Pengamatan menarik tentang paradoks Jevons yang sedang terjadi di dunia AI saat ini. Harga token turun sementara harga GPU tetap tinggi — contoh klasik ketika peningkatan efisiensi tidak mengurangi permintaan, tetapi justru membuatnya melonjak.
Biaya inferensi turun dengan cepat (berkat model yang lebih baik, persaingan, dan skala setingkat Blackwell). Ini tidak mengurangi penggunaan komputasi — justru membuka permintaan baru dalam skala besar. Token yang lebih murah berarti lebih banyak alur kerja berbasis agen, lebih banyak otomatisasi pemrograman, dan lebih banyak pengguna yang menjalankan alat AI. Total volume token tumbuh jauh lebih cepat daripada penurunan biaya per unit. Hasilnya: sumber daya yang langka (GPU, HBM, daya, pusat data) tetap terbatas.
Dampaknya bagi infrastruktur AI:
$NVDA dan produsen GPU tetap diuntungkan. Tingkat utilisasi yang tinggi serta kelangkaan yang berkelanjutan menjaga harga dan volume tetap kuat.
Memori (HBM/GDDR), jaringan, dan infrastruktur daya menikmati permintaan yang bertahan lama seiring meningkatnya skala inferensi.
Hyperscaler dan neocloud menghadapi tekanan margin jika harga token turun lebih cepat daripada pertumbuhan volume — tetapi sejauh ini, keterbatasan kapasitas dan peningkatan belanja absolut menunjukkan bahwa permintaan masih unggul.
Pergeseran menuju beban kerja yang didominasi inferensi menguntungkan silikon khusus dan sistem berthroughput tinggi dibandingkan klaster pelatihan murni.
Intinya: AI berkembang lebih cepat daripada peningkatan efisiensi mengurangi kebutuhan perangkat keras. Harga per unit anjlok, tetapi total belanja dan permintaan infrastruktur terus meningkat. Ini menjadi kabar bullish bagi lapisan fisik selama pertumbuhan volume tetap menjadi kekuatan dominan.
Biaya inferensi turun dengan cepat (berkat model yang lebih baik, persaingan, dan skala setingkat Blackwell). Ini tidak mengurangi penggunaan komputasi — justru membuka permintaan baru dalam skala besar. Token yang lebih murah berarti lebih banyak alur kerja berbasis agen, lebih banyak otomatisasi pemrograman, dan lebih banyak pengguna yang menjalankan alat AI. Total volume token tumbuh jauh lebih cepat daripada penurunan biaya per unit. Hasilnya: sumber daya yang langka (GPU, HBM, daya, pusat data) tetap terbatas.
Dampaknya bagi infrastruktur AI:
$NVDA dan produsen GPU tetap diuntungkan. Tingkat utilisasi yang tinggi serta kelangkaan yang berkelanjutan menjaga harga dan volume tetap kuat.
Memori (HBM/GDDR), jaringan, dan infrastruktur daya menikmati permintaan yang bertahan lama seiring meningkatnya skala inferensi.
Hyperscaler dan neocloud menghadapi tekanan margin jika harga token turun lebih cepat daripada pertumbuhan volume — tetapi sejauh ini, keterbatasan kapasitas dan peningkatan belanja absolut menunjukkan bahwa permintaan masih unggul.
Pergeseran menuju beban kerja yang didominasi inferensi menguntungkan silikon khusus dan sistem berthroughput tinggi dibandingkan klaster pelatihan murni.
Intinya: AI berkembang lebih cepat daripada peningkatan efisiensi mengurangi kebutuhan perangkat keras. Harga per unit anjlok, tetapi total belanja dan permintaan infrastruktur terus meningkat. Ini menjadi kabar bullish bagi lapisan fisik selama pertumbuhan volume tetap menjadi kekuatan dominan.