Oleh Maksym Misichenko · Nasdaq ·
Apa yang dipikirkan agen AI tentang berita ini
Terlepas dari persaingan dari chip kustom hyperscaler, ekosistem CUDA Nvidia, parit perangkat lunak, dan skala dominan di TSMC membuatnya berada di posisi yang baik untuk mempertahankan kepemimpinan pasar dalam chipset AI. Risiko utama adalah potensi kendala kapasitas di TSMC, sementara peluang utama terletak pada kemampuan Nvidia untuk memonetisasi melalui perangkat lunak dan alat bahkan ketika chip internal tumbuh.
Risiko: Potensi kendala kapasitas di TSMC
Peluang: Monetisasi melalui perangkat lunak dan alat
Analisis ini dihasilkan oleh pipeline StockScreener — empat LLM terkemuka (Claude, GPT, Gemini, Grok) menerima prompt identik dengan perlindungan anti-halusinasi bawaan. Baca metodologi →
Hyperscalers seperti Amazon dan Alphabet telah melihat permintaan yang sehat untuk prosesor AI kustom mereka.
Perusahaan-perusahaan ini menyewakan akses ke chip internal mereka kepada pihak ketiga, dan mereka telah mendapatkan kontrak yang menguntungkan.
Kemajuan mereka bukanlah berita baik bagi Nvidia, yang telah menjadi pemain dominan dalam chip AI selama tiga setengah tahun terakhir.
Nvidia (NASDAQ: NVDA) telah menjadi salah satu penerima manfaat terbesar dari lonjakan chip kecerdasan buatan (AI). Unit pemrosesan grafis (GPU) -nya adalah prosesor paralel, yang dirancang untuk memecah jenis perhitungan yang sangat kompleks menjadi sejumlah bagian yang lebih kecil, dan kemudian melakukan semua perhitungan kecil itu secara bersamaan, daripada mengambil setiap tugas secara berurutan. Dan ternyata, proses melatih model bahasa besar (LLM) sangat bergantung pada jenis tugas di mana GPU unggul.
Akibatnya, selama beberapa tahun terakhir, permintaan untuk GPU terkemuka di industri Nvidia telah meroket, mendorong pertumbuhan yang menakjubkan dalam pendapatan dan laba perusahaan.
Akankah AI menciptakan triliuner pertama di dunia? Tim kami baru saja merilis laporan tentang satu perusahaan yang kurang dikenal, yang disebut "Monopoli yang Sangat Diperlukan" yang menyediakan teknologi penting yang dibutuhkan Nvidia dan Intel. Lanjutkan »
Hyperscalers besar dan perusahaan AI, seperti Amazon (NASDAQ: AMZN), Microsoft, Meta Platforms, dan Google milik Alphabet (NASDAQ: GOOG) (NASDAQ: GOOGL), telah lama mengandalkan perangkat keras Nvidia untuk melatih model AI yang kuat.
Yang patut dicatat adalah bahwa pesaing Nvidia belum dapat banyak mengganggu dominasi chip AI-nya. Perusahaan ini menguasai sekitar 81% pasar chip pusat data AI, menurut IDC. Berita baik bagi investor saham Nvidia adalah bahwa pertumbuhan pesat perusahaan dapat berlanjut -- perusahaan memperkirakan total penjualan sebesar $1 triliun untuk arsitektur Blackwell dan Vera Rubin di seluruh tahun 2026 dan 2027.
Namun, ada banyak bukti bahwa posisi Nvidia dalam chip AI secara bertahap melemah.
Melatih LLM membutuhkan banyak daya komputasi, itulah sebabnya Amazon, Meta, Microsoft, Alphabet, dan lainnya telah membeli jutaan GPU Nvidia. Namun, pelanggan ini juga telah merancang chip mereka sendiri untuk menjalankan beban kerja AI secara hemat biaya di pusat data mereka. Biaya tinggi dan kendala pasokan yang terkait dengan kartu grafis populer Nvidia menjelaskan mengapa pelanggan ini telah lama mengerjakan chip mereka sendiri secara internal.
Google, misalnya, meluncurkan generasi pertama Unit Pemrosesan Tensor (TPU) -nya pada tahun 2015, sementara chip kustom Trainium internal Amazon diluncurkan pada Desember 2020. Kedua perusahaan telah meningkatkan chip mereka selama bertahun-tahun. Faktanya, mereka sekarang menjual chip ini kepada pihak ketiga.
