Goldman Sachs dan SemiAnalysis Bertentangan Mengenai Penilaian Infrastruktur AI dan Pemenang Masa Depan

Dua tahun terakhir, perdagangan AI hampir mendominasi pasar saham global.

NVIDIA, peralatan semikonduktor, HBM, packaging canggih, pusat data, peralatan listrik, transformator, pendingin, turbin gas—aset apa pun yang dapat dimasukkan ke dalam rantai infrastruktur AI telah dievaluasi ulang secara berulang oleh pasar. Transaksi ini belum gagal, malah naik hingga membuat investor harus kembali menghadapi pertanyaan yang lebih sulit: pemenang tahap pertama rantai AI telah dihargai pasar hingga maksimal, apakah masih bisa terus naik?

Dua laporan dari Goldman Sachs dan SemiAnalysis berada tepat di persimpangan ini.

Penilaian James Covello dari Goldman Sachs lebih dingin: Tahap pertama infrastruktur AI sudah sepenuhnya dihargai, rantai chip dan "penjual sekop" telah mengambil terlalu banyak keuntungan pasti, tetapi ROI di sisi perusahaan masih belum secara umum terwujud, dan tekanan arus kas pada penyedia cloud juga meningkat. Menurut logika ini, transaksi relatif yang lebih baik selanjutnya bukan terus mengejar semikonduktor, melainkan membeli penyedia cloud skala besar dan semikonduktor dengan spesifikasi rendah.

Jawaban dari SemiAnalysis hampir berlawanan: jika AI Agentic benar-benar menjadikan token sebagai alat produksi, dan margin kotor laboratorium model mulai membaik, sementara model mutakhir masih memiliki kekuatan penetapan harga, maka infrastruktur AI bukanlah "sudah naik cukup", tetapi belum sepenuhnya dihargai ulang sesuai nilai token gelombang baru. NVIDIA, TSMC, memori, Neocloud, dan laboratorium model masih memiliki alasan untuk terus mendapatkan nilai tambah.

Ini bukan perdebatan tentang apakah AI memiliki masa depan atau tidak.

Pengeluaran modal untuk AI masih meningkat, dan saham infrastruktur AI juga belum melambat. Masalah sebenarnya sekarang menjadi: lapisan chip telah menahan keuntungan putaran pertama di neraca, dan pasar kini bersaing untuk menentukan apakah keuntungan ini sudah sepenuhnya dihargai; jika AI Agentic terus memperbesar nilai token, keuntungan tambahan putaran berikutnya akan tetap berada di lapisan perangkat keras, atau mulai dialihkan kembali ke laboratorium model, penyedia cloud, dan lapisan perangkat lunak perusahaan.

Bagian paling mengejutkan dari laporan Goldman Sachs bukanlah mempertanyakan pertumbuhan pengguna AI, maupun menyangkal kemajuan teknologi.

Covello terlebih dahulu mengakui dua hal: adopsi AI oleh konsumen berjalan lebih cepat dari yang mereka perkirakan; penyedia cloud, meskipun mengalami tekanan pada harga saham, tidak mengurangi pengeluaran modal AI sebanyak yang mereka perkirakan, sebaliknya terus meningkatkan investasi. AI tidak melambat, dan pengeluaran modal juga tidak surut.

Namun Goldman Sachs melihat lebih jauh ke depan.

Konsumen menggunakan AI, banyak yang masih berada di tingkat gratis. Pertumbuhan pengguna dapat membuktikan daya tarik produk, tetapi tidak dapat secara langsung membayar tagihan untuk GPU, pusat data, listrik, jaringan, dan inferensi model. Sisi perusahaan adalah kunci apakah ekonomi AI dapat ditutup: kesediaan perusahaan untuk terus membayar, kemampuan mereka untuk menghemat biaya, meningkatkan pendapatan, dan meningkatkan output melalui AI, menentukan apakah seluruh rantai ini dapat menanggung pengeluaran modal saat ini dalam jangka panjang.

Jawaban dari Goldman Sachs cenderung hati-hati.

Laporan tersebut menyebutkan bahwa perusahaan telah mengalokasikan investasi besar untuk AI generatif, tetapi sejumlah besar organisasi belum memperoleh pengembalian yang dapat diverifikasi; sementara itu, pengeluaran TI global terus meningkat, dan AI belum menurunkan anggaran teknologi perusahaan secara keseluruhan. Bagi investor, ini berarti masalah nyata: perusahaan membeli AI, mencoba AI, dan membicarakan AI, tetapi AI belum secara umum masuk ke laporan laba rugi.

