Ekonom Apollo: Margin Keuntungan Magnificent Seven Naik Sementara Sisanya dari S&P 500 Stagnan pada 2026

2026/10/28 16:11:00

Kecerdasan buatan telah menjadi salah satu tema investasi terbesar tahun 2026, menarik ratusan miliar dolar dalam pengeluaran untuk chip, pusat data, komputasi awan, dan model AI. Namun, pertanyaan yang semakin muncul di pasar keuangan adalah: Apakah investasi ini menghasilkan return ekonomi yang terukur di luar perusahaan-perusahaan yang menyediakan teknologi? Ekonom utama Apollo Global Management, Torsten Slok, mengangkat masalah ini dalam catatan riset tanggal 24 Oktober, berargumen bahwa pendapatan per pekerja dan margin laba meningkat di antara Magnificent Seven sementara tetap datar secara signifikan di 493 perusahaan lainnya dalam S&P 500. Ia juga tidak menemukan bukti jelas tentang akselerasi pertumbuhan produktivitas yang didorong oleh AI.

Dampaknya melampaui ekuitas tradisional. Jika pengeluaran untuk infrastruktur AI terus meningkat lebih cepat daripada manfaat keuangan yang diterima oleh pelanggan perusahaan, investor mungkin meninjau kembali valuasi teknologi, ekspektasi laba perusahaan, dan permintaan untuk layanan AI. Pertanyaan yang sama pentingnya bagi pasar mata uang kripto, di mana token terkait AI, jaringan komputasi terdesentralisasi, dan proyek AI berbasis blockchain semakin bersaing untuk menarik perhatian investor. Masalah utamanya bukan apakah teknologi AI sedang berkembang, tetapi apakah nilai komersialnya dapat menyebar di luar sekelompok kecil perusahaan teknologi dominan.

Poin Utama

Keuntungan AI tetap terkonsentrasi: analisis Apollo Oktober 2026 menunjukkan peningkatan pendapatan per pekerja dan margin keuntungan di antara Magnificent Seven, sementara ukuran sebanding tetap datar secara luas di S&P 493.
Adopsi AI perusahaan menghadapi ujian finansial: langganan model, konsumsi token, biaya integrasi, dan pengawasan manusia dapat mengimbangi peningkatan efisiensi ketika bisnis tidak dapat menerjemahkan kemampuan AI menjadi hasil finansial yang terukur.
Pengeluaran infrastruktur menciptakan peluang dan risiko: Perusahaan teknologi besar terus berinvestasi besar-besaran dalam kapasitas komputasi, tetapi keberlanjutan investasi tersebut bergantung pada permintaan pelanggan dan generasi arus kas di masa depan.
Kinerja pasar saham dapat menyembunyikan perbedaan ekonomi: Kapitalisasi pasar perusahaan teknologi besar dapat mendukung kinerja indeks utama bahkan ketika pertumbuhan laba tetap tidak merata di berbagai sektor.
Proyek AI terkait kripto menghadapi tantangan serupa: Minat investor terhadap infrastruktur AI dan aset digital tidak menjamin permintaan berkelanjutan untuk layanan berbasis blockchain atau token yang terkait dengannya.

Apa yang Diungkap Analisis S&P 493 Apollo tentang Pengembalian Finansial AI

Catatan penelitian Apollo tanggal 24 Oktober, yang diterbitkan oleh Torsten Slok, berpendapat bahwa manfaat finansial dari AI tetap terkonsentrasi pada perusahaan teknologi besar daripada menyebar luas di seluruh perusahaan Amerika. Analisis ini memisahkan Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia, dan Tesla dari S&P 500, dengan menyebut perusahaan-perusahaan lain sebagai S&P 493. Menurut Slok, pendapatan per pekerja dan margin laba meningkat untuk Magnificent Seven tetapi tetap datar untuk sisa indeks. Analisisnya juga tidak mengidentifikasi akselerasi jelas dalam pertumbuhan produktivitas yang dapat dikaitkan dengan AI.

