Eksperimen adalah sumber learning

Di teknologi, banyak breakthrough tidak lahir karena seseorang sudah tahu jawabannya.

Mereka lahir karena tim bisa mencoba berkali-kali.

Ubah arsitektur.

Ganti dataset.

Coba prompt baru.

Jalankan evaluation.

Fine-tune lagi.

Bandingkan model.

Buang yang gagal.

Repeat.

Kalau satu eksperimen murah, tim bisa berani mencoba banyak ide.

Kalau satu eksperimen mahal, proses menjadi konservatif.

Orang hanya menguji ide yang paling aman.

Ini efek ekonomi yang sering tidak terlihat.

Compute mahal tidak sekadar menaikkan invoice cloud.

Ia mengurangi jumlah pertanyaan yang bisa kita uji.

Dan dalam bidang yang bergerak secepat AI, jumlah iteration adalah competitive advantage.

Perusahaan besar bisa membeli learning speed

Bayangkan dua startup punya kualitas founder dan ide yang sama.

Startup A punya akses ke cloud credit besar dan investor kuat.

Startup B harus membayar compute dari revenue bulan berjalan.

Startup A bisa menjalankan 50 eksperimen model dalam satu bulan.

Startup B hanya lima.

Setelah enam bulan, perbedaan bukan cuma pada jumlah GPU hour.

Startup A sudah mendapatkan lebih banyak learning.

Mereka tahu pendekatan mana gagal, dataset mana berguna, latency threshold berapa, dan model mana paling efisien.

Compute berubah menjadi pengalaman.

Itu sebabnya perusahaan teknologi besar menginvestasikan capital sangat agresif ke AI infrastructure.

Mereka bukan sekadar membeli server.

Mereka membeli kapasitas untuk mencoba lebih banyak kemungkinan sebelum kompetitor.

Kampus punya masalah yang lebih berat

Universitas bisa punya talenta kuat tetapi compute terbatas.

Mahasiswa bisa memahami paper frontier, tetapi tidak bisa mereplikasi eksperimen pada skala yang sama.

Peneliti akhirnya memilih topik yang sesuai dengan resource yang tersedia.

Ini tidak selalu buruk. Keterbatasan bisa mendorong efisiensi dan kreativitas.

Tapi kalau gap terlalu besar, frontier research semakin terkonsentrasi di institusi yang punya compute.

Komdigi pada Juli 2026 secara eksplisit menyoroti compute cluster sebagai salah satu kunci daya saing AI Indonesia. Pemerintah juga menghubungkan isu compute dengan pengembangan talenta, karena talenta bagus tidak cukup kalau mereka tidak punya akses ke infrastruktur untuk belajar dan bereksperimen.

Ini poin yang sangat penting.

Orang tidak menjadi engineer AI kelas dunia hanya dengan menonton tutorial.

Mereka perlu menjalankan sistem nyata.

Mengalami failure.

Mengoptimalkan GPU memory.

Menangani distributed workload.

Melihat model collapse.

Mengukur latency.

Membandingkan inference engine.

Knowledge semacam itu lahir dari praktik.

Kalau compute tidak accessible, learning berhenti di level teori.

Cloud memang menurunkan barrier, tapi tidak menghapusnya

Sisi positif era cloud adalah startup tidak perlu membeli data center sendiri.

Mereka bisa menyewa compute sesuai kebutuhan.

API model bahkan menurunkan barrier lebih jauh. Tinggal bayar per penggunaan.

Ini luar biasa dibanding satu dekade lalu.

Tapi pay-as-you-go bukan berarti murah di semua skala.

Saat user bertambah, token bertambah.

Saat agent melakukan banyak langkah, satu user request bisa memicu puluhan model call.

Saat perusahaan memproses data internal besar, embedding, retrieval, evaluation, dan inference menambah biaya.

Pada volume tertentu, economics menjadi bagian desain produk.

Tim yang tadinya hanya bicara fitur mulai bicara caching.

Model routing.

Quantization.

