AI Factory

Hari Minggu saya berada di Lippo Mall, Tangerang, seperti biasa menemani cucu belanja. Sambil menunggu dia shopping, saya menemui Raynad di Café. Dia sahabat lama saya. Setelah berbicara ringan, pembicaraan kami beralih kepada rencana pembangunan industri AI di Indonesia. Angkanya mengagumkan—bahkan terlalu besar untuk diterima hanya dengan tepuk tangan. Zankore by Indosat menargetkan kapasitas AI Factory hingga 1 gigawatt. Tahap pertamanya sekitar 200 megawatt di Batang, Jawa Tengah, yang direncanakan mulai dibangun pada semester pertama 2027. Proyek ini merupakan kolaborasi Indosat Ooredoo Hutchison, Ooredoo Group, Nokia, dan NVIDIA. Pemerintah menyebutnya berpotensi menjadi salah satu AI Factory terbesar di Asia Tenggara.

Di Cikarang juga sedang disiapkan fasilitas perakitan GPU oleh PT Infra Fiber Teknologi atau RAIA GRID, perusahaan patungan yang melibatkan Indosat dan Arsari Group. Aryo P.S. Djojohadikusumo, Deputy CEO dan COO Arsari Group, mengatakan kegiatan perakitan ditargetkan dimulai pada Desember 2026 dengan dukungan teknologi NVIDIA. Modal awalnya disebut sekitar US$22 juta. Namun, merakit GPU tidak sama dengan membangun industri semikonduktor.

Industri semikonduktor mencakup desain chip, intellectual property, fabrikasi wafer, material khusus, lithography, advanced packaging, testing, serta perangkat lunak pendukung. Jika komponen utama tetap diimpor dan di Cikarang hanya dipasang ke board atau server, kita memperoleh kemampuan integrasi dan perakitan—berguna, tetapi belum menguasai teknologi inti.

Proyek lainnya berada di Batam. Firmus Technologies bersama DayOne merencanakan kampus AI Factory berkapasitas 360 megawatt, dengan dukungan hingga sekitar 170.000 AI accelerator NVIDIA. Firmus menyatakan proyek tersebut ditopang rencana kontrak pemakaian atau offtake senilai US$25–30 miliar selama enam tahun. Klaim itu penting, tetapi struktur pelanggan, kewajiban pembelian, pembiayaan, dan pembagian risikonya belum terbuka kepada publik.

Saya berkata kepada Raynad, “Pengumuman proyek bukan bukti kelayakan. AI Factory baru menjadi bisnis jika listrik tersedia, GPU terpasang, jaringan terhubung, dan pelanggan membayar.”

Ada lima persoalan utama.

Pertama, listrik. Bukan hanya jumlahnya, tetapi kualitas dan kontinuitasnya. Cluster GPU tidak dapat diperlakukan seperti kawasan industri biasa. Gangguan kecil, fluktuasi tegangan, atau kegagalan sistem pendingin dapat menghentikan pekerjaan komputasi yang mahal. Karena itu, proyek membutuhkan pasokan redundan, gardu khusus, UPS, baterai, generator, serta pendinginan yang bekerja tanpa henti.

Kedua, ketergantungan kepada teknologi asing. GPU, high-bandwidth memory, interkoneksi, perangkat lunak, dan sebagian besar sistem orkestrasi masih berasal dari luar negeri. Kita mungkin memiliki bangunan dan listriknya, tetapi kendali atas teknologi inti tetap berada pada pemasok.

Ketiga, perakitan GPU tidak otomatis menciptakan kedaulatan semikonduktor. Nilai terbesar berada pada desain, fabrikasi, HBM, packaging berteknologi tinggi, serta ekosistem perangkat lunak. Jika Indonesia hanya memasang komponen impor, nilai tambah dan kemampuan teknologinya tetap terbatas.

Keempat, talenta. AI Factory membutuhkan teknisi kelistrikan, spesialis liquid cooling, network engineer, cloud architect, ahli keamanan, MLOps, serta operator cluster GPU. Membeli perangkat lebih mudah daripada membangun manusia yang mampu menjaga utilisasinya.

Kelima—dan ini yang paling menentukan—siapa yang akan membeli kapasitas komputasi sebesar itu? Pasar domestik belum tentu mampu menyerap ratusan megawatt AI compute. Jika sasarannya pasar global, Indonesia harus memiliki konektivitas fiber berkapasitas besar, latensi rendah, rute internasional yang beragam, serta harga layanan yang dapat bersaing dengan Singapura, Malaysia, Australia, Timur Tengah, dan Amerika.

Pemerintah mengutip estimasi industri sekitar US$50 juta investasi untuk setiap satu megawatt AI compute secara end-to-end. Jika angka tersebut diterapkan secara mekanis, 200 megawatt menghasilkan orde investasi US$10 miliar dan satu gigawatt sekitar US$50 miliar. Itu bukan estimasi resmi belanja modal Zankore, melainkan ilustrasi mengenai besarnya intensitas modal proyek tersebut.

Namun, menurut saya, risiko terbesar bukan listrik, NVIDIA, ataupun besarnya modal. Risiko terbesarnya adalah membangun satu gigawatt berdasarkan keyakinan bahwa kebutuhan komputasi AI pasti terus meningkat secara linear. Permintaan AI memang dapat meledak. Namun, kebutuhan komputasi untuk menghasilkan satu unit output juga terus menurun. Generasi hardware baru, quantization, model kecil yang terspesialisasi, inference optimization, sparsity, dan perbaikan algoritma dapat membuat pekerjaan yang hari ini membutuhkan banyak GPU kelak diselesaikan dengan perangkat lebih sedikit.