Perbedaan ini penting karena Magnificent Seven menempati beberapa posisi berbeda dalam rantai nilai AI. Nvidia memasok perangkat keras komputasi, Microsoft dan Alphabet mengoperasikan ekosistem cloud dan perangkat lunak, Amazon menggabungkan infrastruktur cloud dengan perdagangan, sedangkan Meta dan Apple mendapat manfaat dari platform konsumen besar. Tesla memiliki campuran bisnis yang berbeda, tetapi tetap menjadi bagian dari kelompok pasar yang sama. Perusahaan-perusahaan ini dapat memonetisasi AI melalui chip, layanan cloud, periklanan, langganan, perangkat lunak, dan saluran pendapatan mapan lainnya. Sebaliknya, banyak perusahaan di luar kelompok ini membeli kemampuan AI dan harus menunjukkan bahwa efisiensi yang dihasilkan melebihi biayanya.

Pendapatan per Pekerja dan Margin Keuntungan Menunjukkan Perbedaan yang Meningkat

Analisis Apollo menyoroti perbedaan antara kinerja keuangan dan adopsi teknologi. Sebuah perusahaan dapat memperkenalkan alat AI, mengotomatisasi tugas-tugas tertentu, atau meningkatkan akses karyawan ke model canggih tanpa menghasilkan peningkatan langsung dalam profitabilitas keseluruhan. Manfaatnya mungkin muncul dalam bentuk layanan yang lebih cepat, lebih sedikit kesalahan, retensi pelanggan yang lebih baik, atau biaya per unit yang lebih rendah, tetapi keuntungan ini dapat diimbangi oleh biaya implementasi, pertumbuhan upah, biaya energi, dan pengeluaran perangkat lunak tambahan. Pendapatan per pekerja dan margin laba menyediakan ukuran agregat yang berguna, meskipun keduanya tidak menangkap setiap manfaat potensial dari adopsi AI.

Indikator	Tujuh Hebat	S&P 493
Pendapatan per pekerja	Meningkat dalam analisis Apollo	Secara umum datar
Margin keuntungan	Naik mendekati sekitar 30% dalam perbandingan yang dilaporkan	Secara umum datar di sekitar 10%
Peningkatan produktivitas terkait AI	Kinerja keuangan yang lebih kuat, meskipun kausalitas tidak ditetapkan hanya oleh perbandingan tersebut	Tidak ada akselerasi agregat yang jelas yang diidentifikasi oleh Apollo
Posisi di ekonomi AI	Termasuk pemasok infrastruktur dan platform AI utama	Mencakup berbagai pelanggan AI dan bisnis lainnya

Angka-angka tersebut adalah nilai perkiraan yang dilaporkan dalam liputan analisis Apollo, bukan pengukuran identik untuk setiap perusahaan. Angka-angka tersebut menggambarkan perbedaan tingkat kelompok dan tidak menunjukkan bahwa AI semata-mata menyebabkan kesenjangan tersebut.

Temuan tersebut tidak boleh ditafsirkan sebagai bukti bahwa setiap perusahaan di luar teknologi gagal memperoleh manfaat dari AI. Margin agregat dapat menyembunyikan keberhasilan individu, dan peningkatan produktivitas mungkin membutuhkan waktu untuk muncul dalam laporan keuangan. Namun, analisis Apollo menimbulkan pertanyaan material bagi investor: jika AI diharapkan dapat mengubah perekonomian yang lebih luas, kapan transformasi tersebut seharusnya terlihat dalam kinerja keuangan perusahaan-perusahaan yang mengadopsinya?

Mengapa Pengeluaran AI Belum Berubah Menjadi Keuntungan Perusahaan yang Lebih Luas

Kesenjangan antara investasi AI dan pengembalian keuangan yang dapat diukur mencerminkan kompleksitas integrasi teknologi baru ke dalam bisnis yang sudah ada. Membeli akses ke model canggih relatif mudah; mendesain ulang alur kerja perusahaan, infrastruktur data, tanggung jawab, dan proses pengambilan keputusan jauh lebih sulit. AI dapat mengurangi waktu yang dibutuhkan untuk menyelesaikan suatu tugas tanpa menghilangkan pekerjaan sekitarnya yang diperlukan untuk memvalidasi hasilnya, mempertahankan kepatuhan, atau mengomunikasikan hasilnya kepada pelanggan. Akibatnya, peningkatan pada tingkat tugas individu tidak selalu berarti peningkatan margin secara keseluruhan perusahaan.

