Jamie Dimon soal AI: JPMorgan Sudah Memakainya, tapi Listrik dan Pusat Data Jadi Ujian Berikutnya

Dalam klip Bloomberg lain, Dimon disebut mengatakan JPMorgan menghemat jumlah yang kurang lebih sama setiap tahun dari investasi AI-nya, dan perusahaan sudah memiliki ratusan use case AI.

Dengan kata lain, AI di JPMorgan bukan satu produk tunggal yang berdiri sendiri. Gambaran yang muncul adalah portofolio alat: otomasi back office, kontrol risiko, layanan nasabah, alat bantu karyawan, hingga dukungan pengambilan keputusan. Di Davos, Dimon juga menjelaskan bahwa pembahasan AI masuk ke review bisnis reguler, termasuk pertanyaan kepada tim keuangan, HR, dan operasi tentang apa yang mereka lakukan dengan teknologi dan AI.

Manfaatnya: produktivitas, efisiensi, dan keputusan lebih cepat

Manfaat jangka pendek yang paling jelas adalah efisiensi. Dimon mengatakan belanja AI JPMorgan sudah berjalan bersama penghematan tahunan yang kurang lebih setara, sambil menyebut peluang penghematan yang lebih besar masih seperti ujung gunung es.

Laporan tentang pesan Dimon dalam surat pemegang saham menyebut ia memperkirakan AI akan memengaruhi hampir setiap bagian operasi bank, meningkatkan produktivitas, tetapi juga menghapus sebagian pekerjaan. Ringkasan lain dari surat tahunan itu menyebut AI akan memengaruhi layanan pelanggan maupun sistem internal karyawan.

Jadi, sikap Dimon bukan semata-mata euforia teknologi. Ia melihat AI sebagai alat yang bisa membuat kerja perbankan lebih cepat dan lebih murah, tetapi keuntungan itu datang lewat perubahan nyata pada tugas, tim, dan alur kerja.

Dampak ke pekerjaan: redeployment, bukan transisi tanpa rasa sakit

Dimon tidak menggambarkan AI sebagai asisten yang hanya membantu semua pekerja tanpa konsekuensi. Sebuah laporan Februari 2026 menyebut JPMorgan meluncurkan rencana redeployment besar-besaran untuk karyawan yang perannya tergeser otomasi, sambil menjaga total karyawan di sekitar 318.500 orang dan memangkas peran operasi 4% serta fungsi pendukung 2%.

Di Davos, Dimon juga memperingatkan bahwa AI bisa bergerak terlalu cepat bagi masyarakat, dan mengatakan pemerintah serta bisnis perlu bekerja sama mencari cara untuk melatih ulang pekerja.

Kesimpulan yang paling aman dari sumber yang tersedia: Dimon memperkirakan AI akan mengubah pekerjaan, menghapus sebagian tugas atau peran, dan menciptakan kebutuhan reskilling dalam skala besar. Namun sumber-sumber ini tidak memverifikasi angka pasti berapa banyak pekerjaan di JPMorgan yang akan dipangkas karena AI.

Bottleneck yang bisa menahan ledakan AI

Euforia AI sering terdengar seperti cerita tentang model yang makin pintar dan chip yang makin kuat. Tetapi fase berikutnya juga sangat bergantung pada benda-benda fisik: listrik, pusat data, pendingin, konektivitas, dan komponen industri.

Goldman Sachs memperkirakan belanja infrastruktur AI bisa mencapai sekitar US$765 miliar pada 2026 dan US$1,6 triliun pada 2031, dengan hampir US$7,6 triliun investasi kumulatif dari 2026 hingga 2031 untuk komputasi, pusat data, dan energi.

Listrik dan koneksi ke jaringan

Listrik adalah titik sumbat yang paling mudah dipahami. Goldman Sachs memperkirakan sekitar 47 GW kapasitas pembangkit tambahan akan dibutuhkan, dan mencatat bahwa antrean interkoneksi yang panjang masih menjadi tantangan untuk menyambungkan proyek baru ke jaringan listrik.