“Kita bukan sedang membangun gudang,” kata saya kepada Raynad. “Kita membeli teknologi yang umur ekonominya bisa lebih pendek daripada utangnya.”

Karena itu, struktur pembiayaannya tidak boleh mencampurkan seluruh risiko. Tanah, bangunan, pasokan listrik, jaringan, dan sistem pendingin dapat ditempatkan sebagai aset infrastruktur berumur panjang. GPU harus berada dalam Compute SPV tersendiri dengan tenor pembiayaan lebih pendek, kontrak offtake yang jelas, jadwal penyegaran perangkat, dan nilai residu yang dihitung secara konservatif. Kalau satu generasi GPU kehilangan daya saing sebelum utangnya lunas, yang tenggelam bukan hanya harga perangkat. Arus kas seluruh proyek ikut terganggu.

Di situlah kita harus berhati-hati terhadap istilah “kerja sama”. Pemasok teknologi memperoleh penjualan perangkat, lisensi, dukungan, dan bagian dari pertumbuhan penggunaan AI. Pihak Indonesia menyediakan tanah, listrik, izin, konektivitas, serta kemungkinan pembiayaan jangka panjang.

Pertanyaan sebenarnya bukan siapa yang datang membawa teknologi. Pertanyaannya adalah siapa yang menjamin penggunaan kapasitas, siapa yang menanggung utang, dan siapa yang memikul kerugian ketika GPU kehilangan nilai ekonominya? Kalau pihak asing membawa pelanggan dan kontrak pemakaian yang kuat, itu kemitraan. Kalau mereka hanya membawa perangkat sementara kita menyediakan modal dan menanggung risiko permintaan, itu bukan transfer teknologi. Itu transfer risiko.

Raynad terdiam.

Saya menyeruput kopi yang mulai dingin. Di sekitar kami, orang-orang berjalan membawa kantong belanja. Semua tampak sederhana. Barang dibeli karena pembelinya sudah ada. Ironisnya, dalam proyek puluhan miliar dolar, prinsip sesederhana itu sering dilupakan. Kita terlalu mudah terpukau oleh kapasitas satu gigawatt, jumlah GPU, dan nama besar perusahaan teknologi. Padahal, kecerdasan dalam membangun AI Factory tidak diukur dari besarnya pengumuman investasi. Kecerdasan itu terlihat dari satu pertanyaan sederhana. Sebelum pabrik kecerdasan dibangun, apakah pembelinya sudah benar-benar ada?

“Di mana peluang terbaik sebenarnya dari bisnis AI,” tanya Raynad, “kalau teknologi intinya sudah didominasi vendor seperti NVIDIA, AMD, dan perusahaan global lainnya? Jelaskan ekosistem serta detail teknis setiap peluangnya.”

Saya meletakkan cangkir kopi.

“Jangan bermimpi mengalahkan NVIDIA dengan membuat GPU,” kata saya. “Masuklah ke lapisan tempat GPU diubah menjadi jasa, lalu jasa diubah menjadi produktivitas pelanggan.”

Raynad menatap saya, menunggu penjelasan.

“Ekosistem AI itu seperti gedung bertingkat. Paling bawah adalah listrik dan pusat data. Di atasnya ada chip, server, jaringan, penyimpanan, platform komputasi, model AI, data industri, aplikasi, lalu pelanggan. Semakin ke bawah, kebutuhan modal semakin besar. Semakin ke atas, kebutuhan pengetahuan industri dan kreativitas semakin penting. Indonesia tidak harus menguasai semua lapisan,” kata saya. “Yang penting kita tahu pada lapisan mana risiko paling kecil dan nilai tambah paling besar.”

1. Infrastruktur listrik, pendinginan, dan pusat data

Lapisan paling dasar adalah penyediaan gedung, listrik, jaringan, keamanan, serta sistem pendinginan. AI Factory memiliki kepadatan daya jauh lebih tinggi daripada pusat data biasa. Satu rak AI generasi baru dapat membutuhkan daya dalam skala sangat besar sehingga pendinginan udara biasa tidak lagi memadai. Dibutuhkan direct-to-chip liquid cooling, coolant distribution unit, pompa, heat exchanger, dan sistem pemantauan kebocoran.

Pendapatannya berasal dari biaya penyediaan daya per megawatt; sewa ruang dan rak; layanan pendinginan; konektivitas fiber;
 operasi dan pemeliharaan; kontrak kapasitas jangka panjang.
 “Ini bisnis infrastruktur,” kata saya. “Arus kasnya dapat diprediksi jika sudah ada penyewa, tetapi modalnya besar dan tingkat pengembaliannya terbatas. Jangan membangun sebelum ada kontrak kapasitas.”

Peluang domestiknya bukan hanya membangun gedung. Indonesia dapat memproduksi rack, kabel, busbar, panel listrik, sistem distribusi daya, tangki pendingin, heat exchanger, dan sebagian perangkat mekanikal. Teknologi GPU tetap asing, tetapi semakin banyak komponen pendukung yang dapat dibuat di dalam negeri.

