Selama dua tahun terakhir, percakapan seputar AI generatif didominasi oleh satu perangkat keras: GPU. GPU menyediakan kemampuan komputasi paralel yang diperlukan untuk melatih model bahasa besar, dan kelangkaannya dengan cepat menjadi indikator kesiapan AI.
Tetapi pandangan sempit ini kini tidak lagi lengkap.
Fase berikutnya dari AI untuk perusahaan tidak hanya akan ditentukan oleh akselerator. Sebaliknya, keberhasilan akan bergantung pada CPU, bandwidth memori, kapasitas cloud, jaringan, dan sistem alur kerja yang memungkinkan AI beralih dari eksperimen kasual ke operasi bisnis sehari-hari.
Dampak ekonomi sebenarnya dari AI tidak akan datang dari akses model; melainkan muncul dari kemampuan bisnis untuk mengubah AI menjadi kapasitas operasional yang dapat diandalkan dan efisien biaya.
AI Menjadi Masalah Infrastruktur
Gelombang pertama adopsi AI generatif lebih bersifat eksperimen. Karyawan menggunakan alat mandiri untuk menulis email, merangkum dokumen, atau menyusun kode. Kasus penggunaan ad-hoc ini memang berguna, tapi tidak memaksa perusahaan untuk merombak cara kerja mereka.
Gelombang berikutnya berbeda. Saat AI semakin menyelami alur kerja perusahaan, persyaratan infrastruktur TI menjadi jauh lebih kompleks. Misalnya, alat layanan pelanggan yang hanya menyusun respons sederhana adalah sesuatu yang mudah. Namun, sistem AI yang membaca riwayat akun, memeriksa kebijakan, memperbarui CRM, mencatat interaksi, dan memicu tugas lanjutan, adalah tantangan yang berbeda sama sekali. Sistem ini tidak hanya memerlukan model yang kuat, tetapi juga memerlukan orkestrasi komputasi, akses data yang aman, integrasi perangkat lunak, izin, jejak audit, dan logika cadangan.
Di sinilah pandangan yang berfokus pada GPU menjadi gagal. Meskipun GPU tetap krusial untuk inferensi berat, CPU berperan penting dalam mengoordinasikan interaksi beban kerja dengan basis data, API, lapisan keamanan, dan sistem operasi. Akibatnya, bandwidth memori, latensi, dan ketersediaan daya kini menjadi batasan strategis yang sebenarnya.
Biaya Tinggi Penggunaan AI Tak Terstruktur
Panduan awal yang digunakan perusahaan terbilang sederhana: berikan karyawan akses ke alat yang kuat dan lihat apa yang terjadi. Meskipun ini mempercepat pembelajaran, cara ini juga mengekspos kerentanan finansial yang besar. Penggunaan pemicu individu yang tidak terstruktur mahal, sulit diukur, dan sulit dikaitkan dengan hasil bisnis yang nyata.
Kita melihat pergeseran besar di kalangan raksasa teknologi. Microsoft baru-baru ini mulai menarik kembali lisensi internal untuk Claude Code buatan Anthropic—yang biayanya berkisar antara $500 hingga $2,000 per engineer per bulan karena konsumsi token yang tinggi—dan memaksa divisi Experiences and Devices-nya untuk beralih ke GitHub Copilot CLI sebelum akhir tahun fiskal pada 30 Juni.
Demikian pula, Uber kehabisan anggaran alat coding AI dalam waktu hanya empat bulan. Perusahaan penyedia layanan angkutan ini menerapkan Claude Code ke sekitar 5,000 engineer dan secara agresif mendukung adopsi menggunakan papan peringkat internal. Eksperimen ini sangat efektif—sistem yang dibantu menghasilkan hampir 70% kode yang telah disepakati—tetapi penggunaan token meningkat lebih cepat dari yang diperkirakan, memaksa pimpinan Uber mempertanyakan ROI secara umum.
