Penghentian Operasi Besar-besaran: Mengapa perusahaan ingin menyingkirkan agen AI mereka – Ketika biaya agen AI lebih besar daripada nilainya

Ketika agen otonom mengambil alih kendali dan pusat data menghabiskan lebih banyak modal daripada yang dapat diperoleh pasar

Miliaran diinvestasikan tanpa hasil: Agen AI harus membuktikan kegunaannya

Kecerdasan buatan memasuki fase baru. Fase pertama didominasi oleh terobosan teknologi, demonstrasi spektakuler, dan prospek untuk membuat pekerjaan berbasis pengetahuan menjadi jauh lebih produktif. Fase kedua menyaksikan anggaran besar yang dicurahkan ke dalam model, pusat data, prosesor grafis, platform cloud, dan aplikasi perusahaan awal. Sekarang, fase ketiga dimulai: pengecekan realitas ekonomi dan organisasi. Ini akan menentukan tidak hanya penyedia mana yang bertahan, tetapi juga apakah perusahaan benar-benar akan menciptakan nilai terukur dan berkelanjutan dari AI atau hanya membangun risiko biaya, kontrol, dan tanggung jawab baru.

Dua perkembangan secara khusus menyoroti titik balik ini. Pada tingkat aplikasi, agen AI otonom berkembang biak lebih cepat daripada kemampuan banyak perusahaan untuk menyesuaikan tata kelola, hak akses, pengendalian biaya, dan tanggung jawabnya. Secara bersamaan, pada tingkat infrastruktur, pusat data dan kapasitas cloud khusus muncul dalam skala yang saat ini belum memiliki pasar akhir yang cukup besar dan bersedia untuk beroperasi secara ekonomis. Ini mewakili konvergensi dari dua perkiraan yang berbeda: perusahaan melebih-lebihkan kematangan organisasi sistem otonom dalam jangka pendek, sementara investor dan operator infrastruktur mungkin melebih-lebihkan kecepatan di mana permintaan AI dapat diterjemahkan menjadi pendapatan yang menguntungkan.

Oleh karena itu, pertanyaan krusialnya bukan lagi apakah AI berfungsi secara teknis. Melainkan di mana AI berfungsi secara andal, terkendali, dan menguntungkan dalam kondisi dunia nyata. Pergeseran ini mengubah logika pasar. Otonomi maksimum, ukuran model maksimum, atau daya komputasi maksimum saja tidak akan menentukan keberhasilan. Keunggulan kompetitif muncul ketika kemampuan teknis dikombinasikan dengan desain proses yang kuat, akuntabilitas yang jelas, keputusan yang dapat diverifikasi, model biaya yang realistis, dan nilai pelanggan yang berbeda.

Kekecewaan besar bermula di perusahaan-perusahaan

Prediksi bahwa lebih dari 40 persen proyek AI berbasis agen dapat dihentikan, diturunkan kualitasnya, atau dirancang ulang secara fundamental pada akhir tahun 2027 harus dipahami bukan sebagai penilaian terhadap signifikansi jangka panjang teknologi tersebut, melainkan sebagai kritik terhadap implementasinya saat ini. Banyak proyek dimulai sebagai uji coba konsep dalam kondisi terkontrol. Dalam lingkungan ini, data dipilih, tugas dibatasi, pengguna bersifat baik, dan kesalahan memiliki konsekuensi yang relatif kecil. Namun, transisi ke operasi produksi mengubah semua parameter. Agen kemudian harus berurusan dengan data yang tidak lengkap, aturan yang saling bertentangan, sistem lama, kasus khusus, perubahan izin, dan keputusan terkait tanggung jawab.

Justru pada ambang batas inilah sejumlah besar proyek percontohan teknologi gagal. Demonstrasi yang meyakinkan menjawab pertanyaan apakah suatu fungsi pada dasarnya mungkin dilakukan. Namun, demonstrasi tersebut tidak menjawab apakah fungsi tersebut dapat dijalankan jutaan kali dengan biaya keseluruhan yang dapat diterima, kualitas yang stabil, dan risiko yang dapat dikelola. Masalah ini diperparah dengan agen otonom karena mereka tidak hanya dapat menghasilkan konten tetapi juga secara independen memanggil alat, memodifikasi data, memicu proses, dan menghubungkan keputusan. Oleh karena itu, kesalahan tidak selalu terbatas pada respons teks yang salah. Kesalahan dapat menyebar sebagai pesanan yang salah, akses data yang tidak sah, keputusan pelanggan yang salah, atau perubahan pada sistem produksi.

Oleh karena itu, pembatalan proyek yang diantisipasi secara ekonomi masuk akal. Kenaikan biaya, nilai bisnis yang tidak jelas, dan pengendalian risiko yang tidak memadai bukanlah masalah yang terpisah; semuanya saling memperkuat. Semakin tidak andal suatu agen beroperasi, semakin besar upaya yang dibutuhkan untuk pemantauan, audit, dan tindakan korektif. Semakin banyak intervensi manual yang dibutuhkan, semakin kecil peningkatan produktivitas yang sebenarnya. Semakin kecil peningkatan produktivitas, semakin sulit untuk membenarkan pengeluaran tambahan untuk model, integrasi, pemantauan, keamanan, dan kepatuhan. Sistem yang awalnya direncanakan untuk otomatisasi dapat menciptakan lapisan pengawasan manual baru yang sebagian besar tidak terlihat.

Otonomi menjadi jenis biaya baru

Biaya AI berbasis agen seringkali dilihat terlalu sempit. Perusahaan membandingkan harga model atau menghitung biaya untuk token input dan output, tetapi ini hanya mencakup sebagian dari beban ekonomi. Sebuah agen seringkali memecah tugas menjadi beberapa langkah, mengakses berbagai sistem, mengulangi upaya yang gagal, memeriksa hasil sementara, dan mempertahankan konteks yang lebih panjang. Oleh karena itu, alur kerja yang kompleks dapat membutuhkan daya komputasi yang jauh lebih besar daripada chatbot konvensional. Ditambah lagi dengan biaya untuk orkestrasi, persiapan data, antarmuka, pencatatan, manajemen identitas, kontrol keamanan, evaluasi, dan pengoperasian berbagai model.

