AI itu nyata, tetapi sebagian pasar di sekitar AI benar-benar bisa menjadi seperti gelembung.
Salah satu tanda yang jelas: penggunaan sudah meluas (misalnya, Indeks AI Stanford melaporkan 78% organisasi mengatakan mereka menggunakan AI pada tahun 2024 , naik dari 55% tahun sebelumnya) - tetapi penggunaan yang meluas tidak secara otomatis sama dengan kumpulan keuntungan yang berkelanjutan. [1]
Artikel yang mungkin ingin Anda baca setelah ini:
🔗 Apakah detektor AI dapat diandalkan untuk mendeteksi tulisan AI?
Pelajari seberapa akurat detektor AI dan di mana letak kesalahannya.
🔗 Bagaimana cara saya menggunakan AI di ponsel saya setiap hari?
Cara mudah menggunakan aplikasi AI untuk tugas sehari-hari.
🔗 Apakah text-to-speech itu AI, dan bagaimana cara kerjanya?
Pahami teknologi TTS, manfaatnya, dan kasus penggunaan umum di dunia nyata.
🔗 Bisakah AI membaca tulisan tangan kursif dari catatan yang dipindai?
Lihat bagaimana AI menangani tulisan kursif dan apa yang meningkatkan hasil pengenalan.
Apa yang dimaksud orang ketika mereka mengatakan "Gelembung AI" 🧠🫧
Biasanya salah satu (atau lebih) dari ini:
-
Gelembung valuasi: harga menyiratkan eksekusi yang hampir sempurna untuk jangka waktu yang lama.
-
Gelembung pendanaan: terlalu banyak uang mengejar terlalu banyak perusahaan rintisan yang serupa
-
Gelembung narasi: “AI mengubah segalanya” berubah menjadi “AI memperbaiki segalanya besok”
-
Gelembung infrastruktur: pusat data besar-besaran dan pembangunan pembangkit listrik yang dibiayai berdasarkan asumsi optimis.
-
Tren produk yang sedang populer: banyak demo produk, tetapi lebih sedikit produk yang benar-benar digunakan sehari-hari.
Jadi ketika seseorang bertanya "Apakah ada gelembung AI?", pertanyaan sebenarnya menjadi: lapisan mana yang kita bicarakan?
Ringkasan singkat tentang situasi terkini: apa yang sedang terjadi 📌
Beberapa data konkret membantu membedakan antara "gelembung" dan "pergeseran struktural":
-
Investasi sangat besar (terutama dalam AI generatif): investasi swasta global dalam AI generatif mencapai $33,9 miliar pada tahun 2024 (Indeks AI Stanford). [1]
-
Energi bukan lagi sekadar catatan kaki: IEA memperkirakan pusat data menggunakan sekitar 415 TWh pada tahun 2024 (~1,5% dari listrik global) dan memproyeksikan ~945 TWh pada tahun 2030 dalam skenario dasar (sedikit di bawah 3% dari listrik global). Itu adalah yang nyata - dan juga yang nyata jika adopsi atau efisiensi tidak sesuai dengan perkiraan. [2]
-
“Uang sungguhan” mengalir melalui infrastruktur inti: NVIDIA melaporkan pendapatan sebesar $130,5 miliar untuk tahun fiskal 2025 dan pendapatan Pusat Data setahun penuh sebesar $115,2 miliar - yang sangat jauh dari “tidak ada fundamental”. [3]
-
Adopsi ≠ pendapatan (terutama di perusahaan kecil): survei OECD menemukan bahwa AI generasi digunakan di 31% UKM , dan di antara UKM yang menggunakan AI generasi, 65% melaporkan peningkatan kinerja karyawan , sementara 26% melaporkan peningkatan pendapatan . Berharga, ya - tetapi juga menunjukkan “monetisasi tidak merata.” [4]
Apa yang membuat versi tes AI Bubble yang bagus ✅🫧
Tes gelembung yang baik bukan hanya soal firasat. Tes ini memeriksa hal-hal seperti:
1) Adopsi vs monetisasi
Penggunaan AI oleh masyarakat tidak secara otomatis berarti masyarakat membayar cukup mahal untuknya (atau membayar cukup mahal dalam jangka waktu yang cukup lama ) untuk membenarkan harga saat ini.
2) Ekonomi unit (kebenaran yang tidak menarik)
Mencari:
-
margin kotor
-
biaya inferensi per pelanggan (biaya yang Anda keluarkan untuk menghasilkan output yang mereka inginkan)
-
retensi dan ekspansi
-
periode pengembalian modal
Definisi singkat yang penting: biaya inferensi bukanlah "pengeluaran cloud." Ini adalah biaya marginal untuk memberikan nilai - token, latensi, waktu GPU, pengaman, keterlibatan manusia, QA, pengulangan, dan semua pekerjaan tersembunyi untuk "membuatnya andal".
