40 tahun lalu, tepatnya pada 22 Oktober 1978, Deng Xiaoping pertama kali mengunjungi Jepang. Dari Tokyo ke Kyoto, jarak 370 km ditempuh dengan kereta Shinkansen 'Hikari' - jalur kereta cepat pertama di dunia. Saat ditanya oleh pihak Jepang yang mendampingi tentang perasaannya, dia berkata: "Saya merasa seperti didorong untuk berlari, jadi sekarang saatnya kita menaiki kereta seperti ini."
AI juga memiliki arti mendorong orang untuk berlari.
Dalam dua tahun terakhir, pendapatan Nvidia melonjak dari $60 miliar menjadi $216 miliar, dengan harga sahamnya naik sepuluh kali lipat. Gelombang investasi seputar AI menyapu dunia — modul optik, pusat data, pendingin, robot, aplikasi AI, gelombang demi gelombang. Setiap hari ada cerita baru tentang kenaikan harga, setiap hari ada orang yang menyesal tidak bertindak lebih awal.
Tapi, didorong untuk berlari adalah satu hal, sebelum berlari, kita harus melihat jalan dengan jelas.
AI adalah lintasan terpanjang yang dapat ditemui generasi kita. Internet membutuhkan waktu sepuluh tahun dari 1995 hingga Google go public, dan delapan tahun lagi hingga Facebook go public. Di tengah jalan, terjadi ledakan gelembung dotcom tahun 2000, dengan Nasdaq jatuh 78%. Kemungkinan besar AI akan menempuh jalan yang sama — saat ini mungkin masih berada di posisi tahun 1998 atau 1999, peluang terbesar yang sebenarnya mungkin baru akan muncul setelah gelembung pecah, atau mungkin tersembunyi di sudut yang belum diperhatikan siapa pun hari ini.
Saat ini, kemampuan model berkembang pesat, modal mengalir deras, dan valuasi didorong ke ketinggian yang mengkhawatirkan. Dalam lingkungan seperti ini, ada dua jenis orang:
Jenis pertama langsung membeli sekarang — bertaruh mereka tepat waktu. Mungkin menghasilkan uang, tetapi lebih mungkin membeli di tengah jalan, lalu terlempar keluar oleh koreksi.
Jenis kedua menunggu sampai pasar runtuh — tetapi masalahnya, ketika benar-benar runtuh, apakah Anda berani membeli? Anda tahu harus membeli apa? Jika Anda tidak tahu apa-apa tentang industri ini, Anda hanya akan lebih panik di hadapan kepanikan.
Saya memilih yang ketiga: Tidak buru-buru membeli saham sekarang, tapi mulai membangun posisi — membangun "posisi pengetahuan".
Karena bagaimanapun AI berkembang, ketika peluang sesungguhnya muncul, kita tidak ingin melewatkannya — kita harus terlebih dahulu menjadi ahli yang memahami seluruh industri. Yang disebut "insting pembunuh" tidak lain berasal dari pemahaman "memiliki pemandangan dalam dada".
Mulai hari ini, saya akan melakukan sesuatu yang lambat dan 'bodoh', meneliti industri AI dari gambaran besar, sedikit demi sedikit, memahami seluruh rantai industri AI dari ujung ke ujung. Siapa yang menghasilkan uang, dari mana uangnya berasal, ke mana mengalirnya, siapa yang tidak tergantikan, siapa yang memakan sisa orang lain.
Saat pasar memberi kita kesempatan — apakah itu keruntuhan, koreksi, atau sudut yang terabaikan — saya bisa membuat penilaian dalam hitungan detik: "Apakah harga ini layak untuk dibeli?"
Selain itu, ada dua hal yang membedakan saat saya melakukan ini:
Pertama, dasar investasi saya sangat baik. Saya memiliki pengalaman yang kaya dan kecepatan evolusi yang sangat cepat dalam investasi. Hasil pengembalian investasi saya selama tiga tahun terakhir, bagi pengikut setia saya, sangat jelas, sangat sedikit orang yang mencapai level yang sama dengan saya. Tentu saja, yang terpenting bukanlah tingkat pengembaliannya, karena itu mungkin ada unsur keberuntungan, yang paling penting adalah kecepatan evolusi saya yang secara umum diakui — saya rasa di era AI更是如此, bukan比 siapa hebat, tapi比 siapa berevolusi cepat.