Yang lebih signifikan lagi adalah biaya tidak langsung. Ini termasuk waktu yang dihabiskan oleh spesialis untuk meninjau hasil, menyelesaikan kesalahan, menerapkan kontrol internal tambahan, memberikan pelatihan, melakukan tinjauan hukum, dan menyesuaikan alur kerja. Jika seorang agen melakukan suatu tugas hanya dengan beberapa sen, tetapi hasilnya memerlukan tinjauan rutin oleh individu yang berkualifikasi, harga model menjadi hampir tidak berarti sebagai metrik. Yang penting adalah total biaya proses untuk setiap tugas yang diselesaikan dengan benar. Ini juga harus mencakup pengulangan, konsekuensi kesalahan, pengecualian, dan biaya pengawasan manusia.

Fakta bahwa hanya 21 persen dari CIO yang disurvei memiliki transparansi penuh mengenai biaya agen AI dan beban kerja AI mereka menunjukkan kurangnya kendali yang mendasar. Tanpa mengalokasikan biaya berdasarkan kasus penggunaan, unit bisnis, dan proses, mustahil untuk menilai manfaat ekonomi atau mengelola anggaran yang andal. Risikonya adalah pengeluaran AI akan tumbuh secara terdesentralisasi di seluruh akun cloud, langganan perangkat lunak, dan anggaran departemen, sementara IT pusat hanya melihat sebagian dari total biaya. Tagihan kemudian baru muncul setelah beberapa waktu, ketika penggunaan, volume data, dan jumlah agen telah meningkat secara signifikan.

Untuk evaluasi yang tepat, perusahaan harus beralih dari hanya mempertimbangkan biaya penggunaan teknis ke model nilai yang komprehensif. Biaya per penyelesaian proses yang berhasil, tingkat kasus yang diselesaikan dengan benar tanpa intervensi manusia, tingkat kesalahan dan pengulangan, waktu pemrosesan, upaya pengendalian, dan manfaat finansial aktual yang direalisasikan semuanya harus diukur. Hanya ketika metrik ini tetap stabil dalam jangka waktu yang lebih lama barulah dapat dinilai apakah suatu agen perlu ditingkatkan skalanya. Otonomi bukanlah tujuan akhir, melainkan variabel investasi: hal itu hanya layak secara ekonomi jika manfaat tambahannya lebih besar daripada peningkatan risiko pengendalian dan kesalahan.

Teknologi informasi bayangan (Shadow IT) semakin berpengaruh

Maraknya agen AI mengubah masalah klasik "shadow IT" (IT bayangan). Sebelumnya, departemen memperoleh perangkat lunak yang tidak sah atau menyimpan data di layanan yang tidak terkontrol. Saat ini, karyawan dapat dengan cepat membuat agen mereka sendiri yang mengakses data perusahaan dan secara independen melakukan tindakan. Survei terhadap 685 CIO perusahaan mengungkapkan bahwa 84 persen melaporkan karyawan mengembangkan agen AI lebih cepat daripada kemampuan IT untuk menerapkan aturan tata kelola yang sesuai. Oleh karena itu, masalahnya bukan hanya terletak pada peningkatan jumlah aplikasi, tetapi juga pada peningkatan jumlah aktor digital.

Para aktor ini sering kali memiliki identitas teknis, kunci API, akun layanan, atau hak pengguna yang didelegasikan. Hal ini menciptakan kelas baru identitas non-manusia yang, di banyak organisasi, tidak tunduk pada aturan yang sama seperti karyawan. 59 persen dari organisasi yang disurvei belum sepenuhnya mengintegrasikan agen AI ke dalam kebijakan manajemen identitas dan akses yang ada. Pada saat yang sama, 72 persen melaporkan kesenjangan sedang hingga besar antara akses yang secara teoritis diizinkan untuk dimiliki oleh agen dan akses yang sebenarnya dapat ditunjukkan oleh organisasi.

Secara ekonomi, kesenjangan ini sangat berbahaya karena menggeser keseimbangan yang diharapkan antara efisiensi dan risiko. Agen dapat bertindak sepanjang waktu dan dengan kecepatan tinggi. Karakteristik yang menjanjikan produktivitas justru meningkatkan cakupan kerusakan jika terjadi kesalahan. Izin yang luas, kunci akses yang berlaku lama, dan pencatatan yang tidak memadai dapat menyebabkan satu keputusan yang salah diulang secara sistematis. Biaya marginal dari tindakan yang salah lainnya hampir nol bagi agen, sementara biaya konsekuensial bagi perusahaan terus menumpuk.

Konsekuensinya jelas: Setiap agen produktif membutuhkan identitas formal, tujuan yang terdokumentasi, pemilik manusia yang bertanggung jawab, dan hak akses terbatas. Akses harus diberikan sesuai dengan prinsip hak akses minimal, dibatasi waktu, dan dipantau secara terus-menerus. Tindakan yang sangat penting harus disetujui manusia sebelum dieksekusi. Mekanisme pematian terpusat sama pentingnya agar agen tidak perlu dinonaktifkan satu per satu secara manual di berbagai sistem jika terjadi kerusakan. Meskipun langkah-langkah ini mungkin sedikit mengurangi kecepatan jangka pendek, langkah-langkah ini meningkatkan skalabilitas sistem secara keseluruhan dengan membatasi kerusakan, ketidakpastian, dan gesekan regulasi.

Tanggung jawab tanpa kendali nyata

Ketegangan organisasi terungkap dalam survei global terhadap 3.200 CIO. Delapan puluh delapan persen mengamati bahwa adopsi operasional AI berkembang lebih cepat daripada adaptasi tata kelola. Pada saat yang sama, 90 persen berasumsi bahwa TI pusat akan bertanggung jawab atas kegagalan keamanan atau kepatuhan, bahkan jika alat yang menyebabkannya diperoleh secara independen dari unit bisnis lain. Hal ini menciptakan kesenjangan antara kekuatan pengambilan keputusan dan akuntabilitas.

Struktur seperti itu menciptakan insentif yang menyimpang. Unit bisnis memperoleh keuntungan jangka pendek dari eksperimen yang cepat, sementara sebagian besar risiko tetap berada di tangan TI, perlindungan data, keamanan informasi, dan manajemen. TI pusat dapat menjadi hambatan jika diharuskan untuk menyetujui setiap aplikasi secara individual. Namun, jika melepaskan kendali sepenuhnya, akan muncul lanskap model, agen, akses data, dan kontrak yang kompleks. Kedua ekstrem tersebut tidak efisien. Pendekatan yang sepenuhnya terpusat menghambat inovasi, sementara pendekatan yang sepenuhnya terdesentralisasi melipatgandakan risiko dan duplikasi upaya.

