Masalah sejati bukanlah "Apakah permintaan AI akan menyusut?", tetapi "Di lapisan mana rantai pasokan nilai akhirnya akan tenggelam?"

Penulis artikel, sumber: 0x9999in1, ME News

TL;DR

• Morgan Stanley dalam laporan "Model Berbasis Bobot Terbuka dan Tiga Skenario Masa Depan" menyatakan bahwa munculnya model berbasis bobot terbuka seperti Kimi K3, Qwen, dan Llama merupakan katalisator yang mempercepat adopsi AI, bukan ancaman terhadap pemimpin pasar.
• Argumennya adalah parados Jevons—setelah satu kali推理 menjadi lebih murah, perusahaan akan menerapkan AI ke lebih banyak tugas, sehingga permintaan total untuk Token, daya komputasi, listrik, dan infrastruktur justru meningkat.
• Morgan Stanley secara jelas mengingatkan: akses terbuka tidak sama dengan gratis. Biaya GPU, layanan cloud, operasional, dan keamanan masih ada, dan ekonomi nyata bergantung pada skenario.
• Studi MIT yang dikutip menunjukkan bahwa beralih dari model tertutup ke model terbuka dapat menurunkan harga rata-rata sekitar 70%, setara dengan penghematan sekitar $25 miliar per tahun bagi perusahaan; namun, studi ini selesai pada Desember 2025 dan belum sepenuhnya mempertimbangkan biaya penerapan.
• Penelitian dari Carnegie Mellon lebih tenang: periode pengembalian modal sangat bergantung pada skala, deploy skala kecil di bawah 30 miliar parameter dapat cepat balik modal, tetapi perbedaan menjadi sangat besar ketika skala meningkat.
• Tiga skenario akhir: oligopoli tertutup, koeksistensi campuran, dan kemenangan bobot terbuka. Titik referensi nyata adalah 63% perusahaan telah menggunakan dua jenis model secara bersamaan.
• Satu-satunya penerima manfaat sepanjang waktu memiliki dua jalur: NVIDIA, serta tahap pasokan listrik langsung. Alasannya bukan karena memilih sisi, tetapi karena logika dasar GPU dan listrik tetap sama, baik kekuatan komputasi terkonsentrasi di pusat data skala besar atau tersebar ke tepi.
• Masalah sejati bukanlah "Apakah permintaan AI akan menyusut?", tetapi "Di lapisan mana rantai pasokan nilai akhirnya akan tenggelam?"

Satu, Pasar Salah Memahami Apa

Pada pertengahan Juli 2026, Kimi K3 diluncurkan. Indeks Semikonduktor Philadelphia turun responsif, NVIDIA, Micron, SK Hynix, bahkan perusahaan EDA seperti Cadence juga ikut terdampak.

Familiar? Too familiar.

Lebih dari satu tahun yang lalu, ketika DeepSeek meluncurkan gelombangnya, reaksi pasar sama: semakin kuat model open-source, semakin murah nilai daya komputasi. Logikanya terdengar masuk akal—jika model dengan bobot terbuka bisa menyamai kelompok teratas, maka premi atas model tertutup hilang; jika efisiensi meningkat, kebutuhan untuk menumpuk perangkat keras pun berkurang. Maka, terjadilah penjualan chip, peralatan, dan listrik—rantai penurunan yang berkelanjutan.

Morgan Stanley dalam laporan tanggal 4 Agustus menyebut siklus refleksi ini sebagai kesalahpahaman.

Kesalahan pemahaman di mana? Pada pasar yang secara langsung menyamakan "penurunan biaya per unit" dengan "penurunan total pengeluaran".

Ada variabel besar di tengahnya: penggunaan.

Morgan Stanley mengutip paradoks Jevons. Pada abad ke-19, ekonom Jevons mengamati sebuah fenomena yang bertentangan dengan intuisi: setelah efisiensi mesin uap meningkat, sehingga bisa melakukan lebih banyak pekerjaan dengan jumlah batu bara yang sama, konsumsi batu bara di Inggris tidak menurun, malah melonjak. Karena menjadi lebih murah, orang mulai mampu menggunakannya; dan karena mampu menggunakannya, orang mulai menggunakannya di mana-mana.