Tidak perlu membahas masa lalu, masa depan dimulai dari sekarang, mari kita "lihat saja nanti".
Kedua, saya fokus pada satu hal: Bagaimana hal ini menghasilkan uang? Kecepatan evolusi tinggi saya dalam beberapa tahun terakhir terutama berkat fokus saya: Saya hanya memperhatikan peluang kekayaan di balik fenomena. Berbagai artikel yang dilihat sekarang, kebanyakan mengajarkan Skill baru, GitHub baru, setiap hari mengejar hal-hal viral dan baru. Hal-hal itu memang penting, tetapi dari perspektif seorang investor, saya lebih peduli pada peluang kekayaan di baliknya.
Saat iPhone 4 diluncurkan, apakah Anda seperti orang lain yang terkagum-kagum dengan desain dan performa ponsel, atau Anda meneliti peluang investasi di baliknya?
Artikel ini adalah bagian pertama dari seri penelitian, terutama melakukan satu hal: menyalakan peta. Jika membandingkan penelitian sistematis seluruh rantai industri AI dengan bermain game dunia terbuka skala besar — langkah pertama bukan langsung melawan Boss, tapi pertama-tama menyalakan peta: ada beberapa wilayah besar, node kunci apa, misi utamanya apa, misi sampingan apa. Setelah peta jelas, nanti apa pun yang terjadi, penilaian bisa dibuat dalam hitungan detik.
Bab 1: Mengapa Harus Melihat AI dari Perspektif Global?
Nvidia naik sepuluh kali lipat dalam dua tahun adalah cerita investasi AI yang paling bersinar. Tetapi jika Anda hanya melihat Nvidia, itu seperti hanya melihat satu pohon — Anda akan mengabaikan struktur seluruh hutan di bawahnya.
Setiap kali gelombang teknologi besar terjadi, uang akan menyebar keluar lapis demi lapis sepanjang rantai industri. Ini telah terbukti berulang kali dalam sejarah:
Era internet, gelombang pertama uang mengalir ke Cisco (perangkat jaringan), gelombang kedua ke Google, Amazon (platform), gelombang ketiga ke Facebook, Netflix (aplikasi). Era mobile internet, gelombang pertama adalah Qualcomm (chip), gelombang kedua Apple (perangkat), gelombang ketiga WeChat, TikTok (aplikasi super).
AI tidak terkecuali. Kita bisa melihat rantai penyebaran yang kurang lebih seperti ini:
Lingkaran pertama (2023-2024, sudah dinilai penuh): GPU — Nvidia Lingkaran kedua (2024-2025, sedang dinilai): interkoneksi optik, catu daya — LITE naik 16 kali lipat, Vertiv naik 10 kali lipat Lingkaran ketiga (2025-2026, belum dinilai penuh): pendingin, penyimpanan, foundri khusus Lingkaran keempat (2026+, menunggu katalis): aplikasi AI, infrastruktur energi, robot Bagi investor, wawasan kuncinya adalah: Semakin mendasar infrastrukturnya, semakin sedikit pemainnya, semakin rendah penggantinya, semakin kuat kekuatan penetapan harganya.
Perusahaan aplikasi AI di lapisan ke-4 mungkin ada ribuan yang bersaing. Inilah mengapa Nvidia menghasilkan $216 miliar setahun, sementara sebagian besar perusahaan aplikasi AI masih merugi.
Tapi ini juga berarti, di lingkaran kedua, ketiga, bahkan keempat dari lapisan infrastruktur — perusahaan-perusahaan yang belum diberi label "konsep AI" oleh pasar — mungkin menyembunyikan banyak peluang. Pertama-tama kita perlu tahu ada pemain apa, melakukan apa, berapa nilainya.
Memahami artinya adalah: Saat pasar mengalami koreksi, kepanikan, atau perpecahan di masa depan, kita akan tahu harus melihat ke mana.