Biaya Token Menjadi Biaya Perusahaan yang Penting

Banyak layanan AI mengenakan biaya berdasarkan penggunaan model, termasuk jumlah token masukan dan keluaran yang diproses. Seiring karyawan dan agen otomatis melakukan lebih banyak tugas melalui sistem AI, konsumsi dapat meningkat secara signifikan. Bagi perusahaan yang menjalankan operasi berskala besar, total biaya mungkin mencakup akses model, infrastruktur cloud, persiapan data, kontrol keamanan, integrasi perangkat lunak, dan tinjauan manusia. Model yang lebih mampu dapat meningkatkan akurasi pada tugas-tugas kompleks, tetapi biaya tambahannya sulit dibenarkan ketika model yang lebih murah dapat menghasilkan hasil yang cukup baik.

Slok berpendapat bahwa bisnis mainstream menjadi lebih berhati-hati dalam membayar untuk model terbaru karena manfaat finansialnya tidak secara konsisten muncul dalam laporan keuangan mereka. Sementara itu, perusahaan yang didukung modal ventura terus menghabiskan banyak uang untuk kemampuan AI, menciptakan perbedaan antara perusahaan yang mengejar ekspansi teknologi cepat dan bisnis mapan yang menuntut pengembalian ekonomi yang jelas. Perbedaan ini sangat relevan saat penyedia AI berusaha mengonversi penggunaan yang terus meningkat menjadi pendapatan berulang sambil mempertahankan ekonomi unit yang menarik.

Penilaian Bisnis Membatasi Apa yang Dapat Dicapai oleh Otomatisasi

AI dapat merangkum informasi, menghasilkan kode, menganalisis dokumen, dan membantu perhitungan. Namun, banyak keputusan bisnis bergantung pada konteks, akuntabilitas, kepercayaan pelanggan, budaya organisasi, dan pertimbangan etis. Sebuah lembaga keuangan mungkin menggunakan AI untuk meninjau aplikasi, misalnya, tetapi tetap memerlukan kontrol untuk kepatuhan, keadilan, dan keputusan yang memengaruhi pelanggan. Penyedia layanan kesehatan mungkin mengotomatisasi dokumentasi sambil mempertahankan tanggung jawab manusia atas penilaian klinis. Dalam kedua kasus tersebut, teknologi dapat meningkatkan tugas-tugas tertentu tanpa menghilangkan biaya operasional yang lebih luas terkait penyampaian layanan.

Ini membantu menjelaskan mengapa tingkat adopsi saja tidak cukup sebagai ukuran keberhasilan komersial. Bisnis harus menentukan apakah AI meningkatkan hasil yang dapat diukur seperti tingkat konversi, waktu pemrosesan, retensi pelanggan, atau biaya per transaksi. Jika peningkatan tersebut gagal melebihi biaya implementasi dan operasional, penggunaan AI tambahan dapat meningkatkan pengeluaran tanpa meningkatkan profitabilitas. Argumen Apollo karenanya kurang tentang ketiadaan kemajuan teknologi, melainkan tentang kesulitan menerjemahkan kemajuan tersebut menjadi keuntungan finansial yang luas dan dapat diukur.

Peningkatan produktivitas mungkin membutuhkan waktu untuk muncul

Ada juga masalah waktu. Perusahaan sering mengalami pengeluaran sebelum merasakan manfaat penuh dari teknologi baru. Karyawan memerlukan pelatihan, sistem internal perlu dimodifikasi, dan manajer harus menentukan tugas-tugas mana yang harus diotomatisasi dan mana yang memerlukan tinjauan manusia. Selama transisi ini, peningkatan produktivitas mungkin tetap terbatas atau terimbangi oleh biaya mengatur ulang pekerjaan.

Ekonom utama Goldman Sachs, Jan Hatzius, menawarkan interpretasi yang lebih optimis mengenai potensi ekonomi jangka panjang AI, berargumen bahwa investasi pada akhirnya dapat mendukung produktivitas yang lebih tinggi dan laba perusahaan yang lebih luas. Namun, Goldman juga melihat kontribusi pertumbuhan dari siklus investasi AI saat ini berpotensi mencapai puncaknya pada akhir 2026 atau awal 2027. Perbedaan antara kedua ekonom ini bukan hanya apakah AI berguna, tetapi seberapa cepat dan luas manfaatnya akan muncul.

Bagi investor, uji yang tepat adalah apakah hasil keuangan masa depan memvalidasi pengeluaran yang sudah berlangsung. Pengembalian yang tertunda masih mungkin terjadi, tetapi perusahaan tetap perlu menunjukkan bahwa program AI mereka menciptakan nilai yang berkelanjutan, bukan hanya mengandalkan harapan bahwa nilai akan muncul suatu hari nanti.

