Utang Infrastruktur AI Bisa Jadi Ujian Baru bagi Private Credit

Kecerdasan buatan terasa seperti bisnis digital. Namun di balik model AI dan aplikasi yang tampak ringan di layar, ada infrastruktur fisik yang sangat mahal: pusat data, chip GPU, jaringan, penyimpanan data, listrik, dan gedung. Bagian inilah yang mulai membuat pasar kredit ikut deg-degan.

Pertanyaannya bukan hanya apakah euforia AI akan mereda. Pertanyaan yang lebih tajam: seberapa banyak pembangunan infrastruktur AI dibiayai dengan utang, lewat struktur privat yang sulit dipantau, sebelum pendapatannya benar-benar terbukti .

Jawaban paling masuk akal saat ini adalah waspada, bukan panik. Sumber-sumber yang tersedia menunjukkan pembentukan kredit yang cepat, struktur pembiayaan yang makin kompleks, dan transparansi yang lebih lemah. Namun bukti tersebut belum cukup untuk menyimpulkan bahwa kerugiannya pasti besar atau saling terhubung hingga memicu krisis sistemik .

Mengapa ledakan AI berubah menjadi cerita utang

Pembangunan AI bukan hanya soal perangkat lunak. Brandywine Global menggambarkan infrastruktur komputasi AI sebagai gabungan perangkat keras, perangkat lunak, jaringan, penyimpanan, pusat data, dan GPU. Perlombaan membangun infrastruktur ini membuka peluang pembiayaan yang makin besar bagi pasar kredit, terutama instrumen berbasis aset atau asset-backed securities .

Masalahnya, kebutuhan dananya terlalu besar untuk hanya mengandalkan kas internal perusahaan. Bank for International Settlements menyatakan bahwa kebutuhan investasi AI saat ini dan yang diperkirakan ke depan begitu besar sehingga perusahaan mulai bergeser dari pendanaan lewat arus kas operasional menuju utang, dengan private credit memainkan peran yang meningkat cepat .

Di sinilah transparansi menjadi persoalan. Apollo menilai penerbitan utang publik oleh hyperscaler—perusahaan cloud skala sangat besar—belum mencerminkan seluruh pembentukan kredit terkait AI, karena tidak memasukkan pembiayaan privat besar untuk infrastruktur hyperscaler di luar pasar obligasi publik tradisional . Dengan kata lain, angka obligasi yang terlihat di permukaan bisa saja hanya sebagian dari leverage yang sedang dibangun untuk kapasitas pusat data khusus AI.

Mengapa private credit menjadi titik tekan

Private credit, atau pembiayaan utang privat di luar pasar obligasi publik, bisa berguna untuk proyek besar yang butuh struktur khusus. Banyak proyek infrastruktur memang tidak cocok dibiayai dengan skema standar.

Namun kelemahannya jelas: pinjaman bilateral, dana privat, dan special purpose vehicle atau SPV dapat membuat total eksposur sulit dilihat pihak luar. Investor publik, regulator, bahkan pelaku pasar lain bisa tidak memiliki gambaran utuh tentang siapa yang memegang risiko akhir.

Quinn Emanuel menyebut perusahaan teknologi menggunakan obligasi korporasi, private credit, dan SPV di luar neraca untuk menutup kebutuhan pendanaan infrastruktur AI, termasuk memindahkan lebih dari US$120 miliar belanja pusat data ke luar neraca dalam waktu kurang dari dua tahun . Analisis yang sama mengidentifikasi pinjaman langsung, struktur SPV, sekuritisasi, dan fasilitas dengan agunan GPU sebagai mekanisme pembiayaan dalam ledakan pusat data AI .

Struktur seperti itu tidak otomatis buruk. Dalam banyak kasus, SPV dan pembiayaan proyek adalah alat yang sah. Tetapi struktur tersebut membuat tiga pertanyaan kunci menjadi lebih sulit dijawab: siapa yang benar-benar menanggung risiko, berapa nilai agunan jika terjadi tekanan, dan seberapa besar pembayaran utang bergantung pada pendapatan AI masa depan alih-alih arus kas yang sudah ada.

Ketidaksesuaian utama: belanja modal sekarang, pendapatan nanti

Risiko kredit terbesar ada pada soal waktu. Analisis risiko hukum Quinn Emanuel memperkirakan pendapatan AI sekitar US$60 miliar pada 2025, jauh di bawah belanja modal sekitar US$400 miliar . Cresset juga menyoroti jurang yang melebar antara belanja modal AI dan pendapatan yang sudah terealisasi, serta menyatakan bahwa private credit makin banyak menanggung pertumbuhan AI berdasarkan proyeksi pendapatan, bukan aset keras .

Ini tidak berarti investasi tersebut akan gagal. Tetapi pembayaran bunga dan pokok utang dapat bergantung pada utilisasi pusat data, harga layanan komputasi, dan monetisasi AI yang masih berkembang. Bila pemberi pinjaman mengasumsikan permintaan AI, ekonomi chip, dan pasar refinancing akan tumbuh mulus, kekecewaan yang sedang saja bisa memaksa repricing.

Dalam bahasa sederhana: proyeknya berumur panjang, tagihannya datang sekarang, sementara bukti pendapatannya masih dibangun.

Struktur yang paling perlu diawasi

Tidak semua utang infrastruktur AI rapuh. Pembiayaan yang didukung kontrak kuat, sponsor berkualitas, dan arus kas tahan lama tentu berbeda dari utang yang bertumpu pada proyeksi optimistis. Titik paling rawan adalah struktur yang pembayaran utangnya banyak bergantung pada asumsi masa depan, nilai agunan, atau dukungan sponsor.