Deloitte secara terpisah memperkirakan kebutuhan daya pusat data AI di Amerika Serikat bisa naik dari 4 GW pada 2024 menjadi 123 GW pada 2035. Deloitte juga menyebut tekanan pada jaringan listrik sebagai tantangan utama dalam pengembangan infrastruktur, berdasarkan survei terhadap eksekutif perusahaan listrik dan pusat data di AS.

Pusat data sebagai sistem industri

Pusat data AI bukan sekadar ruangan berisi server. Goldman Sachs menggambarkan pusat data AI sebagai sistem listrik dan termal terpadu yang dibangun di sekitar server yang sangat padat.

McKinsey juga menyatakan AI sedang mengubah pusat data menjadi sistem daya dan termal yang terintegrasi rapat untuk beban kerja berintensitas tinggi, serta menyoroti bahwa kemampuan pemasok peralatan industri memproduksi komponen kritis ber-lead time panjang bisa menjadi kendala pertumbuhan.

Pendingin dan pembuangan panas

Pendinginan makin krusial karena akselerator AI padat menghasilkan panas besar. World Economic Forum mencatat klaster AI yang dulu berjalan dengan ratusan GPU kini membutuhkan puluhan ribu GPU, dan hambatannya tidak lagi hanya silikon, tetapi juga panas, daya, konektivitas, dan memori.

WEF juga menyebut liquid cooling, immersion cooling, dan arsitektur termal baru telah bergeser dari eksperimen menjadi kebutuhan dasar, karena pendingin udara kesulitan menangani kepadatan panas GPU pada beban penuh.

Konektivitas, jaringan, dan fiber optic

Klaster AI besar membutuhkan koneksi cepat dan andal antara banyak akselerator dan sistem. Di sini, fiber optic masuk sebagai bagian dari masalah konektivitas yang lebih luas.

Sumber yang tersedia lebih kuat menunjukkan bottleneck jaringan dan konektivitas secara umum: WEF memasukkan konektivitas dalam daftar kendala yang memperlambat klaster AI, sementara laporan lain menyebut bottleneck mulai bergeser dari silikon menuju konektivitas berkecepatan tinggi dan pasokan energi mentah.

Namun sumber-sumber ini tidak mengukur kekurangan fiber optic secara spesifik. Jadi kesimpulan paling hati-hati adalah: fiber optic berada di dalam kendala konektivitas yang lebih besar, bukan bottleneck mandiri yang sudah terbukti secara kuantitatif dari bukti yang tersedia.

Bahan baku, komponen, dan rantai pasok

Untuk bahan baku, bukti yang tersedia juga lebih kuat pada kendala peralatan dan komponen daripada kekurangan komoditas tertentu. McKinsey menyoroti komponen kritis ber-lead time panjang dalam rantai nilai pusat data sebagai potensi penghambat pertumbuhan, sementara WEF menyebut sebagian besar investasi pusat data terkait dengan pendinginan, pembangkit listrik, dan perangkat keras pendukung.

Bahan baku bisa berperan melalui rantai pasok perangkat keras tersebut. Tetapi sumber yang tersedia tidak memberi peringkat komoditas tertentu atau membuktikan material mana yang paling membatasi ekspansi AI.

Intinya

Pesan Dimon sederhana: adopsi AI tidak sedang menunggu terobosan masa depan. Di JPMorgan, AI sudah dipakai di fungsi inti bank, dibarengi anggaran teknologi skala besar, dan diikuti persiapan pemindahan pekerja ketika otomasi mengubah peran.

Tetapi sisi lain dari cerita AI adalah infrastruktur dunia nyata. Jika perangkat lunak bisa berkembang cepat, listrik, koneksi jaringan, pusat data padat, sistem pendingin, konektivitas, dan komponen industri tidak selalu bisa diskalakan secepat itu. Pada fase berikutnya, laju ledakan AI bisa ditentukan bukan hanya oleh kecerdasan model, melainkan oleh seberapa cepat dunia membangun mesin fisik yang menopangnya.