Sumber: International Business Times UK
Penulis Asli: Anastasia Matveeva |
Disusun dan Dikompilasi oleh: Gonka.ai
AI sedang berkembang dengan kecepatan yang mencengangkan, tetapi logika ekonomi dasarnya jauh lebih rapuh daripada yang terlihat di permukaan. Ketika tiga raksasa cloud menguasai dua pertiga komputasi global, ketika biaya pelatihan menuju $10 miliar, ketika tagihan inferensi membuat perusahaan rintisan terkejut—biaya sebenarnya dari perlombaan senjata komputasi ini secara diam-diam membentuk ulang distribusi nilai seluruh industri AI.
Artikel ini tidak membahas siapa yang akan membangun model paling canggih. Ini membahas masalah yang lebih mendasar: apakah model ekonomi infrastruktur AI saat ini benar-benar berkelanjutan setelah penskalaan? Bagaimana perubahan mekanisme distribusi komputasi akan membentuk ulang distribusi nilai seluruh pasar?
I. Biaya Kecerdasan di Balik Layar
Melatih model besar mutakhir membutuhkan puluhan juta hingga ratusan juta dolar. Anthropic secara terbuka menyatakan bahwa biaya melatih Claude 3.5 Sonnet adalah "puluhan juta dolar", dan CEO-nya Dario Amodei sebelumnya memperkirakan bahwa biaya pelatihan model generasi berikutnya mungkin mendekati $1 miliar. Menurut laporan media industri, biaya pelatihan GPT-4 mungkin telah melebihi $100 juta.
Namun, biaya pelatihan hanyalah puncak gunung es. Yang benar-benar memberikan tekanan berkelanjutan pada tingkat struktural adalah biaya inferensi—yaitu biaya yang timbul setiap kali model dipanggil. Menurut penetapan harga API terbuka OpenAI, inferensi dibebankan per juta Token. Untuk aplikasi dengan penggunaan tinggi, ini berarti bahwa bahkan sebelum penskalaan, biaya inferensi harian mungkin sudah mencapai ribuan dolar.
AI sering digambarkan sebagai perangkat lunak. Tetapi esensi ekonominya semakin menyerupai infrastruktur padat modal—baik dengan investasi awal yang tinggi maupun pengeluaran operasional yang terus-menerus.
Perubahan struktur ekonomi ini secara diam-diam mengubah lanskap kompetitif seluruh industri AI. Yang mampu menanggung beban komputasi adalah para raksasa yang telah membangun infrastruktur skala besar; sementara perusahaan rintisan yang berusaha bertahan di sela-sela secara bertahap terkikis oleh tagihan inferensi.
II. Intensitas Modal dan Konsentrasi Pasar
Menurut analisis pasar cloud Holori 2026, AWS saat ini memegang sekitar 33% pangsa pasar cloud global, Microsoft Azure sekitar 22%, dan Google Cloud sekitar 11%. Tiga perusahaan ini bersama-sama menguasai sekitar dua pertiga infrastruktur cloud global, dan sebagian besar beban kerja AI global berjalan di infrastruktur ketiga perusahaan ini.
Makna praktis dari konsentrasi ini adalah: ketika API OpenAI mengalami gangguan, ribuan produk terpengaruh secara bersamaan; ketika penyedia layanan cloud utama mengalami kegagalan, layanan lintas industri dan geografi terganggu.
Konsentrasi tidak menyempit, pengeluaran infrastruktur justru terus berkembang. Mengambil Nvidia sebagai contoh, bisnis pusat datanya telah mencapai pendapatan tahunan lebih dari $80 miliar, menunjukkan permintaan GPU kinerja tinggi yang terus kuat.
Yang lebih patut diperhatikan adalah ketimpangan struktural tersembunyi. Menurut dokumen SEC dan laporan pasar, laboratorium terkemuka seperti OpenAI dan Anthropic melalui perjanjian "ekuitas untuk komputasi" multi-miliar dolar, mengunci sumber daya GPU dengan harga mendekati biaya serendah $1.30–$1.90 per jam. Sementara perusahaan kecil dan menengah yang kurang memiliki hubungan strategis dengan Nvidia, Microsoft, atau Amazon dipaksa membeli dengan harga eceran lebih dari $14 per jam—premium setinggi 600%.