3. Ledakan infrastruktur AI senilai $650 miliar menciptakan ujian finansial

Skala pengeluaran infrastruktur AI membuat pertanyaan mengenai pengembalian investasi menjadi semakin penting. Laporan yang diterbitkan oleh The Indian Express pada 28 Oktober mengutip perkiraan bahwa perusahaan teknologi besar berencana menghabiskan sekitar $650 miliar untuk infrastruktur AI pada 2026. Laporan yang sama mengutip peringatan Gartner bahwa lebih dari $3,5 triliun investasi infrastruktur AI berisiko mengalami penurunan nilai pada 2030 jika pendapatan yang dihasilkan oleh AI gagal membenarkan pengeluaran tersebut. Ini adalah perkiraan masa depan dan penilaian risiko bersyarat, bukan kerugian yang telah terkonfirmasi.

Ledakan infrastruktur mendukung beberapa lapisan ekonomi teknologi, termasuk produsen semikonduktor, penyedia cloud, operator pusat data, pemasok jaringan, dan infrastruktur listrik. Perusahaan-perusahaan ini dapat menghasilkan pendapatan ketika peralatan dikirimkan, kapasitas komputasi disewa, atau layanan cloud dikonsumsi. Namun, pelanggan perusahaan harus menutupi biaya terkait AI mereka melalui peningkatan produktivitas masa depan, peningkatan penjualan, atau manfaat ekonomi lainnya. Ini menciptakan perbedaan waktu: pemasok infrastruktur dapat mencatat pendapatan sebelum perusahaan yang membeli layanan mereka menunjukkan pengembalian investasi yang positif.

Pengeluaran Modal, Penyusutan, dan Arus Kas Penting

Analisis Reuters Breakingviews yang diterbitkan pada 23 Oktober meneliti bagaimana investasi infrastruktur AI memengaruhi laba perusahaan dan risiko keuangan. Analisis tersebut mencatat bahwa pemasok peralatan dapat mengakui pendapatan ketika produk dijual, sementara pembeli umumnya mengakui pengeluaran modal seiring waktu melalui penyusutan. Untuk pusat data yang masih dalam pembangunan, penyusutan mungkin tidak dimulai hingga fasilitas tersebut beroperasi. Waktu akuntansi ini dapat membuat manfaat keuangan jangka pendek dari siklus investasi tampak lebih kuat daripada pengembalian ekonomi akhir.

Analisis yang sama menyoroti peningkatan penerbitan utang dan komitmen terkait peralatan di antara perusahaan teknologi besar. Kewajiban-kewajiban ini tidak secara otomatis menunjukkan kesulitan keuangan, terutama bagi perusahaan dengan arus pendapatan yang mapan dan neraca yang kuat. Namun, hal ini meningkatkan pentingnya tingkat pemanfaatan masa depan, daya tawar harga, dan permintaan pelanggan. Jika kapasitas komputasi berkembang lebih cepat daripada kesediaan pelanggan untuk membayar, penyedia mungkin menghadapi tekanan pada margin dan arus kas meskipun teknologi dasarnya terus meningkat.

Apa yang Terjadi Jika Permintaan AI Tidak Sejalan dengan Pasokan Infrastruktur?

Risiko pokok bukan hanya bahwa adopsi AI melambat, tetapi bahwa asumsi keuangan yang mendukung ekspansi infrastruktur terbukti terlalu optimistis. Pusat data memerlukan investasi awal besar, perjanjian daya jangka panjang, pembelian perangkat keras, dan pemeliharaan berkelanjutan. Jika pemanfaatan tidak mencapai harapan atau harga model turun lebih cepat daripada biaya operasional, beberapa investasi mungkin menghasilkan pengembalian lebih rendah dari yang diprediksi sebelumnya. Operator infrastruktur kecil dengan cadangan kas terbatas mungkin lebih terpapar terhadap kondisi pembiayaan dibandingkan platform teknologi mapan.

Untuk pasar, indikator utama karenanya bukan hanya total pengeluaran. Investor harus memantau pengeluaran modal relatif terhadap pendapatan, arus kas bebas, komitmen utang, biaya penyusutan, dan bukti permintaan pelanggan yang berulang. Pengeluaran berkelanjutan dapat mendukung pendapatan pemasok jangka pendek, tetapi pertumbuhan jangka panjang yang berkelanjutan memerlukan pelanggan untuk memperoleh cukup nilai ekonomi dari layanan AI guna membenarkan pengeluaran berulang.

