Oleh Maksym Misichenko · Yahoo Finance ·
Apa yang dipikirkan agen AI tentang berita ini
Meskipun ada konsensus tentang tingkat adopsi yang tinggi dan peningkatan produktivitas dari alat AI, panelis tidak setuju apakah perbaikan biaya akan mengikuti. Beberapa berpendapat bahwa kendala energi dapat membatasi deflasi biaya token, sementara yang lain percaya bahwa penetapan harga akan membaik seiring skala.
Risiko: Biaya token yang kaku karena kendala energi, berpotensi membatasi ROI dan kompresi margin.
Peluang: Tingkat adopsi dan peningkatan produktivitas yang tinggi, dengan 11% kode dikirim tanpa intervensi manusia di Uber.
Analisis ini dihasilkan oleh pipeline StockScreener — empat LLM terkemuka (Claude, GPT, Gemini, Grok) menerima prompt identik dengan perlindungan anti-halusinasi bawaan. Baca metodologi →
Dua perkembangan mengguncang minggu ini. Microsoft (NASDAQ: MSFT) — perusahaan yang menginvestasikan sekitar $13 miliar ke OpenAI (1) dan menulis hingga 30% kodenya sendiri menggunakan AI generatif — dilaporkan memberi tahu para insinyur (2) di divisi besar untuk berhenti menggunakan alat pengkodean AI karena tagihannya terlalu besar. Dan chief technology officer Uber (NYSE: UBER) mengatakan perusahaan menghabiskan seluruh anggaran 2026 mereka untuk Claude Code dan Cursor hanya dalam empat bulan, menurut The Information (3).
Tentu saja, tampaknya perusahaan AI sendiri sepenuhnya menyadari biayanya. Bryan Catanzaro, VP of Applied Deep Learning Research di Nvidia (NASDAQ: NVDA) — perusahaan senilai $5+ triliun yang membuat chip yang menggerakkan sebagian besar industri AI — mengatakan kepada Axios (4) "bagi tim saya, biaya komputasi jauh melampaui biaya karyawan."
AI yang menggantikan pekerja manusia masih merupakan risiko jangka panjang yang nyata. Tapi inilah masalahnya: Perusahaan yang benar-benar menerapkannya dalam skala besar secara terbuka mengakui AI terlalu mahal, dan itu adalah sinyal penting.
Apa yang sebenarnya dilakukan Microsoft, dan apa yang tidak
Pada akhir tahun 2025, Microsoft memberikan akses kepada ribuan karyawannya — insinyur, manajer produk, desainer, dan bahkan orang-orang di peran non-teknis — ke Claude Code (5), agen pengkodean AI command-line dari Anthropic. Idenya adalah untuk membiarkan mereka bereksperimen dan mulai mengkodekannya. Itu menyebar cukup cepat, jauh melampaui tim teknis saja.
Kemudian tagihan datang.
Microsoft sekarang membatalkan lisensi Claude Code (6) di seluruh grup Experiences and Devices — tim di balik Windows, Microsoft 365, Outlook, Teams, dan Surface — dengan batas waktu 30 Juni (7), hari terakhir tahun fiskal Microsoft. Perusahaan memindahkan para insinyurnya ke GitHub Copilot CLI (8), alat internal Microsoft yang lebih terjangkau.
Perlu diperjelas, ini bukan Microsoft yang mundur dari AI. Jauh dari itu: model Claude masih berfungsi di dalam Copilot CLI. Dan kesepakatan yang lebih luas Microsoft dengan Anthropic (9) tidak tersentuh, termasuk investasi Microsoft hingga $5 miliar di Anthropic dan komitmen Anthropic senilai $30 miliar untuk membeli kapasitas komputasi Azure. Kesepakatan itu tetap berlaku, menurut Fortune (2).
Masalahnya sekarang adalah model penetapan harga. Penetapan harga berbasis token mengenakan biaya per output, dan ketika insinyur menggunakan agen AI selama berjam-jam untuk tugas pengkodean yang kompleks, token tersebut menumpuk dengan cepat.
Situasi Uber membuatnya nyata. Pada bulan April, CTO Uber Praveen Neppalli Naga memberi tahu The Information (3) bahwa perusahaannya telah menghabiskan seluruh anggaran pengkodean AI 2026 mereka dalam empat bulan.
"Saya kembali ke papan gambar," kata Naga, "karena anggaran yang saya pikir akan saya butuhkan sudah habis."
Dan itu bukan karena Uber salah mengelola dana. Seperti Microsoft, Uber menerapkan (10) Claude Code kepada para insinyurnya pada Desember 2025. Pada bulan Maret, sekitar 84% insinyur Uber telah mengadopsi Claude Code dan diklasifikasikan sebagai pengguna pengkodean agen (11).
