AI का कर्ज़ शेयरों और बॉन्ड—दोनों में बढ़ा रहा है एक नया जोखिम

इसका प्रभाव केवल टेक सेक्टर तक सीमित नहीं रहेगा। Reuters के अनुसार, 2026 में AI-संबंधित कर्ज़ निवेश-ग्रेड बॉन्ड जारी होने का करीब 15% था, हालांकि व्यापक क्रेडिट इंडेक्स में AI का संकेंद्रण अभी कम है। इसका अर्थ है कि AI नया बॉन्ड जारी करने की कीमत और बाजार की तरलता को प्रभावित कर सकता है, भले ही वह पूरे निवेश-ग्रेड बाजार पर अभी हावी न हुआ हो।

शेयर और बॉन्ड अब एक-दूसरे से क्यों जुड़ रहे हैं?

शेयर और क्रेडिट बाजार के बीच यह संबंध दो रास्तों से मजबूत हो रहा है।

पहला, कुछ बड़ी टेक कंपनियां शेयर इंडेक्स के प्रदर्शन और निवेशकों की धारणा पर असाधारण प्रभाव रखती हैं। अगर इन कंपनियों का मूल्यांकन भविष्य की AI आय पर बहुत निर्भर है, तो मांग या इंफ्रास्ट्रक्चर निवेश पर रिटर्न का अनुमान घटने से उनके शेयरों की कीमत और भविष्य के नकदी प्रवाह—दोनों का मूल्य कम हो सकता है।

दूसरा, शेयरों के कमजोर मूल्यांकन से वित्तपोषण महंगा हो सकता है। कंपनियों को सामान्य बॉन्ड बाजार में अधिक स्प्रेड, निजी क्रेडिट में कम अनुकूल शर्तें और इक्विटी-लिंक्ड सिक्योरिटीज़ में कमजोर मांग का सामना करना पड़ सकता है। बढ़ती वित्तीय लागत फिर मूल निवेश-तर्क को और कमजोर कर सकती है।

यह संबंध कन्वर्टिबल बॉन्ड बाजार में खास तौर पर दिखाई देता है। कन्वर्टिबल बॉन्ड में कर्ज़ के साथ शेयरों में बदलने का विकल्प भी जुड़ा होता है। जब निवेशक शेयरों में बढ़त की संभावना देखते हैं, तो कंपनी नकद ब्याज की लागत घटाकर पूंजी जुटा सकती है। 2026 के पहले चार महीनों में अमेरिका में कन्वर्टिबल बॉन्ड जारी होना लगभग 34 अरब डॉलर रहा—पिछले साल की समान अवधि से दोगुने से भी अधिक। AI से जुड़ी कंपनियों ने इस वृद्धि को गति दी।

इससे एक सकारात्मक चक्र बन सकता है: मजबूत AI शेयर बाजार सस्ती इक्विटी-लिंक्ड फाइनेंसिंग को समर्थन देता है, वह फाइनेंसिंग नए इंफ्रास्ट्रक्चर को बढ़ावा देती है और इससे AI विकास की कहानी कायम रहती है। लेकिन तेज़ शेयर गिरावट में यही तंत्र उलट सकता है। कन्वर्टिबल बॉन्ड कम आकर्षक हो सकते हैं, हेजिंग की स्थितियां बिगड़ सकती हैं और कंपनियों को महंगे पारंपरिक कर्ज़ या नई इक्विटी पर निर्भर होना पड़ सकता है।

असली साझा जोखिम संपत्ति का प्रकार नहीं, AI मांग है

हाइपरस्केलर का बॉन्ड, डेटा सेंटर का ऋण, निजी क्रेडिट सुविधा, बिजली परियोजना का कर्ज़ और किसी सप्लायर की प्राप्य राशि अलग-अलग कानूनी संस्थाओं द्वारा जारी की जा सकती है। फिर भी इन सभी की भुगतान क्षमता एक ही आर्थिक धारणा पर टिकी हो सकती है: AI ग्राहक लगातार खर्च करते रहेंगे, कंप्यूटिंग क्षमता लीज़ पर लेते रहेंगे और इतना राजस्व पैदा करेंगे कि पूरी इंफ्रास्ट्रक्चर श्रृंखला टिक सके।

यही साझा निर्भरता विविधीकरण को वास्तविकता से अधिक मजबूत दिखा सकती है। बॉन्ड, सिक्योरिटाइजेशन और निजी ऋणों में फैले किसी पोर्टफोलियो में एक ही हाइपरस्केलर, डेटा सेंटर ऑपरेटर या उपकरणों की मांग पर कई दावे शामिल हो सकते हैं। यदि परियोजनाएं टलती हैं या क्षमता का उपयोग कम रहता है, तो अलग-अलग वित्तीय साधनों में एक साथ नुकसान उभर सकता है—भले ही उनमें से किसी पर भी एक ही कंपनी की औपचारिक गारंटी न हो।

जोखिम तब और बढ़ता है जब वित्तपोषण की संरचना जोखिम को कंपनी की मुख्य बैलेंस शीट से दूर तो कर देती है, लेकिन प्रायोजक कंपनी की व्यावसायिक जिम्मेदारियां समाप्त नहीं करती।

ऑफ-बैलेंस-शीट फाइनेंसिंग वास्तविक जोखिम छिपा सकती है

डेटा सेंटर निर्माण में स्पेशल-पर्पज़ व्हीकल, लीज़ और संपत्ति के अवशिष्ट मूल्य की गारंटी महत्वपूर्ण साधन बन रहे हैं। सामान्य संरचना में कोई बाहरी इकाई कर्ज़ जुटाकर डेटा सेंटर की मालिक बनती है, जबकि टेक कंपनी तैयार सुविधा को लीज़ पर लेती है। इससे परियोजना का कर्ज़ कंपनी की रिपोर्टेड देनदारियों से बाहर रह सकता है, लेकिन कंपनी किराए, न्यूनतम उपयोग या संपत्ति के भविष्य के मूल्य से जुड़ी गारंटी के लिए प्रतिबद्ध हो सकती है।