Oleh karena itu, diperlukan model tata kelola terfederasi. Fungsi-fungsi pusat menetapkan pedoman teknis dan organisasi yang mengikat, menyediakan platform yang disetujui, dan memantau identitas, biaya, dan aktivitas penting. Unit bisnis dapat mengembangkan dan mengoperasikan aplikasi dalam kerangka kerja ini, tetapi harus mendokumentasikan manfaat, sumber data, risiko, dan individu yang bertanggung jawab. Hal ini menjaga agar keputusan sedekat mungkin dengan operasi sehari-hari, sementara standar umum mencegah setiap tim harus menyelesaikan masalah keamanan dan integrasi yang sama berulang kali.

Tekanan pribadi pada para CIO menunjukkan betapa drastisnya AI telah berevolusi dari topik inovasi menjadi faktor karier dan tata kelola. 76 persen eksekutif TI yang disurvei percaya bahwa posisi mereka berisiko jika perusahaan mereka gagal mencapai hasil bisnis yang terukur dengan AI pada akhir tahun 2027. Tekanan ini dapat mempercepat prioritas yang masuk akal, tetapi juga membawa risiko peningkatan skala yang terburu-buru. Mereka yang berada di bawah tekanan untuk kesuksesan jangka pendek mungkin memprioritaskan angka implementasi yang terlihat daripada peningkatan proses yang kuat. Konsekuensi paradoksnya adalah tekanan untuk segera menunjukkan pengembalian investasi justru meningkatkan kemungkinan kesalahan yang mahal.

Ketika pengontrol itu sendiri menjadi faktor biaya

Pengalaman awal dari tata kelola dan audit menunjukkan bahwa risiko tersebut bukan sekadar teori. Dalam survei terhadap 417 profesional tata kelola, risiko, kepatuhan, dan audit, 34 persen melaporkan bahwa organisasi mereka telah bertindak berdasarkan keputusan agen yang tidak akurat. 30 persen mengamati tindakan yang tidak disengaja, 25 persen kegagalan pengendalian, dan 24 persen dampak pada pelanggan. Dalam 20 persen kasus, dua agen saling berkonflik. Hampir setengah dari karyawan membutuhkan lebih banyak waktu untuk meninjau dan memperbaiki hasil AI daripada sebelumnya.

Data ini harus ditafsirkan dengan hati-hati karena survei mencerminkan persepsi dan pengalaman peserta, bukan secara otomatis frekuensi semua kesalahan di pasar secara keseluruhan. Meskipun demikian, data ini mengungkapkan pola yang jelas: perusahaan mendelegasikan wewenang pengambilan keputusan kepada agen sebelum proses, data, dan sistem kontrol dirancang untuk bentuk otonomi ini. AI tidak secara otomatis membuat proses yang buruk menjadi baik. AI hanya dapat membuatnya lebih cepat, lebih buram, dan lebih luas.

Upaya audit tambahan sangat relevan dari perspektif ekonomi. Otomatisasi biasanya dibenarkan dengan argumen pengurangan biaya personel. Namun, jika spesialis yang berkualifikasi harus terus-menerus memeriksa hasil, mengklarifikasi pengecualian, dan merekonstruksi keputusan agen, pekerjaan tersebut hanya bergeser. Pekerjaan tersebut tidak hilang, tetapi berpindah dari pemrosesan aktual ke pemantauan dan pemecahan masalah. Aktivitas ini dapat lebih menuntut dan mahal daripada proses aslinya karena membutuhkan keahlian teknis, profesional, dan regulasi secara bersamaan.

Ini bukan berarti pengawasan manusia pada dasarnya tidak ekonomis. Di area berisiko tinggi, pengawasan manusia sangat diperlukan. Poin pentingnya adalah menyelaraskan intensitas kontrol dengan potensi kerusakan. Agen yang mengkategorikan dokumen internal memerlukan persetujuan yang berbeda dibandingkan sistem yang memulai pembayaran, menyiapkan keputusan personel, atau memodifikasi akun pelanggan. Oleh karena itu, perusahaan harus memberikan otonomi secara bertahap. Semakin tidak dapat dibatalkan suatu tindakan, semakin sensitif datanya, dan semakin besar potensi dampak eksternalnya, semakin ketat persetujuan sebelumnya, pencatatan, dan audit independen yang harus dilakukan.

Jalur uji coba semakin menjadi bagian dari infrastruktur ekonomi

Dua pertiga CIO tidak yakin apakah mereka dapat memberikan regulator laporan lengkap dan menyeluruh tentang keputusan seorang agen. Ini lebih dari sekadar masalah kepatuhan. Kurangnya keterlacakan meningkatkan biaya setiap insiden karena penyebabnya lebih sulit ditentukan, proses yang terpengaruh lebih sulit diisolasi, dan tindakan penanggulangan lebih lambat diterapkan. Tanpa catatan yang kuat, perusahaan hampir tidak dapat membuktikan bahwa seorang agen bertindak sesuai wewenangnya atau bahwa manusia yang bertanggung jawab telah melakukan intervensi dengan tepat.

Oleh karena itu, kemampuan audit harus dipahami sebagai infrastruktur yang produktif, bukan sebagai persyaratan dokumentasi yang ditambahkan secara retroaktif. Identitas agen, model dan versi perangkat lunak yang digunakan, sumber data yang diakses, izin yang tersedia, langkah-langkah perantara, panggilan alat eksternal, persetujuan, dan hasil akhir semuanya harus dicatat. Sama pentingnya adalah kemampuan untuk mereproduksi proses secara teknis atau setidaknya merekonstruksinya secara masuk akal. Dengan model probabilistik, replikasi yang tepat tidak selalu mungkin, tetapi input, konfigurasi, dan jalur pengambilan keputusan yang relevan harus dipertahankan.

