Perdebatan bubble AI sering terdengar dramatis. Namun pembeda paling penting adalah ini: teknologi dan harga tidak sama. Jika bubble pecah, bukan berarti model AI berhenti berguna. Yang lebih mungkin terjadi adalah penghitungan ulang terhadap asumsi pertumbuhan, margin, dan pengembalian investasi infrastruktur AI. Goldman Sachs menyebut tiga sumber kekhawatiran: lonjakan valuasi perusahaan yang terpapar AI, investasi buildout AI yang terus masif, dan makin kuatnya sirkularitas dalam ekosistem AI [10].
Gambarnya juga tidak hitam-putih. Al Jazeera melaporkan Dana Moneter Internasional atau IMF memperingatkan bahwa bubble investasi AI bisa pecah dan risikonya dapat dibandingkan dengan era dot-com [5]. Sebaliknya, makalah strategi Goldman Sachs berargumen bahwa pasar belum bisa disebut bubble, setidaknya belum [
2]. Cresset juga melihat tanda-tanda seperti valuasi tinggi, arus modal besar, dan perilaku spekulatif, tetapi menilai laba yang kuat, pertumbuhan pendapatan yang stabil, serta investasi infrastruktur berbasis kas lebih menunjuk pada koreksi selektif daripada keruntuhan sistemik [
6].
Yang lebih dulu runtuh: asumsi, bukan model AI
Dalam skenario bubble AI pecah, ujian pertama bukan kemampuan model menjawab pertanyaan. Ujian pertamanya adalah asumsi yang sudah dimasukkan pasar ke dalam harga.
- Apakah pelanggan membayar berulang, bukan hanya mencoba karena tren?
- Setelah biaya GPU, pusat data, dan listrik, apakah masih ada margin?
- Apakah valuasi sekarang bisa dijelaskan oleh pertumbuhan nyata?
- Apakah investasi pusat data terkait dengan permintaan yang sudah jelas?
- Apakah pendapatan datang dari pelanggan akhir, atau banyak berputar di antara pemain ekosistem AI sendiri [
10]?
Karena itu, peristiwa utama saat bubble AI pecah kemungkinan besar adalah repricing, bukan punahnya teknologi. Premi harga saham, valuasi startup, potensi balik modal pusat data, dan ROI proyek AI perusahaan akan diperiksa dengan standar yang jauh lebih ketat.
Mengapa kekhawatiran bubble membesar sekarang
Masalahnya bukan karena investasi AI terlalu kecil. Justru sebaliknya: pertumbuhannya sangat cepat. Goldman Sachs menilai pembangunan pusat data dan infrastruktur berbasis AI berpotensi mencapai skala multi-triliun dollar AS. Dalam laporan yang sama, Goldman Sachs mengutip CEO Nvidia Jensen Huang yang menyebut belanja infrastruktur AI bisa mencapai US$3 triliun–US$4 triliun pada 2030, sementara belanja modal hyperscaler saja diproyeksikan mencapai US$1,4 triliun pada 2025–2027 [1].
Proyeksi 2026 pun sudah besar. Goldman Sachs menyebut konsensus analis Wall Street untuk belanja modal perusahaan AI hyperscaler pada 2026 mencapai US$527 miliar, naik dari US$465 miliar pada awal musim laporan laba kuartal III [9]. Artikel Goldman Sachs lain menyatakan perusahaan cloud hiperskala terbesar diperkirakan menanamkan lebih dari setengah triliun dollar AS untuk belanja modal pada 2026 [
8].
Namun belanja besar bukan otomatis bukti bubble. Goldman Sachs menulis bahwa buildout AI memang lebih besar dalam dollar nominal dibanding siklus sebelumnya, tetapi tampak lebih jinak jika diskalakan dengan tepat [1]. Pertanyaan intinya bukan sekadar berapa besar uang yang dikeluarkan, melainkan apakah ada permintaan dan laba yang cukup untuk membayar semua investasi itu.
1. Pasar saham: premi AI menjadi alarm pertama
Area yang paling cepat bereaksi biasanya pasar saham. Dalam fase naik, chip, cloud, pusat data, infrastruktur listrik, dan perangkat lunak bisa sama-sama diberi label AI. Saat koreksi datang, label itu tidak cukup.