Empat lapisan lingkaran penyebaran di atas menggambarkan urutan penyebaran sentimen dan dana pasar — uang mengejar apa dulu, lalu apa. Tapi untuk benar-benar memahami logika bisnis setiap mata rantai, diperlukan gambar lain: struktur hierarkis rantai industri. Selanjutnya kita akan membongkarnya lapis demi lapis sesuai urutan dari dasar ke puncak.
Saya membagi seluruh rantai industri AI menjadi 4 struktur lapisan, 4 peta misi utama.
Bab 2: Empat Lapisan Struktur, Empat Peta Misi Utama
Empat peta tersebut adalah: Infrastruktur Komputasi (Compute), Lapisan Model, Middleware, Lapisan Aplikasi, ditambah satu batasan utama: Listrik.
Lapisan Pertama: Infrastruktur Komputasi — "Mesin" AI
Lapisan ini adalah fondasi fisik seluruh rantai industri. Semua uang — dari lapisan mana pun — pada akhirnya akan mengendap di sini.
(1) Desain Chip: Raja Senjata
Nvidia adalah penguasa yang tak terbantahkan. Tahun fiskal 2026 (hingga Januari 2026) total pendapatan $216 miliar, pusat data menyumbang $193.7 miliar — baru dua tahun lalu masih di bawah $50 miliar. Pertumbuhan secepat ini belum pernah terjadi sebelumnya dalam sejarah semikonduktor.
Apa arti angka-angka ini? Contoh konkret: Melatih satu model besar mutakhir, biaya GPU saja mencapai ratusan juta dolar. Dan pelatihan hanya sekali, setelah model diluncurkan, setiap hari harus menangani ratusan juta permintaan pengguna, setiap kali mengonsumsi daya komputasi — ini adalah biaya "inferensi". Biaya inferensi seumur hidup sebuah model bisa sepuluh kali lipat biaya pelatihannya. Ini berarti selama AI masih digunakan, Nvidia terus memungut "pajak".
Parit pertahanan Nvidia bukan hanya perangkat keras. Penghalang sebenarnya adalah CUDA — ekosistem perangkat lunak dengan lebih dari 5 juta pengembang. Seperti iOS bagi Apple, CUDA membuat pengguna sulit keluar begitu masuk. AMD (MI300X) dan Intel (Gaudi) mengejar, tetapi kesenjangan ekosistem masih beberapa tahun.
Rute lain adalah chip AI kustom. Broadcom menyediakan desain kustom untuk Google TPU, Amazon Trainium, dll. Logikanya sederhana: Raksasa teknologi tidak ingin selamanya "dicekik" oleh satu perusahaan. Tapi setidaknya untuk saat ini, chip buatan sendiri adalah pelengkap, bukan pengganti.
Masalah inti: Berapa lama monopoli Nvidia bisa bertahan? Duan Yongping pernah mengatakan dia juga tidak mengerti — "10 tahun lagi Nvidia pasti masih ada, tapi apakah masih pada posisi pasar saat ini?" Ini adalah pertanyaan bernilai triliunan dolar. Dan di balik ini, manufaktur chip memiliki serangkaian rantai industri, saat ini sudah membawa terbang banyak, saya akan lebih memperhatikan.
(2) Manufaktur, Pengepakan, dan Penyimpanan Chip: Pabrik Senjata
Chip yang didesain harus ada yang membuatnya. TSMC hampir memonopoli manufaktur chip AI paling canggih di dunia. Chip inti Nvidia, AMD, Broadcom, Apple semuanya dibuat oleh TSMC. Dalam persaingan 3 nanometer, 2 nanometer, Samsung dan bisnis foundri Intel jauh tertinggal.
Kemacetan yang lebih kritis adalah memori bandwidth tinggi (HBM). Daya komputasi chip AI sekuat apa pun, jika data "tidak bisa dimasukkan" percuma. SK Hynix unggul jauh di bidang HBM, HBM3E hampir menjadi pemasok eksklusif Nvidia. Samsung dan Micron mengejar, kesenjangan yield terlihat jelas.
