GPU Nvidia dapat terus berfungsi selama bertahun-tahun dan tetap menjadi usang secara ekonomis jauh lebih cepat.
Perbedaan itu penting karena Microsoft, Alphabet, Amazon, dan Meta mengalirkan jumlah modal yang sangat besar ke infrastruktur AI. Para investor cenderung fokus pada biaya utama chip dan pusat data, tetapi penyusutan menentukan seberapa besar bagian dari investasi itu akhirnya menjadi beban pada laporan laba rugi.
Penyusutan mendistribusikan biaya peralatan selama masa manfaatnya yang diharapkan. Sebuah perusahaan yang menghabiskan $1 miliar untuk server biasanya tidak mencatat seluruh jumlah tersebut sebagai biaya secara langsung. Sebaliknya, biaya tersebut diakui selama beberapa tahun.
Masalah dengan perangkat keras AI adalah bahwa masa pakai fisik dan masa pakai ekonomi bisa sangat berbeda.
Mengapa GPU AI Dapat Kehilangan Nilai Cepat
Sebuah GPU tidak perlu berhenti berfungsi untuk menjadi kurang bernilai.
Generasi baru dapat melatih model lebih cepat, mengonsumsi lebih sedikit listrik, dan menyediakan lebih banyak daya komputasi per dolar. Artinya, akselerator lama mungkin masih secara teknis dapat digunakan, tetapi menjadi semakin mahal untuk dioperasikan dibandingkan perangkat keras baru.
Siklus produk Nvidia yang cepat membuat hal itu sangat penting. Perusahaan telah beralih dari Hopper ke Blackwell sambil terus mengembangkan arsitektur yang lebih baru, meningkatkan risiko bahwa perangkat pusat data yang mahal menjadi usang secara ekonomi lebih cepat daripada server tradisional.
Nvidia menjelaskan strategi produk dan teknologi saat ini melalui material hubungan investor.
Masalah ini juga terkait langsung dengan apakah pengeluaran AI perusahaan yang belum pernah terjadi sebelumnya benar-benar menghasilkan pengembalian yang menarik. Panduan kami tentang AI investment returns menjelaskan bagaimana investor dapat menggunakan arus kas bebas, margin, dan return on invested capital untuk menilai apakah pengeluaran tersebut memberikan hasil.
Mengapa Penyusutan Dapat Mengubah Pendapatan Teknologi Besar
Bayangkan sebuah perusahaan menghabiskan $6 miliar untuk server AI dan mengharapkan mereka tetap berguna selama enam tahun.
Sangat sederhana, itu bisa berarti sekitar $1 miliar penyusutan tahunan sebelum mempertimbangkan waktu dan detail akuntansi lainnya.
Jika manajemen justru menyimpulkan bahwa peralatan akan tetap berguna secara ekonomis hanya selama empat tahun, biaya tahunan bisa meningkat secara signifikan.
Poin pentingnya adalah bahwa perubahan asumsi masa manfaat dapat memengaruhi laba yang dilaporkan tanpa mengubah kas yang awalnya dikeluarkan.
Perusahaan cloud besar mengungkapkan asumsi-asumsi ini dalam laporan keuangan mereka. Investor dapat meninjau kebijakan penyusutan Microsoft melalui investor relations filings, pengungkapan Alphabet melalui Alphabet Investor Relations, dan file Amazon melalui Amazon Investor Relations.
Itu tidak berarti GPU lama tiba-tiba menjadi tidak bernilai. Perusahaan dapat memindahkan mereka dari beban kerja pelatihan model yang menuntut ke inferensi, aplikasi internal, atau tugas yang kurang intensif secara komputasi.
Kehidupan kedua itu dapat memperpanjang kegunaan ekonomi mereka.
Angka yang Harus Benar-Benar Diperhatikan oleh Investor
Pertanyaan terbesar oleh karena itu bukan hanya berapa banyak Big Tech menghabiskan untuk GPU.
Apakah pendapatan dan arus kas yang dihasilkan oleh GPU-GPU tersebut tumbuh cukup cepat untuk mengkompensasi penyusutan, biaya listrik, dan penggantian teknologi yang cepat.
Itu menjadi lebih penting seiring pertumbuhan pendapatan chip AI Nvidia. Liputan pendapatan Nvidia terbaru dari Coinpaper menunjukkan skala luar biasa dari permintaan akselerator saat ini.
Biaya perangkat keras juga hanya sebagian dari persamaan. Pusat data AI modern mengonsumsi sejumlah besar listrik, menjadikan ketersediaan energi sebagai kendala lain yang semakin penting. Penjelasan Coinpaper tentang AI power markets meneliti mengapa ekonomi listrik pada akhirnya mungkin menjadi sepenting GPU itu sendiri.