Taruhan AI Senilai Rp 22 Ribu Triliun: Menilik Skenario Bullish Goldman Sachs dan Risiko Utang Tersembunyi

Mengapa Goldman Merasa Konsensus Terlalu Rendah

Inti argumen Goldman Sachs adalah bahwa estimasi Wall Street saat ini mengimplikasikan perlambatan pertumbuhan belanja yang tidak masuk akal. Konsensus untuk capex para hyperscaler (perusahaan komputasi awan skala besar) pada 2027 berada di kisaran $920 miliar, yang berarti terjadi penurunan laju pertumbuhan yang tajam dari rekor laju di 2025 dan 2026 . Goldman menantang asumsi itu dengan memodelkan skenario jika investasi AI terus menyedot 2% hingga 3% dari PDB—sebuah skenario yang mendorong belanja tahunan ke level baseline $1,1 triliun dan bisa mencapai $1,4 triliun dalam kasus optimistis .

Di balik model ini ada taruhan pada AI agentif. Tidak seperti chatbot simpel yang menjawab pertanyaan lalu berhenti, agen AI beroperasi terus-menerus—menjalankan tugas multi-langkah, memanggil API, dan bernalar dalam rantai pemikiran panjang. Goldman memperkirakan perilaku 'always-on' ini akan mendorong peningkatan konsumsi token 24 kali lipat pada 2030 . Setiap interaksi agen mengonsumsi daya komputasi yang jauh lebih besar, dan dengan mulai masifnya penggunaan agen di korporasi, kurva permintaan tidak lagi tampak seperti pertumbuhan linear yang mendasari model konsensus.

Kemacetan Sejati: Listrik, Tenaga Kerja, dan Kendala Fisik

Goldman Sachs cukup blak-blakan soal di mana letak batasan sesungguhnya. Dalam laporannya tentang pasokan listrik era AI, bank itu menyatakan dengan gamblang: “Kekurangan modal bukanlah kemacetan paling mendesak—melainkan listrik yang dibutuhkan untuk menggerakkannya” . Setelah satu dekade permintaan listrik datar, konsumsi daya pusat data global diproyeksikan melonjak 160% pada 2030 . Amerika Serikat sendiri menghadapi defisit listrik sekitar 45 gigawatt untuk pusat data pada 2028, yang membutuhkan tambahan kapasitas 72 gigawatt hingga 2030—setara dengan sekitar 72 pembangkit listrik tenaga nuklir besar .

Jaringan listrik saat ini tidak dirancang untuk masa depan seperti ini. Proses transmisi dan perizinan untuk pembangkit listrik tenaga gas alam bisa mencapai lima hingga tujuh tahun, tenaga angin dan surya hanya menyediakan pasokan intermiten, dan nuklir adalah solusi jangka panjang . Turbin gas baru, yang menjadi tulang punggung pembangkit listrik andal, bahkan kabarnya sudah 'habis terjual' hingga tahun 2030 .

Tenaga kerja mungkin menjadi kendala terberat dari semuanya. Goldman memperkirakan dibutuhkan sekitar 760.000 tambahan teknisi listrik, pekerja jaringan, dan tenaga terampil lain untuk membangun infrastruktur fisik yang dibutuhkan AI, termasuk 207.000 peran spesialis yang butuh pelatihan tiga hingga empat tahun . Ini bukan pekerjaan yang bisa diotomatisasi atau dialihdayakan lewat kode—pekerjaan ini butuh 'sepatu bot di lapangan', dan kelangkaan ini berarti tenggat proyek akan terus molor seiring setiap gigawatt permintaan baru .

Makalah “Tracking Trillions” dari Goldman memperkenalkan konsep “risiko elongasi”: antrean koneksi jaringan listrik, keterlambatan perizinan, dan kelangkaan peralatan kritis seperti trafo dan switchgear dapat membuat jadwal pembangunan molor jauh dari rencana awal. Dalam skenario stres, keterlambatan ini berbalik menciptakan keraguan di sisi permintaan, menciptakan siklus yang saling menguatkan: proyek butuh waktu lebih lama, sehingga alasan untuk membangun lebih banyak menjadi melemah . Meski begitu, estimasi dasar Goldman mengantisipasi total belanja modal AI kumulatif sekitar $7,6 triliun antara 2026 dan 2031 .

Bagaimana Estimasi Morgan Stanley Dibandingkan

Proyeksi Morgan Stanley juga mengalami revisi naik yang dramatis. Setahun lalu, perusahaan ini memperkirakan gabungan capex hyperscaler sekitar $450 miliar untuk 2026 dan 2027. Setelah laporan laba kuartal pertama 2026, analis yang dipimpin Brian Nowak menaikkan angka itu menjadi sekitar $800 miliar untuk 2026 dan $1,2 triliun untuk 2027 .

Morgan Stanley sekarang meramalkan $1,16 triliun untuk capex hyperscaler pada 2027, angka yang melampaui baseline Goldman sekitar $1,1 triliun, namun masih di bawah batas atas $1,4 triliun versi Goldman . Hingga 2028, Morgan Stanley memperkirakan total $2,9 triliun belanja modal pusat data global, dengan $1,4 triliun didanai dari arus kas hyperscaler dan sisanya, $1,5 triliun sebagai 'lubang' pembiayaan yang harus ditutup lewat utang, sewa guna usaha, dan usaha patungan .