Pengepakan canggih (CoWoS) adalah mata rantai kemacetan kapasitas lainnya — permintaan melebihi pasokan telah berlangsung lebih dari setahun.
Masalah inti: Kapasitas TSMC dan SK Hynix adalah kekuasaan. Siapa yang mengendalikan kapasitas, dialah yang mengendalikan irama perlombaan senjata AI.
(3) Interkoneksi Optik dan Jaringan: Sistem Saraf
Klaster pelatihan AI berkembang dari ribuan GPU menjadi ratusan ribu GPU. Bagaimana chip berkomunikasi satu sama lain dengan kecepatan tinggi? Kabel tembaga tradisional menghadapi batasan fisik di atas 800Gbps — sinyal melemah, konsumsi daya melonjak, pendinginan tidak terkendali. Interkoneksi optik adalah satu-satunya jalan keluar, ini bukan masalah optimasi rekayasa, tetapi batasan keras yang ditetapkan oleh hukum dasar elektromagnetik.
Pemain kunci: Lumentum (LITE, pemimpin laser InP, saham naik 16 kali lipat), Coherent (COHR, integrasi vertikal optik), Tower Semiconductor (TSEM, foundri fotonik silikon, sebelumnya juga pernah saya tulis laporan penelitian mendalam), Arista Networks (ANET, switch pusat data AI), Astera Labs (ALAB, chip koneksi).
Masalah inti: Interkoneksi optik adalah peluang lingkaran kedua — sudah mulai dinilai, tapi mungkin belum sepenuhnya. Kuncinya adalah membedakan perusahaan mana yang masih ada ruang, mana yang sudah price in, baru-baru ini beberapa laporan penelitian saya terkait ini.
(4) Pendingin dan Catu Daya: Saluran Pembuangan Kota
Konsumsi daya rak server GB200 terbaru Nvidia mencapai 120 kilowatt. Puluhan ribu kartu diletakkan bersama, panasnya luar biasa. Pendinginan cair dari "opsional" menjadi "wajib". Teknologi pendinginan imersi dua fase Microsoft telah menurunkan konsumsi energi pendinginan server Azure sebesar 95%. Vertiv (VRT) adalah pemimpin di bidang ini, nVent (NVT), Modine (MOD) juga tumbuh cepat.
Masalah inti: Tidak seksi, tapi tak tergantikan. Khas lingkaran ketiga — kebanyakan orang tidak melihat, tapi tanpanya pusat data AI tidak bisa berjalan. Selanjutnya akan ada laporan penelitian terkait.
(5) Server dan Pusat Data
Dell, Supermicro mengintegrasikan chip, memori, jaringan, pendingin menjadi server AI. Equinix, Digital Realty menyediakan ruang fisik server. CoreWeave (IPO 2025) adalah perwakilan cloud GPU murni.
(6) Platform Cloud: Grosir Daya Komputasi
AWS, Azure, GCP adalah "grosir" daya komputasi — tiga awan besar bersama-sama menguasai sekitar 65% pangsa pasar global. Oracle tumbuh dengan awan AI menjadi pemenang yang tak terduga.
Lapisan Kedua: Model dan Alat — "Sistem Operasi" AI
Ini adalah lapisan yang paling mendapat perhatian, pertumbuhan paling menakjubkan, tetapi struktur paling tidak pasti dalam rantai industri AI.
Lima penguasa berebut: OpenAI (GPT), Anthropic (Claude), Google (Gemini), Meta (Llama open source), xAI (Grok). Pertumbuhan pendapatan lapisan ini mencengangkan — ARR (Pendapatan Berulang Tahunan) Anthropic melonjak dari $1 miliar akhir 2024 menjadi $9 miliar akhir 2025, dan pada April 2026 telah melampaui $30 miliar.
Salesforce membutuhkan 20 tahun untuk mencapai pendapatan tahunan $30 miliar, Anthropic kurang dari 3 tahun. ARR OpenAI saat ini sekitar $24 miliar, keduanya bersama-sama melebihi $50 miliar. Perusahaan model bukan lagi "cerita bakar uang", tapi bisnis yang menghasilkan uang sungguhan.