Ini berkontras tajam dengan keuntungan dalam rantai infrastruktur AI.

Perusahaan chip sudah mendapatkan keuntungan, sementara perusahaan terkait penyimpanan, listrik, dan pusat data mengalami penilaian ulang berulang kali oleh pasar. Di sisi lain, penyedia cloud menanggung pengeluaran modal. Biaya-biaya seperti pembangunan pusat data, pembelian GPU, koneksi listrik, peralatan jaringan, dan rak server semuanya tercatat terlebih dahulu di neraca penyedia cloud. Laporan Goldman Sachs menyatakan bahwa penyedia cloud skala besar telah menghabiskan sebagian arus kas operasional yang berlebih dan mulai membiayai pembangunan pusat data melalui utang, dengan volume penerbitan utang pusat data pada 2025 meningkat dua kali lipat menjadi $182 miliar.

Ini adalah ketidakseimbangan menurut Goldman Sachs.

Dalam siklus semikonduktor normal, keuntungan besar yang diraih perusahaan chip biasanya menunjukkan bahwa klien juga sedang berkembang. Ketika klien mendapat untung, mereka terus membeli chip, dan perusahaan chip terus berkembang. Siklus AI kali ini lebih rumit: keuntungan di sepanjang rantai chip jelas, tetapi pengembalian di tingkat klien dan aplikasi belum sejelas itu.

Jadi, penilaian Goldman Sachs bukanlah "AI tidak berguna", melainkan "sistem pembagian saat ini sulit untuk diekstrapolasi linier dalam jangka panjang".

Perusahaan semikonduktor telah mengamankan keuntungan paling pasti pada tahap pertama. Masalahnya, apakah pelanggan hilir memiliki cukup keuntungan untuk terus mendukung pengeluaran modal tinggi dan konsentrasi keuntungan di hulu.

Saran perdagangan dari Goldman Sachs tampaknya bertentangan dengan intuisi: lebih bullish terhadap penyedia cloud skala besar, dan kurang berinvestasi pada semikonduktor.

Ada dua jalur di balik ini.

Jalur pertama, ROI AI perusahaan mulai terwujud. Ketika perusahaan membuktikan bahwa AI dapat menghasilkan pendapatan, efisiensi, dan keunggulan biaya, pasar akan memahami kembali pengeluaran modal penyedia cloud. Investasi yang sebelumnya dianggap membebani arus kas bebas akan kembali menjadi pendapatan masa depan dan kendali platform. Valuasi penyedia cloud akan membaik, dan semikonduktor juga akan mendapat manfaat, namun karena semikonduktor sebelumnya sudah banyak dihargai pasar, elastisitas relatifnya belum tentu lebih besar.

Jalur kedua, ROI perusahaan tetap sulit. Penyedia cloud mengurangi pengeluaran modal di bawah tekanan arus kas dan tekanan investor, sehingga pasar akan memberikan insentif terhadap disiplin arus kas yang lebih baik. Rantai semikonduktor harus menghadapi revisi turun terhadap ekspektasi pesanan.

Goldman Sachs percaya bahwa kedua jalur ini mendukung "penyedia cloud lebih baik dibandingkan semikonduktor." Kasus yang benar-benar akan membuat transaksi ini gagal adalah jalur ketiga: ROI perusahaan masih kabur, namun penyedia cloud terus meningkatkan investasi tanpa mempertimbangkan biaya, sementara semikonduktor terus menyerap sebagian besar keuntungan dalam rantai pasokan.

Ini justru merupakan keadaan yang paling dikenal oleh pasar selama dua tahun terakhir.

Oleh karena itu, fokus laporan Goldman Sachs bukan pada teknologi AI, tetapi pada penetapan harga pasar. Manfaat infrastruktur AI telah diperdagangkan secara cukup, dan kelemahan penyedia cloud juga telah diperdagangkan secara cukup. Langkah selanjutnya, pasar akan melihat apakah kedua arah ini akan berbalik.

SemiAnalysis memulai dari sudut pandang yang sama sekali berbeda.

