AI Makin Murah, tetapi Infrastruktur di Belakangnya Makin Mahal

Ekonomi AI kini terbelah menjadi dua arah. Biaya untuk menggunakan kecerdasan buatan turun dengan cepat, tetapi biaya membangun infrastruktur yang menyediakannya masih dibatasi oleh chip canggih, memori berbandwidth tinggi, server, jaringan, listrik, dan kapasitas pusat data.

Perbedaan ini bukan sekadar soal harga. Perubahan tersebut menentukan perusahaan mana yang mampu mempertahankan margin, bagaimana investor menilai belanja AI, dan di titik mana risiko kredit dapat menumpuk. Pemenangnya belum tentu perusahaan yang menjual token paling banyak, melainkan perusahaan yang menguasai infrastruktur langka, distribusi, data eksklusif, atau perangkat lunak yang terhubung dengan hasil bisnis yang bisa diukur.

Perang harga AI menggeser nilai dari token

Sejumlah estimasi menempatkan penurunan biaya inferensi AI yang setara pada kisaran 95% dalam waktu sekitar dua tahun. Angka pastinya bergantung pada model, beban kerja, dan tingkat kualitas yang dibandingkan. 39 Namun, arahnya cukup jelas: kemampuan yang sebelumnya hanya tersedia melalui API premium kini semakin mudah diakses lewat model yang lebih murah dan alternatif dengan bobot terbuka.

Pemangkasan harga terbaru OpenAI memperlihatkan tekanan tersebut. Pada Juli 2026, perusahaan memangkas harga model GPT-5.6 Luna yang lebih kecil sebesar 80% dan model kelas menengah Terra sebesar 20%. Pada Agustus, OpenAI kembali mengumumkan penurunan lebih dari 20% untuk model terdepan GPT-5.6 Sol bagi pengembang. 3433

Bagi pengguna, kabar ini menguntungkan. Biaya inferensi yang lebih rendah membuat penggunaan agen AI, otomatisasi layanan pelanggan, pembuatan konten, penulisan kode, dan pemrosesan data dalam skala besar menjadi lebih ekonomis. Bagi penyedia model, setiap pemangkasan harga mengurangi pendapatan per unit—kecuali pertumbuhan penggunaan cukup besar untuk menutupinya.

Di sinilah perbedaan penting muncul: kecerdasan yang lebih murah belum tentu berarti sistem AI yang lebih murah. Harga token dapat turun, sementara biaya total untuk menjalankan produk yang andal—termasuk pencarian data, pemantauan, keamanan, latensi, integrasi, dan pemeriksaan manusia—tetap tinggi.

Rantai pasok fisik bergerak ke arah sebaliknya

Infrastruktur untuk melayani beban kerja AI tidak bertambah secepat permintaannya. Samsung dilaporkan menaikkan harga sejumlah layanan pembuatan chip berdasarkan pesanan hingga 15% karena lonjakan permintaan AI memperketat kapasitas. 1

Samsung juga menyatakan bahwa kelangkaan chip dapat semakin parah dan berlanjut hingga 2028. Perusahaan itu tengah mengejar perjanjian pasokan multiyears dengan pelanggan pusat data besar. Bisnis memorinya menyebut kerangka kerja yang dapat mengikat sekitar 60% hingga 70% kapasitas melalui kontrak jangka panjang apabila negosiasi selesai. 256

Kontrak semacam ini mengubah cara kerja pasar. Kapasitas tidak lagi sekadar tersedia bagi pihak yang membayar harga spot tertinggi. Pelanggan besar memesan pasokan jauh-jauh hari, sehingga ketersediaan mereka lebih terjamin, sementara pembeli kecil menjadi lebih rentan terhadap kelangkaan dan gejolak harga.

Prospek memori bahkan terlihat lebih ketat. CEO SK Hynix Kwak Noh-jung mengatakan industri dapat menghadapi tahun pasokan terburuknya pada 2027, dengan permintaan yang tetap melampaui kapasitas produksi hingga setelah 2030. Pernyataan itu adalah proyeksi perusahaan, bukan kepastian hasil, tetapi menunjukkan betapa panjang waktu yang mungkin dibutuhkan agar pasokan mengejar permintaan. 17

Nvidia menunjukkan mengapa infrastruktur masih punya daya tawar

Kinerja terbaru Nvidia memperlihatkan bahwa penurunan harga model belum melemahkan permintaan terhadap lapisan perangkat keras. Nvidia mencatat pendapatan 96,2 miliar dolar AS pada kuartal fiskal II 2027, naik 106% secara tahunan. Pendapatan pusat datanya mencapai 89 miliar dolar AS, naik 117%. 4950

Inilah ketegangan utama di pasar AI. Model yang lebih efisien memang dapat mengurangi komputasi untuk tugas tertentu. Namun, harga yang lebih rendah juga bisa mendorong penggunaan secara jauh lebih luas. Jika permintaan tumbuh lebih cepat daripada peningkatan efisiensi, konsumsi infrastruktur secara total tetap meningkat meskipun biaya per inferensi turun.