Meta की प्रस्तावित Hyperion डेटा सेंटर परियोजना इस संरचना का उदाहरण देती है। एक कानूनी विश्लेषण के अनुसार, करीब 30 अरब डॉलर के स्पेशल-पर्पज़ व्हीकल ने लगभग 27 अरब डॉलर का ऋण और 3 अरब डॉलर की इक्विटी जुटाई, जबकि सुविधा Meta को लीज़ पर दी जानी थी। अन्य रिपोर्टिंग में ऐसे अवशिष्ट-मूल्य गारंटी प्रावधानों का उल्लेख है, जिनके तहत संपत्ति का मूल्य तय सीमा से नीचे जाने पर Meta को निवेशकों को मुआवजा देना पड़ सकता है।

इसका अर्थ यह नहीं कि परियोजना-व्हीकल का कर्ज़ मूल कंपनी द्वारा जारी सामान्य वरिष्ठ कर्ज़ के समान है। लेकिन इससे यह जरूर पता चलता है कि रिपोर्टेड लेवरेज निर्माण लागत, तकनीकी अप्रचलन, उपयोग दर और संपत्ति के मूल्य में बदलाव के प्रति कंपनी की पूरी संवेदनशीलता नहीं दिखा सकता। निवेशकों का व्यावहारिक सवाल केवल यह नहीं होना चाहिए कि “कानूनी तौर पर पैसा किसने उधार लिया?” बल्कि यह भी होना चाहिए कि “अगर AI का आर्थिक मॉडल कमजोर पड़ता है, तो नुकसान कौन उठाएगा?”

कोई पुनर्मूल्यांकन कई बाजारों में कैसे फैल सकता है?

वित्तपोषण में सुधार या सुधारात्मक बदलाव की शुरुआत डिफॉल्ट से होना जरूरी नहीं है। यह केवल मान्यताओं में बदलाव से शुरू हो सकता है:

1. AI से होने वाली आय या डेटा सेंटर का उपयोग अनुमान से कम रहता है।
2. शेयरों का मूल्यांकन गिरता है और निवेशक पूंजीगत खर्च की वसूली अवधि का फिर से आकलन करते हैं।
3. बॉन्ड स्प्रेड बढ़ते हैं और कन्वर्टिबल फाइनेंसिंग कम आकर्षक हो जाती है।
4. परियोजना-व्हीकल, ऑपरेटर और सप्लायर के लिए पुनर्वित्त महंगा हो जाता है।
5. हाइपरस्केलर चिप, सर्वर, निर्माण, बिजली और रियल एस्टेट के ऑर्डर टालते या घटाते हैं।
6. कमजोर प्रतिपक्षों की क्रेडिट तक पहुंच कम होती है, जबकि लंबी अवधि की ऊंची उधारी लागत गैर-टेक निवेश पर दबाव डालती है।

यह संभावित फीडबैक लूप है, कोई निश्चित पूर्वानुमान नहीं। नकदी से भरपूर हाइपरस्केलर छोटी इंफ्रास्ट्रक्चर कंपनियों की तुलना में कमजोर रिटर्न को अधिक समय तक सहन कर सकते हैं। फिर भी बड़ी कंपनियों के डिफॉल्ट के बिना भी परियोजनाओं में देरी और कड़ी वित्तीय परिस्थितियां व्यापक निवेश चक्र को प्रभावित कर सकती हैं।

उपलब्ध सबूत क्या बताते हैं—और क्या साबित नहीं करते?

मौजूदा सबूत बढ़ते संकेंद्रण और सहसंबंध जोखिम की ओर इशारा करते हैं। AI-संबंधित उधारी तेजी से बढ़ रही है, कन्वर्टिबल बॉन्ड का इस्तेमाल AI-केंद्रित विकास को वित्तपोषित करने में हो रहा है और डेटा सेंटर की संरचित परियोजनाएं सार्वजनिक तथा निजी बाजारों में जोखिम बांट रही हैं।

लेकिन इन आंकड़ों से यह साबित नहीं होता कि वित्तीय प्रणाली तत्काल किसी प्रणालीगत संकट की ओर बढ़ रही है। 570 अरब डॉलर का आंकड़ा अनुमान है, वास्तविक जारी किया गया कर्ज़ नहीं। वित्तपोषण अंतर या पूंजीगत खर्च में कर्ज़ से वित्तपोषित हिस्से का आकलन इस बात पर निर्भर करता है कि लीज़, गारंटी, निजी क्रेडिट, सप्लायर फाइनेंस और भविष्य की प्रतिबद्धताओं को कर्ज़ में गिना गया है या नहीं।

निवेशकों के लिए सबसे उपयोगी अगला कदम एक्सपोज़र मैपिंग है। केवल जारीकर्ता का नाम देखने के बजाय यह पूछना जरूरी है कि क्या पोर्टफोलियो की कई होल्डिंग्स एक ही हाइपरस्केलर, उसी डेटा सेंटर किरायेदार, उपकरणों के उसी पुनर्विक्रय मूल्य या AI से कमाई की उसी धारणा पर निर्भर हैं।

मुख्य जोखिम यह नहीं है कि AI से जुड़ी हर संपत्ति एक जैसी है। जोखिम यह है कि बहुत-सी अलग दिखने वाली संपत्तियां उम्मीदों में एक ही बदलाव के प्रति संवेदनशील हो सकती हैं।