2. Integrasi server dan GPU cluster

GPU yang baru keluar dari kotak belum menjadi AI Factory. Ia harus digabungkan dengan CPU, HBM, storage, network interface card, switch berkecepatan tinggi, perangkat pendingin, driver, dan perangkat lunak pengelola. Satu cluster pelatihan AI memerlukan jaringan berlatensi rendah agar ribuan GPU dapat bertukar data secara bersamaan. Jika komunikasi antargPU lambat, perangkat yang mahal itu justru banyak menunggu.

Peluang usahanya adalah menjadi system integrator: merancang arsitektur cluster; memasang server dan jaringan;
 mengintegrasikan storage;
mengatur liquid cooling;
melakukan pengujian performa;
menyediakan pemeliharaan; melakukan migrasi ketika generasi GPU berganti.


“Di sini kita tidak membuat chip,” kata saya. “Kita memastikan seluruh perangkat dari berbagai vendor bekerja sebagai satu mesin.”

Bisnis ini membutuhkan insinyur jaringan, Linux, Kubernetes, storage, pendinginan, dan kelistrikan. Modalnya lebih ringan daripada membangun AI Factory, sedangkan keahlian teknisnya dapat dijual berulang kepada banyak pelanggan.

3. GPU-as-a-Service

Pemilik cluster menyewakan GPU berdasarkan waktu pemakaian. Pelanggan tidak perlu membeli perangkat sendiri. Mereka membayar per jam GPU, kapasitas memori, waktu pelatihan, atau paket proyek.

Secara teknis, operator memerlukan: Kubernetes atau Slurm untuk mengatur pekerjaan;
 container untuk memisahkan lingkungan pengguna;
job scheduler untuk menentukan antrean; telemetry untuk mencatat utilisasi;
sistem penagihan;
quota dan access control;
keamanan data;
pembagian GPU untuk beban kecil.
 Masalah terbesarnya adalah utilisasi. GPU yang menyala tetapi tidak menghasilkan pekerjaan tetap mengonsumsi listrik dan mengalami penyusutan ekonomi.

Platform seperti NVIDIA Run:ai dirancang untuk penjadwalan dinamis, pembagian sumber daya, dan peningkatan utilisasi GPU. Artinya, nilai bisnis tidak hanya berada pada kepemilikan perangkat, tetapi juga pada kemampuan menjaga agar perangkat terus menghasilkan pendapatan.

“Bisnis penyewaan GPU terlihat mudah,” kata saya, “tetapi sebenarnya mirip bisnis pesawat. Keuntungan ditentukan oleh load factor. GPU mahal yang menganggur adalah kursi kosong yang tidak dapat dijual kembali setelah waktunya berlalu.”

Karena itu, GPU-as-a-Service hanya sehat jika memiliki pelanggan jangkar, kontrak minimum pemakaian, dan kemampuan menjual kapasitas tersisa kepada pelanggan lain.

4. Managed AI training

Pelanggan sering kali tidak tahu cara menggunakan GPU secara efisien. Mereka mempunyai data dan persoalan bisnis, tetapi tidak mempunyai tim untuk melatih atau menyesuaikan model. Di sinilah tersedia bisnis managed AI training. Operator tidak sekadar menyewakan GPU, tetapi mengerjakan: pembersihan dan pelabelan data;
pemilihan model dasar;
fine-tuning;
distributed training;
evaluasi model;
optimasi hyperparameter;
quantization; keamanan serta dokumentasi;
penerapan model ke lingkungan produksi.


Untuk sebagian besar perusahaan Indonesia, melatih model dasar dari awal tidak ekonomis. Yang lebih masuk akal adalah menggunakan model yang sudah ada, kemudian melakukan fine-tuning, RAG, atau penyesuaian terhadap terminologi dan proses perusahaan.

“Kalau hanya menjual jam GPU, pelanggan akan mencari harga termurah,” kata saya. “Kalau kita menyelesaikan masalahnya, pelanggan membayar hasil.”

5. Inference dan Token-as-a-Service

Menurut saya, lapisan ini lebih menarik daripada pelatihan model besar. Pelatihan dilakukan sesekali. Inferensi berlangsung setiap kali seseorang mengajukan pertanyaan, menganalisis dokumen, memeriksa gambar, atau menjalankan agen AI. Jika AI benar-benar dipakai dalam kegiatan sehari-hari, volume inferensi dapat berlangsung terus-menerus. Model bisnisnya dapat berupa:pembayaran per token;
pembayaran per permintaan;
langganan bulanan;
kapasitas inferensi khusus;
API untuk pengembang;
 private endpoint untuk perusahaan.


Secara teknis, penyedia harus mengoptimalkan: jumlah token per detik; waktu respons token pertama; batching permintaan; penggunaan memori GPU; model routing;caching;
autoscaling; quantization;
keamanan data.
 NVIDIA NIM, misalnya, menyediakan model dalam bentuk microservice teroptimasi yang dapat dijalankan melalui API di cloud atau pusat data sendiri.

Namun, kita tidak boleh bergantung sepenuhnya kepada satu vendor. Platform juga harus mampu menjalankan model melalui ekosistem terbuka seperti vLLM, Kubernetes, dan ROCm. AMD, misalnya, mengembangkan ROCm untuk training dan inferensi pada GPU Instinct.