Kedua bank sepakat bahwa rasio belanja modal terhadap penjualan (capex-to-sales) telah memasuki wilayah yang belum terpetakan. Morgan Stanley memproyeksikan rasio 34% hingga 39% dari 2026 ke 2028, melampaui puncak sekitar 32% yang tercatat selama era dot-com. Jika angka sewa disertakan, rasionya bisa menanjak hingga 44% sampai 45% .

Buku Besar Tersembunyi: Sewa dan Utang 'Off-Balance-Sheet'

Di balik angka pengeluaran utama, tersembunyi lapisan rekayasa finansial yang lebih meresahkan. Moody's Ratings memperkirakan bahwa lima hyperscaler AS terbesar—Amazon, Meta, Alphabet, Microsoft, dan Oracle—memiliki $662 miliar dalam komitmen sewa pusat data masa depan yang belum dimulai . Berdasarkan Prinsip Akuntansi yang Berlaku Umum (GAAP), kewajiban ini tidak muncul sebagai liabilitas lancar karena layanannya belum berjalan. Kewajiban ini tersimpan di luar neraca, terutama hanya terlihat di catatan kaki laporan keuangan .

Jika semua komitmen sewa masa depan yang belum didiskonto dijumlahkan, angkanya mencapai estimasi $969 miliar—kira-kira 113% dari total utang gabungan kelima perusahaan ini . Saat sewa-sewa ini mulai berlaku di tahun-tahun mendatang, biaya ini akan mulai mengalir di laporan laba rugi sebagai beban operasional, yang berpotensi menekan arus kas bebas dan membatasi kapasitas untuk pembelian kembali (buyback) saham yang selama ini diandalkan investor .

Kekhawatiran paralel muncul dari maraknya penggunaan Kendaraan Bertujuan Khusus (SPV) untuk mendanai infrastruktur AI. Perusahaan teknologi besar telah menyusun lebih dari $120 miliar utang pusat data melalui SPV yang tahan kebangkrutan dan berada di luar neraca konsolidasi . Morgan Stanley memproyeksikan mekanisme pendanaan di luar neraca ini bisa mencapai $800 miliar pada 2028 . Kendaraan ini biasanya beroperasi dengan penyangga ekuitas tipis 8% hingga 10%, mengandalkan agunan GPU yang cepat terdepresiasi, dan melibatkan jangka waktu sewa yang sangat pendek, yakni empat tahun, dibandingkan dengan biasanya sepuluh tahun atau lebih .

Peringatan Oracle dan Pelebaran Spread Kredit

Oracle telah menjadi studi kasus tentang betapa cepatnya asumsi pembiayaan AI bisa terurai. Pada akhir 2025, perusahaan ini berpisah dengan Blue Owl Capital dalam pendanaan pusat data di Michigan, mengekspos betapa rapuhnya model di luar neraca. Oracle menanggung utang $124 miliar dan komitmen sewa $248 miliar, dan respons pasar sangat cepat—kredit Oracle dihargai ulang “dengan kecepatan brutal,” bahkan untuk penerbit berperingkat investasi .

Bank for International Settlements (BIS) mengamati bahwa spread credit default swap (CDS) untuk hyperscaler dengan peringkat kredit lebih rendah telah meningkat, mencerminkan volume pasokan utang yang besar dan ketidakpastian yang berkembang tentang apakah proyek AI akan menghasilkan imbal hasil yang memadai . Dewan Pengawas Stabilitas Keuangan AS (FSOC) dan Bank of England secara eksplisit menandai akumulasi utang infrastruktur AI di luar neraca ini sebagai kerentanan sistemik potensial .

Risiko konsentrasi memperparah masalah. Sebagian besar utang berbasis SPV terikat pada pusat data aset tunggal atau penyewa tunggal. Jika penyewa gagal atau permintaan melemah, struktur SPV menawarkan jalan terbatas untuk meminta pertanggungjawaban neraca perusahaan induk, menciptakan potensi kerugian yang berjenjang . PIMCO juga menyoroti sifat sirkular dari pembiayaan AI, di mana pemasok seperti produsen GPU memberikan kredit atau mengambil saham di SPV yang sama yang mereka pasok, mengekspos diri mereka pada risiko pembiayaan kembali jika pasar modal mengetat .

Sebuah Ledakan dengan Dua Narasi

Pembangunan infrastruktur AI ini belum pernah terjadi sebelumnya dalam skala dan kecepatan. Lima hyperscaler teratas berada di jalur untuk membelanjakan gabungan $755 miliar pada 2026 saja—lompatan 83% dari tahun ke tahun . Morgan Stanley mencatat bahwa angka $800 miliar untuk 2026 kira-kira menyamai total belanja modal seluruh perusahaan non-teknologi di S&P 500 pada tahun sebelumnya .

Namun, struktur pembiayaan yang memungkinkan semua ini justru menciptakan risikonya sendiri. Narasi bullish bertumpu pada kenaikan permintaan token 24 kali lipat dari agen AI yang belum diimplementasikan dalam skala besar. Sisi pesimistisnya, yang diartikulasikan dari dalam Goldman Sachs sendiri, adalah bahwa imbal hasil hingga saat ini tidak membenarkan investasi yang sudah digelontorkan . Di antara dua kutub ini terdapat realitas fisik: jaringan listrik yang tidak bisa mengimbangi, tenaga kerja terampil yang jumlahnya tak mencukupi, dan sebuah buku besar rahasia berisi hampir triliunan dolar kewajiban yang akan segera jatuh tempo, dengan konsekuensi yang membentang jauh melampaui sektor teknologi.