Hal ini tidak menyangkal bahwa pada periode 2023 hingga 2025, nilai AI terutama mengalir ke infrastruktur. NVIDIA, listrik, pusat data, dan penyimpanan memang menjadi pemenang besar pada tahap pertama. Perusahaan model dan penyedia layanan inferensi pada awalnya tidak nyaman, banyak produk AI tampak seperti hanya kotak pencarian yang lebih baik, dan marjin kotor jauh dari menarik.

Namun, SemiAnalysis percaya bahwa setelah akhir 2025, situasinya berubah.

Perubahan berasal dari Agentic AI.

Token masa lalu lebih seperti "biaya pertanyaan-jawab". Pengguna bertanya satu kali, model menjawab satu kali. Ini bisa menghemat waktu, tetapi batas nilainya terbatas. Sekarang, token mulai memasuki alur kerja yang kompleks: menulis kode, membuat model keuangan, menghasilkan dashboard, menganalisis laporan keuangan, mengatur data, membuat grafik.

SemiAnalysis menggunakan perusahaan mereka sendiri sebagai contoh. Analis mereka telah menggunakan agen setiap hari untuk menangani pekerjaan penelitian dan pemodelan, tugas-tugas yang sebelumnya memerlukan banyak jam dari analis junior atau sama sekali tidak memiliki waktu dalam alur kerja. Artikel tersebut mengungkapkan bahwa pengeluaran token tahunan SemiAnalysis di Anthropic Claude pernah mencapai $10,95 juta, atau sekitar 30% dari gaji karyawan.

Angka-angka ini belum tentu mewakili semua perusahaan, tetapi mewakili perubahan pada sekelompok pengguna marginal.

Bagi konsumen biasa, langganan AI mungkin hanyalah alat dengan biaya puluhan dolar per bulan. Bagi pekerja pengetahuan intensif, token mulai menjadi alat produksi.

Token senilai beberapa dolar hingga puluhan dolar bukan hanya membeli beberapa baris teks, tetapi juga model, grafik, kode, pembersihan data, analisis laporan keuangan, bahkan pekerjaan yang sebelumnya tidak pernah dilakukan. Cara pengguna memandang biaya AI juga akan berubah: mereka tidak lagi hanya bertanya, “Berapa harga per juta token?”, tetapi bertanya, “Berapa banyak tenaga kerja manusia yang digantikan oleh token ini, dan berapa banyak output yang ditambahkan?”

Ini adalah titik awal perbedaan antara SemiAnalysis dan Goldman Sachs.

Goldman Sachs melihat ROI rata-rata perusahaan masih belum jelas. SemiAnalysis melihat pengguna terkuat telah mulai mengonsumsi token dalam jumlah besar, dan bersedia membayar untuk model yang lebih kuat.

Perkiraan kedua SemiAnalysis adalah bahwa ekonomi unit laboratorium model sedang membaik.

Ini bertentangan dengan kekhawatiran pasar di masa lalu.

Sebelumnya, perusahaan model dianggap terjepit di antara produsen chip dan penyedia cloud. Pertumbuhan pendapatan cepat, tetapi biaya pelatihan dan inferensi tumbuh lebih cepat. Semakin banyak pengguna, semakin tinggi biayanya. Semakin kuat modelnya, semakin besar pengeluaran modalnya. Model ini tampak seperti pertumbuhan tinggi, marjin rendah, dan pengeluaran besar.

Agentic AI mengubah tabel ini.

• Di sisi harga, model canggih dapat menjalankan tugas dengan nilai lebih tinggi, sehingga pengguna bersedia membayar premi untuk model yang lebih kuat.
• Di sisi biaya, iterasi perangkat keras, optimasi inferensi, mekanisme cache, dan rekayasa perangkat lunak terus menurunkan biaya per token.
• Di sisi produk, perusahaan model dapat menetapkan harga berlapis melalui SKU yang lebih tinggi, respons yang lebih cepat, dan kemampuan inferensi yang lebih kuat.

SemiAnalysis menyebutkan, dalam kasus menjalankan DeepSeek pada B300, kombinasi optimasi perangkat lunak yang berbeda dapat meningkatkan throughput perangkat keras yang sama dari sekitar 1000 hingga 8000 menjadi sekitar 14.000 token/detik/GPU. Dengan menambahkan peningkatan perangkat keras, konfigurasi GB300 NVL72 yang dioptimalkan secara maksimal memiliki throughput sekitar 17 kali lebih tinggi dibanding H100 di FP8; jika beralih ke FP4 yang tidak didukung secara asli oleh Hopper, selisihnya bisa mencapai 32 kali, sementara total biaya kepemilikan per GPU hanya lebih tinggi sekitar 70%.