“Di sinilah peluang terbaik pertama,” kata saya. “Jangan menjual GPU-hour. Jual token, waktu respons, keamanan, dan kepastian layanan.”

6. Data industri dan Sovereign AI

Model AI tanpa data khusus hanya menghasilkan pengetahuan umum. Nilai ekonominya muncul ketika model memahami dokumen, terminologi, regulasi, dan proses kerja suatu industri.

Peluangnya meliputi digitalisasi dokumen;
pembersihan dan standardisasi data;
data lakehouse;
vector database;
knowledge graph; sistem RAG;
pengaturan hak akses;
data lineage;
 audit serta kepatuhan.


Contohnya, bank tidak memerlukan chatbot yang hanya pandai berbicara. Bank memerlukan sistem yang memahami kebijakan kredit, profil risiko, riwayat transaksi, dan aturan kepatuhan—tanpa membocorkan data nasabah. Rumah sakit membutuhkan AI yang terhubung dengan data medis, tetapi harus menjaga privasi dan jejak audit. Perusahaan tambang memerlukan model yang memahami data geologi, alat berat, konsumsi bahan bakar, dan jadwal pemeliharaan.

“Vendor menguasai GPU,” kata saya. “Tetapi mereka tidak otomatis menguasai data rumah sakit, perkebunan, pabrik, pelabuhan, dan sistem keuangan Indonesia. Di situlah pertahanan bisnis lokal berada.”

7. Aplikasi AI vertikal

Ini peluang dengan nilai tambah terbesar. Perusahaan tidak membeli AI karena ingin terlihat modern. Mereka membeli karena ingin mengurangi biaya, meningkatkan produksi, mencegah kerugian, atau mempercepat keputusan.

Beberapa contoh peluang:

Manufaktur

Computer vision untuk memeriksa cacat produk, predictive maintenance, optimasi energi, dan pengendalian proses produksi.

Logistik

Optimasi rute, prediksi permintaan, penempatan persediaan, pengenalan dokumen, pemeriksaan muatan, serta pengaturan armada.

Pertanian

Deteksi penyakit tanaman, prediksi hasil panen, pemupukan presisi, grading hasil pertanian, dan optimasi irigasi.

Keuangan

Fraud detection, credit scoring, analisis dokumen, kepatuhan, treasury, dan otomatisasi layanan pelanggan.

Kesehatan

Analisis citra medis, dokumentasi klinis, manajemen tempat tidur, serta sistem pendukung keputusan dokter.

Pendapatannya dapat berasal dari lisensi tahunan, biaya per transaksi, pembagian penghematan, atau outcome-based fee. “Kalau aplikasi kita menghemat biaya pabrik Rp100 miliar setahun, harga jasa tidak lagi dihitung berdasarkan jumlah GPU,” kata saya. “Ia dihitung berdasarkan nilai ekonomi yang kita ciptakan.”

8. Edge AI dan perangkat industri

Tidak semua data harus dikirim ke pusat data. Kamera pabrik, kendaraan, mesin tambang, gudang, rumah sakit, dan perkebunan sering membutuhkan keputusan secara langsung di lokasi. Edge AI memakai perangkat komputasi yang dipasang dekat sensor. Keuntungannya adalah latensi rendah, penggunaan bandwidth lebih kecil, dan data sensitif tidak perlu selalu keluar dari lokasi.

Peluang bisnisnya meliputi: kamera AI; gateway industri;
robot; drone; mesin inspeksi; sistem keselamatan;
predictive maintenance;
private edge server.
 Platform seperti NVIDIA Jetson ditujukan untuk robotika dan perangkat otonom, sedangkan IGX dirancang untuk lingkungan industri dan medis yang membutuhkan keamanan serta dukungan jangka panjang.

Di sini perusahaan lokal dapat merancang enclosure, carrier board, sensor, perangkat komunikasi, aplikasi, dan integrasi dengan mesin pelanggan. Kita tidak membuat GPU, tetapi menciptakan produk industri yang tidak dapat langsung digantikan oleh penjual chip.

9. Operasi, pemeliharaan, dan siklus hidup GPU

Setiap AI Factory membutuhkan layanan terus-menerus: penggantian komponen;
pembaruan firmware dan driver;
 pemantauan suhu;
deteksi kegagalan; keamanan;
 optimasi beban kerja;
migrasi model;
refurbishing;
penjualan kembali perangkat lama.
 GPU generasi lama belum tentu tidak berguna. Perangkat tersebut dapat dialihkan dari pelatihan model besar menuju inferensi, universitas, rendering, simulasi, atau pelanggan yang tidak membutuhkan performa tertinggi.

Peluangnya adalah membangun pasar sekunder dan layanan manajemen siklus hidup. Dengan demikian, nilai residu GPU tidak jatuh menjadi nol ketika generasi baru muncul.

Raynad memperhatikan gambar di atas tisu. “Jadi, mana yang paling menarik?” tanyanya.

“Untuk investor infrastruktur, bangun listrik, pendinginan, dan fiber—tetapi harus berdasarkan kontrak pemakaian. Untuk perusahaan teknologi, masuklah ke orchestration, managed inference, pengelolaan data, dan aplikasi vertikal. Untuk perusahaan manufaktur, buat komponen pendukung serta perangkat edge.”