Risikonya adalah perpindahan titik macet. Akselerator mungkin tersedia, tetapi memori, pengemasan canggih, jaringan, listrik, atau sambungan jaringan listrik belum tentu. Nvidia melaporkan margin kotor 75% pada kuartal tersebut, sementara laporan lain menyoroti kemungkinan kenaikan biaya memori menekan margin pada periode mendatang. 4953

Pelajarannya bukan bahwa ekonomi infrastruktur AI telah runtuh. Permintaan yang kuat tidak membuat semua bagian rantai pasok sama-sama menguntungkan.

Perusahaan cloud terbesar dapat menahan tekanan—sampai batas tertentu

Perusahaan cloud terbesar memiliki posisi lebih baik dibandingkan penyedia AI kecil untuk menghadapi ketidakseimbangan antara harga layanan yang turun dan biaya infrastruktur yang meningkat. Mereka dapat menyebarkan investasi ke komputasi cloud, iklan, perangkat lunak perusahaan, dan platform konsumen. Mereka juga bisa mengemas AI dalam kontrak yang lebih luas, memanfaatkan distribusi untuk meningkatkan penggunaan, serta menegosiasikan komitmen pasokan jangka panjang.

Karena itu, hyperscaler—penyedia cloud berskala sangat besar—berpotensi menjadi penyerap guncangan bagi industri. Mereka mungkin bersedia menerima margin AI yang lebih rendah untuk mempertahankan hubungan cloud atau merebut pangsa pasar. Konsekuensinya adalah efisiensi modal: jika harga turun lebih cepat daripada penggunaan meningkat, pengembalian atas investasi pusat data bernilai sangat besar membutuhkan waktu lebih lama.

Bagi penyedia yang lebih kecil, situasinya jauh lebih keras. Perusahaan yang menyewa kapasitas mahal lalu menjual kembali akses model generik tidak memiliki banyak perlindungan ketika harga API turun lebih cepat daripada pertumbuhan basis pelanggannya.

Bisnis yang berkelanjutan perlu membangun pembeda melalui kepemilikan alur kerja, data eksklusif, keamanan, keandalan, distribusi, atau penetapan harga yang dikaitkan dengan hasil—bukan sekadar jumlah token.

Model yang lebih murah tidak otomatis meningkatkan produktivitas

Harga yang lebih rendah seharusnya mendorong eksperimen dan adopsi. Namun, adopsi tidak sama dengan nilai ekonomi yang benar-benar terealisasi. Perusahaan masih harus merancang ulang proses, membersihkan data, mengintegrasikan sistem, melatih karyawan, dan membangun pengendalian sebelum AI menghasilkan peningkatan produktivitas yang bertahan lama.

Hal ini menciptakan risiko waktu bagi investor. Belanja dapat meningkat lebih cepat daripada hasil yang terukur, terutama ketika perusahaan membeli kapasitas atau perangkat lunak hanya karena pesaing melakukan hal yang sama. Jika peningkatan produktivitas datang lebih lambat dari perkiraan, komitmen infrastruktur tetap harus dibayar sementara asumsi pendapatan AI direvisi turun.

Skenario positifnya adalah perluasan permintaan: inferensi yang jauh lebih murah memicu lonjakan penggunaan sehingga total belanja AI, konsumsi cloud, dan produktivitas terus naik. Skenario negatifnya adalah tekanan margin dan utilisasi: harga model jatuh, penggunaan tumbuh terlalu lambat, dan sejumlah proyek pusat data menghasilkan imbal hasil yang lebih rendah daripada asumsi rencana pembiayaannya.

Risiko kredit bergantung pada kualitas permintaan yang dikontrak

Pembangunan AI juga berubah menjadi persoalan pasar kredit. Pusat data, akuisisi infrastruktur, dan komitmen komponen membutuhkan modal besar dengan tenor panjang. Utang lebih mudah dipertahankan jika didukung pelanggan yang layak kredit, kontrak multiyears, dan tingkat penggunaan yang dapat diprediksi.

