Garap Media – Ada paradoks besar yang sedang terjadi di industri kecerdasan buatan. Pengguna bisa menikmati layanan AI dengan biaya semakin rendah, bahkan banyak fitur masih tersedia secara gratis. Namun di balik layar, perusahaan teknologi justru mengeluarkan modal semakin besar untuk membangun pusat data, membeli chip dan menyediakan energi. Stanford AI Index 2026 mencatat pendapatan perusahaan AI terdepan tumbuh sangat cepat, tetapi biaya komputasi dan belanja infrastruktur juga mencapai rekor. Pertanyaannya kemudian sederhana: jika AI semakin murah bagi pengguna, siapa yang sebenarnya membayar biaya di belakangnya?
Jawabannya tidak sesederhana harga langganan sebuah chatbot. AI merupakan rantai teknologi yang membutuhkan chip, server, jaringan, listrik, pusat data, pendinginan, model dan tenaga ahli. IEA memperkirakan belanja modal perusahaan teknologi besar untuk pusat data telah melampaui US$400 miliar pada 2025 dan masih diperkirakan meningkat 75% pada 2026. Inilah alasan mengapa harga penggunaan AI dan biaya membangun ekosistem AI dapat bergerak ke arah yang berlawanan.
1. Biaya per Pertanyaan Turun, Efisiensi AI Meningkat
Fakta pertama adalah AI memang semakin efisien. IEA mencatat konsumsi energi untuk satu tugas AI telah turun setidaknya satu orde magnitudo per tahun dalam beberapa tahun terakhir karena kemajuan perangkat keras dan perangkat lunak. Bahkan, permintaan teks sederhana melalui AI kini umumnya membutuhkan listrik lebih sedikit dibandingkan menyalakan televisi dalam durasi yang sama. Microsoft Research juga memperkirakan inference pada skala frontier dapat berada di sekitar 0,31 Wh per query dalam kondisi produksi yang dioptimalkan. Artinya, teknologi AI tidak hanya semakin pintar, tetapi juga semakin efisien dalam menjalankan tugas tertentu.
Efisiensi tersebut menjadi salah satu alasan mengapa layanan AI dapat ditawarkan dengan harga semakin terjangkau. Perusahaan dapat menjalankan lebih banyak permintaan menggunakan sumber daya yang relatif lebih sedikit dibandingkan teknologi sebelumnya. Namun, efisiensi per permintaan tidak otomatis berarti total biaya industri ikut turun. Ketika jumlah pengguna meningkat pesat, volume permintaan juga ikut melonjak. IEA mencatat konsumsi listrik pusat data secara global meningkat 17% pada 2025, sementara pusat data yang berfokus pada AI tumbuh 50%. Jadi, AI bisa menjadi lebih murah per penggunaan sekaligus membutuhkan infrastruktur yang semakin besar secara keseluruhan.
2. Model AI Baru Justru Membutuhkan Komputasi Lebih Berat
Fakta kedua muncul ketika AI tidak lagi hanya menjawab pertanyaan sederhana. Model generasi baru semakin banyak digunakan untuk reasoning, pembuatan video dan pekerjaan agentic yang membutuhkan proses komputasi lebih panjang. IEA memperkirakan beberapa jenis tugas AI intensif tersebut dapat menggunakan energi ratusan hingga ribuan kali lebih besar dibandingkan teks sederhana. Microsoft Research juga menemukan bahwa long reasoning dan agentic queries dapat meningkatkan konsumsi energi lebih dari satu orde magnitudo. Perkembangan kemampuan AI akhirnya menciptakan dilema baru antara kualitas, kecepatan dan biaya komputasi.
Situasi ini membuat perusahaan teknologi harus terus memperbarui infrastruktur. Model yang lebih canggih membutuhkan GPU dan sistem jaringan yang lebih kuat, sementara pusat data harus mampu menangani lonjakan beban komputasi. Stanford HAI mencatat bahwa perusahaan cloud besar mempercepat belanja modal dan biaya compute perusahaan AI meningkat signifikan dari tahun ke tahun. Dengan kata lain, harga layanan di depan pengguna bukan satu-satunya indikator biaya AI. Di balik satu fitur murah, terdapat mesin komputasi yang harus terus diperbesar agar permintaan dapat dilayani.
3. Listrik Mulai Menjadi Bagian Penting dari Persaingan AI
Fakta ketiga adalah energi kini menjadi salah satu faktor strategis dalam perlombaan AI. IEA memperkirakan konsumsi listrik pusat data global akan meningkat dari sekitar 485 TWh pada 2025 menjadi sekitar 950 TWh pada 2030. Pertumbuhan tersebut bukan hanya berasal dari AI, tetapi AI menjadi salah satu pendorong terkuat peningkatan kebutuhan komputasi. Gartner juga memperkirakan konsumsi listrik pusat data dunia mencapai 565 TWh pada 2026, naik 26% dibandingkan 2025. Artinya, pembangunan AI semakin terkait langsung dengan kemampuan sebuah wilayah menyediakan listrik dalam jumlah besar dan stabil.