3) Alat bantu vs aplikasi
Infrastruktur dapat tetap unggul meskipun banyak aplikasi yang berganti, karena semua orang masih membutuhkan daya komputasi. (Itulah sebagian alasan mengapa anggapan "semuanya adalah gelembung" cenderung meleset.)
4) Penggunaan leverage dan pembiayaan yang rapuh
Utang + siklus pembayaran yang panjang + tekanan narasi adalah penyebab terjadinya masalah - terutama di bidang infrastruktur di mana asumsi pemanfaatan menjadi inti permasalahannya. IEA secara eksplisit menggunakan skenario/kasus sensitivitas karena ketidakpastiannya nyata. [2]
5) Klaim yang dapat dipalsukan
Bukan "AI akan menjadi besar," tetapi "arus kas ini membenarkan harga ini."
Kasus “ya”: tanda-tanda Gelembung AI 🫧📈
1) Pendanaan sangat terkonsentrasi 💸
Sejumlah besar modal telah terkumpul dalam segala hal yang diberi label “AI.” Konsentrasi dapat berarti keyakinan - atau terlalu panas. Data Indeks AI Stanford menunjukkan betapa besar dan cepatnya gelombang investasi ini, terutama dalam AI generatif. [1]
2) “Premium Naratif” melakukan banyak pekerjaan 🗣️✨
Anda akan melihat:
-
Startup menggalang dana dengan cepat sebelum mencapai kesesuaian produk-pasar
-
Presentasi yang "dicuci dengan AI" (produk yang sama, jargon baru)
-
valuasi yang dibenarkan oleh narasi strategis
3) Peluncuran di perusahaan lebih sulit daripada yang terlihat dalam pemasaran 🧯
Perbedaan antara versi demo dan produksi itu nyata:
-
masalah keandalan
-
halusinasi (istilah keren untuk "yakin salah")
-
Masalah kepatuhan dan tata kelola data
-
siklus pengadaan yang lambat
Ini bukan sekadar “FUD.” Kerangka kerja risiko seperti AI RMF NIST secara eksplisit menekankan yang valid & andal , aman , terjamin , akuntabel , transparan , dan meningkatkan privasi - yaitu, pekerjaan daftar periksa yang memperlambat fantasi “kirim besok”. [5]
Pola peluncuran gabungan (bukan satu perusahaan, hanya film pada umumnya):
Minggu 1: tim menyukai demo.
Minggu 4: bagian hukum/keamanan meminta tata kelola, pencatatan log, dan kontrol data.
Minggu 8: akurasi menjadi hambatan, sehingga manusia ditambahkan "sementara".
Minggu 12: nilainya nyata - tetapi cakupannya lebih sempit daripada presentasi, dan struktur biayanya sangat berbeda dari yang diharapkan.
4) Risiko pembangunan infrastruktur itu nyata 🏗️⚡
Pengeluaran sangat besar: pusat data, chip, daya, pendinginan. Proyeksi IEA bahwa permintaan listrik pusat data global dapat meningkat dua kali lipat pada tahun 2030 merupakan sinyal kuat “ini akan terjadi” - dan juga pengingat bahwa asumsi pemanfaatan yang salah dapat mengubah aset mahal menjadi penyesalan. [2]
5) Tema AI merambah ke segala hal 🌶️
Perusahaan listrik, peralatan jaringan, pendinginan, real estat - ceritanya terus berputar. Terkadang itu rasional (kendala energi memang nyata). Terkadang itu hanya sekadar mengikuti tema tertentu.
Kasus “tidak”: mengapa ini bukan gelembung ekonomi total klasik 🧊📊
1) Beberapa pemain inti memiliki pendapatan nyata (bukan hanya narasi) 💰
Ciri khas gelembung murni adalah “janji besar, fundamental kecil.” Dalam infrastruktur AI, ada banyak permintaan nyata dengan uang nyata di baliknya - skala NVIDIA yang dilaporkan adalah salah satu contoh yang terlihat. [3]
2) AI sudah tertanam dalam alur kerja sehari-hari (sehari-hari itu baik) 🧲
Dukungan pelanggan, pengkodean, pencarian, analitik, otomatisasi operasional - banyak nilai AI yang praktis dan tidak mencolok. Pola adopsi seperti itulah yang biasanya tidak dimiliki oleh gelembung ekonomi.
3) Kelangkaan komputasi bukanlah khayalan 🧱
Bahkan para skeptis biasanya mengakui: orang-orang menggunakan hal ini dalam skala besar. Dan penggunaan dalam skala besar membutuhkan perangkat keras dan daya - yang terlihat dalam investasi nyata dan perencanaan energi nyata. [2]
Di mana risiko gelembung terlihat paling tinggi (dan paling rendah) 🎯🫧
Risiko busa tertinggi 🫧🔥
-
Aplikasi tiruan tanpa keunggulan kompetitif dan biaya peralihan yang hampir nol.
-
Startup yang dihargai berdasarkan "dominasi di masa depan" tanpa bukti retensi yang kuat
-
Investasi infrastruktur dengan leverage berlebihan , jangka waktu pengembalian yang panjang, dan asumsi yang rapuh.
