Masalah Triliun Dolar AI

Ketika kita memasuki tahun 2025, sektor kecerdasan buatan berada pada titik infleksi yang sangat penting. Sementara industri ini terus menarik investasi dan perhatian yang belum pernah terjadi sebelumnya – terutama dalam lanskap kecerdasan buatan generatif – beberapa dinamika pasar yang mendasarinya menunjukkan bahwa kita sedang menuju perubahan besar dalam lanskap kecerdasan buatan dalam tahun mendatang.

Menggambar dari pengalaman saya memimpin sebuah startup kecerdasan buatan dan mengamati evolusi industri yang cepat, saya percaya bahwa tahun ini akan membawa banyak perubahan mendasar: dari model konsep besar (LCM) yang diharapkan muncul sebagai pesaing serius untuk model bahasa besar (LLM), munculnya perangkat keras kecerdasan buatan khusus, hingga perusahaan besar yang memulai pembangunan infrastruktur kecerdasan buatan yang akan akhirnya memungkinkan mereka untuk mengalahkan startup seperti OpenAI dan Anthropic – dan, siapa tahu, mungkin bahkan mengamankan monopoli kecerdasan buatan mereka setelah semua.

Tantangan Unik Perusahaan Kecerdasan Buatan: Bukan Perangkat Lunak atau Perangkat Keras

Masalah mendasar terletak pada bagaimana perusahaan kecerdasan buatan beroperasi di tanah tengah yang belum pernah terlihat sebelumnya antara bisnis perangkat lunak tradisional dan perangkat keras. Tidak seperti perusahaan perangkat lunak murni yang sebagian besar berinvestasi pada modal manusia dengan biaya operasional yang relatif rendah, atau perusahaan perangkat keras yang membuat investasi modal jangka panjang dengan jalur pengembalian yang jelas, perusahaan kecerdasan buatan menghadapi kombinasi tantangan yang unik yang membuat model pendanaan mereka saat ini tidak stabil.

Perusahaan-perusahaan ini memerlukan pengeluaran modal besar di muka untuk klaster GPU dan infrastruktur, menghabiskan $100-200 juta per tahun untuk sumber daya komputasi saja. Namun, tidak seperti perusahaan perangkat keras, mereka tidak dapat mengamortisasi investasi ini selama periode yang lama. Sebaliknya, mereka beroperasi pada siklus dua tahun yang dikompresi antara putaran pendanaan, setiap kali perlu menunjukkan pertumbuhan eksponensial dan kinerja yang mutakhir untuk membenarkan peningkatan valuasi mereka.

Masalah Diferensiasi LLM

Menambahkan pada tantangan struktural ini adalah tren yang mengkhawatirkan: konvergensi cepat kemampuan model bahasa besar (LLM). Startup, seperti unicorn Mistral AI dan lain-lain, telah menunjukkan bahwa model terbuka dapat mencapai kinerja yang setara dengan model tertutup, tetapi diferensiasi teknis yang sebelumnya membenarkan valuasi yang sangat tinggi menjadi semakin sulit untuk dipertahankan.

Dengan kata lain, sementara setiap LLM baru membanggakan kinerja yang mengesankan berdasarkan standar benchmark, pergeseran signifikan dalam arsitektur model yang mendasarinya tidak terjadi.

Keterbatasan saat ini dalam domain ini berasal dari tiga area kritis: ketersediaan data, karena kita kehabisan bahan pelatihan berkualitas tinggi (seperti yang dikonfirmasi oleh Elon Musk baru-baru ini); metode kurasi, karena mereka semua mengadopsi pendekatan umpan balik manusia yang serupa yang dipelopori oleh OpenAI; dan arsitektur komputasi, karena mereka bergantung pada kolam GPU khusus yang terbatas.

Apa yang muncul adalah pola di mana keuntungan semakin berasal dari efisiensi daripada skala. Perusahaan fokus pada mengompresi lebih banyak pengetahuan ke dalam token yang lebih sedikit dan mengembangkan artefak teknik yang lebih baik, seperti sistem pengambilan seperti graf RAG (pengambilan-augmentasi generasi). Secara esensial, kita mendekati dataran alami di mana melemparkan lebih banyak sumber daya ke masalah ini menghasilkan pengembalian yang menurun.