Masalahnya, pusat data tidak dapat dibangun hanya dengan membeli server. Perusahaan membutuhkan jaringan listrik, transformator, sistem pendingin, lahan dan koneksi grid yang memadai. IEA memperingatkan adanya bottleneck pada rantai pasok energi, manufaktur chip dan koneksi listrik untuk pusat data. Bahkan kepadatan daya server AI meningkat sangat cepat sehingga teknologi kelistrikan dan pendinginan harus ikut beradaptasi. Persaingan AI akhirnya bukan hanya mengenai siapa yang memiliki model terbaik, tetapi juga siapa yang mampu menyediakan energi untuk menjalankannya.
4. Chip AI Tetap Menjadi Biaya Besar
Fakta keempat berada pada perangkat keras. Setiap peningkatan kemampuan AI membutuhkan akselerator komputasi yang semakin kuat, terutama GPU dan memori berbandwidth tinggi. IEA mencatat kekurangan high-bandwidth memory yang menjadi komponen penting chip AI telah berkembang dan diperkirakan bertahan setidaknya hingga akhir 2027. Kondisi tersebut menunjukkan bahwa efisiensi software saja tidak cukup untuk menghilangkan kebutuhan investasi hardware. Perusahaan tetap harus membeli atau membangun sistem komputasi dalam skala besar untuk memenuhi permintaan.
Di sinilah muncul paradoks ekonomi AI yang semakin jelas. Harga satu permintaan dapat turun karena chip dan software semakin efisien, tetapi jumlah chip yang dibutuhkan dapat meningkat karena penggunaannya meledak. Stanford HAI mencatat investasi AI swasta global meningkat lebih dari dua kali lipat pada 2025, sementara investasi generative AI tumbuh lebih dari 200%. Artinya, industri sedang melakukan investasi besar untuk mengejar permintaan masa depan. Biaya teknologi memang ditekan, tetapi skala infrastrukturnya justru diperbesar.
5. AI Murah Bisa Membuat Permintaan Justru Meledak
Fakta kelima mungkin yang paling menarik. Ketika biaya penggunaan AI turun, semakin banyak orang dan perusahaan memiliki alasan untuk menggunakannya. Stanford HAI mencatat adopsi generative AI mencapai 53% hanya dalam tiga tahun, lebih cepat dibandingkan komputer pribadi maupun internet pada tahap adopsi yang sebanding. IEA juga mencatat penyedia model besar melaporkan peningkatan pengguna aktif hingga tiga kali lipat dan pendapatan hingga lima kali lipat dalam setahun terakhir. Efeknya adalah efisiensi teknologi dapat mendorong konsumsi yang jauh lebih besar.
Fenomena tersebut menjelaskan mengapa AI yang murah belum tentu menjadi AI yang murah untuk seluruh ekosistem. Semakin mudah teknologi digunakan, semakin besar kemungkinan munculnya aplikasi baru yang sebelumnya terlalu mahal untuk dijalankan. Video generatif, AI agent dan reasoning merupakan contoh penggunaan yang dapat membutuhkan komputasi jauh lebih besar. Jika tren tersebut terus berkembang, perusahaan harus menemukan keseimbangan antara menurunkan harga, meningkatkan efisiensi dan menjaga margin. Masa depan AI akhirnya bukan hanya soal membuat teknologi lebih murah, tetapi juga bagaimana industri membangun model ekonomi yang mampu membiayai pertumbuhan tersebut.
Penutup
AI memang semakin murah jika dilihat dari biaya satu permintaan, tetapi cerita di baliknya jauh lebih kompleks. Efisiensi chip dan software membantu menurunkan biaya per penggunaan, sementara pertumbuhan pengguna membuat kebutuhan komputasi justru semakin besar. Pusat data membutuhkan listrik, chip, jaringan, pendinginan dan modal dalam jumlah yang terus meningkat. IEA bahkan memperkirakan konsumsi listrik pusat data global hampir berlipat ganda pada 2030. Jadi, paradoks AI bukan bahwa teknologinya benar-benar murah, melainkan bahwa biaya per penggunaan turun ketika skala industri di belakangnya justru semakin besar.
Sumber Referensi
- International Energy Agency (IEA) – Key Questions on Energy and AI
https://www.iea.org/reports/key-questions-on-energy-and-ai - Stanford HAI – The 2026 AI Index Report: Economy
https://hai.stanford.edu/ai-index/2026-ai-index-report/economy - Microsoft Research – Energy Use of AI Inference, Efficiency Pathways, and Test-Time Scaling
https://www.microsoft.com/en-us/research/publication/energy-use-of-ai-inference-efficiency-pathways-and-test-time-scaling/ - IEA – Data Centre Electricity Use Surged in 2025
https://www.iea.org/news/data-centre-electricity-use-surged-in-2025-even-with-tightening-bottlenecks-driving-a-scramble-for-solutions - Stanford HAI – The 2026 AI Index Report
https://hai.stanford.edu/ai-index/2026-ai-index-report