Diterapkan pada AI: Biaya satu kali inferensi turun dari satu sen menjadi sepersepuluh dari sepuluh sen. Perusahaan tidak akan menyimpan uang yang dihemat itu. Perusahaan akan memasukkan AI ke dalam proses-proses yang sebelumnya "tidak ekonomis" — tinjauan penuh terhadap tiket layanan pelanggan, pemindaian berkelanjutan terhadap repositori kode, perbandingan satu per satu terhadap kontrak, dan klasifikasi otomatis terhadap setiap email. Pekerjaan-pekerjaan ini sebelumnya tidak dilakukan, bukan karena tidak ingin melakukannya, tetapi karena terlalu mahal untuk dijalankan.

Harga sekali jatuh di bawah garis itu, permintaan bukan meningkat secara linier, tapi meluap secara tiba-tiba.

Kedua, apa yang sebenarnya dibuka oleh "Bobot Terbuka"

Di sini harus terlebih dahulu memperjelas konsepnya, karena kekacauan pasar sebagian besar berasal dari kekacauan istilah.

Morgan Stanley dalam laporannya membuat perbedaan yang tidak baru tetapi sangat penting: bobot terbuka ≠ sumber terbuka.

Model berbasis bobot terbuka yang didefinisikan secara ketat—Llama dari Meta, Gemma dari Google, serta Qwen, DeepSeek, Kimi—mengungkapkan parameter yang telah dilatih. Anda dapat mengunduh, melakukan fine-tuning, dan meng部署 sendiri. Namun, data pelatihan mungkin tidak diungkapkan, dan perjanjian lisensi mungkin memiliki batasan.

Sumber terbuka sejati berarti seluruh tumpukan teknologi diletakkan di atas meja: kode, metode pelatihan, dan detail data. Contoh yang disebutkan dalam laporan adalah OLMo dari AI2. Komunitas ini jauh lebih kecil daripada yang dibayangkan banyak orang.

Jadi, pernyataan yang lebih akurat adalah: perbedaan utama antara model open-weight dan closed-source bukan pada ukuran parameter, bukan pula pada siapa yang lebih tinggi di peringkat tertentu, melainkan pada cara memperolehnya dan cara pembayarannya.

Open weights: Usually free to obtain weights, supports fine-tuning, and offers flexible deployment options—on-premises, private cloud, public cloud, API, your choice.

Proprietary: Lisensi + pembayaran berbasis Token, semua pengguna menerima bobot yang sama, Anda tidak dapat mengubahnya atau melihatnya.

Morgan Stanley juga mengatakan satu hal yang cukup jujur: model mutakhir dengan performa terbaik saat ini pada dasarnya masih bersifat tertutup. Alasannya sangat sederhana—biaya pelatihan sangat tinggi, sehingga sebelum model generasi berikutnya muncul, tidak ada yang akan memberikan model sebelumnya secara gratis.

Kalimat ini layak dibaca ulang. Ini berarti pengejaran terhadap model dengan bobot terbuka, pada dasarnya adalah pengejaran yang memiliki keterlambatan. Kesenjangan akan menyempit, tetapi perbedaan waktu struktural tidak mudah hilang.

Tiga: Yang Gratis Itu Paling Mahal: Biaya-Biaya yang Tidak Tercantum di Harga

Bagian paling berharga dalam laporan tersebut justru bagian yang menenangkan semangat terhadap bobot terbuka.

Morgan Stanley mengutip penelitian dari MIT: beralih dari model tertutup ke model terbuka, harga rata-rata dapat turun sekitar 70%, yang setara dengan penghematan bagi perusahaan sekitar $25 miliar per tahun.

Angka-angkanya bagus. Namun, Morgan Stanley segera menambahkan kritik—penelitian ini selesai pada Desember 2025, dan tidak mempertimbangkan biaya penerapan secara memadai.

Apa itu biaya penerapan? Anda harus membeli atau menyewa GPU sendiri, ada yang harus mengelola klaster, ada yang harus melakukan fine-tuning model, dan ada yang harus menangani keamanan serta kepatuhan. Memberikan bobot terbuka kepada Anda adalah seperti memberikan gambar dan suku cadang mobil, bukan mobil yang siap dikendarai.