Kesenjangan harga ini didorong oleh investasi strategis Nvidia baru-baru ini sebesar $40 miliar ke laboratorium terkemuka. Akses ke infrastruktur AI semakin ditentukan oleh perjanjian pengadaan padat modal, bukan oleh kompetisi pasar terbuka.
Pada tahap adopsi awal, konsentrasi ini mungkin terlihat "efisien". Tetapi setelah penskalaan, ini membawa risiko penetapan harga, kemacetan pasokan, dan ketergantungan infrastruktur—tiga kerapuhan yang tumpang tindih.
III. Dimensi Energi yang Terabaikan
Masalah biaya infrastruktur AI memiliki dimensi lain yang sering diabaikan: energi.
Menurut data Badan Energi Internasional (IEA), pusat data saat ini menyumbang sekitar 1–1.5% dari konsumsi listrik global, dan pertumbuhan permintaan yang didorong oleh AI dapat mendorong peningkatan proporsi ini secara signifikan dalam beberapa tahun mendatang.
Ini berarti bahwa ekonomi komputasi bukan hanya masalah keuangan, tetapi juga tantangan infrastruktur dan energi. Seiring dengan ekspansi beban kerja AI yang berkelanjutan, signifikansi geopolitik pasokan listrik akan semakin menonjol—negara mana yang dapat menyediakan komputasi paling stabil dengan biaya energi terendah akan memiliki keunggulan struktural dalam kompetisi industri era AI.
Ketika Jensen Huang mengumumkan visibilitas pesanan Nvidia突破 $1 triliun di GTC26, yang dia gambarkan bukan hanya kesuksesan komersial satu perusahaan, tetapi proses besar peradaban mengubah listrik, tanah, dan mineral langka menjadi komputasi cerdas.
IV. Memikirkan Kembali Mekanisme Infrastruktur
Sementara pusat data terpusat terus berkembang, eksplorasi lain sedang bangkit—berusaha mendefinisikan ulang cara koordinasi sumber daya komputasi secara fundamental.
Inferensi Terdesentralisasi: Alternatif Struktural
Protokol Gonka adalah praktik perwakilan dalam arah ini. Ini adalah jaringan terdesentralisasi yang dirancang khusus untuk inferensi AI, dengan tujuan desain inti: memampatkan overhead sinkronisasi jaringan dan konsensus seminimal mungkin, mengarahkan sebanyak mungkin sumber daya komputasi ke beban kerja AI nyata.
Pada tingkat tata kelola, Gonka mengadopsi prinsip "satu unit komputasi satu suara"—bobot tata kelola ditentukan oleh kontribusi komputasi yang dapat diverifikasi, bukan oleh proporsi kepemilikan saham modal. Pada tingkat teknis, protokol mengadopsi interval pengukuran kinerja siklus pendek (disebut Sprint), mengharuskan peserta menunjukkan komputasi GPU nyata secara real-time melalui mekanisme bukti kerja (PoW) berbasis Transformer.
Signifikansi desain ini adalah: hampir 100% komputasi jaringan diarahkan ke beban kerja inferensi AI itu sendiri, bukan dikonsumsi pada overhead infrastruktur seperti mempertahankan konsensus, mengoordinasikan komunikasi, dll.
Logika Ekonomi Komputasi Terdistribusi
Dari perspektif ekonomi, proposisi nilai jaringan komputasi terdesentralisasi memiliki tiga tingkat.
Pertama adalah tingkat biaya. Struktur penetapan harga penyedia layanan cloud terpusat pada dasarnya mencakup penyusutan aset tetap yang besar, biaya operasional pusat data, dan ekspektasi laba pemegang saham. Jaringan terdesentralisasi dapat secara signifikan memampatkan bagian biaya ini dengan memonetisasi sumber daya GPU yang menganggur. Mengambil Gonka sebagai contoh, layanan inferensi yang saat ini disediakan melalui gateway penagihan USD-nya GonkaGate, harganya sekitar $0.0009 per juta Token—sementara penyedia layanan terpusat seperti Together AI menetapkan harga sekitar $1.50 untuk model serupa (seperti DeepSeek-R1), perbedaan lebih dari seribu kali lipat.