Akibatnya, masa depan AI perusahaan akan bergerak menjauh dari pemicu yang terfragmentasi menuju model intelijen terpusat. Alih-alih ribuan interaksi yang terpisah, perusahaan akan mengandalkan lapisan intelijen yang dibagikan—sistem terpusat yang memahami data perusahaan, menerapkan aturan bisnis yang konsisten, mengalihkan tugas antar aplikasi, dan melacak kinerja. Model ini jauh lebih efisien karena intelijen yang sama dimanfaatkan kembali di seluruh alur kerja, alih-alih dibuat ulang dari awal oleh pengguna individu.
Dari Jawaban ke Alur Kerja
Perubahan paling penting dalam teknologi perusahaan adalah peralihan dari alat yang memberikan jawaban ke sistem yang melakukan pekerjaan.
Perangkat lunak tradisional bersifat deterministik: seorang pengguna mengklik tombol, dan sistem melakukan tindakan yang diketahui. Alur kerja AI jauh lebih dinamis. Sebuah alur kerja yang memiliki kemampuan agentik dapat mengambil data secara real-time, mempertimbangkan proses bertahap yang kompleks, berinteraksi dengan perangkat lunak pihak ketiga, dan melibatkan manusia untuk persetujuan.
Ini memberi tekanan besar pada seluruh tumpukan teknologi. Untuk mendapatkan keuntungan produktivitas yang sebenarnya, bisnis memerlukan infrastruktur data yang bersih, tata kelola disiplin, dan integrasi yang kuat. Model-model canggih tidak akan berguna jika diletakkan di atas sistem korporat yang terpecah dan tidak terhubung.
Manajemen Perubahan Tanpa Kisaran dan Tenaga Kerja “AI-Native”
Ketika sistem agentik ini matang, dampaknya terhadap ketenagakerjaan global akan memicu krisis manajemen perubahan perusahaan dalam skala yang belum pernah terlihat sebelumnya. AI akan secara fundamental mengubah pola perekrutan dan persyaratan peran jauh sebelum menghapus tenaga kerja dalam skala besar.
Secara historis, jumlah tenaga kerja adalah setelan default untuk meningkatkan kapasitas; lebih banyak pelanggan memerlukan lebih banyak staf pendukung. AI memutuskan hubungan linier itu. Alih-alih bertanya berapa banyak orang yang dibutuhkan untuk menangani lonjakan volume, para pemimpin akan semakin bertanya tentang seberapa banyak proses yang dapat ditangani oleh sistem otomatis.
Lingkungan ini akan memberi penghargaan yang agresif pada kemampuan untuk beradaptasi. Profesional yang dapat mengikuti perkembangan teknologi, belajar merancang alur kerja yang didukung AI, dan mengelola pengecualian sistemik akan mendapatkan manfaat yang lebih besar.
Di sisi lain, risiko penggantian paling mencolok bagi mereka yang sepenuhnya bergantung pada pengalaman industri lama. Paradigma teknik dan manajerial tradisional terganggu oleh sekelompok baru pengembang, manajer produk, dan anggota tim yang ‘AI-native’. Mereka tidak hanya menggunakan AI sebagai asisten; mereka merancang, mengelola, dan berpikir dalam konteks sistem otomatis yang berbasis model.
Mereka yang gagal beralih dari operator tradisional ke pengatur AI-native berisiko digantikan oleh mereka yang berhasil melakukannya.
Infrastruktur AI adalah Infrastruktur Ekonomi
Dampak ekonomi yang lebih luas dari AI akan ditentukan oleh seberapa dalam AI dapat terintegrasi ke dalam sistem inti yang menjalankan bisnis global.
GPU, CPU, jaringan, dan pusat data membentuk fondasi fisik. Orkestrasi agen, keamanan, dan observabilitas membentuk fondasi operasional. Bersama-sama, mereka menentukan apakah AI tetap sebagai hal baru atau menjadi kemampuan bisnis yang dapat diskalakan.
Perebutan GPU hanya bab pembuka dari boom AI. Bab berikutnya akan ditentukan oleh sistem komputasi, data, dan alur kerja yang holistik yang memungkinkan AI melakukan pekerjaan nyata dengan skala. Ini adalah saat AI berhenti menjadi sekadar alat dan benar-benar berfungsi sebagai infrastruktur.