Risikonya meningkat ketika pembayaran kembali utang bergantung pada permintaan masa depan yang masih spekulatif. Harga AI yang lebih rendah, pertumbuhan utilisasi yang melambat, biaya listrik yang lebih tinggi, atau kelangkaan komponen dapat melemahkan arus kas yang menopang proyek infrastruktur.

Porsi utang junior yang lebih besar atau kenaikan biaya asuransi kredit akan menunjukkan bahwa pemberi pinjaman meminta kompensasi lebih tinggi atas risiko penurunan. Keduanya tidak otomatis membuktikan bahwa krisis kredit akan terjadi. Namun, kondisi itu membuat kualitas kontrak dan ketahanan arus kas peminjam jauh lebih penting daripada sekadar besarnya permintaan AI.

Dampak makroekonominya akan bercampur

AI dapat bersifat disinflasioner bagi layanan digital. Inferensi yang lebih murah berpotensi menurunkan biaya pemrograman, analitik, layanan pelanggan, produksi konten, dan sebagian pekerjaan administratif. Penghematan tersebut pada akhirnya dapat diteruskan kepada perusahaan dan konsumen jika persaingan cukup kuat.

Namun, pembangunan infrastrukturnya bisa menimbulkan tekanan harga di pasar tertentu. Memori, chip canggih, server, kapasitas konstruksi, lahan, listrik, dan sambungan jaringan yang langka dapat menjadi lebih mahal. Pola jangka pendeknya mungkin berupa layanan digital berbasis AI yang lebih murah, bersamaan dengan tekanan inflasi pada barang modal dan input energi yang diperlukan untuk memproduksinya.

Karena itu, kecil kemungkinan muncul satu dampak tunggal berupa “inflasi AI” atau “deflasi AI”. Hasil akhirnya bergantung pada apakah peningkatan efisiensi menyebar lebih cepat daripada bottleneck, serta apakah perusahaan meneruskan penghematan kepada pelanggan atau menyimpannya sebagai margin.

Rantai pasok menjadi aset strategis

Pemesanan kapasitas multiyears juga meningkatkan arti penting geopolitik semikonduktor. Samsung dan SK Hynix memiliki daya tawar lebih besar di sektor memori, sementara logika canggih dan pengemasan tingkat lanjut masih terkonsentrasi pada sejumlah kecil pemasok dan wilayah.

Ketika kapasitas dipesan bertahun-tahun sebelumnya, kontrol ekspor, subsidi, dan gangguan regional membawa konsekuensi lebih besar karena pasokan tidak dapat dialihkan dengan cepat.

Produsen memori China mungkin memperoleh peluang di segmen produk yang lebih sedikit dibatasi ketika permintaan global meningkat. Namun, menutup kesenjangan pada HBM—memori berbandwidth tinggi yang penting bagi sistem AI—dan komponen terdepan lainnya jauh lebih sulit. Kualifikasi pelanggan, standar keandalan, kompleksitas teknis, kontrol ekspor, dan aturan pengadaan dapat membatasi seberapa cepat pemasok alternatif merebut pangsa pasar.

Siapa yang akhirnya membayar selisihnya?

Pertanyaan yang belum terjawab adalah pihak yang menyerap perbedaan antara konsumsi AI yang lebih murah dan produksi AI yang lebih mahal. Beberapa kemungkinan muncul:

• Hyperscaler menyerapnya melalui margin yang lebih rendah sambil memanfaatkan AI untuk mempertahankan ekosistem yang lebih luas.
• Pemasok chip dan memori mempertahankan kekuatan harga yang didorong kelangkaan selama kapasitas tetap terbatas.
• Investor menanggungnya melalui imbal hasil yang lebih rendah dari belanja infrastruktur AI.
• Pemberi pinjaman menanggungnya lewat spread yang lebih lebar atau kerugian apabila proyek terlalu banyak utang.
• Pelanggan mungkin membayar lebih jika penyedia berhasil mengemas biaya infrastruktur ke dalam produk bernilai lebih tinggi yang dihargai berdasarkan hasil.

Hasil jangka pendek yang paling mungkin merupakan kombinasi dari tiga kemungkinan pertama. Akses AI akan terus menjadi lebih murah, tetapi infrastruktur untuk menyediakannya tetap mahal sampai pasokan mengejar permintaan—atau sampai permintaan terbukti tidak cukup untuk membenarkan komitmen yang telanjur dibuat.

Implikasi strategisnya jelas: turunnya harga token bukan akhir dari cerita investasi AI. Penurunan itu justru menjadi ujian untuk menemukan di mana nilai yang tahan lama berada ketika kecerdasan menjadi melimpah, sementara mesin, memori, listrik, dan distribusi yang diperlukan untuk memanfaatkannya tetap langka.