-
Klaim "agen otonom sepenuhnya" sebenarnya adalah alur kerja yang rapuh dan penuh keyakinan.
Risiko busa lebih rendah (tetap tidak bebas risiko) 🧊✅
-
Infrastruktur yang terkait dengan kontrak dan penggunaan nyata
-
Alat perusahaan dengan ROI yang terukur (waktu yang dihemat, tiket yang diselesaikan, waktu siklus yang dikurangi)
-
Sistem hibrida: AI + aturan + manusia dalam proses (kurang menarik, lebih andal) - dan lebih selaras dengan apa yang didorong oleh kerangka kerja risiko untuk dibangun oleh tim. [5]
Tabel Perbandingan: lensa pengecekan realitas cepat 🧰🫧
| lensa | terbaik untuk | biaya | Mengapa ini berhasil (dan jebakannya) |
|---|---|---|---|
| Konsentrasi pendanaan | investor, pendiri | bervariasi | Jika uang membanjiri satu tema, gelembung bisa terbentuk… tetapi pendanaan saja tidak membuktikan adanya gelembung |
| Tinjauan ekonomi unit | operator, pembeli | waktu-biaya | Memaksa munculnya pertanyaan "apakah ini menguntungkan?" - juga mengungkap di mana biaya tersembunyi |
| Retensi + ekspansi | tim produk | intern | Jika pengguna tidak kembali, itu hanya tren sesaat, maaf |
| Pemeriksaan pembiayaan infrastruktur | makro, alokator | bervariasi | Bagus untuk mendeteksi risiko leverage, tetapi sulit dimodelkan dengan sempurna (skenario berpengaruh) [2] |
| Laporan keuangan dan margin publik | setiap orang | bebas | Berpegang teguh pada kenyataan - namun tetap bisa diberi harga terlalu agresif |
(Ya, memang agak tidak merata. Begitulah rasanya pengambilan keputusan yang sebenarnya.)
Daftar periksa praktis AI Bubble 📝🤖
Untuk produk AI (aplikasi, asisten pilot, agen) 🧩
-
Apakah pengguna kembali setiap minggu tanpa perlu diingatkan?
-
Bisakah perusahaan menaikkan harga tanpa menyebabkan tingkat pelanggan berhenti berlangganan melonjak?
-
Seberapa banyak output yang membutuhkan koreksi manusia?
-
Apakah terdapat data hak milik, ketergantungan pada alur kerja tertentu, atau pembatasan distribusi?
-
Apakah biaya inferensi turun lebih cepat daripada harga?
Untuk infrastruktur 🏗️
-
Apakah sudah ada komitmen tertulis atau hanya "minat strategis"?
-
Apa yang terjadi jika pemanfaatan lebih rendah dari yang diharapkan? (Modelkan kasus “hambatan”, bukan hanya kasus dasar.) [2]
-
Apakah proyek ini dibiayai dengan utang yang besar?
-
Apakah ada rencana jika preferensi perangkat keras berubah?
Untuk “pemimpin AI” di pasar publik 📈
-
Apakah arus kas tumbuh, atau hanya sekadar cerita saja?
-
Apakah margin keuntungan melebar atau menyempit?
-
Apakah pertumbuhan bergantung pada sejumlah kecil pelanggan?
-
Apakah valuasi tersebut mengasumsikan dominasi permanen?
Kesimpulan akhir 🧠✨
Apakah ada gelembung AI? Sebagian ekosistem menunjukkan perilaku gelembung - terutama pada aplikasi tiruan, valuasi yang berfokus pada cerita, dan pembangunan yang sangat bergantung pada utang.
Namun AI itu sendiri bukanlah “palsu” atau “sekadar pemasaran.” Teknologinya nyata. Adopsinya nyata - dan kita dapat menunjukkan investasi nyata, proyeksi permintaan energi nyata, dan pendapatan nyata dalam infrastruktur inti. [1][2][3]
Singkatnya: Perkirakan akan terjadi pergeseran di segmen yang lebih lemah atau memiliki leverage yang terlalu tinggi. Pergeseran mendasar terus berlanjut - hanya saja dengan lebih sedikit ilusi dan lebih banyak perhitungan di spreadsheet 😅📊
Referensi
[1] Stanford HAI - Laporan Indeks AI 2025 - baca selengkapnya
[2] Badan Energi Internasional - Permintaan energi dari AI (Laporan Energi dan AI) - baca selengkapnya
[3] Ruang Berita NVIDIA - Hasil Keuangan untuk Kuartal ke-4 & Tahun Fiskal 2025 (26 Februari 2025) - baca selengkapnya
[4] OECD - AI Generatif dan Tenaga Kerja UKM (Survei 2024; diterbitkan November 2025) - baca selengkapnya
[5] NIST - Kerangka Kerja Manajemen Risiko Kecerdasan Buatan (AI RMF 1.0) (PDF) - baca selengkapnya