Tapi di balik lonjakan pendapatan, ada perubahan struktural yang sedang terjadi yang perlu diperhatikan: Pusat gravitasi daya komputasi AI sedang bergeser dari "pelatihan" ke "inferensi".
Dua tahun terakhir, konsumsi daya komputasi AI terutama pada pelatihan model besar — memasukkan data dalam jumlah besar, membuat model belajar memahami dunia. Tapi begitu model selesai dilatih, langkah selanjutnya adalah "inferensi" — yaitu membuat model benar-benar menjawab pertanyaan, menjalankan tugas.
Penelitian Deloitte menunjukkan, konsumsi daya komputasi inferensi telah melampaui pelatihan pada akhir 2025, menyumbang lebih dari 55% dari pengeluaran infrastruktur cloud AI. Bahkan ada yang menyebutkan, "Dulu 80% daya komputasi dihabiskan untuk pelatihan, 20% untuk inferensi, di masa depan proporsi ini akan terbalik."
Apa artinya ini? Pasar inferensi mungkin jauh lebih besar dari pasar pelatihan (diperkirakan mencapai $255 miliar pada 2030), dan kebutuhan inferensi terhadap chip berbeda dengan pelatihan — lebih mementingkan efisiensi biaya dan latensi rendah, daripada puncak daya komputasi ekstrem. Ini mungkin bisa menjadi celah bagi monopoli Nvidia untuk ditantang: AMD, Marvell (baru saja mendapat investasi $2 miliar dari Nvidia), serta berbagai chip buatan sendiri, semuanya membidik pasar inferensi.
Pertanyaan yang paling patut direnungkan di lapisan ini adalah: Akankah model AI membentuk monopoli oligopoli, atau akan menjadi "komoditas"?
Llama Meta terbuka gratis, DeepSeek membuat model yang kompetitif dengan biaya sangat rendah. Paket API GLM-5 saat ini sedang kehabisan stok, open source sedang menurunkan ambang batas lapisan model. Tapi "komoditas" juga tidak sesederhana itu — kesenjangan kemampuan antar model menyempit, tapi belum hilang.
Terutama dalam skenario penggunaan mendalam, perbedaan pengalaman antar model masih signifikan, dan integrasi API perusahaan, kustomisasi alur kerja, akumulasi data semuanya akan membentuk biaya peralihan. Struktur akhir mungkin bukan "pemenang mengambil semua", juga bukan "komoditas sepenuhnya", tapi di antara keduanya — beberapa model mendominasi pasar utama, tapi saling bersaing secara berbeda.
Jika keuntungan lapisan model ditekan oleh open source, nilai sebenarnya akan dialihkan ke lapisan atas dan bawah. Ke lapisan atas yaitu lapisan infrastruktur, karena semua orang perlu menjalankan model, permintaan daya komputasi tidak berkurang malah bertambah. Ke bawah yaitu ke lapisan aplikasi, karena biaya pemanggilan turun, aplikasi AI lebih mudah menghasilkan uang. Proses redistribusi keuntungan ini, mungkin menjadi variabel terpenting dalam rantai industri AI dalam beberapa tahun ke depan.
Lapisan Ketiga: Middleware dan Platform — Lapisan Perekat
Lapisan tengah yang menghubungkan model dan aplikasi. Perusahaan perwakilan: Scale AI (pelabelan data dan evaluasi AI, valuasi $13.8 miliar), LangChain (kerangka kerja pengembangan aplikasi LLM), Hugging Face (platform berbagi model, GitHub-nya dunia AI).
Sebagian besar perusahaan di lapisan ini belum go public, skala kecil. Tapi begitu lapisan aplikasi AI meledak, perusahaan "perekat" ini mungkin mengalami pertumbuhan ledakan — seperti kebangkitan Shopify dan Stripe saat e-commerce meledak. Perlu terus dipantau.
