Model Raksasa Bukanlah Inti dari Krisis Komputasi

Setiap kali model AI baru dirilis—GPT update, DeepSeek, Gemini—orang-orang terkesan dengan ukuran, kompleksitas, dan semakin banyak, kelaparan komputasi dari model raksasa ini. Asumsi bahwa model-model ini mendefinisikan kebutuhan sumber daya revolusi AI.

Asumsi itu salah.

Ya, model besar memang lapar komputasi. Tetapi beban terbesar pada infrastruktur AI tidak datang dari segelintir model raksasa—melainkan dari proliferasi sunyi model AI di seluruh industri, masing-masing dioptimalkan untuk aplikasi tertentu, masing-masing mengonsumsi komputasi pada skala yang belum pernah terjadi sebelumnya.

Meskipun potensi persaingan winner-takes-all yang sedang berkembang di antara LLM, lanskap AI secara umum tidak terpusat—melainkan terfragmentasi. Setiap bisnis tidak hanya menggunakan AI—mereka melatih, mengkustomisasi, dan menerapkan model pribadi yang disesuaikan dengan kebutuhan mereka. Situasi terakhir itulah yang akan menciptakan kurva permintaan infrastruktur yang penyedia cloud, perusahaan, dan pemerintah tidak siap untuk menghadapinya.

Kami telah melihat pola ini sebelumnya. Cloud tidak mengkonsolidasikan beban kerja IT; itu menciptakan ekosistem hibrida yang menjalar. Pertama, itu adalah server sprawl. Lalu VM sprawl. Sekarang? AI sprawl. Setiap gelombang komputasi menyebabkan proliferasi, bukan penyederhanaan. AI tidak berbeda.

AI Sprawl: Mengapa Masa Depan AI Adalah Sejuta Model, Bukan Satu

Keuangan, logistik, keamanan siber, layanan pelanggan, R&D—masing-masing memiliki model AI yang dioptimalkan untuk fungsinya sendiri. Organisasi tidak melatih satu model AI untuk menguasai seluruh operasi mereka. Mereka melatih ribuan. Itu berarti lebih banyak siklus pelatihan, lebih banyak komputasi, lebih banyak permintaan penyimpanan, dan lebih banyak infrastruktur sprawl.

Ini bukanlah teori. Bahkan di industri yang secara tradisional hati-hati tentang adopsi teknologi, investasi AI dipercepat. Laporan McKinsey 2024 menemukan bahwa organisasi sekarang menggunakan AI di rata-rata tiga fungsi bisnis, dengan manufaktur, rantai pasokan, dan pengembangan produk memimpin serangan (McKinsey).

Perawatan kesehatan adalah contoh utama. Navina, sebuah startup yang mengintegrasikan AI ke dalam catatan kesehatan elektronik untuk menampilkan wawasan klinis, baru saja mengumpulkan $55 juta dalam pendanaan Seri C dari Goldman Sachs (Business Insider). Energi tidak berbeda—pemimpin industri telah meluncurkan Open Power AI Consortium untuk membawa optimasi AI ke operasi grid dan tanaman (Axios).

Tegangan Komputasi yang Tidak Dibicarakan

AI sudah memecahkan model infrastruktur tradisional. Asumsi bahwa cloud dapat menskalakan secara tak terhingga untuk mendukung pertumbuhan AI adalah salah. AI tidak menskalakan seperti beban kerja tradisional. Kurva permintaan tidak bertahap—melainkan eksponensial, dan hyperscalers tidak mengikuti.

• Batasan Daya: Pusat data khusus AI sekarang dibangun di sekitar ketersediaan daya, bukan hanya jaringan backbone.
• Bottleneck Jaringan: Lingkungan IT hibrida menjadi tidak dapat diatur tanpa otomatisasi, yang akan diperburuk oleh beban kerja AI.
• Tekanan Ekonomi: Beban kerja AI dapat mengonsumsi jutaan dalam satu bulan, menciptakan ketidakpastian keuangan.

Pusat data sudah menyumbang 1% dari konsumsi listrik global. Di Irlandia, mereka sekarang mengonsumsi 20% dari grid nasional, bagian yang diharapkan meningkat secara signifikan pada tahun 2030 (IEA).

Tambahkan tekanan yang akan datang pada GPU. Bain & Company baru-baru ini memperingatkan bahwa pertumbuhan AI menyiapkan panggung untuk kekurangan semikonduktor, didorong oleh permintaan eksplosif untuk chip pusat data kelas (Bain).

Sementara itu, masalah keberlanjutan AI tumbuh. Analisis 2024 di Sustainable Cities and Society memperingatkan bahwa adopsi AI yang luas di perawatan kesehatan dapat secara substansial meningkatkan konsumsi energi dan emisi karbon sektor, kecuali jika diimbangi dengan efisiensi yang ditargetkan (ScienceDirect).

AI Sprawl Lebih Besar dari Pasar—Ini adalah Masalah Kekuatan Negara

Jika Anda berpikir bahwa AI sprawl adalah masalah perusahaan, pikirkan lagi. Penggerak terbesar dari fragmentasi AI tidaklah sektor swasta—melainkan pemerintah dan lembaga pertahanan militer, menerapkan AI pada skala yang tidak dapat diimbangi oleh hyperscaler atau perusahaan.

Pemerintah AS saja telah menerapkan AI di lebih dari 700 aplikasi di 27 lembaga, yang mencakup analisis intelijen, logistik, dan lain-lain (FedTech Magazine).

Kanada berinvestasi hingga $700 juta untuk memperluas kapasitas komputasi AI domestik, meluncurkan tantangan nasional untuk memperkuat infrastruktur pusat data berdaulat (Innovation, Science and Economic Development Canada).

Dan ada panggilan yang meningkat untuk sebuah “program Apollo” untuk infrastruktur AI—menyoroti elevasi AI dari keunggulan komersial ke kepentingan nasional (MIT Technology Review).

AI militer tidak akan efisien, terkoordinasi, atau dioptimalkan untuk biaya—itu akan didorong oleh mandat keamanan nasional, urgensi geopolitik, dan kebutuhan akan sistem AI berdaulat yang tertutup. Bahkan jika perusahaan mengendalikan AI sprawl, siapa yang akan menghentikan pemerintah?

Karena ketika keamanan nasional dipertaruhkan, tidak ada yang berhenti untuk bertanya apakah grid listrik dapat menanganinya.