Chainalysis: $100 Triliun Dapat Beralih ke Generasi Asli Kripto Pada 2048

bitcoinistDipublikasikan tanggal 2026-04-09Terakhir diperbarui pada 2026-04-09

Abstrak

Analisis Chainalysis memproyeksikan perpindahan kekayaan senilai $100 triliun dari generasi Boomer ke Milenial dan Gen Z pada 2028-2048 akan mendorong adopsi besar-besaran cryptocurrency, khususnya stablecoin. Generasi muda yang lebih akrab dengan aset kripto diperkirakan akan menjadikan stablecoin sebagai inti infrastruktur pembayaran global. Dua faktor utama pendorongnya adalah transfer kekayaan antargenerasi dan adopsi stablecoin di sistem point-of-sale. Kombinasi ini berpotensi menambah volume transaksi stablecoin tahunan sebesar $508 triliun dari warisan dan $232 triliun dari pembayaran merchant pada 2035. Transaksi on-chain stablecoin diprediksi menyamai volume Visa dan Mastercard pada periode 2031-2039. Perusahaan finansial tradisional seperti Stripe dan Mastercard telah mulai beradaptasi dengan membangun infrastruktur yang menghubungkan sistem tradisional dan blockchain.

Perusahaan analisis blockchain Chainalysis mengungkapkan bahwa transfer kekayaan yang signifikan dalam dua dekade mendatang dapat mengubah cara pembayaran global dilakukan, dengan stablecoin kemungkinan akan memainkan peran sentral dalam perubahan ini untuk sektor kripto yang lebih luas.

Dalam sebuah posting blog baru, perusahaan ini memproyeksikan bahwa antara 2028 dan 2048, sebanyak $100 triliun dapat beralih dari "Baby Boomers" ke "Milennial" dan "Generasi Z", kelompok yang jauh lebih mungkin memandang kripto sebagai bagian standar dari kehidupan keuangan mereka.

Pergerakan demografi dan modal itu, kata Chainalysis, akan mendorong peningkatan besar dalam aktivitas stablecoin on-chain dan mempercepat adopsi jalur pembayaran kripto.

Mengapa Chainalysis Memprediksi Lonjakan Stablecoin

Chainalysis mendasarkan ramalannya pada dua tren yang menyatu. Pertama, mulai sekitar tahun 2028, komposisi populasi dewasa di Amerika Utara dan Eropa akan berubah.

Milennial dan Gen Z — kelompok di mana hampir setengahnya pernah memegang cryptocurrency — diperkirakan akan menjadi pelaku ekonomi dominan, secara bertahap menggantikan Generasi X dan Boomers dalam pengaruh dan daya beli.

Kedua, perkiraan dari institusi seperti Merrill Lynch menunjukkan bahwa sebanyak $100 triliun dapat ditransfer ke generasi muda pada tahun 2048. Chainalysis menghitung bahwa transfer antargenerasi ini saja dapat menambah volume transaksi stablecoin tahunan sekitar $508 triliun pada tahun 2035.

Di luar transfer kekayaan langsung, Chainalysis menyoroti adopsi point-of-sale (POS) sebagai pendorong utama kedua. Perusahaan memperkirakan bahwa saturasi POS dari jalur stablecoin dapat menyumbang hingga $232 triliun dalam volume stablecoin tahunan pada tahun 2035.

Secara keseluruhan, masuknya modal yang dapat diwariskan dan adopsi merchant yang lebih luas akan menghasilkan baseline pembayaran baru di mana jalur stablecoin menjadi elemen inti dari infrastruktur yang memindahkan uang.

Transaksi Kripto Dapat Menyamai Visa Dan Mastercard

Jika tren pertumbuhan transaksi saat ini berlanjut, kata Chainalysis, transaksi stablecoin on-chain dapat mencapai paritas dengan jumlah transaksi off-chain dari Visa dan Mastercard sekitar dalam kurun waktu 2031–2039.

Laporan itu memperingatkan, bagaimanapun, bahwa adopsi jarang mengikuti garis lurus: efek jaringan, insentif pengguna, dan peningkatan teknologi dapat membuat persilangan itu terjadi lebih awal.

