Stablecoins capai Kapitalisasi Pasar $300B: Mengapa Laba $10B Tether Baru Awal

ambcryptoDipublikasikan tanggal 2026-01-26Terakhir diperbarui pada 2026-01-26

Abstrak

Stablecoin telah menjadi mesin pendapatan paling andal di crypto, dengan kapitalisasi pasar mencapai $300 miliar. Penerbit seperti Tether menghasilkan laba lebih dari $10 miliar pada 2025, didorong oleh dominasi Ethereum sebagai lapisan penyelesaian utama. Pasokan stablecoin di Ethereum tumbuh menjadi lebih dari $160 miliar, menghasilkan pendapatan sekitar $5 miliar. Secara paralel, aset dunia nyata yang ditokenisasi (RWA) juga berkembang pesat. ONDO Finance memimpin dengan TVL mencapai $2,5 miliar, didukung oleh produk seperti tokenisasi Treasury AS dan saham. Pertumbuhan TVL RWA berkorelasi erat dengan ekspansi pasokan stablecoin, menunjukkan hubungan fungsional sebagai alat penyelesaian dan sumber likuiditas. Pertumbuhan ini mencerminkan keyakinan struktural dalam infrastruktur moneter on-chain, bukan hanya siklus spekulatif.

Sementara ekosistem L1 terus mengejar hype melalui siklus naratif dan klaim throughput spekulatif, keuntungan paling andal di crypto telah terkumpul di tempat lain.

Stablecoin telah berevolusi secara diam-diam menjadi mesin pendapatan dominan sektor ini, didorong oleh skala, keberadaan di mana-mana, dan kontrol atas penyelesaian on-chain.

Akibatnya, penerbit telah mampu mengubah keunggulan struktural ini menjadi arus kas yang berkelanjutan, dicontohkan oleh Tether [USDT] yang menghasilkan laba lebih dari $10 miliar pada tahun 2025.

Penerbit stablecoin telah berevolusi menjadi generator pendapatan skala besar, dengan Ethereum berperan sebagai lapisan penyelesaian dominan, yang menjadi jangkar pertumbuhan tersebut.

Pada tahun 2025 saja, penerbit menghasilkan sekitar $5 miliar pendapatan yang terkait dengan pasokan berbasis Ethereum. Pendapatan triwulanan berkembang dari sekitar $1,2 miliar di awal tahun menjadi sekitar $1,4 miliar pada Q4.

Pada saat yang sama, pasokan stablecoin di Ethereum [ETH] tumbuh hampir $50 miliar, melampaui $160 miliar.

Seiring dengan berkembangnya cadangan, pendapatan berbasis hasil berkembang secara terprediksi. Dinamika ini memperkuat gravitasi finansial Ethereum, memperdalam likuiditas, dan memperkuat perannya sebagai infrastruktur moneter on-chain inti.

ONDO muncul sebagai pusat likuiditas inti untuk RWA yang ditokenisasi

ONDO Finance dengan cepat mengonsolidasikan posisinya sebagai platform aset dunia nyata terkemuka, dengan Ondo Finance [ONDO] mendorong total nilai terkunci (TVL) menjadi sekitar $2,5 miliar pada Januari 2026.

Di awal tahun 2025, TVL hanya berada di atas $1 miliar. Sejak itu, modal meningkat dengan cepat, didorong oleh produk hasil yang ditokenisasi.

Tokenized U.S. Treasuries menyumbang hampir $2 miliar, dipimpin oleh OUSG dan Ondo US Dollar Yield [USDY]. Sementara itu, saham dan ETF yang ditokenisasi melebihi $500 juta di lebih dari 200 aset.

Seiring ONDO berekspansi di berbagai chain, skalanya menandakan kepercayaan institusional yang tumbuh dalam RWA on-chain.

Apakah pertumbuhan TVL RWA mengikuti siklus likuiditas stablecoin?

Pertumbuhan TVL RWA semakin mengikuti ekspansi pasokan stablecoin, mengungkap hubungan yang jelas yang digerakkan oleh likuiditas.

Ketika kapitalisasi pasar stablecoin naik menuju $280–300 miliar pada akhir 2025, TVL RWA secara bersamaan berkembang menjadi sekitar $16–19 miliar.

Pertumbuhan berdampingan ini mencerminkan fungsi, bukan kebetulan. Stablecoin bertindak sebagai rel penyelesaian dan input penghasil hasil untuk treasury dan ekuitas yang ditokenisasi.

Akibatnya, platform seperti Ondo melipatgandakan TVL di atas $2,5 miliar karena permintaan yang didukung stablecoin semakin intensif.

Oleh karena itu, tren ini menandakan keyakinan struktural, meskipun penghentian sementara dalam penerbitan stablecoin dapat membatasi momentum RWA untuk sementara waktu.


Pemikiran Akhir

  • Stablecoin telah menjadi mesin keuntungan paling andal di crypto, menerjemahkan skala penyelesaian menjadi arus kas berulang sementara Ethereum memperkuat perannya sebagai lapisan moneter on-chain yang dominan.
  • Secara bersamaan, pertumbuhan RWA tetap digerakkan oleh likuiditas, dengan ekspansi TVL yang closely mengikuti pasokan stablecoin, memposisikan platform seperti ONDO sebagai penerima manfaat dari permintaan yang didukung stablecoin daripada siklus spekulatif.

Pertanyaan Terkait

QApa yang menjadi mesin pendapatan paling andal di sektor crypto menurut artikel ini?

AStablecoin telah berevolusi menjadi mesin pendapatan dominan di sektor crypto, didorong oleh skala, keberadaan di mana-mana, dan kontrol atas penyelesaian on-chain.

QBerapa keuntungan yang dihasilkan Tether [USDT] pada tahun 2025 berdasarkan artikel?

ATether [USDT] menghasilkan lebih dari $10 miliar keuntungan pada tahun 2025.

QApa peran Ethereum dalam ekosistem stablecoin seperti yang dijelaskan dalam artikel?

AEthereum berfungsi sebagai lapisan penyelesaian (settlement layer) dominan yang menopang pertumbuhan stablecoin, dengan pasokan berbasis Ethereum menghasilkan sekitar $5 miliar pendapatan pada tahun 2025.

QPlatform apa yang disebutkan sebagai pusat likuiditas utama untuk aset dunia nyata yang ditokenisasi (RWA)?

AONDO Finance disebutkan sebagai platform aset dunia nyata (RWA) terkemuka yang dengan cepat mengonsolidasi posisinya sebagai pusat likuiditas inti.

QBagaimana hubungan antara pertumbuhan pasokan stablecoin dan Total Value Locked (TVL) aset dunia nyata yang ditokenisasi (RWA)?

APertumbuhan TVL RWA semakin mengikuti ekspansi pasokan stablecoin, menunjukkan hubungan yang digerakkan oleh likuiditas. Ketika kapitalisasi pasar stablecoin mendekati $280-300 miliar, TVL RWA juga berkembang menjadi sekitar $16-19 miliar.

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.

marsbit5m yang lalu

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

marsbit5m 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.

marsbit1j yang lalu

OpenAI Tidak Lagi Mengandalkan Model Termahal untuk Menghasilkan Uang

marsbit1j yang lalu

Trading

Spot
活动图片