Seiring kebutuhan komputasi AI terus meningkat, persaingan perusahaan cloud generasi baru bergeser dari «siapa yang memiliki lebih banyak GPU» menjadi «siapa yang dapat mengendalikan tumpukan teknologi end-to-end dari perangkat keras hingga perangkat lunak». Ketika penyewaan komputasi mentah semakin sulit untuk lepas dari kompetisi harga, sebuah pertanyaan yang lebih kritis mulai muncul: yang menentukan nilai infrastruktur AI, apakah GPU itu sendiri, ataukah lapisan perangkat lunak yang mengatur, mengorkestrasi, dan mengoptimalkan efisiensi GPU saat berjalan?

Nscale dengan nilai sekitar 1,65 miliar dolar AS mengakuisisi Anyscale, Nebius mengakuisisi Eigen AI, CoreWeave mengakuisisi Weights & Biases, IREN mengakuisisi Mirantis, dan transaksi lainnya. Lima akuisisi ini mengarah pada tren yang sama: perusahaan cloud generasi baru yang memiliki GPU, tenaga listrik, dan pusat data sedang bergerak bersama menuju lapisan MLOps dan orkestrasi AI.

Yang dibeli perusahaan Xinyun bukan sekadar satu paket perangkat lunak atau sekelompok pelanggan, melainkan kemampuan untuk beralih dari “mengenakan biaya per jam GPU” ke “bersaing berdasarkan hasil tugas”. Sistem penjadwalan menentukan berapa banyak jam GPU yang dibutuhkan untuk sebuah tugas, sekaligus menentukan utilisasi komputasi, biaya pelanggan, dan laba platform. Setelah menguasai dua lapisan—perangkat lunak dan perangkat keras—produsen dapat melakukan optimasi secara terkoordinasi, sekaligus meningkatkan biaya perpindahan pelanggan melalui integrasi sistem yang lebih dalam. Dengan begitu, keuntungan dari peningkatan efisiensi tetap berada di dalam platform.

Seiring waktu, integrasi juga terjadi secara terbalik. Lightning AI bergabung dengan penyedia GPU, Voltage Park, dan platform inferensi seperti Fireworks, Modal, dan Baseten juga, pada tingkat berbeda, membangun atau mengendalikan daya komputasi dasar. Perusahaan infrastruktur mengakuisisi perangkat lunak, platform inferensi memperluas ekspansi perangkat keras ke bawah—keduanya bergerak dari arah yang berlawanan menuju tujuan yang sama: menguasai aset komputasi sekaligus perangkat lunak orkestrasi.

Ini berarti bahwa tahap berikutnya persaingan Xinyun tidak lagi hanya soal menyatukan jumlah GPU, kontrak listrik, dan kecepatan pengiriman, melainkan memperebutkan kendali atas seluruh beban kerja AI. Hambatan yang sesungguhnya mungkin berasal dari siapa yang mampu mengintegrasikan chip, klaster, penjadwalan, dan layanan inferensi menjadi satu sistem yang lebih efisien dan lebih sulit ditinggalkan oleh pelanggan. Namun, meskipun kedua jalur memiliki tujuan yang sama, struktur biayanya sangat berbeda: Xinyun bisa melengkapi perangkat lunak melalui akuisisi, sedangkan platform inferensi yang ingin membangun infrastruktur dari bawah harus menanggung belanja modal yang lebih berat. Ini juga menyisakan pertanyaan kunci untuk bagian kedua—ketika semua perusahaan ingin mengendalikan seluruh tumpukan teknologi, siapa yang bisa menyediakan dana yang cukup murah untuk ekspansi ini?