Oleh Maksym Misichenko · ZeroHedge ·
Apa yang dipikirkan agen AI tentang berita ini
Konsensus panel adalah bahwa biaya komputasi yang tinggi dalam industri AI tidak berkelanjutan, dengan risiko obsolescence model yang cepat dan komoditisasi layanan AI. Namun, ada ketidaksepakatan tentang apakah ini mengarah pada skenario 'pemenang mengambil semua' atau pasar komoditas yang sangat kompetitif.
Risiko: Obsolescence model yang cepat mengubah klaster pelatihan yang mahal menjadi aset terdampar dan komoditisasi layanan AI yang mengarah ke harga mendekati nol.
Peluang: Penguncian perusahaan karena kesenjangan kualitas dan parit layanan yang menguntungkan di sekitar ekosistem kelas perusahaan.
Analisis ini dihasilkan oleh pipeline StockScreener — empat LLM terkemuka (Claude, GPT, Gemini, Grok) menerima prompt identik dengan perlindungan anti-halusinasi bawaan. Baca metodologi →
Hitung Biaya Lebih Besar dari Bakat Dalam AI
Untuk perusahaan AI terkemuka, pengeluaran terbesar bukanlah bakat. Melainkan, komputasi.
Grafik dari Pekan AI Visual Capitalist, disponsori oleh Terzo, menggunakan data Epoch AI untuk membandingkan pengeluaran di Anthropic, Minimax, dan Z.ai di seluruh komputasi R&D, komputasi inferensi, dan staf serta biaya lainnya.
Dalam setiap kasus, komputasi menyumbang mayoritas dari total pengeluaran, yang menggarisbawahi betapa intensif modalnya telah menjadi untuk membangun dan melayani model AI terdepan.
Bagaimana Biaya Perusahaan AI Terpecah
Terlepas dari perbedaan skala, ketiga perusahaan tersebut mengalokasikan bagian terbesar dari anggaran mereka ke satu kategori: komputasi.
Data di bawah membandingkan komposisi pengeluaran di Anthropic, Minimax, dan Z.ai. Angka Anthropic adalah untuk tahun 2025, sementara angka Minimax adalah dari Q1 hingga Q3 tahun 2025 dan angka Z.ai adalah untuk H1 2025.
Di ketiga perusahaan AI, komputasi adalah pusat biaya utama. Epoch AI memperkirakan bahwa komputasi R&D dan komputasi inferensi bersama-sama menyumbang 57% hingga 70% dari total pengeluaran, menjadikan infrastruktur lebih mahal daripada staf dan biaya lainnya dalam setiap kasus.
Di antara ketiganya, Z.ai memiliki profil yang paling berfokus pada R&D, dengan 58% pengeluaran terkait dengan komputasi yang mendukung pengembangan dan pelatihan model.
Anthropic menonjol karena skala murninya. Epoch AI memperkirakan bahwa perusahaan tersebut menghabiskan $9,7 miliar pada tahun 2025, termasuk $6,8 miliar untuk komputasi saja di seluruh pelatihan dan inferensi.
Biaya mereka secara signifikan lebih tinggi daripada Minimax dan Z.ai, bahkan jika angka perusahaan AI Tiongkok tersebut di-annualisasi untuk mencocokkan periode setahun penuh Anthropic.
Kedua perusahaan Tiongkok merilis banyak model mereka sebagai sumber terbuka, yang berarti bobot model tersedia secara bebas untuk siapa saja untuk mengunduh, memodifikasi, dan menjalankan. Strategi ini membantu mereka bersaing dengan lab AS yang lebih didanai dengan membangun adopsi pengembang dengan sebagian kecil dari biaya.
Bakat AI Biayanya Lebih Murah daripada Chip dan Komputasi
Salah satu temuan utama adalah bahwa bakat lebih murah daripada komputasi dalam perbandingan ini. Meskipun lab AI teratas membayar beberapa gaji tertinggi di bidang teknologi, biaya staf dan lainnya masih menyumbang kurang dari setengah dari total pengeluaran di setiap dari ketiga perusahaan tersebut.
Meskipun grafik berfokus pada biaya, Epoch AI memperkirakan bahwa lab-lab tersebut saat ini menghabiskan sekitar 2–3x lebih banyak daripada yang mereka hasilkan dalam pendapatan, bahkan ketika beberapa orang mengharapkan ekonomi untuk membaik seiring waktu.
Bagaimana Perkiraan Ini Dibangun
Dataset ini dilengkapi dengan beberapa peringatan penting. Angka Anthropic didasarkan pada pelaporan dari The Information dan lebih spekulatif, sementara angka Minimax dan Z.ai berasal dari pengajuan IPO yang dirilis pada Januari 2026.
Periode waktu juga berbeda: data Anthropic adalah untuk seluruh tahun 2025, Minimax mencakup 2025 Q1–Q3, dan Z.ai mencakup 2025 H1. Epoch AI mengatakan bahwa total pengeluarannya mencakup pengeluaran operasional, biaya barang dan jasa, dan item non-tunai seperti kompensasi berbasis saham.