Tantangannya semakin besar dalam sistem multi-agen. Ketika banyak agen mendistribusikan tugas, saling meninjau hasil, atau secara berurutan memodifikasi berbagai sistem perusahaan, muncul rantai tanggung jawab yang terdistribusi. Kesalahan dapat timbul dari interaksi beberapa keputusan parsial yang tampaknya masuk akal. Sistem kontrol konvensional yang memeriksa tindakan pengguna individual atau transaksi perangkat lunak yang terisolasi tidak cukup untuk hal ini. Perusahaan membutuhkan pemantauan terus menerus terhadap seluruh rantai proses.

Perkembangan regulasi semakin meningkatkan tekanan untuk bertindak. Kerangka hukum Eropa untuk kecerdasan buatan, peraturan perlindungan data, dan kewajiban pengawasan khusus industri meningkatkan tuntutan pada manajemen risiko, dokumentasi, dan pengawasan manusia. Otoritas perlindungan data di luar Uni Eropa juga semakin memperhatikan bagaimana sistem otomatis memproses informasi pribadi. Kesimpulan ekonominya adalah bahwa tata kelola bukanlah pusat biaya tambahan yang dapat ditambahkan setelah keberhasilan penskalaan. Ini adalah prasyarat untuk memastikan bahwa penskalaan tersebut sesuai dengan hukum dan berkelanjutan.

Risiko AI masuk ke dalam kelompok teratas

Dalam survei terhadap 1.330 anggota dewan dan eksekutif, risiko baru yang muncul dari pengenalan AI untuk periode mulai tahun 2027 dan seterusnya sudah menempati peringkat kedua di antara risiko bisnis jangka pendek, tepat di belakang ancaman siber. Peringkat ini menunjukkan bahwa AI tidak lagi dipandang sebagai inisiatif TI yang terisolasi. AI memengaruhi stabilitas operasional, regulasi, perlindungan data, pihak ketiga, personel, reputasi, dan alokasi modal secara bersamaan.

AI dan risiko siber tidak boleh dianalisis secara terpisah. Agen meningkatkan permukaan serangan digital karena mereka memerlukan akses ke data, aplikasi, dan alat. Penyerang dapat mencoba memanipulasi input, mendorong agen untuk melakukan tindakan yang tidak sah, atau menyalahgunakan kredensial mereka. Pada saat yang sama, agen yang telah diautentikasi dengan benar pun dapat melakukan tindakan berisiko jika tujuannya didefinisikan secara tidak tepat, konteksnya dimanipulasi, atau izinnya terlalu luas. Oleh karena itu, keamanan TI tradisional hanya menangani sebagian masalah. Di luar menentukan apakah aktor berwenang untuk mengakses data, sangat penting untuk menilai apakah tindakan yang dimaksud diizinkan dan sesuai dalam konteks tertentu.

Hal ini memerlukan perluasan tanggung jawab bagi manajemen perusahaan. Mereka tidak perlu memahami setiap model secara teknis, tetapi mereka harus memastikan bahwa kepemilikan yang jelas, klasifikasi risiko, prosedur eskalasi, dan target ekonomi ada untuk aplikasi AI utama. Pengawasan tidak dapat dibatasi pada jumlah proyek yang diluncurkan atau besarnya anggaran. Yang terpenting, informasi yang andal diperlukan tentang proses mana yang diotomatisasi secara produktif, data mana yang terpengaruh, seberapa sering intervensi manusia diperlukan, potensi kerusakan apa yang mungkin terjadi, dan apakah manfaat yang diharapkan benar-benar terwujud.

Xpert.Digital adalah pusat industri B2B berbasis data yang dipimpin oleh Konrad Wolfenstein . Perusahaan ini bertindak sebagai solusi eksternal, yang hampir bersifat internal, bagi mitra industri, menutup kesenjangan operasional dalam pemasaran, konten, dan penjualan – tanpa memerlukan sumber daya tambahan di pihak klien.

Informasi selengkapnya di sini:

• Solusi semi-internal: Bagaimana Xpert.Digital menutup kesenjangan operasional dalam pemasaran dan penjualan B2B – Bisnis Cerdas Berbasis Konten

Masalah permodalan semakin membesar di balik perangkat lunak tersebut

Sementara perusahaan berjuang untuk mengendalikan agen mereka, industri teknologi memperluas fondasi fisik AI dalam skala yang belum pernah terjadi sebelumnya. Investasi hampir satu triliun dolar AS dalam infrastruktur AI diperkirakan akan terjadi pada tahun 2026. Antara tahun 2027 dan 2030, enam triliun dolar AS lagi dapat ditambahkan. Jumlah ini mengalir ke pusat data, unit pemrosesan grafis (GPU), teknologi jaringan, penyimpanan, pendinginan, catu daya, dan lahan. Ekspansi ini mengikuti ekspektasi bahwa kebutuhan untuk melatih dan menjalankan model AI akan tumbuh secara signifikan selama bertahun-tahun.

Namun, pertumbuhan saja tidak menjamin pengembalian investasi yang memadai. Operator pusat data AI perlu menghasilkan pendapatan kumulatif sekitar $8,5 triliun pada tahun 2030 untuk menutupi investasi yang diumumkan, biaya pembiayaan, dan asumsi pengembalian investasi sebesar 12 persen. Pendapatan yang berpotensi dapat diatribusikan dari bisnis AI perusahaan dan konsumen diperkirakan maksimal $3,6 triliun untuk periode yang sama. Meskipun angka-angka ini masih memiliki ketidakpastian yang cukup besar karena jangka waktu perkiraan yang panjang, besarnya kesenjangan tersebut sangat mencolok.

Namun, akan salah jika membandingkan investasi dan pendapatan AI secara langsung. Pusat data memiliki masa pakai beberapa tahun, infrastruktur dapat menangani berbagai beban kerja, dan beberapa manfaat ekonomi diperoleh oleh perusahaan pengguna, bukan operator infrastruktur. Selain itu, penurunan biaya komputasi dapat menghasilkan permintaan baru. Meskipun demikian, pesan utamanya tetap valid: Pasar tidak hanya harus tumbuh dengan kuat tetapi juga menghasilkan aplikasi yang dapat dimonetisasi dengan sangat cepat untuk semua kapasitas yang direncanakan guna mencapai pengembalian yang diharapkan.