Apa yang Dimaksud dengan Kesenjangan Profitabilitas AI untuk S&P 500 dan Saham Teknologi

Kinerja kuat The Magnificent Seven dapat memengaruhi pasar saham secara luas karena the S&P 500 ditimbang berdasarkan kapitalisasi pasar. Ketika komponen terbesar naik, mereka dapat mendukung indeks utama meskipun banyak perusahaan kecil mengalami pertumbuhan laba yang lebih lemah atau ekspansi margin terbatas. Hal ini menjadikan kinerja tingkat indeks sebagai ukuran yang tidak lengkap tentang seberapa luas manfaat ekonomi menyebar di sektor perusahaan.

Temuan Apollo menunjukkan bahwa investor harus membedakan antara kinerja pemasok AI dan hasil keuangan perusahaan yang mengadopsi AI. Sebuah perusahaan semikonduktor dapat mendapat manfaat dari peningkatan pengeluaran infrastruktur, sementara sebuah ritel yang menggunakan AI untuk peramalan inventaris mungkin memerlukan beberapa periode pelaporan untuk menunjukkan penghematan yang terukur. Kedua perusahaan mungkin terhubung dengan tren teknologi yang sama, tetapi model pendapatan, struktur biaya, dan eksposur mereka terhadap permintaan AI secara fundamental berbeda.

Penilaian AI Bergantung pada Pendapatan Masa Depan

Kasus investasi untuk saham terkait AI sebagian bergantung pada harapan bahwa pengeluaran saat ini akan mendukung pertumbuhan pendapatan di masa depan. Jika permintaan untuk layanan komputasi terus berkembang dan penyedia mempertahankan daya tawar harga, investasi infrastruktur dapat menghasilkan imbal hasil yang menarik. Jika pelanggan mengurangi penggunaan, beralih ke model yang lebih murah, atau menunda proyek, ekspektasi pendapatan bisa melemah meskipun adopsi AI terus tumbuh.

Analisis Reuters pada Oktober juga menekankan bahwa investasi yang terkait AI telah berkontribusi secara tidak proporsional terhadap pertumbuhan laba perusahaan, sekaligus menimbulkan pertanyaan mengenai biaya pembiayaan dan generasi kas di masa depan. Hal ini tidak membuktikan bahwa saham AI pasti dinilai terlalu tinggi. Sebaliknya, hal ini menyoroti mengapa investor perlu membandingkan valuasi dengan laba dan arus kas yang berkelanjutan, daripada mengandalkan pertumbuhan yang diproyeksikan semata.

Kedalaman Pasar Bisa Menjadi Sinyal yang Lebih Penting

Investor juga dapat memeriksa apakah pertumbuhan laba menyebar di luar perusahaan teknologi terbesar. Kinerja indeks berbobot sama dibandingkan indeks berbobot kapitalisasi, jumlah perusahaan yang melaporkan ekspansi margin, dan revisi laba di berbagai sektor dapat membantu mengungkap apakah kekuatan pasar sedang melebar. Jika peningkatan produktivitas yang didorong AI mulai muncul di industri seperti kesehatan, keuangan, manufaktur, dan jasa konsumen, bukti tersebut akan mendukung manfaat ekonomi yang lebih luas.

Sebaliknya, jika pendapatan dan laba terkait AI tetap terkonsentrasi di kalangan pemasok infrastruktur sementara pelanggan perusahaan terus menyerap biaya yang terus meningkat, pasar mungkin menjadi lebih sensitif terhadap panduan pengeluaran modal dan efisiensi pengeluaran. Dalam lingkungan tersebut, bahkan perusahaan dengan paparan AI yang kuat dapat mengalami perbedaan kinerja yang lebih besar saat investor membedakan antara bisnis yang menjual kapasitas AI dan yang menghasilkan pengembalian berkelanjutan dari penggunaannya.

