الگوریتمها بهعنوان عناصر اصلی در سیستمهای فناوریمحور، بهویژه در فضای رقابتی امروز، مزایای اقتصادی قابل توجهی ایجاد میکنند؛ با این حال، ارزشگذاری این داراییهای نامشهود، بهدلیل ماهیت فنی پیچیده، مالکیت مبهم و وابستگی به سایر داراییها و زیرساختها، همواره با چالشهای متعددی همراه است.
تفکیکناپذیری از سیستمهای مکمل
مطابق استاندارد IVS 210، بند 20-4: الگوریتمها بهطور معمول بهصورت یکپارچه و همراه با سایر اجزا از جمله دادهها، نرمافزارها و زیرساختهای فناوری پیادهسازی میشوند. این مسئله تفکیک دقیق سهم هر بخش را در تولید جریانهای نقدی و در نهایت، محاسبۀ ارزش دارایی نامشهود، بسیار دشوار میکند. برای مثال، در روش سود مازاد (Excess Earnings Method) تفکیک جریان نقدی منتسب به الگوریتم از جریان نقدی سایر اجزا، عملاً پیچیده و گاه غیرممکن است.
نبود معاملات مقایسهپذیر برای نرخ امتیاز
مطابق استاندارد IVS 210، بند 60-19: الگوریتمها معمولاً بهطور مستقل خرید و فروش نمیشوند و نرخهای امتیاز مرتبط با آنها بهندرت در دسترس عموم قرار دارد. این شرایط سبب میشود تا روش صرف امتیاز (Relief from Royalty Method) که نیازمند نرخهای قابل مقایسه برای امتیاز است، با دشواری و عدم اطمینان مواجه شود. برای مثال، الگوریتمهای هوش مصنوعی در بسیاری از موارد هیچ سابقۀ مبادلهای ندارند و امکان دسترسی به نرخ امتیاز معتبر را فراهم نمیآورند.
مشکل در اثبات مالکیت یا ثبت رسمی
مطابق استاندارد حسابداری ۱۷، بند 17: بسیاری از الگوریتمها بهصورت داخلی توسعه مییابند و به دلایل مختلفی از جمله محرمانگی و جلوگیری از افشای فناوری، ثبت رسمی اختراع نمیشوند. در این حالت، اثبات حقوقی مالکیت و انحصار بهرهبرداری از الگوریتمها دشوار شده و ارزشگذاری این نوع داراییها با چالش حقوقی مواجه میشود. برای نمونه، الگوریتمی که برای یک برنامۀ کاربردی توسعه یافته است اما ثبت رسمی ندارد، ممکن است در معرض استفاده غیرمجاز رقبا قرار گیرد و در نتیجه ارزش اقتصادی آن کاهش یابد.
پویایی و تغییرات مکرر الگوریتمها
مطابق استاندارد IVS 210، بند 100-1: الگوریتمها، بهویژه در حوزۀ یادگیری ماشین، بهطور مداوم بهروزرسانی میشوند و تغییرات مکرر در آنها موجب میشود تا برآورد عمر مفید اقتصادی آنها با ابهام و تردید روبرو شود. این تغییرات نهتنها بر پایداری جریان نقدی اثرگذار است، بلکه قابلیت اطمینان پیشبینیها را کاهش داده و ارزشگذاری بر مبنای روشهای درآمدی، از جمله روش تنزیل جریان نقدی (DCF)، را با دشواری مواجه میکند.
چالش در اندازهگیری صرفهجویی یا خلق ارزش مستقیم
مطابق استاندارد IVS 210، بند 60-3: تأثیر الگوریتمها بر بهرهوری، کاهش هزینهها یا افزایش درآمدها، اغلب بهصورت غیرمستقیم ظاهر میشود و تخصیص دقیق جریان نقدی منتسب به الگوریتم بسیار دشوار است. برای مثال، الگوریتمهای مرتبط با بهینهسازی لجستیک و زنجیرۀ تأمین معمولاً موجب صرفهجوییهای زیادی میشوند، اما اندازهگیری دقیق آن برای ارزشگذاری، نیازمند فرضیات فراوانی است که دقت و اتکاپذیری ارزشگذاری را تحت تأثیر قرار میدهد.
ریسکهای فنی، اخلاقی یا رگولاتوری در بهرهبرداری
مطابق استاندارد IVS 102، بند 20-4: بهرهبرداری از الگوریتمها در برخی حوزهها، خصوصاً هوش مصنوعی، ممکن است ریسکهای حقوقی و اخلاقی خاصی داشته باشد؛ از جمله تبعیض الگوریتمی یا نیاز به رعایت مقررات مربوط به حفاظت از دادهها. در چنین مواردی، ارزشگذار باید این ریسکها را شناسایی، ارزیابی و در گزارش خود بهوضوح منعکس کند. برای نمونه، الگوریتمهای حوزۀ مالی که با تصمیمگیریهای حساس مرتبطاند، در معرض ریسک بالای انطباق با مقررات قرار دارند و این مسئله بهطور مستقیم بر ارزش آنها اثرگذار است.
ارزشگذاری الگوریتمها بهعنوان دارایی نامشهود، نیازمند ترکیب دقیقی از تحلیلهای فنی، حقوقی و اقتصادی است. در شرایطی که دادههای مستقیمی برای تفکیک و محاسبۀ ارزش وجود ندارد، استفاده از تحلیل حساسیت، طراحی سناریوهای جایگزین و شفافسازی مفروضات اساسی به شدت توصیه میشود. این رویکرد میتواند به افزایش اتکاپذیری نتایج ارزشگذاری کمک کند.
برای دریافت خدمات تخصصی در حوزه ارزشگذاری داراییهای نامشهود، از صفحه اختصاصی این خدمت در رتیبا بازدید نمایید.
همچنین میتوانید مقاله راهنمای جامع ارزشگذاری داراییهای نامشهود را مطالعه نموده و با مبانی و استانداردهای ارزشگذرای این نوع داراییها آشنا شوید.
برای مشاهده سایر خدمات رتیبا در زمینه ارزیابی، ارزشگذاری و مشاوره سرمایهگذاری نیز، به صفحه اصلی وبسایت رتیبا مراجعه نمایید.