Kondisi ini menantang. Banyak aplikasi AI saat ini mengurangi biaya atau meningkatkan produk yang sudah ada, tetapi tidak secara otomatis menghasilkan pendapatan tambahan yang setara dengan investasi infrastruktur yang mendasarinya. Selain itu, peningkatan produktivitas dapat didistribusikan antara penyedia dan pelanggan. Persaingan ketat menurunkan harga, model sumber terbuka menurunkan hambatan masuk, dan model yang lebih efisien mengurangi kebutuhan komputasi per tugas. Meskipun ini bermanfaat bagi perekonomian secara keseluruhan, hal ini dapat berdampak negatif pada profitabilitas operator pusat data individual.

Jam depresiasi berjalan lebih cepat daripada permintaan

Perangkat keras AI berbeda dari infrastruktur dasar yang tahan lama karena siklus inovasinya yang pendek. Akselerator generasi baru seringkali menawarkan kinerja yang jauh lebih tinggi atau efisiensi energi yang lebih baik. Akibatnya, perangkat keras yang lebih tua dapat kehilangan nilai ekonomis, meskipun secara teknis masih berfungsi. Oleh karena itu, operator harus mendapatkan kembali investasi mereka secepat mungkin melalui pemanfaatan yang tinggi dan harga yang menarik. Jika permintaan tidak mencapai ekspektasi, nilai buku dan model pembiayaan akan tertekan.

Pada tahun 2030, sekitar $3,5 triliun aset AI berisiko mengalami penurunan nilai; pada tahun 2032, angka ini dapat meningkat menjadi lebih dari $4 triliun. Beban penurunan nilai bukan berarti server tersebut secara fisik hilang. Sebaliknya, hal itu menunjukkan bahwa arus kas masa depan yang diharapkan tidak lagi membenarkan nilai tercatat aset tersebut. Bagi operator yang memiliki leverage tinggi, hal ini dapat memperketat kondisi kredit, mengikis ekuitas, dan mempersulit investasi lebih lanjut.

Dinamikanya mirip dengan siklus infrastruktur sebelumnya. Teknologi dasar baru sering memicu ekspansi, yang awalnya menciptakan kapasitas berlebih. Kereta api, jaringan telekomunikasi, dan serat optik telah mengalami fase yang serupa. Sebagian modal yang diinvestasikan hilang, sementara infrastruktur yang mudah tersedia dan murah kemudian memungkinkan model bisnis baru. Oleh karena itu, dua pernyataan dapat benar secara bersamaan: AI dapat memicu transformasi ekonomi yang mendalam, namun sebagian besar investor saat ini mungkin masih memperoleh pengembalian yang tidak memadai.

Bagi perekonomian secara keseluruhan, koreksi pasar tidak selalu berdampak negatif. Penurunan nilai aset dan kebangkrutan dapat menurunkan biaya daya komputasi dan memberikan akses infrastruktur kepada pembeli yang lebih efisien. Perusahaan dapat memperoleh manfaat dari harga yang lebih rendah, meskipun investor awal mengalami kerugian. Situasi menjadi bermasalah ketika investasi berlebihan dikaitkan dengan utang yang tinggi, kontrak energi jangka panjang, atau kapasitas yang terkonsentrasi di suatu wilayah. Dalam kasus seperti itu, koreksi dapat memengaruhi bank, pemasok energi, pasar properti, dan anggaran publik lokal.

Neoclouds antara pertumbuhan dan seleksi

Pihak yang paling rentan adalah penyedia neocloud khusus yang menyediakan daya komputasi untuk beban kerja AI. Keunggulan mereka terletak pada tingkat spesialisasi teknis yang tinggi, akses cepat ke prosesor grafis yang banyak dicari, dan penawaran yang seringkali lebih fleksibel daripada perusahaan cloud besar yang terdiversifikasi secara luas. Perusahaan seperti CoreWeave dan Nebius merupakan contoh dari segmen ini. Pasar potensial untuk penawaran Infrastruktur sebagai Layanan (IaaS) yang dioptimalkan untuk AI dapat tumbuh dari $66 miliar pada tahun 2027 menjadi $174 miliar pada tahun 2030. Ini akan menjadi peningkatan yang mengesankan, tetapi mungkin masih belum cukup untuk memanfaatkan kapasitas yang dibangun secara bersamaan secara menguntungkan.

Prediksi bahwa lebih dari 80 persen neocloud dapat berhenti beroperasi secara independen pada tahun 2030 tidak serta merta berarti hilangnya sumber daya komputasi mereka sepenuhnya. Kebangkrutan, akuisisi, merger, kemitraan jangka panjang, atau integrasi ke dalam platform yang lebih besar semuanya merupakan kemungkinan. Faktor ekonomi yang mendasarinya adalah konsolidasi yang signifikan. Penyedia tanpa pembiayaan yang menguntungkan, pasokan energi yang aman, pemanfaatan yang tinggi, dan penawaran layanan yang jelas berbeda akan kesulitan untuk tetap independen.

Model bisnis ini rapuh karena beberapa alasan. Pertama, model ini membutuhkan investasi awal yang sangat besar pada perangkat keras yang cepat menua. Kedua, basis pelanggan dapat terkonsentrasi, yang berarti kehilangan beberapa pelanggan besar saja dapat secara drastis mengubah pemanfaatan kapasitas. Ketiga, neocloud berada di antara produsen chip dan pelanggan, tanpa harus memiliki daya tawar yang sama. Keempat, hyperscaler dapat bersaing dengan layanan platform yang komprehensif, infrastruktur global, dan hubungan pelanggan yang sudah ada. Kelima, tekanan harga mengancam seiring dengan tersedianya lebih banyak kapasitas atau model bisnis menjadi lebih efisien.

Oleh karena itu, tidak semua neocloud sama. Penyedia yang paling mungkin bertahan adalah mereka yang memiliki keunggulan struktural: akses jangka panjang ke energi yang lebih murah, pemanfaatan teknologi yang sangat tinggi, akses ke modal yang langka, layanan khusus, atau posisi yang kuat di wilayah dan industri yang diatur tertentu. Infrastruktur yang berdaulat, dikendalikan secara nasional atau Eropa juga dapat menjadi faktor pembeda jika pelanggan memprioritaskan privasi data, residensi data, dan kemandirian strategis daripada harga terendah.