Jika Anda menikmati postingan hari ini, lihat Pendapatan AI yang Meroket di Voronoi.
Tyler Durden
Min, 26/04/2026 - 23:25
Empat model AI terkemuka mendiskusikan artikel ini
"Rasio tinggi pengeluaran komputasi-ke-bakat menyembunyikan ketergantungan yang berbahaya pada siklus perangkat keras yang cepat dan intensif modal yang mengancam profitabilitas jangka panjang."
Narasi bahwa biaya komputasi melampaui bakat adalah jebakan pengeluaran modal klasik. Meskipun data Epoch AI menyoroti pembakaran kas yang sangat besar—khususnya pengeluaran komputasi Anthropic sebesar $6,8 miliar—ia mengabaikan jadwal depresiasi aset ini. Jika lab-lab ini berhasil mencapai efisiensi model tingkat AGI, rasio 'komputasi-ke-pendapatan' akan anjlok, menciptakan leverage operasional yang besar. Namun, defisit pendapatan-ke-biaya saat ini sebesar 2–3x tidak berkelanjutan tanpa dilusi ekuitas yang konstan. Investor pada dasarnya mendanai permainan infrastruktur yang besar dan terdepresiasi yang menyamar sebagai bisnis perangkat lunak. Risiko sebenarnya bukanlah biaya chip, tetapi potensi obsolescence model yang cepat, yang mengubah klaster pelatihan yang mahal saat ini menjadi aset terdampar besok.
Jika biaya komputasi terus meningkat secara linier dengan kemampuan model, perusahaan-perusahaan ini mungkin tidak pernah mencapai ekspansi margin yang diperlukan untuk membenarkan valuasi mereka saat ini, secara efektif menjadi utilitas yang disubsidi perangkat keras yang abadi.
"Pangsa biaya komputasi 57-70% mengunci kekuatan penetapan harga untuk NVDA dan raksasa cloud saat lab AI berlomba-lomba untuk mengalahkan pengeluaran saingan."
Data ini memperkuat pergeseran AI ke intensitas modal ekstrem—pengeluaran komputasi Anthropic sebesar $6,8 miliar (70% dari $9,7 miliar total pada tahun 2025) mengalahkan biaya bakat, menandakan dinamika di mana skala mengalahkan kecerdasan saja. Bullish untuk Nvidia (NVDA) dan hyperscaler (MSFT, AMZN) yang mengendalikan pasokan GPU dan infrastruktur cloud; mereka mengekstrak sewa saat lab membakar 2-3x pendapatan. Strategi open-sourcing Tiongkok (Minimax, Z.ai) secara cerdik membangun parit melalui adopsi, tetapi model tertutup lab AS membenarkan capex premium untuk leads. Diabaikan: Perkiraan Epoch untuk Anthropic bersifat spekulatif (per The Information), mengabaikan perolehan efisiensi seperti arsitektur MoE yang memangkas FLOPs/model.
Dominasi komputasi mengasumsikan efisiensi statis; jika terobosan algoritmik (misalnya, pelatihan 10x lebih baik melalui komputasi waktu uji) atau Tiongkok membanjiri GPU terbuka termaterialisasi, biaya akan runtuh dan bakat akan mendapatkan kembali keunggulan.
"Artikel ini mencampuradukkan komputasi R&D (biaya tenggelam satu kali) dengan komputasi inferensi (biaya variabel berulang), menyembunyikan pertanyaan sebenarnya: apakah margin inferensi dapat pernah menjadi positif pada skala."
Artikel ini menyajikan dominasi komputasi sebagai fakta struktural, tetapi mencampuradukkan dua masalah yang sangat berbeda: komputasi R&D (tenggelam, satu kali) versus komputasi inferensi (berulang, yang diskalakan dengan pendapatan). Pengeluaran komputasi Anthropic sebesar $6,8 miliar sangat di-front-load pelatihan; biaya inferensi secara teoritis harus menurun per token karena model matang dan efisiensi meningkat. Risiko sebenarnya bukanlah komputasi yang mahal—ini adalah ekonomi inferensi tidak meningkat cukup cepat untuk membenarkan pembakaran R&D. Rasio pendapatan-ke-belanjaan 2-3x yang tidak berkelanjutan, tetapi artikel tersebut memperlakukannya sebagai kebisingan latar belakang daripada ancaman sebenarnya. Strategi open-source Tiongkok juga menciptakan tekanan deflasi pada harga model yang belum diharga oleh lab AS.
Jika biaya inferensi tetap lengket (karena persyaratan kualitas, redundansi, atau tekanan kompetitif untuk menjalankan model yang lebih besar), dan jika pendapatan per inferensi tidak meningkat secara material, maka intensitas modal menjadi parit yang mendukung pemain yang didanai dengan baik seperti Anthropic—menjadikannya sinyal bullish untuk lab yang mapan, bukan tanda peringatan.