• SPV di luar neraca. SPV dapat memisahkan risiko proyek, tetapi juga bisa membuat eksposur sponsor tidak mudah terlihat. Apollo menyebut struktur Beignet milik Meta sebagai SPV untuk membiayai pembangunan kapasitas pusat data khusus, sementara Quinn Emanuel mengidentifikasi SPV di luar neraca sebagai bagian dari pembiayaan pusat data AI .
• Pinjaman berbasis GPU dan peralatan. Quinn Emanuel mengidentifikasi fasilitas dengan agunan GPU sebagai salah satu struktur yang digunakan . Jika peminjam bermasalah, pemulihan dana akan bergantung pada apakah peralatan tersebut masih punya nilai ekonomi dan bisa dijual atau dibiayai ulang.
• Sekuritisasi dan struktur berbasis aset. Brandywine menyebut infrastruktur AI sebagai peluang bagi pasar kredit, terutama asset-backed securities, sementara Quinn Emanuel mengidentifikasi sekuritisasi dalam pembiayaan pusat data AI .
• Pembiayaan pusat data dan properti komersial. Chicago Fed menyatakan AI masuk ke eksposur commercial real estate bank terutama melalui investasi 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 .
• Leverage lembaga nonbank. Ringkasan laporan S&P Global Ratings tentang likuiditas 2026 menyoroti private credit sebagai sumber pendanaan yang melonjak, serta menyebut transparansi terbatas dan pendanaan jangka pendek pada lembaga keuangan nonbank yang sangat berutang sebagai sumber kerapuhan finansial .

Bagaimana tekanan bisa menyebar

Skenario stres tidak harus dimulai dari runtuhnya permintaan AI. Tekanan bisa muncul lebih pelan: belanja modal terus melaju, tetapi pendapatan yang terealisasi belum mengejar. Dalam kondisi itu, pemberi pinjaman perlu meninjau ulang asumsi utilisasi, nilai agunan, dan syarat refinancing untuk pusat data serta GPU .

Opasitas adalah jalur penularannya. Jika penerbitan utang publik tidak menangkap pembiayaan privat besar, pasar mungkin tidak melihat total leverage terkait AI sampai proyek perlu refinancing, sponsor harus menyuntik modal tambahan, atau gagal bayar mulai muncul .

Bank juga tidak sepenuhnya berada di luar cerita ini. Chicago Fed menggambarkan skenario tail risk yang menghubungkan tekanan pada peminjam perangkat lunak AI dengan penurunan investasi dan dampak lanjutan pada pusat data, energi, serta semikonduktor . Artinya, risiko bisa bergerak dari perusahaan teknologi ke properti, energi, manufaktur chip, lalu ke pemberi pinjaman.

Mengapa ini belum tentu menjadi krisis

Peringatan tidak sama dengan vonis. BIS menunjukkan pergeseran pendanaan dari arus kas ke utang, Apollo mengingatkan bahwa penerbitan publik belum mencakup seluruh kredit AI, dan Quinn Emanuel memetakan struktur pembiayaan kompleks di pusat data AI . Namun fakta-fakta itu belum membuktikan bahwa eksposurnya cukup besar, cukup berleverage, dan cukup saling terhubung untuk mengguncang sistem keuangan luas.

Pembeda utamanya adalah kualitas underwriting. Utang yang didukung arus kas kontraktual dan sponsor kuat tidak sama dengan utang yang terutama bertumpu pada proyeksi pendapatan AI, asumsi nilai agunan, dan refinancing yang mudah. Peringatan Cresset bahwa sebagian private credit menanggung pertumbuhan AI berdasarkan proyeksi pendapatan, bukan aset keras, adalah garis pemisah penting .

Dengan kata lain, masalahnya bukan “AI pasti gagal”. Masalahnya adalah apakah struktur utangnya cukup kuat bila pertumbuhan AI tidak secepat yang diasumsikan.

Sinyal peringatan yang perlu dipantau

Beberapa indikator yang layak diperhatikan:

• Belanja modal AI terus melampaui pendapatan AI yang sudah terealisasi .
• Porsi investasi AI yang dibiayai utang dan private credit meningkat dibanding pendanaan dari arus kas operasional .
• Pembiayaan private credit dan SPV makin banyak terjadi di luar pasar obligasi publik .
• Pinjaman langsung, sekuritisasi, asset-backed securities, dan fasilitas beragunan GPU untuk infrastruktur AI terus tumbuh .
• Underwriting makin bergantung pada proyeksi pendapatan AI, bukan arus kas kontraktual atau aset keras .
• Eksposur bank ke properti pusat data meningkat, termasuk potensi efek lanjutan ke pembiayaan energi dan semikonduktor .
• Lembaga keuangan nonbank makin banyak memakai leverage atau pendanaan jangka pendek dengan transparansi terbatas .

Intinya

Utang infrastruktur AI layak disebut kandidat kuat untuk menjadi titik stres besar berikutnya di pasar private credit. Risikonya bukan hanya euforia AI yang mungkin memudar. Risikonya adalah aset komputasi dan infrastruktur berumur panjang dibiayai lewat struktur utang yang kurang transparan sebelum basis pendapatannya benar-benar teruji .

Sikap yang tepat adalah hati-hati, bukan alarm berlebihan. Jika penggunaan dan monetisasi AI tumbuh sesuai belanja modal hari ini, banyak transaksi mungkin tetap bertahan. Namun jika pendapatan datang lebih lambat dari perkiraan, tekanan kemungkinan muncul lebih dulu pada pinjaman privat, SPV, sekuritisasi, fasilitas berbasis GPU, dan pembiayaan pusat data—bagian pasar yang visibilitasnya paling lemah.