Saya melingkari tiga lapisan paling atas: Data industri → platform inferensi → aplikasi vertical

“Inilah peluang dengan rasio modal dan nilai tambah terbaik,” kata saya. “GPU dapat disewa. Model dasar dapat dilisensikan. Tetapi data, proses bisnis, jaringan pelanggan, dan pemahaman industri harus kita miliki sendiri.”

“Jadi kita tetap memanfaatkan dominasi NVIDIA?”

“Tentu. Dominasi vendor tidak harus dilawan. Gunakan teknologi mereka sebagai fondasi, tetapi jangan biarkan seluruh bisnis bergantung pada mereka. Arsitektur harus mendukung lebih dari satu vendor, model harus portabel, dan kontrak pelanggan harus menjadi milik kita.”

Saya menghabiskan sisa kopi. “Pada demam emas, tidak semua orang harus menggali emas. Ada yang menjual alat, menyediakan penginapan, mengangkut hasil tambang, dan membangun pasar. Namun keuntungan terbesar diperoleh orang yang mengetahui untuk apa emas itu digunakan.”

Raynad mengangguk. “Jadi bisnis AI terbaik bukan menjual kecerdasan buatan?”

“Bukan,” jawab saya. “Bisnis AI terbaik adalah menggunakan kecerdasan buatan untuk menyelesaikan persoalan yang selama ini membuat pelanggan kehilangan uang.”

Saya berdiri. Cucu saya sudah melambaikan tangan dari kejauhan.

Sebelum meninggalkan meja, saya berkata kepada Raynad, “Jangan mulai dengan pertanyaan berapa GPU yang akan kita beli. Mulailah dengan pertanyaan: masalah siapa yang akan kita selesaikan, berapa nilai kerugiannya, dan mengapa mereka bersedia membayar kita.” Sebab teknologi dapat dikuasai vendor. Namun kebutuhan pelanggan hanya dapat dikuasai oleh mereka yang benar-benar memahaminya.

Akuisisi Otak, Bukan Utangnya

Kembali dari mal, saya membuka lagi file PDF proposal SIDC yang dikirim tiga hari sebelumnya. Proposal itu berisi rencana akuisisi sebuah perusahaan teknologi AI di California, Amerika Serikat. Nama perusahaan itu Arunika Neural Systems—ANS. Walau kini berkantor di Palo Alto, teknologi dasarnya justru dikembangkan di Bandung. Para pendirinya adalah tiga anak muda Indonesia yang pernah melakukan riset bersama di sebuah laboratorium kecil. Mereka kemudian memperoleh pendanaan dari investor Amerika, memindahkan badan usaha ke Delaware, dan membawa tim inti ke California.

ANS tidak memproduksi GPU. Mereka membuat teknologi yang memungkinkan model AI bekerja dengan GPU lebih sedikit, penggunaan listrik lebih rendah, dan waktu respons lebih cepat. Secara teknologi, perusahaan itu menarik. Secara keuangan, keadaannya hampir mati.

Saya duduk di ruang kerja, menyalakan terminal, lalu membuka SafeNet. Saya mengundang London, New York, dan Swiss ke dalam konferensi video terenkripsi. Beberapa saat kemudian layar terbagi menjadi empat. Suci bergabung dari London. Ia berada dalam supporting group Ale Capital dan bertanggung jawab melihat risiko investasi serta struktur pembiayaan. Di layar lain muncul Abigail dari Legal Ale Capital. Mia bergabung dari New York sebagai anggota Team Shadow. Lastri tersambung dari Swiss.

Tidak ada perwakilan SIDC dalam pembicaraan itu. Saya ingin mendengar penilaian independen sebelum proposal tersebut masuk ke proses formal.

SAFENET — ENCRYPTED VIDCOM

LONDON | NEW YORK | SWISS | JAKARTA.

“Sudah baca proposalnya?” tanya saya.

“Sudah,” jawab Suci. “Teknologinya menarik. Likuiditasnya buruk.”

“Itu sudah tertulis dalam proposal. Saya ingin tahu mengapa perusahaan dengan teknologi seperti itu bisa hampir bangkrut.”

Suci membuka laporan keuangan ANS di layarnya. “Karena mereka memperlakukan pendanaan modal ventura seperti pendapatan,” katanya. “Mereka menganggap uang investor akan terus tersedia.”

Dua tahun sebelumnya, ANS memperoleh pendanaan US$65 juta. Sebagian besar dana itu digunakan untuk menyewa kapasitas GPU selama empat tahun. Para pendiri percaya permintaan komputasi AI akan terus meningkat. Mereka berharap dapat menggunakan sebagian kapasitas untuk riset dan menyewakan sisanya kepada startup lain.

Masalahnya, kewajiban kepada penyedia GPU dibayar setiap bulan, sedangkan pelanggan ANS membayar antara 90 hingga 120 hari. Beberapa pelanggan bahkan gagal memperoleh pendanaan lanjutan dan berhenti membayar.

“Berapa kas mereka?” tanya saya.

“US$7,8 juta,” jawab Suci. “Kewajiban tetap enam bulan ke depan sekitar US$19 juta. Piutang tercatat US$26 juta, tetapi hampir separuhnya harus kita ragukan.”

“Utangnya?”

“Tidak terlalu besar jika hanya melihat neraca. Masalahnya ada pada kontrak sewa GPU yang bersifat take-or-pay. Walaupun kapasitasnya tidak digunakan, ANS tetap harus membayar.”

“Jadi bukan insolven?”