Batching.

Context length.

Prompt compression.

Small model versus frontier model.

AI engineering akhirnya bertemu financial engineering.

Setiap keputusan arsitektur punya konsekuensi rupiah.

Compute murah memperluas kreativitas

Kalau compute relatif murah dan mudah diakses, orang bisa membangun hal yang sebelumnya tidak worth it.

Sebuah startup Indonesia bisa membuat model khusus untuk dokumen hukum lokal.

Kampus bisa mengevaluasi kemampuan model terhadap bahasa daerah.

UMKM software provider bisa membuat fitur AI yang hanya menghasilkan margin kecil per customer tetapi berguna dalam skala besar.

Tim pemerintah bisa menguji sistem sebelum membeli vendor besar.

Developer muda bisa belajar deployment model open source tanpa tagihan yang bikin panik.

Semakin murah eksperimen, semakin banyak pemain masuk.

Dan semakin banyak pemain masuk, kemungkinan inovasi lokal naik.

Itulah kenapa compute bisa dipandang seperti infrastruktur ekonomi, bukan cuma resource teknis.

Dulu akses internet cepat menentukan siapa yang bisa membangun bisnis digital.

Sekarang akses compute berpotensi menentukan siapa yang bisa membangun bisnis AI.

Bukan semua compute harus dimiliki negara

Begitu topiknya masuk sovereign AI, gampang tergoda solusi ekstrem: pemerintah harus punya cluster raksasa sendiri.

Mungkin ada use case untuk national compute infrastructure.

Tapi desainnya harus menjawab siapa pengguna dan bagaimana alokasinya.

Kalau cluster hanya bagus saat peresmian tetapi susah diakses peneliti, value-nya rendah.

Kalau proses approval tiga bulan untuk menjalankan eksperimen dua hari, orang akan tetap pindah ke cloud komersial.

Kalau hardware tidak dikelola dengan baik, utilisasi rendah.

Kalau software stack tertinggal, kapasitas fisik tidak otomatis produktif.

Compute policy harus memikirkan access layer.

Siapa boleh memakai?

Berapa kuota?

Berapa harga?

Bagaimana prioritas riset?

Apakah startup bisa mendapat credit?

Apakah kampus di luar Jawa bisa remote access?

Apakah data sensitif bisa diproses?

Bagaimana audit penggunaan?

Infrastruktur tanpa mekanisme akses cuma menjadi aset mahal.

Indonesia perlu banyak jalur compute

Ekosistem sehat tidak harus bergantung pada satu cluster nasional atau satu hyperscaler.

Bisa ada public cloud global.

Cloud lokal.

University cluster.

Government research compute.

Corporate infrastructure.

Regional data center.

Edge deployment untuk kebutuhan tertentu.

Model API untuk perusahaan yang tidak ingin mengelola hardware.

Keberagaman jalur ini penting karena kebutuhan berbeda.

Startup consumer ingin scale cepat.

Bank ingin kontrol data.

Peneliti ingin fleksibilitas.

Mahasiswa ingin murah.

Perusahaan manufaktur mungkin butuh local inference.

Tidak ada satu bentuk compute yang optimal untuk semua.

Open model membuat akses compute makin strategis

Open model memberi lebih banyak pilihan karena organisasi bisa menjalankan model sendiri.

Tapi pilihan itu hanya nyata kalau ada tempat untuk menjalankannya.

File model bisa gratis.

Inference tidak.

Fine-tuning tidak.

Storage tidak.

Electricity tidak.

Engineer juga tidak gratis.

Ini salah satu miskonsepsi paling umum.

Open source mengurangi licensing dependency, tetapi tetap membutuhkan physical infrastructure.

Negara yang ingin memanfaatkan open model harus punya compute economics yang masuk akal.

Kalau biaya menjalankan model lokal jauh lebih mahal dibanding API global, banyak perusahaan tetap memilih API.

Pilihan teknologi akhirnya mengikuti economics.

