Amerika belanja 7x lebih besar dari China untuk infrastruktur AI. Tapi China bersaing lewat efisiensi — dan gap-nya mulai terasa di pasar global.
Ada dua cara memenangkan perlombaan. Pertama, lari lebih cepat. Kedua, temukan jalan pintas. Di tengah persaingan AI global yang semakin panas, Amerika Serikat memilih strategi pertama — sementara China diam-diam sedang membangun jalan pintas.
Estimasi capex 2026 untuk major US cloud providers mencapai $806 miliar, dibandingkan sekitar $110 miliar dari sisi China. Selisihnya hampir 7 kali lipat. Angka ini bukan sekadar statistik — ini mencerminkan betapa seriusnya Amerika membangun dominasi komputasi AI lewat raw spending. Data center, chip, power infrastructure, semuanya digelontorkan dalam skala yang belum pernah terjadi sebelumnya dalam sejarah teknologi.
Tapi ada yang menarik dari sisi China. DeepSeek V4.1 Flash dilaporkan menggunakan 437× lebih sedikit KV cache per token dibandingkan versi V1-nya sendiri. Angka ini perlu dipahami konteksnya: KV cache adalah salah satu bottleneck terbesar dalam inference cost — yakni biaya yang dikeluarkan setiap kali model AI menghasilkan output. Semakin besar model dan semakin panjang konteks percakapannya, semakin besar memori yang dibutuhkan. Reduksi 437× dalam komponen ini bukan sekadar perbaikan teknis — ini adalah lompatan efisiensi yang dramatis dalam waktu singkat, dan menunjukkan seberapa cepat satu lab AI China bisa memotong biaya operasional secara radikal.
Efisiensi yang Mulai Terasa di Pasar
Yang lebih penting dari angka teknisnya adalah dampak pasar yang sudah mulai terlihat. Model-model China kini mulai menggerogoti token share di OpenRouter — platform yang digunakan developer global untuk mengakses berbagai model AI. Penetrasi ini terjadi khususnya di segmen coding dan agent workflows, dua area yang selama ini menjadi domain kuat model-model Amerika.
Logikanya sederhana: jika dua model menghasilkan output yang kualitasnya setara, tapi satu jauh lebih murah, developer akan memilih yang lebih murah — terutama untuk workload skala besar. Ini menciptakan tekanan deflasi pada harga inference global, yang pada akhirnya akan memukul margin pemain yang bergantung pada premium pricing.
Bayangkan seperti ini: Amerika membangun pabrik terbesar di dunia dengan mesin-mesin raksasa. China datang dengan mesin yang lebih kecil tapi bisa menghasilkan output yang sama dengan sepertiga bahan bakar. Dalam jangka pendek, pabrik besar masih menang volume. Tapi dalam jangka panjang, ekonomi produksi akan bergeser ke pihak yang lebih efisien.
Battleground Berikutnya: Digital Labour
Pertarungan AI tidak berhenti di coding assistant atau chatbot. Arena berikutnya adalah digital labour — AI agent yang bekerja layaknya tenaga profesional di bidang keuangan, hukum, akuntansi, dan pekerjaan knowledge-intensive lainnya. Ini adalah pasar yang nilainya jauh lebih besar dan implikasinya jauh lebih dalam terhadap struktur tenaga kerja global.
Di sinilah pertanyaan scale vs efficiency menjadi sangat relevan. Untuk mendeploy AI agent dalam skala enterprise — katakanlah ribuan agent yang bekerja paralel memproses dokumen legal atau laporan keuangan — biaya inference per token menjadi sangat material. Perusahaan yang bisa menawarkan solusi ini dengan harga paling kompetitif akan memenangkan kontrak enterprise dalam jumlah besar.
Amerika unggul dalam infrastruktur dan ekosistem. China unggul dalam efisiensi biaya — sebagian didorong oleh tekanan eksternal berupa export restrictions chip yang memaksa mereka berinovasi dengan resource yang lebih terbatas. Keterbatasan akses ke chip Nvidia kelas atas justru mendorong optimasi software yang lebih agresif. Ini adalah efek samping dari sanksi teknologi yang mungkin tidak diperhitungkan oleh Washington.
Implikasi untuk Investor
Dari perspektif investasi, dinamika ini punya beberapa implikasi yang layak dipikirkan. Pertama, the inference cost deflation story masih underpriced di market. Jika biaya inference terus turun dengan kecepatan seperti yang ditunjukkan DeepSeek, maka keunggulan kompetitif tidak lagi hanya soal siapa yang punya kapasitas komputasi terbesar — melainkan siapa yang bisa mendeploy agent paling murah dalam skala masif.
Kedua, perusahaan-perusahaan yang model bisnisnya bergantung pada premium AI pricing perlu dievaluasi ulang. Tekanan margin dari model-model efisien China bisa datang lebih cepat dari yang diperkirakan konsensus pasar saat ini.
Ketiga, capex besar-besaran senilai $806 miliar dari cloud providers Amerika adalah tailwind kuat bagi sektor semiconductor, power infrastructure, dan data center. Tapi investor perlu memisahkan antara siapa yang diuntungkan dari spending ini versus siapa yang terancam oleh perubahan dynamics inference pricing.
Perlombaan AI bukan lagi sekadar soal siapa yang punya GPU terbanyak. Pertanyaannya kini lebih kompleks: apakah scale akan tetap mendominasi, atau efisiensi akan mempersempit gap lebih cepat dari yang pasar antisipasi? Jawabannya akan menentukan siapa yang benar-benar memenangkan era digital labour — dan itu akan sangat menentukan arah investasi teknologi dalam 3-5 tahun ke depan.