Penelitian dari Carnegie Mellon University mengkuantifikasi hal ini lebih jauh: periode pengembalian sangat bergantung pada skala penerapan. Penerapan skala kecil di bawah 30 miliar parameter dapat menghasilkan pengembalian modal dengan cepat; namun, begitu skala dinaikkan, angkanya sama sekali berbeda.

Ini adalah kenyataan yang jarang dibahas tetapi sangat penting: ekonomi model terbuka bukanlah kurva halus, melainkan fungsi piecewise.

Adegan kecil, frekuensi tinggi, tugas jelas—gewicht terbuka sangat menarik.

Pemikiran kompleks, agen jangka panjang, membutuhkan keandalan ekstrem—uang tertutup tidak habis begitu saja.

Lihat lebih jauh ke arah arsitektur MoE super besar seperti Kimi K3. Bahkan jika hanya sedikit ahli yang diaktifkan, bobot yang besar tetap harus didistribusikan di kluster dengan memori berkapasitas tinggi dan interkoneksi berkecepatan tinggi. Yang disebut "terbuka" adalah kepemilikan bobot, bukan pembebasan dari hambatan perangkat keras.

Dengan kata lain, model open-weight mendistribusikan kebutuhan daya komputasi dari beberapa laboratorium tertutup ke penyedia layanan cloud, cloud kedaulatan, dan pusat data milik perusahaan. Totalnya tidak berkurang, hanya berganti pemilik.

Ini adalah rekening yang belum dibayar oleh pasar selama penurunan bulan Juli.

Empat: Tiga skenario akhir, ke mana nilai akan tenggelam

Morgan Stanley tidak memperkirakan satu kesimpulan tunggal, melainkan memberikan tiga skenario. Pendekatan ini sendiri merupakan sebuah penilaian: tidak ada yang tahu hasil akhirnya, tetapi struktur keuntungan dari setiap kemungkinan hasil akhir dapat digambarkan sebelumnya.

Asumsikan kinerja model terdepan sulit ditiru. Beban kerja tetap mempertahankan kepadatan daya komputasi tinggi dan terus terkonsentrasi di cloud skala super besar. Harga token masih akan turun, tetapi lebih lambat—karena struktur oligopoli itu sendiri mempertahankan disiplin penetapan harga.

Pihak yang diuntungkan: penyedia cloud, perangkat lunak keamanan, jaringan optik, semikonduktor, rantai pasokan listrik.

Laporan ini menyoroti variabel spesifik: Google. Jika Gemini 4 berhasil tembus dan kembali ke garis depan, tingkat pengembalian investasi (ROI) Google dari investasi infrastruktur sendiri untuk menjalankan API model sekitar 45%. Jika gagal memimpin di garis depan, Google lebih mirip penyedia infrastruktur, dengan ROI sekitar 30%.

Selisih lima belas persen menekan model generasi pertama. Inilah peluang dalam persaingan terkini.

Tidak ada satu arsitektur yang menguasai semuanya. Model canggih tertutup mendominasi tugas penalaran kompleks dan AI Agent, sementara bobot terbuka melayani kebutuhan frekuensi tinggi, sensitif biaya, dan spesifik vertikal.

Beban kerja tersebar di cloud publik, cloud pribadi, on-premises, dan edge. Maka—perangkat lunak "lapisan tengah" seperti orkestrasi model, routing, evaluasi, dan tata kelola menjadi kunci nilai yang bergerak ke atas. Permintaan akan perangkat lunak keamanan meluas seiring dengan penyebaran beban kerja.

Skenario ini didukung oleh kenyataan yang sangat nyata: saat ini, 63% perusahaan telah menggunakan kedua model berbasis bobot terbuka dan tertutup.

Angka ini sangat menggambarkan masalahnya. Pilihan perusahaan bukanlah "mempercayai satu faksi", melainkan "tugas mana yang lebih murah dan lebih stabil untuk dikerjakan dengan apa". Ini adalah perilaku pembelian, bukan perjuangan ideologi.

