Jawaban singkatnya: bisa. Utang infrastruktur AI punya cukup banyak bahan untuk menjadi ujian besar berikutnya bagi pasar private credit. Namun risikonya lebih spesifik daripada sekadar cerita gelembung AI. Jalur yang perlu diawasi adalah tumpukan pembiayaan di balik pusat data, GPU, jaringan, penyimpanan, dan kapasitas komputasi: pinjaman privat, kendaraan khusus atau SPV di luar neraca, sekuritisasi, serta fasilitas berbasis agunan yang eksposurnya tidak seterang obligasi publik ^[1][2][5].

Itu tidak berarti krisis pasti terjadi. Bukti yang ada lebih menunjukkan pembentukan kredit yang cepat, struktur pembiayaan yang makin kompleks, dan transparansi yang lebih lemah. Belum ada bukti bahwa kerugiannya pasti cukup besar dan saling terhubung untuk menjadi krisis sistemik ^[3][5].

Mengapa infrastruktur AI kini menjadi cerita pasar utang

Pada fase awal ledakan AI, banyak perusahaan teknologi besar masih dapat mendanai investasi dari arus kas operasi. Namun BIS, lembaga internasional yang sering menjadi rujukan bank sentral, mengatakan skala kebutuhan investasi AI saat ini dan ke depan begitu besar sehingga sumber pendanaan perlu bergeser dari kas operasi ke utang, dengan private credit memainkan peran yang meningkat cepat ^[3].

Untuk pembaca yang tidak setiap hari mengikuti pasar kredit, private credit biasanya berarti pinjaman yang dinegosiasikan langsung oleh dana kredit, manajer aset, atau lembaga nonbank kepada perusahaan atau proyek. Berbeda dari obligasi publik, pinjaman seperti ini lebih jarang diperdagangkan dan informasinya lebih sulit dilihat oleh investor luar.

Apollo memberi peringatan serupa: angka penerbitan utang publik oleh hyperscaler, yakni raksasa cloud dan teknologi yang mengoperasikan infrastruktur komputasi skala sangat besar, belum menggambarkan seluruh pembentukan kredit terkait AI. Sebab, angka itu tidak memasukkan pembiayaan privat besar untuk infrastruktur hyperscaler yang terjadi di luar pasar obligasi tradisional ^[5].

Poin ini penting karena AI bukan hanya perangkat lunak. Brandywine Global menggambarkan kebutuhan infrastruktur komputasi AI mencakup perangkat keras, perangkat lunak, jaringan, penyimpanan, pusat data, dan GPU. Perlombaan membangun infrastruktur itu membuka peluang pembiayaan bagi pasar kredit, terutama instrumen berbasis aset atau asset-backed securities ^[1].

Mengapa private credit menjadi titik rawan

Private credit tidak otomatis berbahaya. Ia bisa menjadi sumber modal yang berguna untuk proyek besar. Masalah muncul ketika risiko menumpuk di tempat yang sulit dilihat. Dalam pinjaman bilateral, dana privat, atau SPV, pasar tidak mendapat sinyal harga dan informasi yang sama seperti pada obligasi yang diperdagangkan terbuka.

Analisis risiko litigasi dari Quinn Emanuel menyebut perusahaan teknologi telah menggunakan obligasi korporasi, private credit, dan SPV di luar neraca untuk menutup kebutuhan pendanaan infrastruktur AI. Analisis itu mengatakan lebih dari US$120 miliar belanja pusat data dipindahkan ke luar neraca dalam waktu kurang dari dua tahun ^[2][7]. Mekanisme yang disebut termasuk pinjaman langsung, struktur SPV, sekuritisasi, dan fasilitas dengan agunan GPU untuk proyek pusat data AI ^[2][7].

Di sinilah pertanyaannya menjadi tajam: jika pasar obligasi publik hanya menunjukkan sebagian cerita, investor dan regulator bisa meremehkan total leverage terkait AI sampai proyek perlu dibiayai ulang, gagal bayar, atau meminta tambahan modal ^[5].