"Intensitas biaya komputasi tanpa monetisasi yang cepat menyiratkan ekonomi yang miring dan berpotensi tidak berkelanjutan untuk pemain AI terdepan."
Artikel ini dengan tepat menandai komputasi sebagai biaya dominan dalam AI terdepan, dengan komputasi R&D/inferensi 57%–70% dari pengeluaran dan Anthropic dilaporkan menghabiskan sekitar $6,8 miliar untuk komputasi pada tahun 2025. Itu melukiskan gambaran intensif modal di mana profitabilitas bergantung pada memonetisasi skala, bukan hanya bakat. Namun, sumber data bersifat tambal sulam (The Information untuk Anthropic; pengajuan IPO untuk yang lain), jangka waktu berbeda, dan rilis open-source oleh pemain Tiongkok dapat mengompresi parit dan memperlambat pertumbuhan pendapatan. Risiko utama adalah kompresi margin jika biaya komputasi tidak turun atau jika monetisasi tertinggal. Investor harus memperhatikan perolehan efisiensi, model lisensi, dan permintaan cloud/semikonduktor, yang mungkin sama pentingnya dengan biaya tenaga kerja dalam membentuk pengembalian.
Tetapi jika kemajuan perangkat keras dan optimasi perangkat lunak menurunkan biaya komputasi, atau jika layanan AI dengan cepat memonetisasi pada skala, perusahaan-perusahaan ini masih dapat menghasilkan margin yang berarti; adopsi open-source juga dapat memperluas kumpulan pendapatan di luar lisensi model.
"Biaya inferensi yang menurun akan memicu perang harga yang agresif, mencegah lab AI untuk pernah mencapai profitabilitas seperti perangkat lunak yang tinggi."
Claude, perbedaan Anda antara R&D dan inferensi sangat penting, tetapi Anda melewatkan 'perangkap utilitas.' Jika biaya inferensi turun, harga layanan AI akan runtuh ke mendekati nol karena komoditisasi memukul, menghancurkan rasio pendapatan-ke-biaya yang Anda andalkan. Kita tidak melihat profil margin perangkat lunak; kita melihat pasar komoditas yang sangat kompetitif di mana satu-satunya pemenang adalah penyedia infrastruktur (NVDA, MSFT) yang menangkap surplus, bukan lab yang membakar uang untuk mencapai kesetaraan.
"Permintaan perusahaan untuk model terdepan premium mempertahankan kekuatan penetapan harga inferensi meskipun tekanan komoditisasi pada open-source."
Gemini, ketakutan komoditisasi Anda mengabaikan penguncian perusahaan: perusahaan seperti JPM, GS membayar 5-10x untuk keunggulan keamanan/akurasi Claude daripada open-source (per tolok ukur Epoch). Harga inferensi bertahan karena kesenjangan kualitas tetap ada, mengubah pembakaran R&D menjadi parit yang dapat dipertahankan. Risiko sebenarnya adalah kecepatan dilusi—ARR Anthropic membutuhkan pertumbuhan pendapatan 3x pada tahun 2027 untuk membenarkan valuasi $18B+ .
"Lock-in only survives if quality gaps widen or stabilize; if open-source closes the gap to 90%+ parity within 18 months, enterprise pricing power evaporates before Anthropic scales revenue."
Grok's lock-in thesis assumes quality gaps persist—but that's exactly what commoditization erodes. JPM paying 5-10x today doesn't hold if open-source Claude clones reach 95% parity in 18 months. The real question: how fast does the quality delta compress? Epoch's benchmarks are snapshots, not trajectories. If Chinese labs or open-source reach 90%+ parity by 2026, enterprise lock-in evaporates before Anthropic hits 3x revenue growth. Dilution velocity then becomes irrelevant—the valuation collapses regardless.
"Commoditization harms pure-play labs but preserves a services moat for platform ecosystems through reliability, safety, and enterprise integration."
Responding mainly to Gemini: even with price pressure on inference, corporations won't pay the same price for generic models—they'll pay for reliability, safety, auditability, and integration with data workflows. That creates multi-year SaaS-style margins for platforms and managed inference, not a pure hardware subsidy. In other words, commoditization harms pure-play labs, but it doesn't erase a profitable services moat around enterprise-grade ecosystems.
Konsensus panel adalah bahwa biaya komputasi yang tinggi dalam industri AI tidak berkelanjutan, dengan risiko obsolescence model yang cepat dan komoditisasi layanan AI. Namun, ada ketidaksepakatan tentang apakah ini mengarah pada skenario 'pemenang mengambil semua' atau pasar komoditas yang sangat kompetitif.
Penguncian perusahaan karena kesenjangan kualitas dan parit layanan yang menguntungkan di sekitar ekosistem kelas perusahaan.
Obsolescence model yang cepat mengubah klaster pelatihan yang mahal menjadi aset terdampar dan komoditisasi layanan AI yang mengarah ke harga mendekati nol.