Goldman Sachs mengatakan investor sudah menjadi lebih selektif terhadap saham AI [9]. Pasar akan kembali mengajukan pertanyaan dasar: seberapa cepat pendapatan AI benar-benar tumbuh, apakah margin produk AI cukup sehat, apakah pelanggan membayar berulang, dan apakah biaya GPU serta pusat data masih menyisakan laba.
Konsentrasi pasar juga penting. Goldman Sachs Research menyebut 7 perusahaan teknologi terbesar kini menyumbang lebih dari 30% kapitalisasi pasar S&P 500 dan sekitar seperempat laba indeks tersebut [8]. S&P 500 adalah indeks saham besar Amerika Serikat yang sering dipakai sebagai barometer pasar saham AS. Jika ekspektasi AI sudah tertanam dalam valuasi raksasa teknologi, koreksi AI bisa menjadi sumber volatilitas bagi indeks utama, bukan hanya bagi saham bertema AI.
2. Startup: demo keren kalah oleh pendapatan berulang
Dari sumber yang tersedia, tidak ada angka menyeluruh untuk mengukur berapa banyak startup AI yang akan terkena down round, dijual murah, atau tutup. Namun jika valuasi saham publik terkait AI turun, logika pendanaan di pasar privat kemungkinan ikut mengetat.
Cresset menilai sektor AI menunjukkan tanda-tanda bubble seperti valuasi tinggi, arus dana besar, dan perilaku spekulatif [6]. Goldman Sachs juga menyebut kenaikan nilai perusahaan yang terpapar AI sebagai salah satu faktor yang memperbesar kekhawatiran bubble [
10]. Dalam kondisi seperti itu, investor bisa lebih menuntut bukti yang konkret: pendapatan berulang, retensi pelanggan, struktur biaya yang masuk akal, data eksklusif, kanal distribusi, dan kemampuan terintegrasi dengan sistem kerja yang sudah ada.
Struktur yang paling rapuh adalah bisnis yang mendapat valuasi tinggi hanya karena memakai label AI. Menempelkan fitur pemanggilan model di atas produk lama tidak cukup jika pelanggan tidak terus membayar, atau jika penggunaan yang meningkat justru membuat kerugian makin besar.
3. Pusat data, GPU, dan listrik: dari bangun dulu ke buktikan dulu
Jalur ekonomi riil dari koreksi AI bisa paling jelas terlihat pada pusat data, GPU, dan pasokan listrik. Goldman Sachs menyebut pembangunan pusat data dan infrastruktur AI dapat mencapai skala multi-triliun dollar AS, dengan belanja modal hyperscaler saja diproyeksikan US$1,4 triliun pada 2025–2027 [1]. Untuk 2026, konsensus belanja modal perusahaan AI hyperscaler juga sudah mencapai US$527 miliar [
9].
Masalahnya bukan ukuran belanja semata, melainkan peluang balik modal. Jika permintaan layanan AI lebih kecil dari perkiraan, atau pendapatan tidak tumbuh cukup cepat untuk menutup biaya inferensi, perusahaan dapat bergeser dari strategi bangun dulu, tunggu permintaan kemudian menjadi bangun sesuai permintaan yang sudah terbukti. Dampaknya bisa berupa peninjauan ulang jadwal pembangunan pusat data baru, kecepatan pembelian GPU, dan rencana pasokan listrik.
Ini bukan berarti semua investasi pusat data pasti berlebihan. Yang berubah adalah standar penilaiannya. Dalam fase koreksi, pasar akan lebih memperhatikan utilisasi, kontrak pelanggan jangka panjang, masa balik modal, dan stabilitas pasokan listrik. Cresset menyebut periode mendatang akan menunjukkan apakah buildout infrastruktur saat ini menjadi landasan inovasi yang bertahan lama atau justru salah alokasi modal besar-besaran [6].
4. Raksasa teknologi: lebih mungkin penyesuaian valuasi daripada ambruk total
Koreksi AI tidak otomatis berarti perusahaan teknologi besar akan runtuh. Cresset menilai, meski ada valuasi tinggi dan perilaku spekulatif di sektor AI, laba yang kuat, pertumbuhan pendapatan yang stabil, serta investasi infrastruktur berbasis kas lebih mendukung skenario koreksi selektif daripada keruntuhan sistemik [6].
Namun perusahaan besar yang kuat bukan berarti harga sahamnya kebal. Karena 7 perusahaan teknologi terbesar menyumbang lebih dari 30% kapitalisasi pasar S&P 500 dan sekitar seperempat laba indeks, penurunan ekspektasi terhadap AI saja bisa memperbesar volatilitas pasar [8]. Perubahan yang lebih realistis adalah turunnya kelipatan valuasi, perlambatan laju kenaikan belanja modal AI, dan penyesuaian prioritas pada sebagian proyek.