Ketidakcocokan inti: capex sekarang, pendapatan nanti

Risiko paling jelas adalah ketidakcocokan waktu antara belanja modal yang harus dikeluarkan sekarang dan pendapatan AI yang masih belum pasti. Quinn Emanuel menyebut pendapatan AI sekitar US$60 miliar pada 2025, jauh di bawah belanja modal sekitar US$400 miliar ^[7]. Cresset juga menyoroti kesenjangan yang melebar antara capex AI dan pendapatan yang benar-benar terealisasi sebagai risiko monetisasi, serta mengatakan private credit makin sering menanggung pertumbuhan AI berdasarkan proyeksi pendapatan, bukan aset keras ^[8].

Kesenjangan ini bisa mengubah cerita pasar saham menjadi masalah pasar utang. Jika pemberi pinjaman mendanai pusat data atau GPU dengan asumsi permintaan AI akan terus naik mulus, maka utilisasi yang lebih lemah, monetisasi yang lebih lambat, atau kondisi refinancing yang lebih ketat dapat mendorong kerugian ke portofolio private credit.

Struktur yang paling perlu diawasi

Tidak semua pinjaman infrastruktur AI rapuh. Risiko terbesar biasanya berada pada struktur yang pembayaran utangnya terlalu bergantung pada proyeksi, nilai agunan, atau dukungan sponsor, bukan arus kas yang sudah terbukti.

• SPV di luar neraca. SPV dapat memisahkan risiko proyek, tetapi juga membuat eksposur sponsor kurang terlihat. Apollo menyebut struktur Beignet milik Meta sebagai SPV untuk membiayai kapasitas pusat data khusus, sementara Quinn Emanuel memasukkan SPV di luar neraca sebagai bagian dari bauran pembiayaan pusat data AI ^[5][7].
• Pinjaman berbasis GPU dan peralatan. Quinn Emanuel mengidentifikasi fasilitas dengan agunan GPU sebagai salah satu struktur yang digunakan ^[2]. Dalam transaksi seperti ini, pemulihan dana tidak hanya bergantung pada hak hukum atas agunan, tetapi juga nilai ekonomi dan likuiditas peralatan jika peminjam bermasalah.
• Sekuritisasi dan instrumen berbasis aset. Quinn Emanuel menyebut sekuritisasi dalam pembiayaan pusat data AI, sementara Brandywine Global mengatakan infrastruktur AI menjadi peluang bagi pasar kredit, terutama asset-backed securities ^[1][2].
• Real estat pusat data dan project finance. Chicago Fed mengatakan AI telah masuk ke eksposur bank terhadap real estat komersial melalui investasi pada pusat data. Lembaga itu juga menggambarkan skenario tail risk ketika tekanan pada peminjam perangkat lunak AI dapat mengurangi investasi dan menimbulkan efek lanjutan ke pusat data, perusahaan energi, dan produsen semikonduktor ^[4].
• Pembiayaan yang bertumpu pada proyeksi pendapatan. Cresset memperingatkan bahwa private credit makin banyak menanggung pertumbuhan AI berdasarkan proyeksi arus pendapatan, bukan aset keras. Artinya, kualitas transaksi sangat sensitif terhadap apakah penggunaan dan monetisasi AI benar-benar terjadi sesuai perkiraan ^[8].

Bagaimana tekanan bisa menyebar

Siklus tekanan tidak harus dimulai dari kegagalan total AI. Skenario yang lebih masuk akal adalah belanja modal terus naik lebih cepat daripada pendapatan AI yang terealisasi, lalu pasar mulai menilai ulang proyek dan kontrak ^[7][8]. Pemberi pinjaman kemudian harus meninjau ulang nilai agunan, rasio pembiayaan, dan asumsi refinancing untuk pusat data, GPU, serta infrastruktur terkait.

