Permintaan bergerak dengan kecepatan software, supply bergerak dengan kecepatan konstruksi

Sebuah perusahaan bisa memutuskan memakai AI minggu ini.

Besok mereka bisa signup cloud.

Developer bisa membuat aplikasi baru dalam beberapa hari.

Kalau user tumbuh cepat, permintaan inference ikut naik.

Tapi kapasitas data center punya timeline berbeda.

Lahan harus dicari.

Izin harus beres.

Power connection harus tersedia.

Transformer dipesan.

Cooling dirancang.

Server dibeli.

Fiber disiapkan.

Testing dilakukan.

Kalau salah satu bottleneck terlambat, seluruh proyek ikut terlambat.

Ini kenapa AI boom mulai bertabrakan dengan dunia nyata.

Reuters pada Juli dan Agustus 2026 melaporkan sejumlah pemerintah dan wilayah mulai memperketat atau menunda data center karena tekanan pada listrik, air, lahan, dan dampak komunitas. Texas bahkan menghentikan sementara persetujuan proyek data center baru yang membutuhkan koneksi grid sambil melakukan audit terhadap lonjakan permintaan daya.

Cerita itu penting bukan karena Indonesia harus meniru Texas.

Poinnya adalah compute tidak tumbuh dalam ruang kosong.

Setiap GPU harus diberi listrik oleh grid tertentu di lokasi tertentu.

Listrik menjadi limiter pertama

AI model modern membutuhkan compute besar untuk training dan inference.

Semakin banyak produk AI dipakai, semakin banyak permintaan listrik di data center.

Masalahnya, grid bukan unlimited socket.

Ada kapasitas pembangkit.

Ada transmisi.

Ada distribusi.

Ada peak load.

Ada reliability requirement.

Kadang listrik sebenarnya tersedia di tingkat nasional, tetapi tidak tersedia pada node yang tepat.

Sebuah lokasi bisa terlihat ideal karena tanah murah dan dekat fiber, tetapi koneksi daya besar belum siap.

Membangun transmission line baru bisa makan waktu bertahun-tahun.

Jadi perusahaan AI bisa punya modal miliaran dolar, chip sudah dipesan, customer ada, tetapi tetap menunggu grid.

Ini situasi yang dulu jarang dibicarakan dalam industri software.

Sekarang jadi strategi korporasi.

Air dan cooling ikut menentukan

Chip AI menghasilkan panas besar.

Semakin padat rack, semakin serius urusan thermal management.

Data center memakai berbagai sistem cooling, dan kebutuhan air sangat tergantung desain, lokasi, climate, serta teknologi yang dipakai.

Karena itu tidak benar kalau semua data center pasti “menghabiskan air dalam jumlah yang sama”.

Tapi juga salah kalau kebutuhan air dianggap tidak relevan.

Di wilayah yang sumber airnya terbatas, proyek besar bisa menimbulkan pertanyaan sosial dan politik.

Siapa mendapat prioritas?

Industri atau warga?

Berapa konsumsi aktual?

Apakah menggunakan potable water?

Ada sistem reuse atau tidak?

Pertanyaan semacam ini makin penting ketika data center dibangun dekat kota yang pertumbuhan penduduknya tinggi.

Teknologi cooling bisa berkembang, tapi hukum fisika tetap ada.

Energi yang masuk ke chip akhirnya menjadi panas dan harus dipindahkan ke tempat lain.

Fiber terdengar sepele sampai tidak ada

Compute tanpa konektivitas tidak terlalu berguna.

AI workload butuh hubungan cepat antar-server, antar-data-center, dan ke pengguna.

Untuk aplikasi consumer, latency berpengaruh pada pengalaman.

Untuk distributed training, bandwidth dan interconnect bahkan lebih kritis.

Indonesia punya geography yang unik sebagai negara kepulauan.

Membangun compute di satu lokasi bukan berarti seluruh negeri otomatis mendapat akses kualitas yang sama.

Fiber backbone, submarine cable, peering, dan interconnection ecosystem ikut menentukan.

Kalau semua kapasitas AI terkonsentrasi di Jawa Barat, sementara pengguna dan industri tersebar, kita harus memikirkan jaringan yang membawa value tersebut ke tempat lain.