“Belum,” jawab Suci. “Asetnya secara akuntansi masih lebih besar daripada kewajibannya. Namun mereka bisa kehabisan kas dalam tiga bulan.”

Saya mengangguk.

Perusahaan tidak selalu mati karena rugi. Perusahaan sering mati karena kewajibannya datang lebih dahulu daripada uangnya.

Saya beralih kepada Mia.

“Apa yang kamu temelimukan di New York?”

“Saya sudah bicara dengan dua mantan pelanggan mereka,” jawab Mia. “Teknologinya nyata, tetapi model bisnisnya buruk.”

“Seberapa nyata?”

Mia menampilkan hasil pengujian pada layar SafeNet. Produk utama ANS bernama Arunika Inference Engine. Sistem itu mengoptimalkan model AI agar dapat berjalan pada berbagai jenis GPU dan edge device.

Teknologinya bekerja melalui empat tahap.

Pertama, quantization. Bobot model yang semula menggunakan presisi FP16 atau BF16 dikonversi menjadi INT8 atau INT4. Dengan ukuran data yang lebih kecil, kebutuhan memori dan komputasi turun.

Kedua, structured pruning. Bagian model yang tidak memberikan kontribusi besar terhadap hasil dipangkas tanpa merusak struktur komputasinya.

Ketiga, compiler ANS menyusun ulang operasi model agar sesuai dengan karakter perangkat yang digunakan. Model yang sama dapat dioptimalkan untuk beberapa jenis accelerator.

Keempat, sistem menggunakan dynamic batching dan pengelolaan memori agar permintaan dari banyak pengguna dapat diproses bersama tanpa membuat GPU menganggur.

“Dalam pengujian terbatas,” kata Mia, “mereka mampu menurunkan kebutuhan GPU sekitar 30 sampai 45 persen pada beberapa model bahasa dan computer vision. Tetapi angka itu tidak berlaku untuk semua model. Pengujiannya juga belum dilakukan secara independen dalam produksi berskala besar.”

“Artinya klaimnya belum bohong, tetapi belum terbukti sepenuhnya?”

“Benar.”

“Kalau memang bagus, mengapa pelanggannya pergi?”

“Karena mereka menjual penghematan GPU kepada startup yang belum mempunyai pendapatan,” jawab Mia. “Teknologinya menghemat biaya, tetapi pelanggan mereka sendiri tidak punya uang untuk dibayar.”

Saya menahan senyum. Banyak perusahaan teknologi jatuh bukan karena produknya buruk, melainkan karena menjual kepada orang yang sama-sama hidup dari uang investor. “Bagaimana dengan tim risetnya?”

“Dua puluh tujuh orang. Delapan belas masih berada di California. Sembilan bekerja dari Bandung. Namun empat peneliti senior sudah menerima tawaran dari perusahaan lain.”

“Itu berarti waktu kita lebih pendek daripada sisa kas mereka.”

Mia mengangguk.

Saya kemudian menatap Abigail. “Apa masalah hukumnya?”

Abigail tidak langsung menjawab. Ia membuka beberapa dokumen dalam layar terpis sendiri. “Struktur kepemilikan IP mereka berantakan.”

“Jelaskan.”

“Teknologi awal dikembangkan di Bandung sebelum ANS didirikan di Delaware. Sebagian source code ditulis ketika para pendiri masih terlibat dalam proyek riset yang memperoleh bantuan sebuah universitas dan hibah pemerintah.”

“Itu berarti haknya belum tentu sepenuhnya milik perusahaan?”

“Benar. Ada perjanjian pengalihan IP, tetapi ditandatangani setelah investor Amerika masuk. Kita harus memastikan tidak ada hak universitas, pemberi hibah, mantan peneliti, atau perusahaan tempat para pendiri pernah bekerja.”

Abigail melanjutkan. Dua dari dua belas paten ANS didaftarkan atas nama pribadi pendiri. Tiga lainnya masih dalam proses. Beberapa modul perangkat lunak memakai komponen open-source dengan lisensi yang memungkinkan penggunaan komersial, tetapi dapat menimbulkan kewajiban tertentu jika digabungkan dan didistribusikan dengan cara yang salah.

“Kalau kita membeli saham perusahaannya tanpa membersihkan masalah itu,” kata Abigail, “kita bisa membayar mahal untuk teknologi yang kep Egimilikannya kemudian dipersoalkan.”

“Jadi akuisisi saham tidak aman?”

“Lebih aman jika kita membeli aset tertentu melalui entitas baru. Source code, paten, data pengujian, kontrak pelanggan yang layak, dan tim riset dipindahkan setelah chain of title dinyatakan bersih.”

“Bagaimana dengan gugatan pemegang saham lama?”

“Kita membutuhkan persetujuan mereka, penilaian independen, dan proses penjualan yang menunjukkan bahwa harga transaksi wajar. Mereka sedang terdesak, tetapi kita tidak boleh terlihat memindahkan aset terbaik dengan merugikan kreditur.”

Saya menatap Lastri di layar Swiss. “Bagaimana dengan investornya?”

“Saya sudah memeriksa dua pemegang saham terbesar,” jawab Lastri. “Dana pertama ingin keluar. Masa investasinya hampir berakhir. Dana kedua masih bersedia bertahan, tetapi tidak ingin memasukkan uang baru.”

“Berapa valuasi putaran terakhir?”

“US$420 juta.”