Apa Arti Peringatan AI Apollo bagi Proyek Mata Uang Kripto dan Blockchain

Untuk pasar mata uang kripto, debat yang sama memunculkan pertanyaan tentang token AI, komputasi terdesentralisasi, dan layanan AI berbasis blockchain. Proyek-proyek yang menghubungkan penyedia komputasi dengan pengembang AI, mengoordinasikan infrastruktur terdesentralisasi, atau menggunakan token untuk memberi insentif kepada peserta jaringan mungkin mendapat manfaat dari permintaan akan sumber daya AI. Namun, pelajaran lebih luas dari analisis Apollo adalah bahwa adopsi teknologi dan penciptaan nilai finansial adalah pertanyaan yang terpisah. Meningkatnya ketertarikan terhadap AI tidak secara otomatis menciptakan permintaan berkelanjutan untuk setiap proyek yang terkait dengan tema tersebut.

Token AI Membutuhkan Utilitas Nyata dan Permintaan yang Terukur

Sebuah token yang terkait dengan proyek AI dapat digunakan untuk membayar komputasi, memberi insentif kepada penyedia layanan, mengoordinasikan partisipasi jaringan, atau mengakses fitur-fitur tertentu dari platform. Pertanyaan pentingnya adalah apakah pengguna memerlukan token tersebut untuk mendapatkan layanan bernilai dan apakah permintaan tersebut berlanjut di luar perdagangan spekulatif. Sebuah proyek dapat melaporkan peningkatan aktivitas dompet atau keterlibatan komunitas tanpa menghasilkan cukup penggunaan berbayar untuk mendukung biaya operasionalnya.

Oleh karena itu, investor harus membedakan antara kemampuan teknologi proyek, adopsi pelanggan sebenarnya, dan peran ekonomi token-nya. Indikator yang berguna dapat mencakup permintaan komputasi berbayar, pelanggan berulang, pemanfaatan jaringan, pendapatan layanan, emisi token, dan hubungan antara pasokan token dan aktivitas jaringan nyata. Ukuran-ukuran ini dapat membantu menentukan apakah proyek kripto terkait AI sedang mengembangkan layanan yang layak atau hanya terutama mendapat manfaat dari antusiasme pasar yang lebih luas.

Komputasi Terdesentralisasi Menghadapi Tantangan Biaya dan Pemanfaatan Sendiri

Jaringan GPU terdesentralisasi dan proyek komputasi terdistribusi lainnya berusaha menghubungkan pengguna yang membutuhkan sumber daya komputasi dengan penyedia yang memiliki perangkat keras tersedia. Keuntungan potensialnya dapat mencakup akses fleksibel, saluran pasokan alternatif, dan cara baru untuk mengoordinasikan infrastruktur. Namun, jaringan-jaringan ini masih menghadapi pertanyaan praktis terkait kualitas perangkat keras, waktu aktif, latensi, privasi data, verifikasi, dan penetapan harga.

Jaringan terdesentralisasi harus menawarkan alasan yang meyakinkan agar pelanggan menggunakannya daripada penyedia cloud konvensional. Jika tidak dapat memberikan kinerja yang dapat diprediksi dengan biaya total yang kompetitif, permintaan mungkin tetap terbatas meskipun kebutuhan komputasi AI meningkat. Selain itu, insentif token dapat menarik penyedia sebelum permintaan pelanggan yang cukup ada, menciptakan ketidaksesuaian antara kapasitas yang tersedia dan beban kerja yang dibayar. Peringatan lebih luas dari Apollo mengenai kesenjangan antara investasi AI dan pengembalian komersial relevan di sini, meskipun analisis S&P 493-nya tidak secara langsung mengukur jaringan AI terdesentralisasi.

Stablecoin dan Pembayaran Blockchain Dapat Mendukung Perdagangan AI

Stablecoin dan sistem pembayaran berbasis blockchain dapat memainkan peran dalam layanan digital otomatis, termasuk pembayaran antar agen perangkat lunak, penyelesaian internasional, dan transaksi mesin-ke-mesin. Namun, perluasan aktivitas AI tidak secara otomatis meningkatkan penggunaan stablecoin, biaya transaksi, atau permintaan untuk token asli blockchain. Hasil ekonomi tergantung pada apakah bisnis mengadopsi sistem ini, apakah pembayaran diselesaikan on-chain, dan apakah aktivitas yang dihasilkan menciptakan pendapatan berkelanjutan untuk jaringan.