Compute akan membentuk struktur industri

Kalau biaya compute sangat tinggi, pasar cenderung menguntungkan pemain besar.

Mereka punya volume untuk negosiasi.

Punya modal untuk kontrak jangka panjang.

Punya tim optimization.

Bisa membangun chip sendiri.

Bisa menyebar workload ke banyak region.

Pemain kecil membeli retail price.

Ini mirip industri lain yang punya fixed cost besar.

Semakin tinggi fixed cost, semakin sulit pemain baru bersaing.

AI bisa terlihat seperti software business, tetapi sebagian economics-nya bergerak mendekati industri infrastruktur.

Karena itu strategi negara berkembang perlu memikirkan bukan hanya startup funding, tetapi input cost.

Kita bisa punya seribu founder AI.

Kalau semua membeli compute mahal dengan mata uang asing, economics produk mereka tetap berat.

Efisiensi bisa menjadi keunggulan Indonesia

Keterbatasan tidak selalu harus dijawab dengan membangun cluster terbesar.

Indonesia juga bisa berkompetisi lewat efisiensi.

Model kecil yang bagus untuk bahasa Indonesia.

Fine-tuning yang hemat.

Inference optimization.

Specialized model untuk domain tertentu.

Data curation berkualitas.

Agent architecture yang tidak memanggil model besar untuk setiap langkah.

Software yang memaksimalkan hardware lebih lama.

Dalam bisnis, lebih murah sering lebih berguna daripada lebih besar.

Kalau sebuah perusahaan bisa menyelesaikan tugas customer service dengan model delapan miliar parameter yang berjalan efisien, tidak ada alasan ekonomi memakai model frontier untuk semua request.

Cara berpikir ini bisa menjadi discipline.

Bukan mencoba meniru hyperscaler, tetapi mencari output maksimal per unit compute.

Compute literacy akan menjadi skill bisnis

CEO mungkin tidak perlu tahu detail CUDA.

Tapi pemimpin bisnis AI perlu memahami cost structure compute.

Berapa biaya per transaksi?

Bagaimana biaya berubah kalau traffic sepuluh kali lipat?

Bagian mana yang bisa memakai model kecil?

Apakah data transfer mahal?

Ada vendor lock-in?

Apa alternatif kalau harga berubah?

Bisnis yang tidak memahami ini bisa terlihat profitable saat pilot, lalu margin runtuh setelah scale.

Sama seperti e-commerce harus memahami logistics unit economics, perusahaan AI harus memahami compute unit economics.

Siapa yang bisa mencoba lebih banyak, belajar lebih cepat

Pada akhirnya compute bukan cuma input produksi.

Ia adalah bahan bakar learning.

Semakin banyak organisasi punya akses, semakin luas eksperimen yang terjadi.

Kalau akses hanya terkonsentrasi di lima perusahaan global, sebagian besar frontier learning ikut terkonsentrasi di sana.

Kalau kampus, startup, BUMN, pemerintah, dan developer lokal punya jalur compute yang masuk akal, kapasitas inovasi menyebar.

Itu sebabnya diskusi compute cluster Indonesia perlu dibawa keluar dari ruang server.

Ini bukan cuma proyek infrastruktur.

Ini kebijakan inovasi.

Siapa mendapat GPU bisa menentukan siapa yang menghasilkan riset.

Siapa mendapat cloud credit bisa menentukan startup mana bertahan cukup lama untuk menemukan product-market fit.

Siapa mampu menjalankan evaluasi besar bisa menentukan model mana yang aman dipakai.

Siapa mampu melakukan seratus eksperimen ketika kompetitor hanya mampu sepuluh akan belajar lebih cepat.

Di ekonomi AI, kesempatan tidak hanya ditentukan oleh ide bagus.

Kesempatan juga ditentukan oleh berapa mahal biaya untuk membuktikan bahwa ide itu benar.

Dan semakin compute menjadi resource strategis, pertanyaan “siapa yang bisa bereksperimen?” akan sama pentingnya dengan “siapa yang bisa membangun model?”