Ini berarti bahwa laboratorium model dapat meningkatkan nilai ekonomi token yang diciptakan sambil menurunkan biaya produksi token.

SemiAnalysis menyatakan, ARR Anthropic naik dari $9 miliar menjadi lebih dari $44 miliar, dengan margin kotor infrastruktur inferensi meningkat dari 38% menjadi lebih dari 70%. Meskipun harga model turun, peningkatan proporsi penggunaan model high-end, peningkatan tingkat cache hit, dan peningkatan efisiensi perangkat keras juga dapat mendorong ekspansi margin kotor lebih lanjut.

Jika penilaian ini benar, tahap kedua rantai industri AI tidak lagi hanya tentang "chip terus menang" atau "pemulihan penyedia cloud".

Laboratorium model akan berubah dari lapisan pemborosan uang menjadi lapisan penangkap nilai baru.

Goldman Sachs dan SemiAnalysis secara tampak bersaing tentang ROI AI, tetapi sebenarnya bersaing tentang sampel mana yang lebih mewakili masa depan.

Goldman Sachs melihat perusahaan rata-rata.

Perusahaan-perusahaan ini memiliki sistem data yang kompleks, beban IT historis, manajemen izin, persyaratan kepatuhan, dan proses persetujuan. Banyak perusahaan membuat chatbot, asisten internal, atau proyek percontohan terlebih dahulu untuk menjelaskan strategi AI kepada pasar dan dewan direksi. Uang benar-benar dikeluarkan, tetapi proses bisnis belum tentu berubah. Jika proses tidak diubah, ROI sulit masuk ke laporan keuangan.

Inilah alasan mengapa Goldman Sachs menekankan struktur data dan lapisan orkestrasi.

Sebuah perusahaan ritel yang belum mengintegrasikan stok, profil pelanggan, dan sistem rekomendasi mungkin akan direkomendasikan produk yang habis oleh AI customer service. Sebuah perusahaan yang tidak memiliki lapisan routing model akan mengirimkan permintaan sederhana ke model canggih paling mahal, sehingga biaya pasti menjadi tak terkendali. Hambatan dalam penerapan AI bukan lagi karena modelnya tidak cukup kuat, tetapi karena perusahaan belum siap untuk mengintegrasikan model ke dalam sistem bisnisnya.

SemiAnalysis melihat pengguna marginal.

Tugas-tugas seperti penelitian, kode, pemodelan, grafik, dan analisis laporan keuangan secara alami cocok untuk agen. Tugas-tugas ini sangat tekstual, digital, dan terstruktur, hasilnya mudah dievaluasi, dan pengguna mampu mengintegrasikan AI ke dalam alur kerja mereka. Organisasi semacam ini akan melihat ROI lebih awal daripada perusahaan biasa, dan lebih bersedia meningkatkan konsumsi token.

Yang perlu dinilai oleh pasar modal adalah apakah sampel terdepan ini akan menyebar.

Jika yang dilihat SemiAnalysis hanyalah outlier dari sejumlah pengguna super, kerangka kerja Goldman Sachs akan mendominasi. Pengeluaran modal AI akan semakin dibatasi oleh arus kas, rantai semikonduktor perlu menyerap ekspektasi tinggi, dan penyedia cloud mungkin memperoleh imbal hasil relatif karena disiplin pengeluaran dan kompresi valuasi.

Jika yang dilihat SemiAnalysis adalah indikator terdepan sebelum penyebaran, pasar tidak bisa menyangkal rantai AI berdasarkan ROI rendah perusahaan rata-rata hari ini. Setelah Agentic AI memasuki lebih banyak alur kerja kantor, permintaan token, pendapatan model, pendapatan cloud, dan permintaan perangkat keras akan meningkat bersamaan.

Penilaian ini lebih penting daripada "bullish terhadap AI atau bearish terhadap AI". Pasar tidak pernah diperdagangkan berdasarkan angka rata-rata statis, tetapi apakah perubahan marginal bisa menjadi arus utama.

Perbedaan terbesar antara Goldman Sachs dan SemiAnalysis dalam pasar modal akhirnya berfokus pada NVIDIA dan rantai semikonduktor.