Sumber penularannya adalah opasitas pembiayaan privat. Apollo memperingatkan bahwa penerbitan utang publik tidak mencakup pembiayaan privat besar, sehingga pasar mungkin tidak punya gambaran bersih tentang total eksposur ^[5]. Ringkasan outlook likuiditas terkait S&P Global Ratings juga menyoroti private credit sebagai sumber pendanaan yang melonjak, serta menyebut transparansi terbatas dan pendanaan jangka pendek pada lembaga keuangan nonbank yang sangat berleverage sebagai sumber kerapuhan finansial ^[10].

Bank juga tidak sepenuhnya berada di luar cerita. Chicago Fed menggambarkan skenario tail risk ketika suntikan modal ke perusahaan perangkat lunak AI berkurang sementara suku bunga tetap tinggi. Kondisi itu dapat menekan kemampuan membayar utang, mengurangi investasi, dan menimbulkan efek lanjutan pada belanja infrastruktur yang direncanakan oleh pusat data, perusahaan energi, dan produsen semikonduktor ^[4].

Mengapa ini belum otomatis menjadi krisis berikutnya

Perbandingan dengan gelembung kredit masa lalu berguna, tetapi terbatas. Unsur yang perlu diawasi memang familiar: pertumbuhan utang yang cepat, underwriting yang optimistis, kendaraan di luar neraca, sekuritisasi, dan eksposur yang sulit diukur ^[2][3][5]. Namun sumber yang ada belum menunjukkan bahwa utang infrastruktur AI sudah cukup besar, cukup berleverage, dan cukup saling terhubung untuk pasti memicu krisis sistemik.

Sebagian transaksi mungkin didukung sponsor kuat, kontrak jangka panjang, atau aset yang tetap bernilai. Sebagian lain bisa jauh lebih rentan terhadap proyeksi penggunaan, kondisi refinancing, dan asumsi nilai agunan. Perbedaan antara koreksi kredit yang terkendali dan masalah stabilitas keuangan yang lebih luas akan bergantung pada kualitas underwriting, transparansi, serta di mana risiko akhirnya berada.

Indikator yang perlu dipantau

Tanda bahaya yang paling berguna adalah hal-hal konkret:

• Capex AI tumbuh lebih cepat daripada pendapatan AI yang terealisasi ^[7][8].
• Porsi belanja infrastruktur AI yang didanai utang meningkat, bukan lagi terutama dari kas operasi ^[3].
• Makin banyak pembiayaan private credit atau SPV yang terjadi di luar pasar obligasi publik ^[5].
• Pertumbuhan sekuritisasi, asset-backed securities, fasilitas dengan agunan GPU, dan SPV di luar neraca ^[1][2][7].
• Underwriting yang lebih mengandalkan proyeksi pendapatan AI daripada arus kas kontraktual atau aset keras ^[8].
• Eksposur bank ke real estat pusat data dan efek lanjutan pada pembiayaan energi atau semikonduktor ^[4].
• Penggunaan pendanaan jangka pendek atau leverage yang lebih besar di lembaga keuangan nonbank, karena opasitas dapat memperbesar kerapuhan ^[10].

Kesimpulan

Utang infrastruktur AI adalah kandidat yang masuk akal untuk menjadi titik tekanan besar berikutnya di pasar private credit. Skenario negatifnya bukan sekadar antusiasme AI memudar, melainkan pemberi pinjaman membiayai infrastruktur jangka panjang dan agunan komputasi seolah-olah permintaan, monetisasi, dan pasar refinancing akan selalu berjalan lancar.

Kesimpulan yang paling hati-hati adalah waspada, bukan panik. Sumber-sumber yang ada mendukung tesis risiko yang jelas: investasi AI bergerak menuju utang, private credit makin penting, dan sebagian pembiayaan terjadi melalui struktur yang kurang transparan serta bergantung pada pendapatan masa depan yang belum pasti ^[2][3][5][8]. Apakah ini berakhir sebagai repricing yang terkendali atau guncangan finansial yang lebih luas akan ditentukan oleh leverage, transparansi, dan ketahanan arus kas yang mendasarinya.