Saat konsumen mengevaluasi opsi pembayaran, mereka kemungkinan akan membandingkan jalur kripto dengan sistem tradisional berdasarkan metrik yang familiar — biaya, waktu penyelesaian, dan hadiah — serta kartu dan layanan yang terhubung dengan stablecoin dapat bersaing langsung dengan penyedia lama.

Chainalysis melihat dinamika ini sudah memicu langkah-langkah strategis oleh pemain keuangan mapan. Posting blog tersebut menunjuk pada tindakan seperti akuisisi Bridge oleh Stripe dan kemitraan Mastercard dengan BVNK sebagai contoh dari perusahaan yang sudah ada memposisikan diri untuk beroperasi di kedua jalur tradisional dan on-chain.

Perusahaan berargumen bahwa, bagi bank dan perusahaan pembayaran, pilihannya menjadi biner: membangun infrastruktur dan kemitraan untuk menangkap arus dari pelanggan asli kripto atau berisiko menyerahkan transaksi ke jalur alternatif yang dioperasikan oleh pihak lain.

Bagan harian menunjukkan total kapitalisasi pasar kripto di $2,4 triliun per Rabu. Sumber: TOTAL on TradingView.com

Gambar unggulan dari OpenArt, bagan dari TradingView.com

Pertanyaan Terkait

QMenurut Chainalysis, berapa triliun dolar kekayaan yang diproyeksikan akan berpindah ke generasi yang lebih muda pada tahun 2048?

A$100 triliun diproyeksikan akan berpindah dari generasi Boomer ke generasi Milenial dan Gen Z pada tahun 2048.

QKelompok demografi mana yang dianggap lebih mungkin menerima cryptocurrency sebagai bagian standar dari kehidupan keuangan mereka?

AGenerasi Milenial dan Gen Z, di mana hampir setengah dari mereka pernah memegang cryptocurrency pada suatu saat.

QApa dua faktor utama yang diprediksi akan mendorong peningkatan volume transaksi stablecoin menurut laporan tersebut?

ADua faktor utamanya adalah transfer kekayaan antargenerasi dan adopsi stablecoin pada sistem point-of-sale (POS) oleh merchant.

QKapan transaksi on-chain stablecoin diperkirakan akan menyamai volume transaksi off-chain Visa dan Mastercard?

ATransaksi on-chain stablecoin diperkirakan mencapai paritas dengan Visa dan Mastercard dalam periode 2031 hingga 2039.

QApa contoh langkah strategis yang telah diambil oleh perusahaan keuangan tradisional untuk beradaptasi dengan ekosistem crypto?

AContohnya termasuk akuisisi Bridge oleh Stripe dan kemitraan Mastercard dengan BVNK untuk beroperasi di kedua infrastruktur tradisional dan on-chain.