Amazon, misalnya, baru-baru ini mengungkapkan bahwa bisnis chipnya mencatat pertumbuhan berurutan sebesar 40% pada kuartal pertama tahun 2026. Tingkat pendapatan tahunan bisnis semikonduktor Amazon sekarang lebih dari $20 miliar. Terlebih lagi, perusahaan "Magnificent Seven" mencatat bahwa tingkat pendapatan segmen tersebut meningkat dalam persentase tiga digit dari tahun ke tahun.
Poin penting lainnya adalah bahwa tingkat pendapatan tahunan segmen tersebut akan mendekati $50 miliar jika termasuk "penjualan" chipnya kepada dirinya sendiri untuk digunakan di pusat data AWS. Terlebih lagi, permintaan untuk chip Trainium Amazon begitu kuat sehingga akses ke chip tersebut sepenuhnya dipesan. Prosesor AI kustomnya digunakan oleh Anthropic, OpenAI, Uber, dan bahkan Meta Platforms, yang menggunakan unit pemrosesan pusat (CPU) Graviton internal Amazon untuk mendukung aplikasi AI agen.
Ternyata, Amazon memiliki komitmen pembelian sebesar $225 miliar untuk chip AI Trainium-nya, yang jelas menunjukkan bahwa bisnis semikonduktornya siap untuk pertumbuhan yang luar biasa.
Sementara itu, Google juga telah membuat gebrakan di pasar chip AI. Raksasa teknologi ini memiliki kesepakatan besar dengan Meta Platforms dan Anthropic untuk penerapan TPU-nya. CEO Sundar Pichai melihat bisnis TPU sebagai salah satu pendorong pertumbuhan utamanya, dan perusahaan sekarang menjual chipnya kepada lebih banyak pelanggan.
Pada panggilan pendapatan terbaru Alphabet, Pichai berkomentar:
Seiring permintaan TPU tumbuh dari laboratorium AI, perusahaan pasar modal, dan aplikasi komputasi berkinerja tinggi, kami akan mulai mengirimkan TPU ke sekelompok pelanggan terpilih di pusat data mereka sendiri dalam konfigurasi perangkat keras untuk memperluas peluang pasar yang dapat dijangkau.
Peluang yang dapat dijangkau ini bisa sangat besar dalam jangka panjang. Meskipun Google belum mengungkapkan ukuran bisnis TPU-nya secara publik, perusahaan investasi D.A. Davidson memperkirakan bahwa bisnis tersebut bisa bernilai $900 miliar dalam jangka panjang, dengan asumsi perusahaan memutuskan untuk serius menjual chipnya kepada pihak ketiga.
Sekarang tampaknya Google memang menjadi serius tentang bisnis TPU-nya, dan itu kemungkinan akan menciptakan lebih banyak masalah bagi kerajaan chip AI Nvidia.
Nvidia tidak akan tinggal diam sementara pelanggannya berubah menjadi pesaing. Alasan prosesor kustom Amazon dan Google mendapatkan daya tarik luar biasa adalah karena mereka adalah sirkuit terpadu khusus aplikasi -- chip yang dioptimalkan untuk menangani rentang beban kerja yang relatif sempit, berbeda dengan GPU Nvidia yang lebih fleksibel, yang cocok untuk berbagai tugas. Dengan demikian, chip kustom dapat melakukan tugas inferensi AI dengan lebih efisien, mengurangi total biaya operasional pusat data.
Nvidia melawan ancaman dari perusahaan seperti Amazon dan Google dengan melakukan peningkatan pada perangkat kerasnya sendiri yang secara signifikan mengurangi biaya inferensi AI dengan GPU-nya. Selain itu, Nvidia telah memutuskan untuk menawarkan CPU server Vera-nya sebagai produk mandiri untuk pertama kalinya, daripada hanya menawarkannya sebagai bagian dari platform Vera Rubin. Perusahaan telah mengambil langkah ini karena melihat minat yang kuat pada CPU server Vera-nya. Faktanya, perusahaan percaya bahwa bisnis CPU servernya bisa menjadi peluang bernilai miliaran dolar.
Upaya Nvidia untuk mendorong batas dalam pengembangan produk seharusnya membantunya menangkis persaingan yang meningkat. Selain itu, investor tidak boleh lupa bahwa pasar chip AI terus berkembang pesat. Bank of America memperkirakan bahwa pasar semikonduktor global dapat mencapai pendapatan $2 triliun pada tahun 2030. Gartner, di sisi lain, memperkirakan bahwa chip AI akan menyumbang setengah dari pasar semikonduktor global pada akhir dekade ini.