Bagi investor mata uang kripto, pelajaran praktisnya adalah mengevaluasi proyek terkait AI menggunakan bukti permintaan pelanggan, ekonomi transaksi, dan utilitas token, bukan hanya eksposur tematik. Sektor AI mungkin terus berkembang sementara proyek-proyek individu kesulitan membangun model bisnis yang berkelanjutan. Seperti halnya kinerja keuangan Magnificent Seven tidak membuktikan bahwa setiap investasi AI menguntungkan, pertumbuhan ekonomi AI yang lebih luas juga tidak menjamin bahwa setiap aset kripto yang terkait AI akan mendapat manfaat.

Apa yang Harus Diperhatikan Investor Selanjutnya

Fase berikutnya dari perdebatan investasi AI akan bergantung pada apakah perusahaan mulai menunjukkan pengembalian keuangan yang dapat diukur. Laporan laba rugi kuartalan, panduan manajemen, dan pengumuman pengeluaran modal akan memberikan bukti penting. Investor harus mencari perusahaan yang menjelaskan bagaimana AI memengaruhi biaya operasional, akuisisi pelanggan, output per karyawan, kualitas layanan, dan pertumbuhan pendapatan. Klaim umum tentang adopsi AI kurang informatif dibandingkan hasil yang dapat diukur yang terkait dengan proses bisnis tertentu.

Indikator	Apa yang harus dipantau	Mengapa hal ini penting
Margin keuntungan dan pendapatan per pekerja	Apakah perbaikan menyebar di luar Magnificent Seven	Menguji apakah manfaat AI semakin meluas
Pengeluaran modal AI	Pertumbuhan pengeluaran dibandingkan dengan pendapatan dan arus kas	Membantu menilai keberlanjutan ekspansi infrastruktur
Pengeluaran model enterprise	Retensi pelanggan, penggunaan, dan kesediaan untuk membayar	Menunjukkan apakah layanan AI memberikan nilai yang cukup
Penyusutan dan biaya pembiayaan	Peningkatan biaya karena infrastruktur mulai beroperasi	Mengungkap biaya tertunda dari ledakan investasi
Aktivitas kripto terkait AI	Penggunaan berbayar, pemanfaatan jaringan, emisi token, dan permintaan berulang	Membantu membedakan utilitas praktis dari minat spekulatif

Sinyal yang sangat penting adalah peningkatan berkelanjutan dalam profitabilitas di perusahaan-perusahaan di luar platform teknologi terbesar. Perkembangan semacam ini akan memperkuat argumen bahwa AI menghasilkan manfaat ekonomi luas daripada terutama mendukung pemasok infrastruktur dan platform yang sudah mapan. Di sisi lain, pertumbuhan pengeluaran yang berlanjut tanpa peningkatan sejalan dalam kinerja keuangan perusahaan dapat menyebabkan investor memeriksa anggaran investasi lebih teliti.

Investor juga sebaiknya membandingkan berbagai interpretasi ekonomi daripada memperlakukan penilaian Apollo sebagai ramalan pasti. Slok menekankan kurangnya imbal hasil finansial yang terlihat di luar teknologi, sementara Jan Hatzius dari Goldman Sachs tetap lebih optimis terhadap potensi produktivitas jangka panjang AI. Hasil akhir akan bergantung pada adopsi, kualitas implementasi, penetapan harga, kondisi pembiayaan, dan kemampuan bisnis untuk Mengonversi kemampuan teknis menjadi produk dan layanan yang menguntungkan.

Kesimpulan

Analisis Torsten Slok, ekonom Apollo, pada Oktober 2026 menyoroti semakin lebarnya kesenjangan antara perusahaan-perusahaan yang menyediakan teknologi AI dan sektor korporat yang lebih luas yang diharapkan mendapat manfaat darinya. The Magnificent Seven terus menunjukkan pendapatan per karyawan dan margin laba yang lebih kuat, sementara S&P 493 belum menunjukkan peningkatan agregat yang sebanding. Sementara itu, pengeluaran infrastruktur yang besar meningkatkan pentingnya permintaan pelanggan, arus kas, dan pengembalian yang berkelanjutan.

Bagi investor ekuitas dan mata uang kripto, pertanyaan utamanya adalah apakah kemampuan teknis AI yang terus berkembang dapat diterjemahkan menjadi nilai ekonomi berulang. Tahap berikutnya dari siklus investasi akan dinilai lebih sedikit berdasarkan pengumuman pengeluaran dan klaim adopsi, melainkan oleh peningkatan yang dapat diukur dalam produktivitas, profitabilitas, dan kesediaan pelanggan untuk membayar. AI pada akhirnya dapat memberikan manfaat ekonomi luas, tetapi investor memerlukan bukti bahwa manfaat tersebut melampaui sekelompok kecil perusahaan teknologi terkemuka.