Kinerja model dengan bobot terbuka secara bertahap menyatu dengan tingkat terdepan, dan kecerdasan model dasar menjadi sesuatu yang secara luas dapat diakses. Harga API model turun signifikan, mendorong gelombang adopsi perusahaan.

Infrastruktur AI bergerak menuju desentralisasi: permintaan untuk pusat data pribadi, cloud kedaulatan, penempatan lokal, dan perangkat edge meningkat pesat. Fokus inovasi berpindah dari pelatihan awal ke fine-tuning, optimasi inferensi, Agent, dan penerapan aplikasi spesifik.

Dalam skenario ini, perangkat lunak keamanan adalah salah satu pemenang terbesar. Juga sangat mudah dipahami—di dunia di mana bobot dapat mengalir bebas, permukaan serangan meningkat secara geometris.

Divergensi pada tingkat saham individu sangat menarik: AVGO kemungkinan menjadi penerima manfaat tunggal terbesar dalam skenario tertutup; perusahaan infrastruktur lokal seperti DELL dan HPE, serta produsen perangkat tepi seperti Apple, lebih mudah melepaskan nilai dalam skenario terbuka. Penyedia cloud harus melihat ke mana arah beban akhirnya mengalir—jika skenario terbuka terwujud, Microsoft memiliki keunggulan yang lebih jelas melalui kemampuan hybrid cloud dan deployment lokal, sementara posisi Amazon dan Google dalam skenario ini akan diturunkan menjadi "penerima manfaat lainnya".

V. Penerima Manfaat Sepanjang Waktu: Mengapa NVIDIA dan Listrik

Setelah mensimulasikan tiga skenario, Morgan Stanley mengidentifikasi dua garis yang melewati semua skenario tersebut.

Yang pertama adalah NVIDIA.

Logikanya tidak rumit, tetapi sangat kuat: baik kekuatan komputasi terkonsentrasi di pusat data skala super besar atau tersebar ke ruang server perusahaan dan edge, logika dasar permintaan GPU tetap tidak berubah.

Konsentrasi, beberapa pembeli membeli volume besar; distribusi, puluhan ribu pembeli membeli jumlah kecil. Total volume tidak berkurang, bahkan menjadi lebih besar karena cakupan yang lebih luas.

Perlu dicatat bahwa Morgan Stanley baru-baru ini menaikkan perkiraan biaya klaster AI—harga sistem NVIDIA Vera Rubin ditempatkan pada sekitar $49 miliar per gigawatt, naik hampir 20% dari perkiraan sebelumnya.

Angka ini agak rumit ditempatkan di sini. Di satu sisi, model menjadi lebih murah, di sisi lain, pengeluaran modal per unit daya komputasi meningkat. Keduanya tidak saling bertentangan: biaya marjinal di sisi inferensi turun, sementara investasi tetap di sisi pelatihan dan peluncuran meningkat. Yang pertama mendorong ekspansi permintaan, yang kedua menentukan siapa yang berhak berpartisipasi dalam penawaran.

Yang kedua adalah daya di lokasi (on-site power).

Alasannya adalah kurva permintaan listrik mencakup kedua konfigurasi "terpusat" dan "terdistribusi". Terlepas dari bagaimana beban diatur, ekspansi AI berarti konsumsi listrik dan kapasitas pasokan harus dinaikkan secara bersamaan.

Listrik adalah batasan paling tanpa kompromi dalam seluruh narasi AI. Model bisa bersifat open-source, bobot bisa diunduh, chip bisa diganti, tetapi listrik tidak bisa bersifat open-source. Satu gigawatt adalah satu gigawatt, tidak ada yang bisa menciptakannya.

Ini mungkin garis paling pasti di antara tiga skenario. Terlalu pasti, hingga terasa membosankan.

Enam, nilai sejati laporan ini bukanlah kesimpulannya, tetapi kerangkanya

Katakan pendapat Anda sendiri.

Laporan dari Morgan Stanley ini, jika hanya melihat judulnya—“Model terbuka mempercepat adopsi daripada melemahkan pemimpin”—akan mudah dianggap sebagai sekadar kalimat penenang pasar. Namun, yang benar-benar bermakna adalah bagaimana laporan ini mengubah cara mempertanyakan masalahnya.

