Permintaan token AI bisa mencapai 4.000 kuadriliun per tahun pada 2030. Apa implikasinya bagi investasi di sektor infrastruktur AI dan pasar modal global?
Angka ini terdengar absurd, tapi ini bukan spekulasi liar — ini adalah base case dari proyeksi institusional yang serius. Permintaan token AI diperkirakan akan mencapai 4.000 kuadriliun token per tahun pada 2030, atau lebih dari 20 kali lipat konsumsi saat ini. Proyeksi serupa datang dari yang memperkirakan kenaikan sekitar 24 kali lipat. Jika kedua angka ini bahkan mendekati realisasi, kita sedang bicara tentang salah satu siklus capex terbesar dalam sejarah teknologi modern.
Agentic AI: Katalis yang Sering Diremehkan
Driver terbesar dari lonjakan permintaan ini bukan chatbot biasa. Agentic AI — sistem AI yang beroperasi secara otonom untuk menyelesaikan tugas kompleks tanpa intervensi manusia — adalah variabel yang mengubah seluruh skala kalkulasi ini.
Perbedaannya fundamental: satu respons chatbot konvensional mengonsumsi sejumlah token yang relatif terbatas. Sebaliknya, satu agentic task — misalnya riset multi-step, eksekusi kode, atau manajemen workflow otomatis — bisa mengonsumsi 10 hingga 100 kali lebih banyak token dibanding satu sesi chat biasa. Dan tidak seperti chatbot yang hanya aktif saat ada user, AI agent beroperasi continuously, 24 jam sehari.
Implikasinya bagi investor: adoption curve agentic AI yang bahkan moderat pun akan menghasilkan lonjakan permintaan komputasi yang jauh melampaui apa yang pasar saat ini price in. Ini bukan soal apakah AI akan diadopsi — tapi seberapa cepat agentic use case akan mendominasi.
Physical AI: Wildcard yang Belum Masuk Proyeksi
Yang menarik — dan sering luput dari diskusi mainstream — adalah bahwa proyeksi 4.000 kuadriliun token tersebut belum memasukkan physical AI dalam kalkulasinya. Kategori ini mencakup robotika industri, kendaraan otonom, mesin manufaktur cerdas, dan sistem infrastruktur otomatis lainnya.
Physical AI pada dasarnya adalah token-hungry dalam cara yang berbeda: setiap keputusan real-time yang dibuat oleh robot atau kendaraan otonom membutuhkan inferensi model yang berkelanjutan. Jika physical AI berkembang sesuai trajectory yang banyak pihak antisipasi — didorong oleh penurunan biaya sensor, kemajuan model multimodal, dan investasi besar dari sektor manufaktur — maka angka 4.000 kuadriliun itu bisa menjadi floor, bukan ceiling.
Infrastruktur: Bottleneck Terbesar
Setiap token yang diproses membutuhkan infrastruktur fisik. Tidak ada jalan pintas untuk ini. Stack infrastruktur yang dibutuhkan mencakup:
- GPU dan akselerator komputasi — untuk training dan inferensi model
- High-bandwidth memory — karena throughput memori adalah constraint kritis pada inferensi skala besar
- Networking infrastruktur — interconnect antar GPU cluster membutuhkan bandwidth yang masif
- Power generation dan distribusi — data center AI-scale mengonsumsi listrik dalam gigawatt
- Data center capacity — baik greenfield maupun retrofit dari fasilitas existing
Masalahnya: sebagian besar infrastruktur ini belum ada. Lead time untuk membangun data center skala hyperscale bisa mencapai 3-5 tahun. Kapasitas pembangkit listrik tidak bisa dibangun dalam semalam. Supply chain GPU masih menghadapi constraint dari sisi fabrikasi semikonduktor.
Ini menciptakan dinamika yang menarik dari perspektif investasi: demand akan tumbuh lebih cepat dari supply dalam jangka menengah, yang berarti pricing power tetap berada di tangan penyedia infrastruktur.
Implikasi bagi Investor
Saham-saham yang terekspos ke tema AI infrastructure — dari semiconductor, power equipment, hingga data center REIT — sudah mengalami re-rating valuation yang signifikan dalam dua tahun terakhir. Koreksi di sepanjang jalan adalah hal yang wajar dan sehat dalam siklus capex besar manapun. Yang penting adalah membedakan antara noise jangka pendek dan signal struktural jangka panjang.
Signal strukturalnya jelas: forecast permintaan underlying terus direvisi ke atas, bukan ke bawah. Setiap kuartal, model konsumsi aktual melampaui proyeksi sebelumnya. Ini bukan pola yang biasa kita lihat di siklus hype teknologi yang berakhir dengan bust — ini lebih menyerupai pola demand yang genuine dan accelerating.
Satu dimensi geopolitik yang juga relevan: biaya listrik yang lebih rendah di beberapa negara — termasuk China yang memiliki kapasitas nuklir dan hidro yang besar — bisa menciptakan keunggulan komparatif dalam menyediakan layanan AI berbasis inferensi dengan biaya lebih rendah. Ini berpotensi menggeser dinamika kompetisi AI dari domain software engineering ke manufacturing dan energy engineering — sebuah pergeseran yang memiliki implikasi besar bagi geografi investasi di sektor ini.
Bagi investor yang mengikuti tema ini di pasar modal Indonesia maupun global, siklus infrastruktur AI kemungkinan besar masih jauh dari selesai. Yang berubah hanyalah layer mana yang akan menjadi bottleneck berikutnya — dan di situlah alpha akan ditemukan.