Perspektif Goldman Sachs sangat langsung: semikonduktor telah mengambil keuntungan terbesar dan paling pasti pada tahap pertama. Setelah pasar memasukkan logika "menjual sekop" ke dalam harga, rasio risiko-imbangan mulai memburuk. Selama pengeluaran modal penyedia cloud melonggar, rantai semikonduktor akan menghadapi tekanan ganda pada valuasi dan pesanan.

SemiAnalysis berpendapat bahwa NVIDIA dan TSMC mengendalikan sumber daya paling langka di era AI, tetapi belum sepenuhnya menetapkan harga sesuai nilainya.

Artikel tersebut menyebutkan bahwa harga memori naik sekitar 6 kali lipat dalam setahun terakhir, dan harga kontrak sewa H100 jangka satu tahun Neocloud naik sekitar 40% dari titik terendah Oktober 2025. Sementara itu, NVIDIA dan TSMC belum menyesuaikan harga secepat peningkatan nilai token di hilir.

SemiAnalysis menyebut NVIDIA sebagai "bank sentral" dari ekosistem AI.

Perbandingan ini sangat tepat. NVIDIA mengendalikan likuiditas daya komputasi. Ia mampu menaikkan harga, tetapi tidak bisa menguras seluruh sistem. Jika harga dinaikkan terlalu tinggi, akan mendorong pelanggan untuk mempercepat beralih ke ASIC, TPU, dan Trainium buatan sendiri, serta menimbulkan tekanan regulasi. TSMC juga serupa. Node canggih sangat langka, tetapi ia secara jangka panjang menekankan hubungan pelanggan dan stabilitas ekosistem, sehingga tidak akan memonetisasi seluruh kelangkaan sekaligus selama siklus pertumbuhan.

Kontrol tidak berarti tidak ada ruang.

Rubin VR NVL72 merupakan dasar penting yang digunakan SemiAnalysis untuk menilai bahwa NVIDIA masih memiliki daya tawar. Menurut modelnya, Neocloud perlu menyewakan VR NVL72 dengan harga sekitar $4,92/jam/GPU untuk mencapai IRR 15,6% seperti proyek GB300; jika dihitung berdasarkan harga sewa per PFLOP dari GB300, batas atas teoretis VR NVL72 sekitar $12,25/jam/GPU; bahkan dengan asumsi lebih konservatif sebesar $0,55/PFLOP, harga tersebut setara dengan sekitar $9,63/jam/GPU, hampir dua kali lipat ambang batas penetapan biaya.

Artinya jelas di sini: selama nilai token hulu terus naik, sistem baru NVIDIA masih memiliki ruang untuk menaikkan harga, Neocloud masih berpotensi mendapatkan keuntungan, dan pengguna akhir masih berpotensi menerimanya.

Perbedaan antara Goldman Sachs dan SemiAnalysis menjadi tajam.

Goldman Sachs percaya bahwa keuntungan berlebih di sektor semikonduktor tidak berkelanjutan, karena laba di hilir belum cukup.
SemiAnalysis percaya bahwa kolam keuntungan hilir sedang membesar, sehingga lapisan perangkat keras tidak menghasilkan terlalu banyak, tetapi belum sepenuhnya membebankan biaya sesuai nilai.

Satu-satunya variabel yang menentukan kemenangan atau kekalahan: apakah kolam keuntungan baru yang diciptakan oleh AI cukup besar untuk secara bersamaan mendanai laboratorium model, penyedia cloud, Neocloud, NVIDIA, TSMC, penyimpanan, dan rantai listrik.

Kue tidak cukup besar, Goldman Sachs menang.

Kue terus membesar, SemiAnalysis menang.

Penyedia cloud adalah lapisan paling memalukan dalam perdebatan ini.

Mereka adalah pembeli terbesar dalam pengeluaran modal sekaligus platform paling mungkin menghasilkan pendapatan dari permintaan AI. Mereka mengalami tekanan dari NVIDIA, penyimpanan, dan rantai listrik, namun juga memiliki pelanggan perusahaan, layanan cloud, API model, chip buatan sendiri, dan ekosistem perangkat lunak.

Goldman Sachs optimis terhadap penyedia cloud karena pasar telah memperhitungkan banyak dampak negatif. Pengeluaran modal menekan arus kas bebas, investor mempertanyakan ROI AI, dan valuasi mengalami tekanan. Setelah itu, hanya dengan munculnya salah satu dari dua kondisi berikut, penyedia cloud memiliki jalur pemulihan: pendapatan AI perusahaan terwujud, atau pengeluaran modal berkurang.