Lapisan Keempat: Aplikasi Vertikal — Pintu Masuk Uang
Tempat AI langsung menghadap pengguna akhir menciptakan nilai. Beberapa arah:
Platform AI Perusahaan: Palantir menjual sistem operasi AI kepada pemerintah dan perusahaan. ServiceNow, Salesforce sedang memasang AI ke SaaS tradisional.
Alat Kode: GitHub Copilot adalah standar de facto, Cursor menantang. Logikanya jelas — jika AI bisa menggandakan efisiensi programmer, setiap perusahaan akan membayar.
AI Kesehatan: Isomorphic Labs (di bawah Alphabet, keturunan AlphaFold) mungkin adalah target yang paling layak diperhatikan jangka panjang, diharapkan IPO 2027.
Robot dan Kecerdasan Terwujud: Arah dengan TAM terbesar jangka panjang. Tesla Optimus, Figure AI, Unitree. Tapi masih sangat awal.
Mobil Otonom: Waymo paling matang secara komersial, Tesla FSD mengejar dengan solusi visi.
Lapisan aplikasi adalah lapisan yang paling beragam dan paling sulit memilih pemenang. Tapi satu tren yang perlu diperhatikan: Pada 2026, pasar aplikasi AI global diperkirakan akan pertama kali melampaui pasar infrastruktur hulu — uang sedang bergeser dari "membangun kota" ke "membuka toko". Pada saat yang sama, AI Agent (agen otonom) sedang menjadi bentuk baru aplikasi perusahaan, diperkirakan pada akhir 2026, lebih dari 40% fungsi aplikasi perusahaan akan mengandung fungsi AI Agent bawaan, sementara pada 2025 proporsi ini masih di bawah 5%.
Dimensi Lintas Potong: Energi — Batasan Utama AI
Semua lapisan tidak bisa menghindari satu masalah: Listrik dari mana?
Konsumsi listrik pusat data AI tumbuh secara eksponensial. Microsoft memiliki pesanan Azure senilai $80 miliar yang tidak dapat disampaikan karena kekurangan listrik. Ini memicu gelombang investasi energi: Constellation Energy (tenaga nuklir), NuScale dan Oklo (reaktor nuklir kecil), GE Vernova (turbin gas).
AI akan terus berkembang, infrastruktur energi adalah jalur derivatif yang sangat pasti.
Bab 4: Empat Pertanyaan di Luar Konsensus
Setelah menggambar peta, yang paling berharga bukan mengonfirmasi konsensus, tapi mengidentifikasi hal-hal yang mungkin diabaikan pasar. Saat ini saya lebih memperhatikan 4 pertanyaan, penelitian selanjutnya akan lebih banyak dimulai dari sudut pandang ini
Pertanyaan 1: Pergeseran dari pelatihan ke inferensi, akan mengubah nasib siapa?
Dua tahun terakhir, permintaan utama daya komputasi AI adalah pelatihan model besar. Tapi sekarang inferensi (membuat model benar-benar bekerja) telah melampaui pelatihan menjadi pasar yang lebih besar. Inferensi berbeda dengan pelatihan dalam hal persyaratan chip — lebih mementingkan rasio harga-kinerja daripada daya komputasi ekstrem.
Ini mungkin membuka jendela: Monopoli Nvidia di pasar pelatihan hampir tak tergoyahkan, tapi pasar inferensi lebih tersebar, AMD, Marvell, Broadcom serta berbagai chip buatan sendiri semuanya punya peluang. Pada saat yang sama, sifat "konsumsi berkelanjutan" inferensi berarti permintaan daya komputasi bukan sekali pakai, tapi tumbuh terus seiring dengan penyebaran aplikasi AI — ini kabar baik bagi seluruh rantai pasokan.
Pertanyaan 2: $600 miliar diinvestasikan, imbalannya di mana?
Pada 2026, belanja modal lima raksasa teknologi akan melebihi $600 miliar, tapi pendapatan yang dihasilkan oleh aplikasi AI hanya sekitar sebagian kecil dari angka ini. Dalam sejarah, kesenjangan input-output serupa hanya terjadi sekali — infrastruktur telekomunikasi akhir 1990-an. Akhirnya saat itu banyak perusahaan fiber bangkrut.