Jadi, ada banyak ruang bagi lebih dari satu pemain besar untuk berkembang di ruang ini. Nvidia melaporkan pendapatan pusat data sebesar $194 miliar tahun lalu, dan ukuran pasar yang dapat dijangkau menunjukkan bahwa perusahaan masih memiliki ruang signifikan untuk pertumbuhan di segmen ini. Selain itu, perusahaan mengambil langkah-langkah untuk mempertahankan dominasinya. Dengan demikian, mudah untuk melihat mengapa analis tetap optimis tentang prospek Nvidia; perusahaan dapat terus mencatat pertumbuhan penjualan pusat data yang sehat meskipun kehilangan sebagian pangsa pasar dalam chip AI.
Selain itu, kelipatan laba ke depan sebesar 24 jauh di bawah kelipatan laba rata-rata 40,6 dari indeks Nasdaq Composite yang berfokus pada teknologi. Potensi pertumbuhan laba perusahaan menunjukkan bahwa perusahaan saat ini dinilai terlalu rendah. Itulah sebabnya masuk akal untuk mempertahankan saham AI ini, terlepas dari persaingan yang meningkat di pasar chip pusat data.
Pernah merasa seperti Anda melewatkan kesempatan untuk membeli saham paling sukses? Maka Anda pasti ingin mendengar ini.
Dalam kesempatan langka, tim analis ahli kami mengeluarkan rekomendasi saham "Double Down" untuk perusahaan yang mereka yakini akan segera meroket. Jika Anda khawatir sudah melewatkan kesempatan Anda untuk berinvestasi, sekarang adalah waktu terbaik untuk membeli sebelum terlambat. Dan angka-angkanya berbicara sendiri:
Nvidia: jika Anda berinvestasi $1.000 saat kami melakukan "Double Down" pada tahun 2009, Anda akan mendapatkan $539.083! Apple: jika Anda berinvestasi $1.000 saat kami melakukan "Double Down" pada tahun 2008, Anda akan mendapatkan $54.747! Netflix: jika Anda berinvestasi $1.000 saat kami melakukan "Double Down" pada tahun 2004, Anda akan mendapatkan $476.034!*
Saat ini, kami mengeluarkan peringatan "Double Down" untuk tiga perusahaan luar biasa, tersedia saat Anda bergabung dengan Stock Advisor, dan mungkin tidak akan ada kesempatan seperti ini lagi dalam waktu dekat.
**Pengembalian Stock Advisor per 8 Mei 2026. ***
Bank of America adalah mitra iklan Motley Fool Money. Harsh Chauhan tidak memiliki posisi di saham mana pun yang disebutkan. Motley Fool memiliki posisi di dan merekomendasikan Alphabet, Amazon, Meta Platforms, Microsoft, dan Nvidia. Motley Fool merekomendasikan Gartner. Motley Fool memiliki kebijakan pengungkapan.
Pandangan dan opini yang diungkapkan di sini adalah pandangan dan opini penulis dan tidak selalu mencerminkan pandangan dan opini Nasdaq, Inc.
Empat model AI terkemuka mendiskusikan artikel ini
"Valuasi Nvidia pada 24x pendapatan ke depan secara signifikan mendiskon evolusinya menjadi penyedia pusat data tumpukan penuh, terlepas dari sedikit erosi pangsa pasar ke silikon kustom."
Narasi bahwa hyperscaler 'membunuh' Nvidia dengan membangun silikon kustom mengabaikan perbedaan antara pelatihan dan inferensi. Sementara Trainium Amazon dan TPU Google mendapatkan daya tarik untuk inferensi yang dioptimalkan biayanya, ekosistem CUDA Nvidia tetap menjadi standar emas untuk pelatihan model terdepan. Nvidia bertransisi dari pemasok komponen menjadi arsitek pusat data tumpukan penuh dengan Blackwell dan Vera. Argumen valuasi artikel -- mengutip P/E ke depan 24x -- adalah sinyal paling menarik; jika Nvidia mempertahankan bahkan 60-70% pangsa pasar dalam TAM $1 triliun pada tahun 2030, kelipatan saat ini menyiratkan kesalahan harga besar dari pertumbuhan terminal. Risiko sebenarnya bukanlah persaingan, tetapi potensi dataran tinggi dalam hukum penskalaan LLM yang membuat kluster GPU besar menjadi kurang penting.
Jika hyperscaler berhasil mengalihkan industri ke kerangka kerja sumber terbuka seperti Triton atau PyTorch 2.0, 'parit' perangkat lunak CUDA proprietary Nvidia bisa menguap, mengkomoditisasi perangkat keras mereka dalam semalam.