5. Struktur paling rentan: ekonomi AI yang berputar di dalam sendiri
Goldman Sachs menyoroti sirkularitas ekosistem AI sebagai salah satu sumber kekhawatiran bubble [10]. Intinya sederhana: uangnya datang dari pelanggan akhir yang benar-benar membutuhkan produk, atau hanya berputar di antara perusahaan model AI, cloud, chip, dan aplikasi AI?
Pada tahap awal teknologi baru, perusahaan infrastruktur, pengembang model, penyedia cloud, dan aplikasi memang sering saling menopang pertumbuhan. Namun saat pasar berubah defensif, investor akan lebih ketat membedakan pendapatan dari pelanggan luar dengan pendapatan yang terutama muncul dari transaksi di dalam ekosistem yang sama.
Adopsi perusahaan: tidak berhenti, tetapi lebih keras ditagih hasilnya
Bubble AI yang pecah tidak berarti perusahaan langsung berhenti memakai AI. Perubahan yang lebih masuk akal adalah disiplin anggaran yang lebih ketat. Pertanyaannya bergeser dari apakah perusahaan sudah memakai AI menjadi apakah AI benar-benar mengurangi biaya, menaikkan pendapatan, atau terintegrasi dengan sistem kerja yang ada.
Akibatnya, pilot project dengan ROI kabur, chatbot yang lebih terlihat seperti pajangan, atau eksperimen internal dengan pengguna sedikit bisa dipangkas. Sebaliknya, alur kerja yang dampaknya lebih mudah diukur—misalnya otomatisasi layanan pelanggan, pemrosesan dokumen, bantuan pemrograman, pencarian internal, dan keamanan—berpeluang bertahan lebih lama. Ini sejalan dengan pembeda yang disorot Cresset: apakah investasi AI menjadi fondasi inovasi berkelanjutan atau salah alokasi modal [6].
Patokan membaca risiko bubble AI
Kunci membaca bubble AI bukan apakah sebuah perusahaan memakai AI, melainkan apakah AI bisa menghasilkan arus kas berulang.
| Patokan | Relatif lebih tahan | Lebih rentan |
|---|---|---|
| Struktur modal | Investasi ditopang arus kas dan laba yang kuat [ | Valuasi tinggi dan sangat bergantung pada pendanaan eksternal [ |
| Permintaan | Pelanggan membayar berulang | Demo menarik, tetapi penggunaan nyata rendah |
| Biaya | Harga produk mampu menutup biaya GPU, pusat data, dan listrik | Pemakaian naik, tetapi kerugian makin besar |
| Diferensiasi | Data eksklusif, kanal distribusi, dan integrasi alur kerja | Fitur mudah ditiru di atas model umum |
| Kualitas pendapatan | Uang dari pelanggan akhir jelas | Pendapatan banyak berputar dalam ekosistem AI [ |
| Investasi infrastruktur | Utilisasi, kontrak jangka panjang, dan pasokan listrik lebih jelas | Ekspansi mendahului bukti permintaan [ |
Kesimpulan: AI tidak tamat; label harganya berubah
Jika bubble AI benar-benar pecah, peristiwa utamanya kemungkinan bukan kesimpulan bahwa AI tidak berguna. Yang lebih mungkin terjadi adalah pasar menyimpulkan bahwa harga yang ditempelkan pada AI terlalu mahal. Kekhawatiran Goldman Sachs datang dari valuasi, investasi besar, dan sirkularitas ekosistem [10]. Peringatan IMF menunjukkan risiko itu cukup serius untuk dibandingkan dengan dot-com bubble [
5]. Namun bahan Goldman Sachs dan Cresset juga tidak menggambarkan fase sekarang sebagai skenario kehancuran sederhana [
2][
6].
Jawaban paling realistis: saat bubble AI mengempis, teknologi AI tidak lenyap. Yang tersaring adalah ekspektasi berlebihan, investasi yang terlalu jauh mendahului permintaan, dan model bisnis yang lemah. Setelah itu, AI yang benar-benar menghasilkan pendapatan, menurunkan biaya, dan membuat pelanggan membayar berulang kemungkinan akan terlihat jauh lebih jelas.