Para penyedia layanan hyperscaler sedang mengulur waktu

Perusahaan-perusahaan besar di bidang komputasi awan dan teknologi memiliki keunggulan yang menentukan dibandingkan penyedia khusus: Mereka membiayai perluasan AI dari area bisnis yang luas dan menguntungkan. Platform komputasi awan, periklanan, perdagangan, langganan perangkat lunak, jejaring sosial, dan layanan perusahaan yang sudah ada menghasilkan aliran pendapatan yang dapat menopang investasi dalam jangka waktu yang panjang. Hal ini memungkinkan Amazon, Google, Microsoft, Meta, dan penyedia besar lainnya untuk lebih mampu melewati periode pengembalian langsung AI yang rendah.

Namun, diversifikasi tidak menghilangkan masalah pengembalian investasi. Bahkan perusahaan besar pun harus menjelaskan dalam jangka panjang bagaimana investasi mereka menciptakan nilai. Mereka hanya memiliki lebih banyak waktu dan saluran monetisasi tambahan. AI dapat meningkatkan penggunaan cloud yang ada, meningkatkan produk periklanan, mempertahankan pelanggan di platform, mempercepat proses pengembangan, dan melindungi area bisnis lainnya. Oleh karena itu, beberapa manfaat tersebut tidak muncul sebagai pendapatan AI yang dilaporkan secara terpisah. Efek samping strategis ini membuat perbandingan langsung dengan neocloud, yang keberhasilan ekonominya lebih bergantung pada penyewaan daya komputasi, menjadi sulit.

Kekuatan pasar penyedia layanan cloud berskala besar (hyperscalers) dapat tumbuh lebih jauh sebagai akibat dari konsolidasi. Ketika penyedia yang lebih kecil keluar dari pasar, platform besar mengakuisisi pelanggan, pekerja terampil, dan infrastruktur yang bernilai menarik. Hal ini dapat meningkatkan skala ekonomi tetapi juga memperburuk ketergantungan. Oleh karena itu, perusahaan dan pemerintah harus mempertimbangkan efisiensi versus ketahanan. Infrastruktur yang sangat terkonsentrasi seringkali lebih murah dalam jangka pendek tetapi dapat memengaruhi penetapan harga, jalur inovasi, dan kedaulatan digital dalam jangka panjang.

Hal ini menciptakan dilema strategis bagi Eropa. Membangun kemampuan AI sendiri membutuhkan energi dan modal yang besar, sementara penyedia dari Amerika dan Asia sudah memiliki skala ekonomi yang signifikan. Meniru begitu saja para penyedia layanan AI skala besar tentu tidak menjanjikan. Pendekatan yang lebih masuk akal adalah fokus pada aplikasi industri tertentu, ruang data yang terpercaya, sektor yang diatur, efisiensi energi, bahasa dan model teknis Eropa, serta solusi operasional yang berdaulat. Pembenaran ekonomi harus berasal dari manfaat yang berbeda, bukan dari upaya untuk meniru secara sembarangan perlombaan kapasitas global.

Enam triliun dolar bukanlah perkiraan permintaan

Model lain menggambarkan skala tantangan tersebut. Jika pengeluaran tahunan untuk infrastruktur AI diproyeksikan mencapai sekitar $1,5 triliun pada tahun 2031, dan investasi diperkirakan menyumbang sekitar seperempat dari pendapatan industri, pasar AI global perlu menghasilkan hampir $6 triliun setiap tahunnya. Aplikasi konsumen dan perusahaan yang ada dapat menyumbang antara $1,2 dan $1,8 triliun dari jumlah tersebut. Ini akan menyisakan kesenjangan sekitar $4,2 triliun yang perlu diisi oleh pasar baru.

Angka enam triliun dolar AS ini harus dipahami sebagai hambatan ekonomi, bukan perkiraan pendapatan yang dapat diandalkan. Angka tersebut menggambarkan besaran yang dibutuhkan untuk membiayai ekspansi secara berkelanjutan berdasarkan asumsi pengembalian dan investasi tertentu. Angka ini tidak memprediksi bahwa pendapatan tersebut akan benar-benar dihasilkan. Perbedaan ini sangat penting karena volume pasar potensial yang tinggi sering diperlakukan seperti pendapatan yang diharapkan dalam perdebatan teknologi.

Pasar pertumbuhan tambahan meliputi pencarian dan periklanan berbasis AI, kendaraan otonom, truk dan drone, otomatisasi industri, robotika, kembaran digital, pengembangan obat, layanan medis, penelitian material, dan energi. Sistem otonom diproyeksikan memiliki potensi sekitar US$400 miliar, sementara AI fisik, yang mencakup simulasi, kembaran digital, dan robotika, diperkirakan sekitar US$900 miliar. Bidang-bidang ini memiliki nilai ekonomi yang signifikan tetapi berkembang lebih lambat daripada produk berbasis perangkat lunak murni. Bidang-bidang ini membutuhkan perangkat keras, persetujuan peraturan, pengujian keselamatan, integrasi ke dalam proses fisik, dan seringkali peraturan pertanggungjawaban baru.

Oleh karena itu, kesenjangan waktu berpotensi lebih penting daripada potensi pasar jangka panjang. Bahkan jika robotika dan AI industri menghasilkan pendapatan yang sangat besar, mereka harus berkembang cukup cepat untuk membenarkan investasi saat ini. Pusat data, chip, dan biaya pembiayaan dikeluarkan segera; aplikasi fisik baru seringkali membutuhkan waktu bertahun-tahun untuk mencapai kematangan pasar yang luas. Oleh karena itu, ekspektasi masa depan yang pada dasarnya baik masih dapat berubah menjadi investasi yang buruk jika harga, struktur pembiayaan, atau waktunya salah.

Kecerdasan Buatan Fisik akan menentukan paruh kedua dari masa kejayaan ini

Keberhasilan AI generatif hingga saat ini sangat berfokus pada pekerjaan pengetahuan digital. Teks, gambar, kode perangkat lunak, penelitian, dan komunikasi pelanggan dapat diintegrasikan ke dalam aplikasi yang ada dengan relatif cepat. Potensi pendapatan dari pasar ini cukup besar, tetapi hampir tidak cukup untuk membenarkan semua investasi infrastruktur yang direncanakan. Oleh karena itu, fase pertumbuhan selanjutnya harus meluas lebih dalam ke ekonomi fisik.