Karena kecepatan inovasi yang belum pernah terjadi sebelumnya dalam dua tahun terakhir, konvergensi kemampuan LLM ini terjadi lebih cepat dari yang diantisipasi siapa pun, menciptakan lomba melawan waktu untuk perusahaan yang mengumpulkan dana.

Berdasarkan tren penelitian terbaru, frontier berikutnya untuk menangani masalah ini adalah munculnya model konsep besar (LCM) sebagai arsitektur baru yang kompetitif dengan LLM di domain inti mereka, yaitu pemahaman bahasa alami (NLP).

Secara teknis, LCM akan memiliki beberapa kelebihan, termasuk potensi kinerja yang lebih baik dengan iterasi yang lebih sedikit dan kemampuan untuk mencapai hasil yang serupa dengan tim yang lebih kecil. Saya percaya bahwa LCM generasi berikutnya akan dikembangkan dan dikomersialisasikan oleh tim spin-off, para maverick ‘ex-big tech’ yang mendirikan startup baru untuk memimpin revolusi ini.

Tidak Cocoknya Garis Waktu Monetisasi

Pengompresan siklus inovasi telah menciptakan masalah kritis lainnya: ketidakcocokan antara waktu-pasar dan monetisasi yang berkelanjutan. Sementara kita melihat kecepatan luar biasa dalam verticalisasi aplikasi kecerdasan buatan – dengan agen suara kecerdasan buatan, misalnya, beralih dari konsep ke produk yang menghasilkan pendapatan dalam beberapa bulan – komersialisasi cepat ini menyembunyikan masalah yang lebih dalam.

Pertimbangkan ini: sebuah startup kecerdasan buatan yang dinilai $20 miliar hari ini kemungkinan besar perlu menghasilkan sekitar $1 miliar pendapatan tahunan dalam 4-5 tahun untuk membenarkan IPO pada multiple yang wajar. Ini memerlukan tidak hanya keunggulan teknis tetapi juga transformasi dramatis dari seluruh model bisnis, dari fokus R&D ke penjualan, sembari mempertahankan kecepatan inovasi dan mengelola biaya infrastruktur yang besar.

Dalam arti itu, startup LCM yang akan muncul pada 2025 akan berada dalam posisi yang lebih baik untuk mengumpulkan dana, dengan valuasi awal yang lebih rendah membuat mereka lebih menarik bagi investor.

Kekurangan Perangkat Keras dan Alternatif yang Muncul

Mari kita lihat lebih dekat secara khusus pada infrastruktur. Hari ini, setiap klaster GPU baru dibeli bahkan sebelum dibangun oleh pemain besar, memaksa pemain kecil untuk berkomitmen pada kontrak jangka panjang dengan penyedia cloud atau berisiko keluar dari pasar sepenuhnya.

Tapi apa yang benar-benar menarik adalah: sementara semua orang bertarung untuk GPU, telah terjadi pergeseran menarik dalam lanskap perangkat keras yang masih banyak diabaikan. Arsitektur GPU saat ini, yang disebut GPGPU (General Purpose GPU), sangat tidak efisien untuk apa yang sebenarnya dibutuhkan perusahaan dalam produksi. Ini seperti menggunakan superkomputer untuk menjalankan aplikasi kalkulator.

Ini adalah mengapa saya percaya bahwa perangkat keras kecerdasan buatan khusus akan menjadi pergeseran besar berikutnya dalam industri kita. Perusahaan, seperti Groq dan Cerebras (CBRS ), membangun perangkat keras khusus inferensi yang 4-5 kali lebih murah untuk dioperasikan daripada GPU tradisional. Ya, ada biaya teknik yang lebih tinggi di awal untuk mengoptimalkan model Anda untuk platform ini, tetapi untuk perusahaan yang menjalankan beban kerja inferensi skala besar, keuntungan efisiensi jelas.

Kepadatan Data dan Munculnya Model yang Lebih Kecil dan Lebih Pintar

Berpindah ke frontier inovasi berikutnya dalam kecerdasan buatan kemungkinan besar akan memerlukan tidak hanya kekuatan komputasi yang lebih besar – terutama untuk model besar seperti LCM – tetapi juga dataset yang lebih kaya dan lebih komprehensif.