Karena itu ekonomi compute sebenarnya juga ekonomi jaringan.

Chip tetap menjadi choke point

Walau semakin banyak perusahaan mengembangkan accelerator sendiri, supply chain chip AI tetap kompleks.

Design, fabrication, advanced packaging, memory, substrate, networking equipment, dan manufacturing equipment tersebar di berbagai negara dan perusahaan.

Pada Agustus 2026, Reuters melaporkan Anthropic membangun tim desain chip internal untuk Claude, salah satu contoh bagaimana perusahaan model mulai bergerak lebih dalam ke hardware karena kebutuhan compute begitu strategis.

Tapi merancang chip bukan berarti otomatis bisa memproduksinya.

Supply chain semikonduktor membutuhkan ekosistem global yang sangat terkonsentrasi.

Itulah kenapa geopolitik chip terus relevan.

AI bukan hanya perang algoritma.

Ia juga perang akses ke manufacturing capacity.

Modal juga punya limit

Ada kesan perusahaan teknologi bisa menyelesaikan semua masalah dengan uang.

Sampai titik tertentu, iya.

Mereka bisa membeli lahan, menandatangani kontrak power, memesan GPU, dan membangun data center.

Tapi skala kebutuhan AI sudah membuat capital expenditure sangat besar.

Pada Agustus 2026, Reuters menyoroti tekanan finansial Oracle karena ekspansi infrastruktur AI yang agresif, termasuk komitmen lease data center jangka panjang dan belanja modal besar.

Ini menunjukkan bottleneck fisik akhirnya kembali ke neraca keuangan.

Tidak semua perusahaan bisa membakar modal terus-menerus.

Kalau cost of capital naik, demand melambat, atau utilisasi compute tidak sesuai proyeksi, proyek bisa berubah dari strategic asset menjadi beban.

AI infrastructure bukan software margin murni.

Ada depreciation.

Ada financing.

Ada maintenance.

Ada electricity bill.

Ada risiko teknologi hardware menjadi cepat usang.

Compute yang dibeli hari ini harus menghasilkan cukup value sebelum generasi chip berikutnya membuat economics berubah.

Kota mulai punya suara

AI boom juga membuat masyarakat lokal masuk ke percakapan.

Data center membutuhkan lahan besar dan infrastruktur pendukung. Di beberapa tempat, warga mempertanyakan dampaknya terhadap harga listrik, air, kebisingan, penggunaan tanah, dan insentif pajak.

Ini bisa memperlambat proyek bahkan ketika investor dan pemerintah pusat setuju.

Indonesia perlu memperhatikan aspek ini sejak awal.

Kalau pembangunan data center hanya dibahas sebagai angka investasi, resistensi bisa muncul belakangan.

Komunitas perlu tahu manfaat lokalnya apa.

Pekerjaan apa yang tercipta?

Apakah ada upgrade grid yang juga membantu wilayah sekitar?

Bagaimana penggunaan air?

Apakah ada energi terbarukan?

Bagaimana dampak lingkungan diukur?

Transparansi lebih murah daripada konflik setelah proyek berjalan.

Efisiensi model menjadi semakin penting

Kabar baiknya, keterbatasan fisik justru mendorong inovasi.

Model bisa dibuat lebih kecil.

Inference bisa dioptimalkan.

Quantization mengurangi kebutuhan resource.

Caching menghemat compute.

Routing bisa mengirim tugas sederhana ke model kecil dan tugas sulit ke model besar.

Chip makin efisien.

Software stack terus diperbaiki.

Jadi pertumbuhan AI tidak harus identik dengan konsumsi resource yang naik linear selamanya.

Ini salah satu area kompetisi paling menarik.

Model yang sedikit lebih lemah tetapi sepuluh kali lebih murah untuk dijalankan bisa lebih berguna secara ekonomi daripada model frontier untuk banyak use case.

Perusahaan akhirnya akan bertanya bukan hanya “model mana paling pintar?”

Mereka akan bertanya “berapa cost per task?”

Ekonomi membuat efisiensi sama pentingnya dengan benchmark.