Masalah awal pasar adalah: Apakah permintaan AI akan menyusut karena peningkatan efisiensi?

Pertanyaan dari Morgan Stanley adalah: Permintaan AI pasti tidak berkurang, masalahnya adalah nilai akhirnya terkonsentrasi di lapisan mana dari rantai pasokan—kekuatan komputasi, cloud, orkestrasi dan tata kelola perangkat lunak, atau infrastruktur terdistribusi lokal dan edge?

Perbedaan antara dua pertanyaan ini adalah perbedaan antara pola pikir pasar bearish dan pola pikir struktural.

Saya percaya arah Morgan Stanley benar, tetapi ada dua hal yang perlu diwaspadai.

Pertama, paradoks Jevons tidak berlaku secara otomatis.

Efek Jevons berlaku dengan syarat: permintaan harus memiliki ruang elastisitas yang cukup. Batu bara menjadi semakin hemat namun semakin banyak digunakan karena pada abad ke-19, Inggris penuh dengan industri yang belum dimekanisasi. Situasi AI serupa tetapi tidak identik—perusahaan memang memiliki banyak skenario yang bisa diisi dengan AI, tetapi apakah setelah diimplementasikan akan menghasilkan pengembalian yang dapat diukur, adalah hal lain.

Jika sejumlah besar perusahaan hanya menggunakan AI di tempat-tempat yang "terlihat sibuk tetapi tidak bisa menjelaskan manfaatnya", maka ekspansi permintaan akan memiliki batas atas, dan batas ini akan muncul tiba-tiba di suatu kuartal. Paradoks Jevons menggambarkan efisiensi konversi energi, tetapi tidak menjamin bahwa hasil konversinya adalah nilai.

Kedua, kesimpulan bahwa "NVIDIA mendapat manfaat sepanjang waktu" terlalu nyaman untuk dianggap benar.

Secara logis, sulit untuk menemukan kesalahan—permintaan GPU tidak berubah karena perubahan jalur arsitektur. Namun, antara penilaian yang tepat dan penilaian investasi yang baik, terdapat harga. Apakah pasar telah memperhitungkan ekspektasi "24/7" ini sepenuhnya, laporan tidak menjawabnya, dan seharusnya juga tidak menjadi tanggung jawab laporan untuk menjawabnya.

Argumen bullish yang secara logis tak terbantahkan sering menjadi lahan subur bagi transaksi yang terlalu ramai. Ini bukan sikap kontrarian, tapi peringatan: kepastian kesimpulan tidak sama dengan daya tarik peluang.

Tujuh, bagi perusahaan, hal ini sebenarnya lebih sederhana

Dengan mengabaikan permainan penilaian di pasar sekunder, dari sudut pandang pembelian perusahaan, pelajaran dari laporan ini justru jauh lebih sederhana.

63% perusahaan menggunakan keduanya, angka ini sudah menjawabnya: jangan memilih sisi, pilihlah skenario.

Pekerjaan yang bersifat frekuensi tinggi, dapat diprediksi, sensitif terhadap data, dan batas tugasnya jelas—membangun sendiri dengan bobot terbuka dapat menghemat uang sungguhan, terutama di bawah skala 30 miliar parameter, dengan periode pengembalian modal yang sangat singkat dan menarik.

Tugas yang memerlukan penalaran kompleks, agen jangka panjang, dan terus mengikuti peningkatan kemampuan terkini—membayar untuk API tertutup, demi keandalan dan kecepatan iterasi, bukanlah hal yang memalukan.

Yang benar-benar perlu diinvestasikan adalah lapisan tengah: pengaturan, routing, evaluasi, dan tata kelola. Bagaimana Anda menentukan jalur mana yang harus diambil sebuah permintaan? Bagaimana Anda menjamin kualitas output tidak anjlok setelah mengganti model? Bagaimana Anda mengendalikan batasan data di dunia di mana bobot bisa diunduh sembarangan?