SemiAnalysis melihat penyedia cloud dari sisi permintaan. Selama permintaan token terus berkembang, laboratorium model dan pelanggan perusahaan membutuhkan lebih banyak daya komputasi. Daya komputasi dibatasi oleh proses canggih, memori, listrik, dan sistem tingkat rak. Yang paling dikhawatirkan pembeli bukanlah harganya yang mahal, tetapi ketidakmampuan untuk mendapatkannya.

Jadi, penyedia cloud bukan hanya korban, bukan pula pemenang otomatis.

Mereka harus dibuktikan dengan laporan keuangan, bahwa pengeluaran modal AI dapat diubah menjadi pendapatan, laba, dan loyalitas pelanggan. Apakah pertumbuhan bisnis cloud kembali mempercepat, apakah pengungkapan pendapatan AI menjadi lebih jelas, apakah utilitas inferensi dapat meningkat, apakah chip buatan sendiri dapat mengurangi ketergantungan pada NVIDIA, apakah pelanggan perusahaan beralih dari uji coba ke penerapan jangka panjang, apakah arus kas bebas telah stabil—indikator-indikator ini akan lebih penting daripada sebelumnya.

Peningkatan indikator-indikator ini akan memperkuat logika bullish relatif terhadap vendor cloud dari Goldman Sachs.

Indikator-indikator ini tetap tidak membaik, penyedia cloud tetap menjadi lapisan yang menanggung tekanan pengeluaran modal di antara NVIDIA dan klien perusahaan.

Penekanan pada "struktur data" dan "lapisan orkestrasi" dalam laporan Goldman Sachs mungkin merupakan bagian yang paling mendekati realitas perusahaan.

AI perusahaan tidak akan tetap hanya pada saat karyawan membuka kotak obrolan untuk bertanya. AI yang benar-benar berdampak finansial harus masuk ke layanan pelanggan, penjualan, keuangan, pengadaan, R&D, manajemen risiko, rantai pasokan, dan operasional TI. Setiap proses memiliki data, izin, kepatuhan, persetujuan, sistem historis, dan batasan tanggung jawab.

Seberapa kuat pun modelnya, tidak bisa melewati hal-hal ini.

Inilah saat di mana lapisan perangkat lunak perusahaan kembali menjadi penting. Tugas berisiko rendah dan frekuensi tinggi dapat diserahkan ke model ringan atau model open-source; tugas berisiko tinggi dan bernilai tinggi baru memerlukan model terkini. Di tengahnya diperlukan satu lapisan sistem yang menilai jenis tugas, memanggil data, mengontrol izin, memilih model, memantau biaya, dan menulis ulang hasil.

• Keunggulan perusahaan SaaS tradisional adalah pengalaman industri, hubungan pelanggan, akses data, dan akumulasi alur kerja. Kelemahannya adalah utang teknis dan kecepatan iterasi.
• Keunggulan perusahaan berbasis AI adalah kecepatan produk, kemampuan pemanggilan model, dan struktur biaya. Kelemahannya adalah kurangnya akses perusahaan dan konteks industri.
• Keunggulan perusahaan model terdepan adalah kecerdasan terkuat. Kelemahannya adalah kurangnya kendali atas proses perusahaan.

Lapisan perangkat lunak tidak akan mudah dimakan oleh AI. Perusahaan perangkat lunak yang tidak menguasai data dan kendali proses mungkin akan diabstraksikan oleh model. Sebaliknya, perusahaan perangkat lunak yang menguasai struktur data, alur kerja, dan routing model justru memiliki peluang mengubah AI menjadi pasar yang lebih besar, dari menjual kursi menjadi menjual produktivitas.

Seberapa besar ROI perusahaan dapat diperluas dari sampel pengguna kuat seperti SemiAnalysis ke perusahaan umum sangat bergantung pada lapisan ini.

Dalam perdagangan AI, pertanyaan masa lalu adalah: Siapa yang paling dekat dengan daya komputasi?

Pertanyaan ini terlalu kasar sekarang.

Pada tahap berikutnya, pasar akan menanyakan variabel yang lebih spesifik.

Pertama, apakah nilai token akan terus naik. Jika Agentic AI menyebar dari kode, penelitian, dan analisis ke alur kerja kantor lainnya, laboratorium model dan rantai inferensi akan terus ditinjau ulang.