“Dan sekarang?”

Lashtri tersenyum tipis. “Pendiri masih menggunakan angka itu sebagai dasar negosiasi.”

Suci menyela dari London. “Kalau memakai arus kas, nilainya bisa negatif. Kalau memakai nilai teknologi, kita harus menghitung ulang dari nol.”

“Berapa yang diminta?”

“US$180 juta untuk 70 persen saham, ditambah komitmen modal kerja US$40 juta.”

Saya menggeleng. “Mereka masih menjual masa lalu.”

Valuasi US$420 juta dibentuk ketika uang murah, permintaan GPU dianggap tidak terbatas, dan semua perusahaan yang menggunakan kata AI diperlakukan seolah-olah akan menguasai masa depan. Sekarang investor lama ingin kerugian mereka dibayar oleh pembeli baru.

Saya kembali membuka halaman tentang aset ANS. Perusahaan itu tidak memiliki pusat data. Sebagian besar GPU disewa. Fasilitas pengujian di California juga disewa. Perangkat edge AI yang tersimpan di gudang telah kehilangan sebagian nilainya karena muncul generasi baru. Yang benar-benar berharga hanya empat hal: manusia, source code, paten, dan pengetahuan yang terbentuk dari bertahun-tahun melakukan riset.

“Apakah SIDC membutuhkan teknologi ini?” tanya saya kepada Mia.

“Kalau hanya untuk menyewakan GPU, tidak,” jawab Mia. “Tetapi jika diterapkan pada unit industri SIDC, potensinya besar.”

Ia menampilkan daftar kemungkinan penggunaan. Di pabrik, teknologi ANS dapat digunakan untuk menjalankan computer vision guna mendeteksi cacat produk tanpa mengirim seluruh video ke cloud. Di gudang, sistem dapat membaca label, menghitung barang, dan mendeteksi kerusakan kemasan melalui edge device. Di perkebunan, model dapat menganalisis gambar tanaman langsung dari drone atau kamera lapangan, meskipun koneksi internet terbatas. Di pertambangan, perangkat dapat memantau alat berat, kondisi jalan, kelelahan operator, dan pelanggaran keselamatan secara lokal.

“Nilainya bukan hanya penghematan GPU,” kata Mia. “Nilainya adalah kemampuan menjalankan AI di tempat yang bandwidth-nya terbatas, latensinya harus rendah, atau datanya tidak boleh keluar.”

Saya mengangguk. Di situlah perbedaan antara teknologi dan produk mulai terlihat. ANS memiliki teknologi, tetapi tidak mempunyai ekosistem industri. SIDC memiliki pabrik, logistik, perkebunan, tambang, energi, pelanggan, serta kemampuan mengubah hasil ris competinget menjadi produk.

“Bagaimana kalau kita masukkan ke dalam rencana AI Factory?” tanya Suci.

“Jangan,” jawab saya.

Suci mengerutkan kening.

“AI Factory adalah infrastruktur. ANS adalah perusahaan riset dan perangkat lunak. Kalau keduanya dimasukkan ke dalam satu neraca, risiko hardware akan mencemari nilai IP.”

Saya mengambil kertas dan menulis tiga kotak. Kotak pertama adalah Compute SPV. Di dalamnya ditempatkan kontrak GPU, perangkat, kewajiban sewa, dan seluruh risiko penyusutan hardware. SIDC tidak memberikan jaminan korporasi. Kontrak yang tidak ekonomis harus direnegosiasi atau ditinggalkan. Kotak kedua adalah IP Company. Entitas ini memegang paten, source code, compiler, dataset pengujian, serta seluruh hak lisensi. SIDC harus memperoleh kendali atas perusahaan ini. Kotak ketiga adalah Applied AI Company. Perusahaan inilah yang mengubah teknologi menjadi produk bagi manufaktur, logistik, pertambangan, perkebunan, dan pelanggan eksternal.

“Kita membeli otaknya,” kata saya, “bukan semua kesalahan yang dibuat untuk membiayai otak itu.”

Abigail mengangguk. “Struktur asset acquisition lebih masuk akal. Tetapi kita perlu mempertahankan para pendiri dan peneliti utama.”

“Jangan beri mereka seluruh uang di depan.” Saya mengusulkan agar transaksi dilakukan dalam beberapa lapisan. Pembayaran pertama digunakan untuk memperoleh aset IP yang telah dinyatakan bersih dan menyediakan modal kerja agar tim tidak bubar. Pembayaran kedua diberikan dalam bentuk saham Applied AI Company. Dengan demikian, para pendiri tetap memperoleh manfaat jika teknologi mereka berhasil dikomersialkan. Pembayaran berikutnya berbentuk earn-out berdasarkan pencapaian teknis dan komersial.

“Indikatornya jangan jumlah paten,” kata saya. “Paten bisa terlihat hebat tetapi tidak menghasilkan apa-apa.”

Targetnya harus dapat diukur: penurunan biaya inferensi per transaksi; peningkatan token per detik; pengurangan kebutuhan GPU; batas penurunan akurasi setelah quantization; kestabilan sistem;
portabilitas lintas perangkat;
jumlah penerapan komersial;
serta pendapatan dari pelanggan yang benar-benar membayar.


Suci memeriksa catatannya. “Berapa dana riset yang akan kita sediakan?”