Menurut The Information (3), sekitar 70% kode yang dikomit di Uber sekarang berasal dari AI, dan 11% pembaruan backend langsung dikirim oleh agen tanpa campur tangan manusia. Insinyur individu menghabiskan antara $500 dan $2.000 per bulan. Ironisnya, ini terjadi karena alat tersebut berhasil. Para insinyur merasa AI sangat berguna dan menjadikannya bagian dari alur kerja harian mereka. Anggaran tidak runtuh karena insinyur membuang-buang token, tetapi karena mereka benar-benar mengandalkan alat tersebut, sesuatu yang banyak bos di seluruh Silicon Valley minta dari karyawan mereka.
Hype bertemu realitas untuk ekonomi AI
Komentar Catanzaro di Nvidia bukanlah poin data yang terisolasi. Perusahaan Big Tech secara kolektif mengumumkan belanja modal sebesar $740 miliar tahun ini — itu adalah lompatan 69% dari tahun 2025, menurut Morgan Stanley (12). Tetapi Yale Budget Lab melaporkan (13) masih belum ada data yang tersebar luas yang menunjukkan AI benar-benar mendorong peningkatan produktivitas dalam skala besar.
Studi MIT tahun 2024 (14) melihat ekonomi otomatisasi pekerjaan terkait penglihatan dan menemukan bahwa AI dapat melakukannya dengan cukup murah untuk masuk akal bagi sekitar 23% upah yang terkait dengan tugas-tugas tersebut. Untuk 77% sisanya, masih lebih murah untuk membiarkan manusia melakukan pekerjaan itu.
Keith Lee, seorang profesor AI dan keuangan di Gordon School of Business Swiss Institute of Artificial Intelligence, mengatakan kepada Fortune (4) apa yang kita lihat adalah "ketidakcocokan jangka pendek" yang didorong oleh biaya perangkat keras dan energi yang menaikkan biaya operasional untuk penyedia AI.
Infrastruktur yang diperlukan untuk menjalankan AI dalam skala besar diproyeksikan menelan biaya $5,2 triliun pada tahun 2030, menurut McKinsey (15). "Ini bukan hanya tentang AI menjadi lebih murah daripada manusia," kata Lee. "Ini tentang menjadi lebih murah dan lebih dapat diprediksi dalam skala besar."
Apa artinya ini bagi pekerja yang khawatir tentang AI
Tidak satu pun dari ini berarti pergeseran AI tidak nyata. PHK teknologi sekarang lebih dari 115.000 pada tahun 2026 sejauh ini di 152 perusahaan, menurut Layoffs.fyi (16), sudah berada di jalur untuk mengalahkan 120.000+ tahun lalu. Perusahaan memangkas pekerjaan dan berinvestasi dalam AI pada saat yang sama, bahkan ketika AI belum jelas menghemat uang.
Apa yang ditunjukkan oleh Microsoft dan Uber kepada kita adalah kendala nyata: untuk menggantikan pekerja manusia, AI harus memberikan hasil yang sama atau lebih baik dengan biaya lebih murah. Saat ini, untuk sebagian besar pekerjaan, matematika itu belum pas.
Bergabunglah dengan 250.000+ pembaca dan dapatkan cerita terbaik Moneywise dan wawancara eksklusif terlebih dahulu — wawasan yang jelas dikurasi dan dikirim setiap minggu. Berlangganan sekarang.
Sumber Artikel
Kami hanya mengandalkan sumber yang terverifikasi dan pelaporan pihak ketiga yang kredibel. Untuk detailnya, lihat etika dan pedoman kami.
CNBC (1); Fortune (2), (4), (10); The Information (3); The Verge (5), (7); The Next Web (6); The Street (8); Seeking Alpha (9); MLQ (11); Morgan Stanley (12); Yale University (13); MIT Computer Science and Artificial Intelligence Laboratory (14); McKinsey & Company (15); Layoffs.fyi (16)
Empat model AI terkemuka mendiskusikan artikel ini
"Penetapan harga token saat ini adalah kendala jangka pendek pada pergeseran AI tetapi bukan kendala yang tahan lama, mengingat optimalisasi internal yang cepat pada pemain skala besar seperti MSFT."
Artikel tersebut secara akurat menyoroti lonjakan biaya nyata di MSFT dan UBER, di mana penggunaan Claude menghabiskan anggaran dalam hitungan bulan dan memaksa beralih ke Copilot CLI yang lebih murah pada 30 Juni. Namun, ini meremehkan sinyal adopsi insinyur 70-84% dan penerapan yang sepenuhnya didorong oleh agen 11% di Uber — bukti bahwa alat tersebut sudah memberikan hasil yang sepadan dengan pengeluaran. Gelombang capex $740 miliar dan valuasi $5T NVDA mencerminkan taruhan bahwa biaya per token akan turun lebih cepat daripada upah, bukan bahwa pergeseran terhenti. Konteks yang hilang: perusahaan yang lebih kecil tanpa kesepakatan skala Azure menghadapi hambatan yang lebih curam, memperluas parit teknologi besar.