Pertanyaan yang Sering Diajukan

Apa arti istilah S&P 493?

S&P 493 merujuk pada 493 perusahaan yang tersisa di S&P 500 setelah mengecualikan Magnificent Seven: Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia, dan Tesla. Para analis menggunakan kelompok ini untuk membandingkan kinerja perusahaan-perusahaan terbesar yang terkait teknologi dengan indeks yang lebih luas.

Apakah pendapatan per karyawan mengukur produktivitas secara langsung?

No. Pendapatan per karyawan mengukur jumlah pendapatan yang dihasilkan untuk setiap karyawan, tetapi dapat dipengaruhi oleh penetapan harga, akuisisi, outsource, campuran bisnis, dan perubahan staf. Ukuran produktivitas umumnya meninjau output relatif terhadap input dan memerlukan konteks tambahan untuk menentukan apakah efisiensi operasional telah meningkat.

Mengapa adopsi AI bisa meningkat sementara margin perusahaan tetap tidak berubah?

Biaya terkait AI mungkin meningkat seiring dengan adopsi, termasuk biaya model, infrastruktur, pelatihan, integrasi, dan tinjauan manusia. Peningkatan efisiensi juga mungkin diteruskan kepada pelanggan melalui harga yang lebih rendah atau diimbangi oleh biaya di bagian lain bisnis. Akibatnya, penggunaan AI yang lebih besar tidak selalu menghasilkan perluasan margin segera.

Apakah model AI yang lebih kecil dapat memberikan manfaat lebih besar bagi bisnis dibandingkan model paling canggih?

Ya, tergantung pada tugasnya. Model yang lebih kecil atau lebih murah mungkin memberikan akurasi yang cukup untuk klasifikasi rutin, ekstraksi dokumen, dukungan pelanggan, atau alur kerja lain yang secara sempit didefinisikan. Model yang tepat bergantung pada kompleksitas tugas, persyaratan keandalan, latensi, dan biaya total, bukan hanya kemampuan model.

Bagaimana investor dapat membedakan bisnis yang terkait AI dari bisnis yang didorong AI?

Sebuah bisnis terkait AI dapat menjual produk atau layanan yang terkait dengan AI, sementara bisnis yang didorong oleh AI dapat menunjukkan bahwa AI secara signifikan meningkatkan model operasional atau generasi pendapatannya. Bukti dapat mencakup biaya per transaksi yang lebih rendah, output yang lebih tinggi per karyawan, retensi pelanggan yang lebih baik, pendapatan AI berulang, atau peningkatan produktivitas yang terukur.

Apakah pengeluaran infrastruktur AI menjamin permintaan berkelanjutan untuk GPU?

Tidak. Permintaan bergantung pada ekonomi layanan AI, efisiensi model, tingkat pemanfaatan, anggaran pelanggan, dan ketersediaan kapasitas komputasi alternatif. Model yang lebih efisien dapat mengurangi kebutuhan komputasi untuk tugas-tugas tertentu meskipun penggunaan AI secara total meningkat, sehingga permintaan perangkat keras jangka panjang bergantung pada beberapa faktor yang saling bersaing.

Penafian: Informasi pasar umum ini, yang mungkin berasal dari sumber pihak ketiga, komersial, atau bersponsor, diberikan hanya untuk referensi dan tujuan pendidikan, dan tidak merupakan saran keuangan atau investasi, penawaran, ajakan, atau jaminan. Kami melepaskan tanggung jawab atas keakuratannya, kelengkapan, keandalannya, dan setiap kerugian yang timbul. Investasi/perdagangan bersifat berisiko; kinerja masa lalu tidak menjamin hasil masa depan. Pengguna harus melakukan riset, menilai dengan bijak, dan bertanggung jawab penuh. Untuk detail lebih lanjut, silakan konsultasikan Ketentuan Penggunaan dan Pengungkapan Risiko KuCoin.

Penafian: Halaman ini diterjemahkan menggunakan teknologi AI untuk kenyamanan Anda. Untuk informasi yang paling akurat, lihat versi bahasa Inggris aslinya.