённые и переоценённые акции при помощи закономерностей, найденных посредством больших данных).
Технологии ИИ позволяют автоматизировать фундаментальный анализ, включая парсинг документов, мониторинг периодически меняющихся показателей (кредитные рейтинги, макроэкономические данные и пр.), добавление в модели прогноза выручки необычных вводных (геолокация, данные приложений, изменение цен на сайтах и пр.).
К рискам, связанным с использованием ИИ, относятся галлюцинации моделей, приводящие к искажению данных, эффект чёрного ящика, проблема чистоты данных («мусор на входе — мусор на выходе»).
Также отметим, что статистика не может в полной мере заменить традиционно качественные показатели и оценку контекста. В число таких вводных входят геополитический фон, форс-мажоры, качество менеджмента.
Какие факторы стоит учитывать
Немного отступив от основной темы нашего материала, возвращаемся к специфике отраслей. Активное внедрение технологий AI может привести к трансформации бизнес-модели, меняются структура издержек и конкурентная среда.
Допустим пересмотр драйверов роста. Тут стоит учитывать потенциал масштабирования, связанный с автоматизацией и AI. Возможно возникновение сетевых эффектов. Речь идёт о ситуациях, когда ценность продукта для одного пользователя растёт по мере роста числа других пользователей. Классические примеры таких эффектов: мессенджер, маркетплейс.
Актуальными и/или более значимыми становятся новые критерии оценки бизнеса. В количественном формате они представляют собой метрики (показатели). В нашем случае они могут указывать на уровень автоматизации процессов, качество данных, киберустойчивость, зависимость от одного (нескольких) клиентов или поставщиков.
Что касается последнего параметра, тут стоит упомянуть деятельность государства. Речь о госзакупках, налоговых льготах, ограничениях. Они могут быть связаны, в числе прочего, с санкциями и внешней торговлей.
Не забываем про бюджет на AI-инициативы. Его можно примерно оценить по отдельным компаниям. Подспорьем могут стать стратегии корпораций, в том числе связанные непосредственно с ИИ. Важно их наличие и уровень амбиций (степень реалистичности).
Технологии ИИ нередко дополняют цифровые экосистемы. В таких случаях AI способен привести к созданию нового направления бизнеса или к появлению самой экосистемы. Оценка такого бизнеса может происходить по частям, условной аналогией выглядят конгломераты. Отдельные направления бизнеса периодически могут выделяться и/или выводиться на биржу. Примеры такого рода активностей на рынке IPO, включая планы: МТС и Ростелеком.
Технологичные тренды усиливают значимость сценарного анализа. Полезно учитывать несколько вариантов развития событий для отрасли (отдельных компаний) в зависимости от скорости внедрения AI и результатов этой деятельности. Сценариев может быть, как минимум, три — базовый, оптимистичный, пессимистичный.
Не стоит забывать о рисках, включая высокие издержки, несбывшиеся прогнозы, убыточные и «мёртвые» проекты, отставание от конкурентов, сбои в работе моделей, киберугрозы и техногенные катастрофы.
Список релевантных показателей
Наличие или отсутствие у компании чёткой стратегии автоматизации и AI. Возможны стратегии на уровне государства.
Затраты на ИИ в расчёте на одного пользователя, сотрудника или разработчика.
ROI (рентабельность инвестированного капитала) AI-проектов.
Эффект от внедрения AI в деталях: изменение числа пользователей или клиентов, снижение издержек, рост маржи. Стоит рассматривать в контексте стратегии предприятия и затрат на реализацию мер.
Технические метрики, включая частоту инцидентов и долю галлюцинаций.
Высвобожденные ресурсы — сколько времени и людей перенаправлено на более важные задачи, включая экономию времени специалиста.
Показатели долговой нагрузки — их изменение в связи с реализацией AI-инициатив, стоимость обслуживания долга.
Доля компании на рынке, её изменение в результате внедрения ИИ.
Зависимость компании (отрасли) от одного-двух AI-поставщиков. Степень монополизации сегмента, поставляющего ИИ-«железо» и решения.
Число успешных проектов, связанных с ИИ. Соотношение с глубоко убыточными и «мёртвыми».