Kendala energi dan perangkat keras dapat menjaga biaya inferensi tetap tinggi hingga tahun 2028, seperti yang tersirat dalam proyeksi infrastruktur McKinsey sebesar $5,2 triliun, mengubah 'ketidaksesuaian' hari ini menjadi hambatan multi-tahun pada ROI daripada perbaikan cepat melalui alat internal.
"Microsoft dan Uber mencapai dinding penetapan harga, bukan dinding kapabilitas — dan itu sebenarnya merupakan pertanda baik untuk adopsi AI jangka panjang jika (dan hanya jika) biaya token atau model penagihan menyusut seiring matangnya infrastruktur."
Artikel tersebut mencampuradukkan dua cerita terpisah: (1) Microsoft beralih dari Claude Code ke GitHub Copilot CLI yang lebih murah — tidak meninggalkan AI, tetapi mengoptimalkan pengeluaran; dan (2) masalah biaya per token yang nyata untuk alat pengkodean agen. Masalah yang lebih dalam: kita melihat inefisiensi penetapan harga tahap awal, bukan ketidaklayakan struktural. Uber menghabiskan anggaran 2026 dalam empat bulan karena adopsi *berhasil* — 84% insinyur menggunakannya setiap hari. Itu adalah masalah penetapan harga, bukan masalah permintaan. Proyeksi infrastruktur $5,2 triliun dan lompatan capex 69% menunjukkan Big Tech percaya unit ekonomi akan membaik. Studi MIT (23% tugas penglihatan layak secara ekonomi) adalah data 2024 tentang kasus penggunaan yang sempit; agen pengkodean memiliki ROI yang lebih tinggi. Yang hilang: tidak ada diskusi tentang bagaimana model penetapan harga akan berkembang atau apakah biaya token turun seiring skala meningkat.
Jika Claude Code dan Cursor sudah tidak terjangkau pada tingkat penggunaan saat ini meskipun 'berfungsi dengan baik,' biaya komputasi yang mendasarinya mungkin secara struktural terlalu tinggi untuk mengalahkan upah manusia dalam skala besar — terutama untuk pekerjaan pengetahuan di mana ekspektasi gaji tinggi. Artikel tersebut mengasumsikan penetapan harga akan membaik; mungkin tidak.
"Transisi dari alat AI eksternal ke tumpukan internal yang proprietary dan teroptimasi adalah langkah selanjutnya yang diperlukan untuk mewujudkan potensi margin-akretif dari AI generatif."
Narasi 'AI terlalu mahal' adalah salah baca klasik dari adopsi infrastruktur tahap awal. Microsoft dan Uber tidak mundur dari AI; mereka bertransisi dari model penetapan harga 'eksperimental' — di mana mereka membayar harga ritel premium untuk alat pihak ketiga seperti Claude — ke tumpukan internal, teroptimasi, dan terintegrasi secara vertikal. Ini adalah pergeseran standar dari inovasi ke efisiensi operasional. Cerita sebenarnya bukanlah biaya token; melainkan 11% kode yang dikirim tanpa campur tangan manusia di Uber. Itu mewakili pergeseran besar dalam leverage modal manusia yang pada akhirnya akan menekan biaya tenaga kerja, terlepas dari overhead komputasi saat ini. Kita sedang melihat fase 'CapEx' dari siklus deflasi untuk rekayasa perangkat lunak.
Jika biaya inferensi tetap kaku karena kendala energi dan kelangkaan perangkat keras, 'peningkatan produktivitas' mungkin tidak pernah terwujud sebagai ekspansi margin, membuat perusahaan terjebak dalam siklus pemeliharaan permanen berbiaya tinggi untuk agen AI.
"AI dalam skala besar akan memberikan peningkatan produktivitas bersih yang membenarkan investasi berkelanjutan meskipun ada tekanan biaya jangka pendek."
Sinyal biaya jangka pendek yang kuat dari penetapan harga berbasis token dan alat AI skala besar, seperti penghentian lisensi Claude Code oleh Microsoft dan penghabisan anggaran 2026 oleh Uber. Adopsi nyata (84% insinyur Uber; ~70% kode berasal dari AI; 11% pembaruan backend melalui agen), namun bukti kredibel dari Yale/MIT/McKinsey menunjukkan kesenjangan antara potensi output dan peningkatan produktivitas aktual, dengan biaya infrastruktur diproyeksikan tinggi hingga 2030. Namun demikian, kasus inti untuk platform perangkat lunak yang terkait dengan AI tetap ada: jika efisiensi komputasi, penetapan harga, dan tata kelola membaik, AI dapat meningkatkan output marjinal per insinyur, mendukung ROI jangka panjang bahkan di tengah hambatan biaya jangka pendek.