Menariknya, model yang lebih kecil dan lebih efisien mulai menantang model yang lebih besar dengan memanfaatkan seberapa padat mereka dilatih pada data yang tersedia. Misalnya, model seperti FeeFree Microsoft (MSFT ) atau Gema2B Google, beroperasi dengan parameter yang jauh lebih sedikit – sering sekitar 2 hingga 3 miliar – namun mencapai tingkat kinerja yang setara dengan model yang jauh lebih besar dengan 8 miliar parameter.

Model yang lebih kecil ini semakin kompetitif karena kepadatan data yang tinggi, membuat mereka kuat meskipun ukurannya. Pergeseran ini menuju model yang kompak tetapi kuat sejalan dengan keunggulan strategis yang dimiliki perusahaan seperti Microsoft dan Google: akses ke dataset yang masif dan beragam melalui platform seperti Bing dan Google Search.

Dinamika ini mengungkapkan dua “perang” yang sedang berlangsung dalam pengembangan kecerdasan buatan: satu atas kekuatan komputasi dan yang lain atas data. Sementara sumber daya komputasi sangat penting untuk mendorong batas, kepadatan data menjadi sama – jika tidak lebih – kritis. Perusahaan dengan akses ke dataset yang luas uniknya berposisi untuk melatih model yang lebih kecil dengan efisiensi dan kekuatan yang tak tertandingi, memperkuat dominasi mereka dalam lanskap kecerdasan buatan yang berkembang.

Siapa yang Akan Menang dalam Perang Kecerdasan Buatan?

Dalam konteks ini, setiap orang suka bertanya-tanya siapa dalam lanskap kecerdasan buatan saat ini yang paling berposisi untuk keluar sebagai pemenang. Berikut beberapa makanan untuk dipikirkan.

Perusahaan teknologi besar telah membeli klaster GPU secara keseluruhan sebelum konstruksi, menciptakan lingkungan kelangkaan bagi pemain kecil. Pesanan Oracle sebesar 100.000+ GPU dan gerakan serupa oleh Meta dan Microsoft menggambarkan tren ini.

Dengan menginvestasikan ratusan miliar dalam inisiatif kecerdasan buatan, perusahaan-perusahaan ini memerlukan ribuan insinyur dan peneliti kecerdasan buatan khusus. Ini menciptakan permintaan talenta yang belum pernah terjadi sebelumnya yang hanya dapat dipenuhi melalui akuisisi strategis – kemungkinan besar menghasilkan banyak startup yang diserap dalam beberapa bulan mendatang.

Sementara 2025 akan dihabiskan pada R&D skala besar dan pembangunan infrastruktur untuk aktor-aktor ini, pada 2026, mereka akan berada dalam posisi untuk menyerang seperti tidak pernah sebelumnya karena sumber daya yang tak tertandingi.

Ini tidak berarti bahwa perusahaan kecerdasan buatan yang lebih kecil telah dikutuk – jauh dari itu. Sektor ini akan terus berinovasi dan menciptakan nilai. Beberapa inovasi kunci dalam sektor ini, seperti LCM, kemungkinan besar akan dipimpin oleh aktor-aktor kecil yang muncul dalam tahun mendatang, bersama dengan Meta, Google/Alphabet (GOOG ), dan OpenAI dengan Anthropic, yang semuanya bekerja pada proyek-proyek menarik saat ini.

Namun, kita kemungkinan besar akan melihat restrukturisasi mendasar tentang bagaimana perusahaan kecerdasan buatan dibiayai dan dinilai. Ketika modal ventura menjadi lebih diskriminatif, perusahaan perlu menunjukkan jalur yang jelas menuju ekonomi unit yang berkelanjutan – tantangan khusus untuk bisnis sumber terbuka yang bersaing dengan alternatif proprietari yang memiliki sumber daya yang baik.

Untuk perusahaan kecerdasan buatan sumber terbuka secara khusus, jalur ke depan mungkin memerlukan fokus pada aplikasi vertikal khusus di mana kemampuan transparansi dan kustomisasi mereka memberikan keunggulan yang jelas atas solusi proprietari.