"Chip kustom hyperscaler menargetkan efisiensi inferensi tetapi tidak akan menggantikan dominasi pelatihan Nvidia atau parit CUDA di pasar yang berkembang bernilai triliunan dolar."
Judul bearish artikel ini melebih-lebihkan ancaman -- tingkat pendapatan chip eksternal Amazon sebesar $20 miliar (Q1 2026) dan penjualan TPU Google yang baru lahir pucat dibandingkan dengan pendapatan pusat data Nvidia sebesar $194 miliar tahun lalu dan pangsa chip AI 81% (IDC). ASIC Kustom seperti Trainium/TPU unggul dalam penghematan biaya inferensi tetapi kurang fleksibilitas GPU Nvidia untuk melatih LLM, di mana ekosistem CUDA mengunci hyperscaler (yang masih membeli miliaran H100/B200). Prakiraan $1 triliun Nvidia Blackwell/Vera (2026-27), optimasi inferensi, dan CPU Vera mandiri secara efektif melawan di pasar semi $2 triliun (BofA 2030). P/E ke depan 24x vs. Nasdaq 40x menjerit undervaluation di tengah pertumbuhan 100%+.
Jika komitmen Trainium hyperscaler sebesar $225 miliar dan kesepakatan TPU meningkat pesat untuk menggantikan 20-30% pendapatan inferensi Nvidia (tumbuh lebih cepat dari pelatihan), dikombinasikan dengan diversifikasi rantai pasokan oleh OpenAI/Anthropic, kekuatan harga dan margin Nvidia dapat terkikis lebih cepat dari yang diperkirakan.
"Chip kustom adalah permainan margin untuk hyperscaler, bukan pembunuh pendapatan Nvidia -- pasar yang dapat dijangkau berkembang lebih cepat daripada pesaing tunggal mana pun yang dapat merebut pangsa pasar."
Artikel ini mencampuradukkan kehilangan pangsa pasar dengan penurunan pendapatan -- kesalahan kritis. Ya, Amazon dan Google sedang membangun chip kustom, tetapi pendapatan pusat data Nvidia sebesar $194 miliar tahun lalu tumbuh ~126% YoY. Bahkan kehilangan 20 poin pangsa pasar di pasar yang tumbuh 40%+ per tahun berarti pendapatan absolut Nvidia masih meningkat. Artikel ini mengutip tingkat pendapatan chip Amazon sebesar $20 miliar dan peluang hipotetis Google sebesar $900 miliar, tetapi tidak ada yang menggantikan basis terpasang Nvidia atau ekosistem perangkat lunaknya (CUDA). Risiko sebenarnya bukanlah persaingan; tetapi apakah intensitas capex hyperscaler moderat, menghancurkan semua permintaan semikonduktor secara bersamaan.
Jika hyperscaler mencapai utilisasi 60%+ chip internal dalam 24 bulan dan mengurangi pesanan GPU Nvidia sebesar 40%, pertumbuhan pusat data Nvidia dapat melambat menjadi satu digit meskipun ekspansi pasar -- mengubah ini menjadi cerita kehilangan pangsa pasar yang sebenarnya, bukan skenario gelombang pasang yang naik.
"Keunggulan kompetitif Nvidia dapat terkikis jika hyperscaler meningkatkan chip AI internal mereka cukup cepat untuk secara signifikan mengurangi ketergantungan pada GPU Nvidia, berisiko kompresi margin dan kehilangan pangsa pasar dalam siklus multi-tahun."
Artikel ini menyoroti risiko yang masuk akal terhadap dominasi Nvidia: hyperscaler yang membangun chip internal dapat mengikis pangsa pasar dan meningkatkan persaingan. Namun, parit Nvidia lebih dari sekadar kekuatan GPU mentah -- perangkat lunak CUDA, ekosistem yang luas, dan siklus permintaan pusat data multi-tahun melindunginya. Chip internal cenderung mengoptimalkan beban kerja yang sempit dan membutuhkan capex yang besar dan berkelanjutan; bahkan jika chip seperti Trainium/TPU mendapatkan daya tarik, Nvidia masih bisa menang dalam hal fleksibilitas, alat, dan skala. Proyeksi TAM (misalnya, pasar TPU $900 miliar; pendapatan semikonduktor $2 triliun pada tahun 2030) terlihat optimis dan bergantung pada adopsi agresif. Ujian sebenarnya adalah apakah hyperscaler mencapai kesetaraan biaya dalam skala besar tanpa mengorbankan kinerja dan keandalan.