Kedua adalah tingkat elastisitas pasokan. Pasokan komputasi penyedia layanan terpusat adalah kaku, siklus ekspansi dihitung dalam bulan bahkan kuartal. Peserta jaringan terdesentralisasi dapat bergabung atau keluar secara elastis sesuai fluktuasi permintaan, secara teoritis dapat merespons puncak permintaan lebih cepat—seperti layanan cloud Amazon yang lahir karena permintaan puncak流量 liburan, fluktuasi puncak-lembah inferensi AI juga membutuhkan infrastruktur elastis untuk menampung.
Ketiga adalah tingkat kedaulatan. Dimensi ini sangat menonjol dari perspektif negara berdaulat. Ketika layanan publik pemerintah suatu negara sangat bergantung pada penyedia layanan cloud eksternal, ketergantungan komputasi adalah kerapuhan strategis. Jaringan terdesentralisasi menyediakan kemungkinan: pusat data lokal dapat diakses sebagai node ke jaringan terdistribusi global, sambil menjamin kedaulatan data, memperoleh pengembalian komersial berkelanjutan dengan menyediakan komputasi ke pasar global.
V. Momen Rekonstruksi Distribusi Nilai
Kembali ke pertanyaan inti di awal artikel: apakah model ekonomi infrastruktur AI saat ini berkelanjutan setelah penskalaan?
Jawabannya: untuk pemain teratas, berkelanjutan; untuk semua orang lain, semakin tidak berkelanjutan.
AWS, Azure, Google Cloud membangun parit pertahanan melalui akumulasi modal puluhan tahun, keunggulan skala mereka hampir tidak dapat digoyahkan dalam jangka pendek. Tetapi keunggulan struktural ini juga berarti: kekuatan penetapan harga, akses data, dan ketergantungan infrastruktur, semuanya sangat terkonsentrasi di tangan beberapa entitas pribadi.
Secara historis, setiap monopoli infrastruktur teknologi besar pada akhirnya memunculkan arsitektur terdistribusi alternatif—internet sendiri adalah pemberontakan terhadap monopoli telekomunikasi, BitTorrent mengganggu sentralisasi distribusi konten, Bitcoin menantang sentralisasi penerbitan mata uang.
Desentralisasi infrastruktur AI mungkin bukan pilihan ideologis, tetapi suatu keharusan ekonomi—ketika biaya sentralisasi cukup tinggi untuk mendorong migrasi pengguna skala besar, permintaan untuk solusi alternatif akan benar-benar meledak. Jensen Huang menggunakan analogi "setiap krisis keuangan mendorong lebih banyak orang ke Bitcoin" untuk membandingkan logika ini, juga berlaku untuk pasar komputasi.
Kemunculan mendadak DeepSeek telah membuktikan satu hal: dalam dunia di mana kemampuan model open source mendekati yang tertutup mutakhir, biaya inferensi akan menjadi variabel inti yang menentukan kecepatan penskalaan aplikasi AI. Siapa yang dapat menyediakan komputasi inferensi dengan biaya terendah dan ketersediaan tertinggi, menguasai tiket masuk kompetisi ini.
Kesimpulan: Perang Infrastruktur Baru Saja Dimulai
Kompetisi tahap berikutnya AI tidak akan dimenangkan di papan peringkat kemampuan model, tetapi dalam permainan ekonomi infrastruktur.
Raksasa komputasi terpusat memegang keunggulan modal dan skala, tetapi juga membawa struktur biaya tetap dan tekanan penetapan harga. Jaringan terdesentralisasi sedang memotong pasar dengan biaya marginal yang sangat rendah, tetapi perlu membuktikan bahwa mereka dapat mencapai ambang batas komersial nyata dalam stabilitas, kemudahan penggunaan, dan skala ekosistem.
Dua jalur ini akan hidup berdampingan untuk waktu yang lama, dan saling memberikan tekanan. Ketegangan antara sentralisasi dan desentralisasi akan menjadi salah satu tema struktural yang paling layak untuk dilacak secara berkelanjutan dalam industri AI dalam lima tahun ke depan.
Perang infrastruktur ini, baru saja dimulai.