AI fisik menghubungkan sistem pembelajaran dengan mesin, kendaraan, fasilitas produksi, dan lingkungan dunia nyata. Di pabrik, kembaran digital dapat mensimulasikan proses produksi baru sebelum peralatan mahal dimodifikasi. Robot dapat bereaksi lebih fleksibel terhadap perubahan benda kerja. Di pusat logistik, aliran material, pengambilan pesanan, dan transportasi otonom dapat dikoordinasikan. Di industri otomotif, waktu pengembangan dapat dikurangi, sementara sistem otonom memungkinkan layanan baru. Nilai ekonomi muncul tidak hanya dari pengurangan biaya personel tetapi juga dari peningkatan ketersediaan pabrik, tingkat limbah yang lebih rendah, percepatan pengoperasian pabrik, dan produk baru.

Hal ini menghadirkan peluang strategis, khususnya bagi Jerman dan Eropa. Basis industri mereka, pengetahuan proses, produsen mesin khusus, dan rantai pasokan yang kompleks menawarkan data dan area aplikasi yang berharga. Namun, keunggulan ini tidak muncul secara otomatis. Banyak data industri yang terfragmentasi, bersifat hak milik, atau tidak terstruktur dengan baik. Perusahaan harus memodernisasi arsitektur data mereka, menstandarisasi antarmuka, dan memetakan pengetahuan operasional secara digital. Tanpa landasan ini, AI fisik akan tetap terbatas pada demonstrasi.

Monetisasi juga berbeda dari perangkat lunak cloud pada umumnya. Perusahaan industri mengharapkan keandalan yang terbukti, siklus hidup yang panjang, dan akuntabilitas yang jelas. Mereka tidak menerima lingkungan eksperimental permanen dalam proses yang kritis terhadap keselamatan. Oleh karena itu, penyedia harus memberikan sistem yang kuat dan terintegrasi yang menggabungkan model, sensor, sistem kontrol, keamanan siber, dan pemeliharaan. Di sinilah pasar untuk penyedia khusus Eropa dapat berkembang, pasar yang kurang berfokus pada ukuran model maksimum dan lebih pada keahlian domain, integrasi, dan kepercayaan.

Inti kesamaan dari kedua krisis tersebut

Masalah dengan agen AI dan neocloud pada awalnya tampak terpisah. Di satu sisi, ada proses bisnis, tata kelola, dan keputusan yang salah; di sisi lain, pusat data, pembiayaan, dan depresiasi. Pada kenyataannya, keduanya didasarkan pada kesalahpahaman ekonomi yang sama: bahwa kemampuan teknis hampir secara otomatis akan diterjemahkan menjadi keuntungan yang menguntungkan dan dapat diskalakan.

Dalam hal agen, proyek percontohan yang sukses sering disalahartikan sebagai kematangan produksi. Dalam hal infrastruktur, kebutuhan komputasi yang berkembang pesat disamakan dengan kesediaan membayar yang cukup dan pengembalian investasi yang berkelanjutan. Dalam kedua kasus tersebut, tahapan menengah sering diabaikan. Di antara kinerja model dan manfaat bisnis terdapat kualitas data, perancangan ulang proses, integrasi, keamanan, pengawasan manusia, dan penerimaan. Di antara kapasitas komputasi dan pengembalian investor terdapat pemanfaatan, penetapan harga, biaya energi, penuaan perangkat keras, pembiayaan, dan persaingan.

Temuan ini tidak menentang AI. Sebaliknya, temuan ini mendukung alokasi modal yang lebih profesional. Revolusi teknologi jarang berjalan secara linear. Kelebihan dana membiayai eksperimen dan infrastruktur, tetapi kemudian menyebabkan koreksi dan konsolidasi. Pemenang bukanlah perusahaan yang berinvestasi pertama atau paling banyak. Seringkali, mereka yang berhasil adalah mereka yang mengelola biaya dengan bijak, belajar dari kesalahan awal, dan menyelaraskan penawaran mereka dengan kesediaan pembeli untuk membayar.

Antusiasme yang tinggi harus diterjemahkan menjadi praktik bisnis yang sehat

Perusahaan hanya boleh menerapkan agen AI jika terdapat proses yang jelas, data yang andal, dan metrik target yang terukur. Titik awalnya bukanlah di mana otonomi terbesar dapat ditunjukkan. Faktor krusialnya adalah di mana hambatan spesifik dapat dihilangkan, waktu tunggu dikurangi, kualitas ditingkatkan, atau pendapatan tambahan dihasilkan. Untuk setiap kasus penggunaan, harus ditentukan sebelum dimulai berapa biaya dan tingkat kesalahan yang dapat diterima dan dalam kondisi apa proyek akan dihentikan.

Penerapan harus dilakukan secara bertahap. Awalnya, agen dapat memberikan saran, kemudian bertindak di bawah persetujuan manusia, dan hanya setelah kinerja stabil barulah ia dapat secara mandiri menjalankan tugas-tugas terbatas. Tingkat kematangan ini memungkinkan pemantauan manfaat dan risiko secara terpisah. Sistem yang belum menghasilkan nilai terukur sebagai asisten tidak akan menjadi layak secara ekonomi hanya dengan diberikan lebih banyak hak istimewa.

Secara paralel, diperlukan inventaris pusat. Perusahaan perlu mengetahui agen mana yang ada, model apa yang mereka gunakan, sistem mana yang mereka akses, dan siapa yang bertanggung jawab. Biaya harus dialokasikan ke masing-masing proses dan unit bisnis. Tindakan kritis memerlukan ambang batas persetujuan, dan setiap aplikasi produksi membutuhkan mekanisme penghentian yang berfungsi. Tata kelola tidak boleh dipandang sebagai dokumen yang kaku; tata kelola harus tertanam secara teknis dalam platform, identitas, protokol, dan proses pengembangan.

Pengadaan juga mengalami perubahan. Kontrak dengan penyedia AI dan cloud harus mencakup ketentuan tentang penggunaan data, perubahan model, akses log, insiden keamanan, kinerja, tanggung jawab, dan opsi peralihan. Perusahaan harus menghindari ketergantungan proses inti pada satu penyedia yang harga, model, atau strategi bisnisnya dapat berubah dalam waktu singkat. Jika memungkinkan, arsitektur modular dan model yang dapat dipertukarkan akan meningkatkan daya tawar.