Indonesia punya kesempatan kalau membaca bottleneck dengan benar

Komdigi pada Juli 2026 menyebut persaingan AI sudah bergeser ke infrastruktur: energi, pusat data, chip, komputasi, dan talenta.

Ini relevan buat Indonesia karena kita tidak harus menang di semua layer untuk punya posisi.

Kita bisa membangun keunggulan pada lokasi data center, renewable energy, interconnection regional, technical talent, deployment open model, atau layanan AI yang memahami kebutuhan lokal.

Tapi strategi harus memperhitungkan resource.

Membangun compute tanpa power planning cuma memindahkan bottleneck.

Membangun data center tanpa talent membuat operasi bergantung pada luar.

Membangun model tanpa distribution membuat produk tidak dipakai.

AI full stack adalah sistem.

Satu layer lemah bisa membatasi layer lain.

Di level perusahaan, lesson-nya juga sama

Banyak perusahaan merancang AI roadmap seolah capacity selalu tersedia.

Mereka mengasumsikan API murah, response cepat, dan throughput unlimited.

Saat use case masuk produksi, economics baru terlihat.

Seribu user beda dengan seratus ribu.

Satu dokumen beda dengan jutaan dokumen.

Demo chatbot beda dengan agent yang menjalankan ratusan workflow.

Tim perlu mengukur token cost, latency, concurrency, storage, retrieval, human review, dan dependency vendor.

Kalau tidak, pilot terlihat murah karena volumenya kecil, lalu production shock datang belakangan.

AI pada akhirnya tetap tunduk pada fisika

Kita suka membicarakan AI seolah intelligence adalah benda abstrak yang hidup di cloud.

Padahal cloud hanyalah komputer orang lain, berada di gedung nyata, menggunakan daya nyata, di atas tanah nyata.

Semakin besar model dan penggunaan, semakin keras fisika ikut campur.

Chip punya thermal limit.

Grid punya capacity limit.

Air punya scarcity.

Fiber punya bandwidth.

Lahan punya konflik penggunaan.

Modal punya cost.

Waktu konstruksi tidak bisa dikompresi menjadi satu prompt.

Karena itu fase berikutnya dari AI mungkin justru terasa lebih industrial daripada digital.

Pemenangnya bukan cuma yang punya algoritma paling bagus.

Mereka yang bisa mengamankan energi, compute, chip, jaringan, modal, dan izin sosial akan punya ruang lebih besar untuk scale.

Model masih akan makin pintar.

Tapi kemampuan model tidak akan berarti banyak kalau dunia fisik di bawahnya tidak bisa tumbuh secepat demand.

AI mungkin berjalan dengan software.

Pertumbuhannya tetap dibatasi beton, tembaga, silikon, air, listrik, dan manusia yang membangun semuanya.

Ada konsekuensi strategis lain dari semua bottleneck ini: lokasi compute akan semakin memengaruhi lokasi inovasi. Perusahaan cenderung membangun dekat tempat listrik, jaringan, izin, dan talent tersedia. Setelah cluster terbentuk, vendor datang, engineer pindah, kampus menyesuaikan program, lalu ekosistem makin padat.

Karena itu persaingan antarwilayah bukan hanya siapa memberi insentif paling besar. Wilayah yang punya grid kuat, proses perizinan jelas, konektivitas bagus, dan penerimaan masyarakat bisa menjadi lebih menarik daripada lokasi dengan tanah murah tetapi infrastrukturnya rapuh.

Indonesia perlu menghindari pembangunan yang terlalu reaktif. Kalau setiap investor besar baru datang lalu grid dikejar belakangan, biaya sistem bisa membesar dan konflik mudah muncul. Planning harus melihat kebutuhan listrik, fiber, air, transportasi, dan tenaga kerja sebagai satu paket.

AI membuat koordinasi lintas sektor menjadi bagian dari competitiveness. Kementerian digital tidak bisa bekerja sendirian. Energi, industri, pendidikan, lingkungan, pemerintah daerah, operator jaringan, dan investor harus berbicara dalam peta yang sama.

Karena bottleneck berikutnya sering bukan teknologi yang belum ditemukan. Kadang cuma transformer yang belum datang, kabel yang belum dibangun, atau izin yang belum selesai.