Argumen tersebut mengasumsikan Nvidia dapat menahan pergeseran cepat ke chip internal; jika hyperscaler mempercepat, waktu tunggu yang lama, biaya integrasi, dan kesenjangan kinerja dapat bertambah, berpotensi menekan pangsa dan margin Nvidia lebih cepat dari yang diperkirakan para kritikus.
"Kendala kapasitas CoWoS TSMC mewakili hambatan sisi pasokan kritis yang dapat mengikis pangsa pasar Nvidia terlepas dari permintaan."
Claude, Anda melewatkan risiko geopolitik dan rantai pasokan: TSMC. Hyperscaler tidak hanya membangun chip; mereka bersaing untuk kapasitas pengemasan CoWoS yang terbatas. Jika Nvidia kehilangan status prioritasnya di TSMC, 'parit' mereka tidak berarti. Bahkan jika permintaan tetap ada, ketidakmampuan untuk mengirimkan unit Blackwell karena kendala kapasitas -- sementara Google dan Amazon mengamankan jalur khusus mereka sendiri -- dapat memicu kompresi margin sisi pasokan yang tidak ada di antara Anda yang telah memperhitungkan secara memadai dalam P/E ke depan 24x.
"Skala Nvidia memastikan prioritas TSMC di atas volume hyperscaler yang lebih kecil, mengubah risiko pasokan menjadi parit."
Gemini, poin TSMC CoWoS Anda mengabaikan skala dominan Nvidia: sebagai pelanggan terbesar TSMC (~20% pendapatan), Nvidia mengamankan kontrak prioritas multi-tahun untuk pengemasan HBM, sementara volume Trainium/TPU hyperscaler 5-10x lebih kecil. Pertarungan kapasitas menguntungkan Nvidia, bukan mengikisnya -- dibuktikan dengan alokasi pasokan Q4 FY24. Risiko Taiwan simetris memengaruhi semua orang, tetapi GPU Rubin Nvidia (kinerja 2x Blackwell) memperlebar kesenjangan.
"Daya ungkit TSMC Nvidia nyata tetapi mengasumsikan pola permintaan statis; pergeseran struktural dalam alokasi alokasi capex hyperscaler dapat mengikis keuntungan itu lebih cepat dari yang disarankan preseden historis."
Argumen skala TSMC Grok masuk akal, tetapi melewatkan risiko waktu: prioritas CoWoS Nvidia berlaku *hari ini*. Jika peta jalan chip kustom hyperscaler matang lebih cepat dari peningkatan Blackwell (masuk akal mengingat linimasa 2026), TSMC dapat mengalokasikan kembali kapasitas di tengah siklus. Pangsa pelanggan Nvidia 20% tidak menjamin prioritas jika permintaan bergeser secara struktural. Pertanyaan sebenarnya: apakah kinerja 2x Rubin membenarkan premi capex jika chip inferensi mencapai paritas biaya 90% pada tahun 2027?
"Risiko kapasitas CoWoS ada tetapi parit perangkat lunak Nvidia dan opsi Vera Rubin yang fleksibel menciptakan opsi yang dilewatkan oleh taruhan perangkat keras murni."
Gemini, risiko kapasitas CoWoS nyata tetapi bukan peristiwa hitam bagi Nvidia. Bagian yang lebih besar yang hilang adalah berapa banyak capex hyperscaler yang diarahkan pada akselerasi yang didukung perangkat lunak versus silikon murni. Jika chip internal tumbuh, Nvidia dapat memonetisasi melalui CUDA, alat, dan siklus permintaan pusat data multi-tahun, bukan hanya pengiriman GPU. Keterbatasan kapasitas akan menekan semua pemain; parit perangkat lunak Nvidia dan fleksibilitas Vera Rubin menawarkan opsi yang diremehkan oleh para purist perangkat keras murni.
Terlepas dari persaingan dari chip kustom hyperscaler, ekosistem CUDA Nvidia, parit perangkat lunak, dan skala dominan di TSMC membuatnya berada di posisi yang baik untuk mempertahankan kepemimpinan pasar dalam chipset AI. Risiko utama adalah potensi kendala kapasitas di TSMC, sementara peluang utama terletak pada kemampuan Nvidia untuk memonetisasi melalui perangkat lunak dan alat bahkan ketika chip internal tumbuh.
Monetisasi melalui perangkat lunak dan alat
Potensi kendala kapasitas di TSMC