Bagi investor infrastruktur, pelangganlah yang terpenting, bukan chipnya

Bagi pusat data dan neocloud, akses ke perangkat keras terkini saja tidak cukup untuk model bisnis yang layak. Investor harus terutama memeriksa kualitas dan durasi permintaan. Kontrak jangka panjang hanya berharga jika pelanggan memiliki kredibilitas yang baik dan persyaratan pembelian minimum benar-benar dapat dipenuhi. Sama pentingnya adalah harga energi, koneksi jaringan, pendinginan, pola pemanfaatan, opsi pembiayaan ulang, dan nilai sisa perangkat keras lama.

Kehati-hatian khusus disarankan ketika pertumbuhan sebagian besar dibiayai oleh utang tambahan dan pemanfaatan kapasitas yang diharapkan didasarkan pada sejumlah kecil pelanggan. Penurunan permintaan kemudian dapat secara bersamaan berdampak pada pendapatan, nilai aset, dan kapasitas pembiayaan. Skenario stres harus menggabungkan harga yang lebih rendah, penundaan pengoperasian, penurunan pemanfaatan kapasitas, percepatan penuaan perangkat keras, dan biaya modal yang lebih tinggi. Pengembalian investasi hanya dapat diandalkan jika model bisnis tetap layak bahkan di bawah asumsi yang kurang menguntungkan.

Bagi penyedia layanan khusus, jalur dari kemampuan saling menggantikan mengarah ke diferensiasi. Ini termasuk pusat data yang sangat efisien, model operasi Eropa yang berdaulat, platform khusus industri, jaminan residensi data, layanan keamanan terintegrasi, atau hubungan erat antara infrastruktur dan keahlian aplikasi. Seiring meningkatnya pasokan, kapasitas murni menjadi komoditas yang dapat diperdagangkan. Kepercayaan, integrasi, dan kinerja yang dapat dibuktikan, di sisi lain, tetap lebih langka.

Pembersihan yang akan datang bukanlah akhir dari AI

Pembatalan proyek yang diantisipasi dan potensi konsolidasi neocloud bukanlah pertanda penolakan terhadap kecerdasan buatan. Sebaliknya, hal tersebut merupakan ciri khas transisi dari fase ekspansi yang didorong oleh teknologi ke pasar di mana pengembalian investasi, keandalan, dan kematangan institusional menjadi yang terpenting. Sebagian besar proyek awal akan menghilang karena definisinya buruk, integrasinya buruk, atau tidak layak secara ekonomi. Pada saat yang sama, aplikasi yang sukses akan menembus lebih dalam ke dalam proses inti.

Aset infrastruktur tidak serta merta menjadi tidak berharga. Kapasitas komputasi masih dapat digunakan setelah penyusutan, akuisisi, atau penurunan harga. Bagi pengguna, konsolidasi pasar bahkan dapat menguntungkan jika persaingan dan kelebihan kapasitas mengurangi biaya. Namun, distribusi keuntungan berubah: pelanggan dan pembeli selanjutnya dapat memperoleh manfaat, sementara investor ekuitas dan utang awal menanggung sebagian kerugian.

Oleh karena itu, jalur perkembangan yang paling mungkin bukanlah runtuhnya ekspektasi AI secara total maupun kelanjutan booming yang mulus. Perkembangan dua arah lebih mungkin terjadi. Aplikasi berkualitas tinggi dan terkontrol dengan jelas akan terus tumbuh dan menjadi infrastruktur bisnis standar. Sebaliknya, proyek agen yang tidak terdiferensiasi, model bisnis yang kurang aman, dan kapasitas yang terlalu mahal akan berada di bawah tekanan. Pasar memisahkan kemungkinan teknologi dari kelayakan ekonomi.

Revolusi AI yang sesungguhnya tidak dimulai dengan model spektakuler berikutnya, tetapi dengan kemampuan yang bijaksana untuk menerjemahkan teknologi menjadi penciptaan nilai yang dapat diandalkan. Perusahaan yang mengelola biaya, kontrol, dan manfaat secara bersamaan akan muncul lebih kuat dari koreksi ini. Sebaliknya, mereka yang meningkatkan otonomi tanpa tanggung jawab atau daya komputasi tanpa permintaan yang menguntungkan, pada dasarnya membiayai gelombang penghapusan aset berikutnya.

Dalam bisnis B2B industri, hubungan bisnis yang berkelanjutan jarang muncul dalam semalam. Hubungan tersebut berkembang selangkah demi selangkah – melalui visibilitas, relevansi profesional, titik kontak yang berulang, dan kepercayaan yang tumbuh. Model 4 tahap Xpert.Digital menjawab hal ini secara tepat: Model ini menawarkan jalur terstruktur yang dimulai dengan titik masuk yang mudah dikelola dan dapat berkembang menjadi kolaborasi yang lebih dalam dalam pengembangan bisnis jika diperlukan.

Alih-alih mengandalkan janji pemasaran yang bombastis, model ini menempatkan hubungan sebagai prioritas utama. Perusahaan memulai dengan ukuran yang jelas dan mudah dihitung, kemudian memutuskan, berdasarkan pengalaman mereka sendiri, sejauh mana mereka ingin memperluas kolaborasi. Faktor kunci untuk proses membangun kepercayaan yang tidak terganggu ini: Platform sepenuhnya menghindari iklan yang mengganggu, sehingga fokus editorial tetap semata-mata pada keahlian perusahaan.

Informasi selengkapnya di sini:

• Dari visibilitas hingga kepercayaan: Jalur skalabel Anda dengan Xpert.Digital

☑️ Bahasa bisnis kami adalah bahasa Inggris atau Jerman

☑️ BARU: Korespondensi dalam bahasa ibu Anda!

 

Saya dan tim saya dengan senang hati siap membantu Anda sebagai penasihat pribadi Anda.

Anda dapat menghubungi saya dengan mengisi formulir kontak di sini wolfenstein@xpert.digital:atau cukup hubungi saya di +49 7348 4088 965. Alamat email saya adalah

Saya sangat menantikan proyek bersama kita.

 

 

☑️ Dukungan UKM dalam strategi, konsultasi, perencanaan, dan implementasi

☑️ Pembuatan atau penyesuaian kembali strategi digital dan digitalisasi

☑️ Perluasan dan optimalisasi proses penjualan internasional

☑️ Platform perdagangan B2B global & digital

☑️ Pelopor Pengembangan Bisnis / Pemasaran / Humas / Pameran Dagang