Morgan Stanley menempatkan lapisan ini sebagai penerima manfaat utama dalam skenario hibrida, dan menurut saya penilaian ini lebih praktis daripada rekomendasi saham individu apa pun. Karena lapisan ini merupakan kemampuan yang harus dibangun oleh perusahaan sendiri, tidak bisa dibeli.

Ngomong-ngomong soal keamanan. Bobot terbuka membuat model menjadi terdesentralisasi, sekaligus membuat permukaan serangan menjadi terdesentralisasi. Dulu Anda hanya perlu mengelola beberapa kunci API, sekarang Anda harus mengelola banyak file bobot yang berjalan lokal, data fine-tuning, dan titik akhir inferensi. Perangkat lunak keamanan disebutkan dalam ketiga skenario ini bukan kebetulan.

Delapan, Penutup

Pada hari peluncuran Kimi K3, saham semikonduktor jatuh bersamaan. Hari ini, melihat kembali, itu lebih seperti ingatan otot pasar, bukan hasil pemikiran.

Open weights bukanlah orang yang meja-nya dibalik. Ia adalah orang yang memperpanjang meja.

Setelah meja diperpanjang, apakah orang yang duduk di kursi utama akan terdorong keluar? Mungkin ya, tetapi bukan karena bobot terbuka itu sendiri, melainkan karena ia gagal mempertahankan posisi terdepan. Ini dua hal yang berbeda.

Hal paling jujur dalam laporan Morgan Stanley adalah ia tidak memberi tahu Anda apa hasil akhirnya, hanya memberi tahu Anda siapa yang posisinya tidak akan berubah dalam setiap skenario akhir.

NVIDIA, dan listrik.

Yang pertama adalah konsensus, yang kedua adalah fisik.

Mengenai perusahaan-perusahaan di tengah yang mengikuti naik turun, berganti sisi, dan menyesuaikan kembali penilaian—nasib mereka sangat bergantung pada situasi. Kalimat ini terdengar seperti omong kosong, tetapi di pasar di mana semua orang menginginkan jawaban pasti, mengakui "ini tergantung pada situasi" justru merupakan bentuk kejujuran paling berharga.

Model akan menjadi lebih murah dari generasi ke generasi, ini adalah tren yang tidak bisa dihentikan.

Hash power akan menyebar secara bertahap, ini juga merupakan tren yang tidak bisa dihentikan.

Namun, murah dan diversifikasi bersama-sama tidak pernah sama dengan penyusutan.

Jevons sudah memahami hal ini sejak 1865. Seratus enam puluh tahun berlalu, umat manusia masih membayar biaya untuk kesalahan intuisi yang sama.

Itu menarik.

Sumber kutipan

1. Morgan Stanley, *Model Berbasis Terbuka dan Tiga Skenario Masa Depan* (laporan penelitian), Agustus 2026
2. Gelonghui / Sina Finance: "Morgan Stanley: Model dengan bobot terbuka menurunkan biaya AI, 'Paradoks Jevons' dapat menyebabkan permintaan daya komputasi terus meningkat", 4 Agustus 2026
3. BigGo Finance: *Model Berbasis Terbuka untuk Mempercepat Adopsi AI: Morgan Stanley Menjabarkan Tiga Skenario, Menyebut Nvidia dan Power Chain sebagai Penerima Manfaat*, 4 Agustus 2026
4. Huoxing Caijing: Morgan Stanley: Munculnya model AI dengan bobot terbuka akan mempercepat adopsi AI melalui penurunan biaya, 4 Agustus 2026
5. Blockspace Media: *Morgan Stanley mengatakan AI berbobot terbuka dapat memperluas permintaan komputasi dan daya*, Agustus 2026
6. Penelitian MIT tentang perbedaan harga antara model terbuka dan model tertutup (selesai pada Desember 2025, dikutip dalam laporan Morgan Stanley)
7. Penelitian Universitas Carnegie Mellon tentang hubungan antara periode balik modal dan skala penerapan model terbuka (dikutip dari laporan Morgan Stanley)
8. Wawasan Morgan Stanley: *Peluang dalam Infrastruktur AI* (termasuk penyesuaian estimasi biaya per gigawatt sistem Vera Rubin)