“Cukup untuk lima tahun. Tetapi risetnya harus dibagi menjadi tiga lapisan.”

Lapisan pertama adalah core research: compiler, quantization, pengelolaan memori, optimasi inference, serta portabilitas lintas GPU dan edge accelerator. Lapisan kedua adalah product development: mengubah hasil riset menjadi produk yang stabil, aman, terdokumentasi, dan dapat dipasang berulang kali. Lapisan ketiga adalah business development: memilih industri, memperoleh pelanggan, mengukur manfaat ekonomi, dan menentukan cara produk menghasilkan pendapatan.

“ Kalau ketiganya tidak terhubung,” kata saya, “riset hanya berakhir sebagai paper, produk hanya menjadi demonstrasi, dan pemasaran hanya menjual janji.”

Lastri bertanya, “Apakah pusat riset tetap di California?”

“Bagian yang membutuhkan akses ke vendor dan ekosistem Amerika tetap di sana. Tetapi core engineering harus diperkuat kembali di Bandung.”

“Mengapa?”

“Karena teknologi itu lahir di Bandung. Biaya talenta lebih rendah, kedekatan dengan unit industri SIDC lebih baik, dan kita tidak boleh mengakuisisi perusahaan Indonesia di California hanya untuk membuat seluruh pengetahuannya tetap tinggal di Amerika.”

Namun, saya tidak ingin sekadar memindahkan pekerjaan murah ke Bandung. Tim Indonesia harus memegang arsitektur, compiler, optimasi model, dan pengembangan IP. California berfungsi sebagai jembatan menuju vendor GPU, universitas, pelanggan global, dan sumber talenta.

Mia bertanya, “Bagaimana kalau para pendirinya tidak mau kembali?”

“Mereka tidak perlu kembali. Yang harus kembali adalah kemampuan menciptakan teknologi.”

Ruang SafeNet terdiam.

Di layar saya terlihat empat kota dengan waktu berbeda. London menjelang sore. New York masih pagi. Swiss berada di tengah hari. Jakarta sudah malam. Namun kami sedang membicarakan sebuah teknologi yang bermula dari ruangan kecil di Bandung, tumbuh di California, lalu hampir hilang karena para pendirinya salah mengelola arus kas.

“Kesimpulannya?” tanya Suci.

“Lanjutkan due diligence,” jawab saya. “Tetapi jangan menilai perusahaan ini sebagai startup AI.”

“Lalu sebagai apa?”

“Sebagai laboratorium riset yang kebetulan memiliki neraca buruk.”

Abigail menutup beberapa dokumen di layarnya. “Saya akan mulai dari chain of title IP dan kewajiban lisensi open-source.”

“Mia?”

“Saya akan uji teknologinya melalui pihak independen dan bicara dengan mantan pelanggan.”

“Lastri?”

“Saya akan petakan posisi investor, kreditur, dan kontrak GPU mereka.”

“Suci, buat tiga skenario. Akuisisi saham, pembelian aset, dan restrukturisasi melalui entitas baru. Jangan masukkan valuasi putaran terakhir sebagai jangkar.” Kata saya.

“Batas harga?”

“Belum ada. Kita belum tahu apakah yang mereka sebut teknologi adalah keunggulan yang bertahan lama atau hanya optimasi yang enam bulan lagi tersedia secara gratis.”

Saya hendak mengakhiri sambungan ketika Robi dari SIDC mengirim pesan melalui SafeNet. Apakah proposal dapat dilanjutkan ke Investment Committee? Saya membaca pesan itu, tetapi tidak langsung menjawab.

Perusahaan bagus tidak selalu perusahaan yang memiliki banyak kas. Kadang perusahaan paling menarik justru berada beberapa langkah dari kebangkrutan, tetapi masih menyimpan sesuatu yang tidak mudah dibangun dengan uang: pengetahuan, pengalaman, dan manusia yang mampu menciptakan teknologi. Namun, kesulitan penjual bukan alasan bagi pembeli untuk tergesa-gesa. Justru ketika perusahaan hampir kehabisan napas, kita harus membedakan dengan jernih mana yang perlu diselamatkan dan mana yang harus dibiarkan mati.

Saya akhirnya membalas: Lanjutkan pemeriksaan. Jangan akuisisi perusahaannya sebelum kita tahu siapa pemilik sah otaknya.

Sambungan SafeNet berakhir satu per satu.

Layar kembali gelap. Di meja masih terbuka proposal SIDC dengan logo ANS di halaman pertama. Di bawahnya tercantum valuasi ratusan juta dolar, seakan angka besar mampu menyembunyikan kas yang hampir habis.

Saya menutup file itu.

ANS tidak rapuh karena kekurangan teknologi. Ia rapuh karena mencoba membiayai riset jangka panjang dengan kewajiban yang harus dibayar setiap bulan. Jika struktur transaksinya benar, SIDC tidak perlu menyelamatkan perusahaan tersebut. SIDC cukup mengambil teknologi, mempertahankan manusianya, membersihkan kepemilikan IP, lalu memberinya pasar melalui ekosistem industri. Bagi pemilik lama, kegagalan itu adalah beban. Bagi pembeli yang sabar, kegagalan dapat menjadi harga masuk. Tetapi prinsipnya tetap sama, akuisisi yang baik bukan membeli perusahaan ketika harganya murah. Akuisisi yang baik adalah mengetahui bagian mana yang kelak menjadi mahal.