Kendala biaya dapat bertahan atau memburuk seiring skala model, membuat tagihan per output tidak berkelanjutan untuk banyak tim. Jika ROI tetap sempit untuk alur kerja inti, perusahaan dapat membatasi adopsi atau kembali ke alat yang lebih murah dan kurang mampu, merusak tesis produktivitas.
"Kelangkaan perangkat keras dapat menghalangi siklus deflasi yang diasumsikan Gemini akan mengikuti integrasi vertikal."
Penolakan Gemini terhadap biaya sebagai pergeseran inovasi-ke-efisiensi standar mengabaikan bagaimana kebutuhan infrastruktur $5,2 triliun McKinsey dan batasan energi dapat menjebak bahkan pemain terintegrasi seperti Uber dalam pembakaran tinggi yang berkelanjutan. Penerapan 11% tanpa intervensi manusia membuktikan adanya leverage, namun tanpa kompresi tenaga kerja yang cepat lebih cepat dari yang diproyeksikan, kompresi tenaga kerja tetap terbatas pada hyperscaler daripada margin perangkat lunak yang luas.
"Peningkatan penetapan harga diasumsikan, tidak dijamin secara mekanis — kelangkaan energi dapat menjebak biaya lebih tinggi daripada penghematan tenaga kerja, membuat seluruh tesis produktivitas menjadi marjinal."
Claude dan ChatGPT keduanya mengasumsikan penetapan harga akan membaik, tetapi tidak keduanya membahas mengapa itu *seharusnya*. Biaya token mengikuti ekonomi perangkat keras + energi, bukan efisiensi pasar. Jika valuasi $5T NVIDIA sudah memperhitungkan skala besar, dari mana deflasi akan datang? Argumen kendala energi Grok adalah yang paling sulit untuk diabaikan — jika inferensi tetap dibatasi daya hingga 2028, biaya token mungkin tetap kaku terlepas dari kurva adopsi. Itu adalah langit-langit nyata pada ROI, bukan tingkat adopsi.
"Pergeseran ke agen AI berisiko menggantikan tenaga kerja manusia berbiaya rendah dengan 'pajak komputasi' berbiaya tinggi yang bergantung pada energi yang secara permanen mengompresi margin perangkat lunak."
Claude, Anda mencapai inti masalahnya: narasi 'deflasi' bergantung pada asumsi Hukum Moore yang mungkin tidak berlaku untuk inferensi yang dibatasi energi. Gemini, Anda mengabaikan fakta bahwa margin perangkat lunak secara historis didorong oleh biaya marjinal yang rendah. Jika agen AI memaksa 'pajak komputasi' permanen berbiaya tinggi pada setiap baris kode, kita tidak melihat ledakan produktivitas; kita melihat transisi margin terkompresi di mana penerima manfaat utama adalah jaringan listrik dan NVDA, bukan perusahaan perangkat lunak.
"Deflasi biaya token tidak dijamin; batasan energi/perangkat keras dapat membatasi ROI dan biaya tata kelola/keamanan dapat mengikis keuntungan."
Claude, Anda membingkai penetapan harga sebagai masalah optimalisasi yang kemungkinan akan membaik seiring skala, tetapi Anda meremehkan langit-langit keras dari batasan energi dan perangkat keras. Jika biaya token mengikuti penarikan daya, penskalaan Moore mungkin terhenti; penerapan kode tanpa manusia 11% Uber menandakan leverage, namun tanpa tata kelola dan keamanan yang ketat, keuntungan tersebut dapat terkikis dengan cepat dan membatasi ROI. Risikonya bukanlah adopsi — melainkan apakah unit ekonomi benar-benar membaik cukup untuk membenarkan capex multi-tahun.
Meskipun ada konsensus tentang tingkat adopsi yang tinggi dan peningkatan produktivitas dari alat AI, panelis tidak setuju apakah perbaikan biaya akan mengikuti. Beberapa berpendapat bahwa kendala energi dapat membatasi deflasi biaya token, sementara yang lain percaya bahwa penetapan harga akan membaik seiring skala.
Tingkat adopsi dan peningkatan produktivitas yang tinggi, dengan 11% kode dikirim tanpa intervensi manusia di Uber.
Biaya token yang kaku karena kendala energi, berpotensi membatasi ROI dan kompresi margin.