Kedua, apakah margin kotor laboratorium model terus membaik. Pertumbuhan pendapatan sudah tidak cukup; pasar akan melihat biaya inferensi, efisiensi cache, peningkatan SKU, dan daya tawar harga model terkini.

Ketiga, apakah penyedia cloud dapat mengubah pengeluaran modal menjadi pendapatan. Pengeluaran modal AI sendiri tidak lagi otomatis dianggap positif; hanya pengeluaran modal yang masuk ke pendapatan cloud, margin inferensi, dan kontrak perusahaan yang akan dihargai oleh pasar.

Keempat, apakah NVIDIA dapat terus meningkatkan harga akibat bottleneck sistemik. GPU hanyalah lapisan pertama; Rubin, SOCAMM, jaringan, sistem tingkat rak, stack perangkat lunak, dan kemampuan pengadaan rantai pasokan menentukan apakah NVIDIA dapat terus mengambil keuntungan.

Kelima, apakah TSMC dan penyimpanan dapat kembali menetapkan ulang kelangkaan. Node canggih, HBM, DRAM, SOCAIMM, dan packaging canggih, jika terus menjadi hambatan pasokan, nilainya tidak akan mudah meninggalkan hulu.

Keenam, apakah perangkat lunak perusahaan dapat memperoleh akses penerapan AI. Perusahaan perangkat lunak tanpa akses proses akan mengalami tekanan, sementara perusahaan perangkat lunak dengan akses, data, dan kemampuan orkestrasi mungkin menjadi lebih berharga.

Perdagangan infrastruktur AI tidak kedaluwarsa.

Harganya naik terlalu cepat, sehingga memicu perbedaan pendapat antara Goldman Sachs dan SemiAnalysis.

Goldman Sachs mengingatkan pasar bahwa manfaat dari rantai chip telah dieksploitasi sepenuhnya. Jika ROI perusahaan terlalu lama datang, arus kas penyedia cloud akan berdampak negatif terhadap pengeluaran modal, dan pola keuntungan tunggal semikonduktor akan disesuaikan.

SemiAnalysis mengingatkan pasar bahwa pengalaman AI tahun 2024 tidak bisa digunakan untuk menilai Agentic AI tahun 2026. Token sedang berubah menjadi alat produksi, laboratorium model mulai meningkatkan marjin kotor, pasokan daya komputasi masih ketat, dan NVIDIA serta TSMC mungkin belum sepenuhnya menetapkan harga sesuai nilai.

Kedua penilaian ini digabungkan, fokus perdagangan AI telah berubah.

Dua tahun terakhir, pasar memberi penghargaan kepada aset langka. Selanjutnya, pasar akan melihat siapa yang dapat terus mempertahankan nilai ekonomi yang diciptakan oleh AI di laporan laba rugi.

Jika SemiAnalysis melihat titik balik marginal, kue rantai AI akan terus membesar, dan laboratorium model, penyedia cloud, NVIDIA, TSMC, rantai penyimpanan, dan listrik semuanya memiliki alasan untuk terus membagi keuntungan.

Jika Goldman Sachs melihat realitas yang lebih mendekati perusahaan rata-rata, pengeluaran modal akan terlebih dahulu bertemu dengan arus kas, rantai semikonduktor perlu menyerap ekspektasi yang terlalu tinggi, sementara penyedia cloud justru mendapatkan pengembalian relatif yang lebih baik karena kompresi valuasi dan disiplin pengeluaran potensial.

Kemungkinan besar status saat ini berada di antara keduanya.

Pengguna terkuat sudah mulai membeli token secara agresif, sementara perusahaan biasa belum menghitung laporan keuangan mereka. Pasar modal akan terlebih dahulu memperdagangkan perubahan marginal yang dibawa oleh pengguna terkuat, baru kemudian menunggu perusahaan rata-rata memverifikasi melalui laporan keuangan. Semakin cepat verifikasi, semakin dekat dunia SemiAnalysis; semakin lambat verifikasi, semakin tinggi peluang perdagangan Goldman Sachs.

Alat "sekop" AI masih mendominasi pasar, tetapi pertanyaannya telah berubah dari "siapa yang menjual sekop" menjadi buku akuntansi lain: siapa yang sudah cukup untung, siapa yang masih bisa menaikkan harga, dan siapa yang akan menjadi tuan tanah sejati berikutnya.