Tentu, perbedaan kuncinya adalah: Perusahaan telekomunikasi dulu mengandalkan utang, raksasa teknologi hari ini mengandalkan keuntungan sendiri, rasio utang terhadap aset berada pada level terendah sejarah. Tapi jika kecepatan monetisasi aplikasi AI tidak mengikuti, pertumbuhan belanja modal pasti akan melambat — dan ini akan menyebar ke seluruh rantai pasokan, risiko apa yang akan dibawa bagi perusahaan?
Pertanyaan 3: Peta lingkaran kedua dan ketiga seperti apa bentuknya?
Nvidia adalah lingkaran pertama, sudah diteliti dan dinilai penuh. Interkoneksi optik dan catu daya adalah lingkaran kedua, sedang dikenali kembali oleh pasar. Lalu lingkaran ketiga? Pendingin, foundri khusus, keamanan AI, chip inferensi tepi — perusahaan apa saja di mata rantai ini? Model bisnisnya seperti apa? Struktur persaingannya bagaimana? Pertanyaan-pertanyaan ini jika tidak dipahami sekarang, saat peluang benar-benar muncul sudah terlambat. Inilah yang akan dilakukan penelitian lapis demi lapis selanjutnya.
Pertanyaan 4: Bagaimana geopolitik memengaruhi rantai industri?
Pembatasan ekspor chip AI AS ke China sedang membagi dua rantai industri AI global. Nvidia H20 dilarang, China sedang membangun satu set infrastruktur AI independen. Ini berarti dua set rantai industri paralel berinvestasi, jumlah total mungkin lebih besar dari perkiraan. Tapi juga berarti sebagian pemasok menghadapi risiko "memilih sisi".
Bab 5: Selanjutnya Bagaimana?
Peta sudah digambar, selanjutnya adalah misi utama.
Saya akan mulai dari lapisan pertama, masuk ke dalam satu mata rantai demi mata rantai. Seperti membersihkan area dalam bermain game — lakukan misi utama dulu (perusahaan dan logika inti setiap lapisan), lalu lakukan misi sampingan (sudut yang pinggir tapi mungkin ada kejutan).
Setiap perhentian, pahami tiga hal: Model bisnis mata rantai ini seperti apa? Struktur persaingannya seperti apa? Valuasi berada pada level apa? Setelah memahami tiga hal ini, apapun perubahan pasar di masa depan, kita punya dasar penilaian.
Beberapa Kata Santai
Saat menulis ikhtisar rantai industri ini, saya teringat cerita LITE.
Saya sebelumnya pernah mengulas mendalam Lumentum (LITE) di akun publik. LITE naik 20 kali lipat dalam setahun, bagaimana orang lain menangkapnya? Ini adalah kasus buku teks: Pertengahan 2024, pasar masih menganggapnya sebagai "saham siklus telekomunikasi", $50 per saham tidak ada yang mau. Tapi substansinya adalah "sistem saraf" pusat data AI, pangsa pasar global laser InP 50-60%, batasan fisik kabel tembaga, manajemen memperluas produksi siklus terbalik saat rugi, nilai aset buku lebih tinggi dari kapitalisasi pasar.
Semua informasi terbuka, hanya saja di otak saya tidak ada peta rantai industri untuk mengidentifikasinya.
Semua yang terlewatkan, pada akhirnya bukan karena "terlambat mengambil tindakan", tapi karena "terlalu sedikit meneliti".
Inilah mengapa saya ingin membangun "posisi pengetahuan". AI adalah lintasan yang cukup panjang — cukup panjang sehingga tidak perlu cemas belum naik sekarang, tapi juga tidak bisa menunggu tanpa melakukan apa-apa. Memahami setiap lapisan, setiap mata rantai rantai industri, hal ini sendiri adalah persiapan terbaik. Saat pasar memberi kita kesempatan — apakah itu puing setelah gelembung pecah, atau titik balik yang tiba-tiba muncul — dengan peta di tangan, penilaian bisa dibuat dalam hitungan detik.
"Insting pembunuh, bukan bawaan lahir, tapi ditukar dengan penelitian ribuan jam."