Bacaan Terkait

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

Model generatif seperti model difusi atau autoregresif yang dominan saat ini biasanya tidak melatih seluruh proses generasi secara end-to-end. Mereka dilatih hanya untuk memprediksi satu "langkah kecil" dalam proses, namun saat inferensi, langkah ini harus diulang ratusan atau ribuan kali. Ketidaksesuaian ini menyebabkan masalah "exposure bias," di mana kesalahan menumpuk seiring waktu. Makalah terbaru dari UIUC dan Harvard memperkenalkan paradigma baru bernama **Explorative Modeling (XM)**. Inti dari metode ini sangat sederhana: alih-alih menghasilkan satu sampel, model menghasilkan **K kandidat** dalam setiap langkah pelatihan. Kemudian, hanya kandidat yang paling dekat dengan data target yang dipilih untuk menghitung gradien dan memperbarui model. Mengapa ini berhasil? Dalam tugas generatif, satu input bisa memiliki banyak output yang valid (mode). Fungsi kerugian rekonstruksi tradisional cenderung menyebabkan "mode blurring," di mana model hanya mempelajari rata-rata dari semua mode, menghasilkan output yang tidak realistis. Dengan menghasilkan beberapa kandidat, model dapat "mengeksplorasi" dan menangkap beberapa mode yang berbeda sekaligus, sehingga menghindari rata-rata yang kabur. Penelitian ini menunjukkan bahwa **"eksplorasi" (K) bertindak sebagai sumbu penskalaan ketiga** yang efektif, selain parameter dan data. Eksperimen pada gambar, video, dan bahasa menunjukkan peningkatan kinerja yang monoton dengan peningkatan K, dengan keuntungan yang lebih besar pada skala yang lebih besar. XM dapat meningkatkan efisiensi FLOP hingga 4.1x dan efisiensi sampel hingga 6.2x. Yang lebih menarik, ketika diterapkan secara ekstrem, XM memungkinkan **pelatihan generatif yang benar-benar end-to-end**. Dalam tugas kontrol robot, "Explorative Policy" berbasis XM mencapai kinerja yang setara dengan "Diffusion Policy" yang membutuhkan 100 langkah inferensi, sementara hanya membutuhkan satu langkah inferensi maju. Ini membuktikan bahwa kompleksitas untuk menangani banyak mode dapat dipindahkan dari inferensi ke pelatihan. Meskipun ide "best-of-K" bukan hal baru, kontribusi utama makalah ini adalah penjelasan teoritis bahwa mekanisme ini secara langsung meningkatkan **ekspresivitas generatif** model. Dengan demikian, ini menawarkan cara baru yang ampuh untuk mengatasi tantangan mendasar dalam pemodelan generatif.

marsbit46m yang lalu

Model Generatif Bisa Dilatih End-to-End? Intinya Hanya Sebuah For Loop

marsbit46m yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

OpenAI tidak lagi mengandalkan model termahal untuk menghasilkan uang. Pada 30 Juli, perusahaan mengumumkan penyesuaian harga, menurunkan harga model GPT-5.6 Luna sebesar 80% dan Terra sebesar 20%. Yang lebih penting dari angka penurunan harga adalah pesan intinya: untuk banyak tugas, model terkuat (seperti Sol) tidak selalu diperlukan. OpenAI secara eksplisit merekomendasikan strategi di mana model mahal (Sol) menangani perencanaan dan analisis kompleks, sementara model yang lebih terjangkau (Luna) mengeksekusi tugas, menulis kode, dan menjalankan pengujian. Pergeseran ini mencerminkan perubahan industri AI dari hanya mengejar kecerdasan tertinggi menuju optimisasi biaya dan efisiensi untuk penggunaan skala besar. Anthropic juga mengikuti pola serupa dengan meluncurkan Claude Opus 5 dengan harga setengah dari model andalannya, Fable 5. Kedua raksasa Silicon Valley ini menunjukkan bahwa model flagship kini berfungsi lebih untuk nilai merek dan pembuktian teknologi, sementara model "kendaraan massal" yang lebih murah (seperti Luna, Terra, Opus) yang akan mendorong adopsi komersial luas dan menghasilkan pendapatan utama. OpenAI mengungkapkan bahwa penurunan biaya ini sebagian didorong oleh model AI (Sol) yang mengoptimalkan kode produksi dan alur kerjanya sendiri, menciptakan siklus peningkatan efisiensi yang dapat mempercepat penurunan biaya di masa depan. Intinya, kompetisi AI bergeser dari "siapa yang paling pintar" menjadi "mana yang paling bernilai". Perusahaan tidak lagi membeli satu model tunggal, tetapi merancang sistem dengan beberapa model yang cocok untuk tugas yang berbeda—mirip dengan arsitektur komputasi awan. Tujuan akhir OpenAI adalah membangun ekosistem yang mengunci alur kerja pengembang melalui volume panggilan API yang sangat besar dan biaya yang sangat rendah, sehingga menciptakan daya tarik yang kuat. Ketika AI menjadi murah dan tersebar luas seperti listrik, tertanam dalam setiap proses tanpa diperdebatkan, era sesungguhnya baru dimulai.

marsbit2j yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

marsbit2j yang lalu

Trading

Spot
活动图片