Daya pusat data AI: analisis capex hyperscaler

Di suatu titik antara demo model dan panggilan laporan laba, strategi AI berubah menjadi masalah interkoneksi utilitas yang memakai rompi fleece. CreditSights, bagian dari Fitch Solutions, memperkirakan lima hyperscaler teratas akan membelanjakan sekitar $602 miliar pada 2026, dengan sekitar 75 persen diarahkan ke infrastruktur terkait AI. Itu berarti kira-kira $450 miliar mengejar bukan hanya chip, tetapi juga bangunan, listrik, pendinginan, dan seni yang sangat glamor untuk membuat elektron datang tepat waktu. GPU jelas masih menjadi selebritasnya, tetapi jaringan listrik kini menjadi agen, lokasi acara, sekaligus penjaga pintu. Ini adalah bagian dari penskalaan AI yang tidak pas rapi di grafik benchmark. Kapabilitas, latensi, ketersediaan regional, keandalan, dan margin makin bergantung pada apakah infrastruktur dapat dibiayai, diizinkan, dihubungkan, dan dialiri energi dengan cukup cepat. Alur kerja agentic Anda mungkin memiliki jejak penalaran yang sempurna, tetapi jika pusat data sedang menunggu dalam antrean jaringan listrik, pada dasarnya itu hanyalah daftar tugas yang sangat mahal.

Apa yang rusak, menurut CreditSights dan Enverus

CreditSights menggambarkan capex hyperscaler 2026 sebagai gelombang belanja yang berpusat pada infrastruktur AI, dengan lima hyperscaler teratas diperkirakan akan mengalokasikan sekitar $602 miliar dan sekitar tiga perempatnya ditujukan untuk kebutuhan terkait AI. Kontributor Enverus Intelligence Research, Carson Kearl, menggambarkan kekhawatiran investor yang serupa seputar rencana belanja modal 2026 yang diungkapkan oleh GOOGL, AMZN, META, dan MSFT, dengan total sekitar $695 miliar hingga $725 miliar, naik dari ekspektasi batas atas sebelumnya sekitar $670 miliar. Enverus juga mencatat reaksi pasar yang terbelah setelah laporan laba 29 April, dengan GOOGL didukung oleh kekuatan Google Cloud sementara META melihat investor menarik diri setelah menaikkan panduan capex 2026. Perpecahan itu penting karena investor tidak lagi memperlakukan capex AI sebagai api unggun ajaib tempat uang menghilang dan nilai pemegang saham muncul dengan memakai kacamata hitam. Pertanyaannya adalah apakah modal berubah menjadi komputasi yang dapat digunakan, lalu menjadi pendapatan, lalu menjadi daya ungkit produk. Dengan kata lain, KPI baru bukan hanya berapa banyak akselerator yang Anda beli, tetapi seberapa cepat akselerator itu menjadi inferensi yang bisa disewakan, andal, dan bermargin positif.

Antrean bergeser dari chip ke listrik, menurut Enki

AI Enki AI mengatakan kendala utama dalam pembangunan infrastruktur AI telah bergeser dari ketersediaan semikonduktor ke batas fisik jaringan listrik global. Laporannya menunjuk pada keterlambatan akses jaringan, krisis kapasitas pusat data AI AS sebesar 7 GW, dan pembatalan proyek sebagai tanda bahwa penyaluran listrik telah menjadi bottleneck, bukan lagi pipa latar belakang. Itu adalah plot twist yang kejam bagi siapa pun yang mengira bagian sulitnya selesai ketika pengadaan berhasil mendapatkan akselerator. Bagi para pembangun, ini mengubah cara produk AI harus direncanakan. Roadmap model yang mengasumsikan kapasitas regional tak terbatas kini kira-kira sama realistisnya dengan kulkas yang juga melakukan tari interpretatif. Fitur yang sensitif terhadap latensi, persyaratan residensi data enterprise, dan inferensi bervolume tinggi semuanya menjadi masalah geografi ketika ketersediaan listrik menentukan di mana kapasitas benar-benar bisa ditempatkan.

Waktu menuju daya adalah metrik deployment baru, menurut The Economy dan

MMCG Invest The Economy Research berargumen bahwa waktu menuju daya adalah variabel ekonomi yang menentukan bagi infrastruktur AI, artinya seberapa cepat modal, lahan, server, dan listrik berubah menjadi komputasi yang berfungsi. Dengan menggunakan model pusat data AI 100 MW, mereka mengatakan keterlambatan satu tahun dapat merusak nilai siklus hidup lebih besar daripada perubahan besar pada variabel listrik atau pajak. Terjemahan untuk komunitas ML: interkoneksi yang tertunda bisa lebih buruk daripada tarif listrik yang lebih buruk, yaitu versi infrastruktur dari kalah dalam lomba bahkan sebelum model Anda mengimpor torch. Tinjauan pusat data hyperscale dari MMCG Invest menunjukkan mengapa tekanan ini bukan teori semata. Mereka memperkirakan pendapatan pusat data hyperscale AS sekitar $111 miliar pada 2025, dengan pertumbuhan diperkirakan mencapai sekitar $165 miliar pada 2030. MMCG juga mengatakan beban kerja AI dan ML kira-kira menggandakan kebutuhan komputasi bagi hyperscaler besar pada 2024 saja, menambah tekanan pada permintaan cloud yang sudah terus berkembang.

Kebijakan kini menjadi bagian dari stack, menurut PwC dan Brookings

PwC, bekerja sama dengan Oxford Economics, memodelkan belanja modal pusat data di 46 negara dan wilayah serta lima kawasan, memproyeksikan capex pusat data global sebesar $31,6 triliun hingga 2050 dalam skenario tengahnya, dengan potensi kenaikan yang masuk akal mendekati $50 triliun. PwC juga berargumen bahwa siklus ini berulang setiap empat hingga enam tahun, yang merupakan cara sopan untuk mengatakan bahwa treadmill depresiasi telah bergabung dengan pusat kebugaran dan menyewa pelatih. Jika siklus penyegaran perangkat keras terus mendorong infrastruktur ke depan, perencanaan daya menjadi strategi berkelanjutan, bukan keputusan pembangunan satu kali. Brookings telah membingkai permintaan energi global sebagai bagian dari lanskap regulasi AI, dan memang di situlah tempatnya. Kebijakan AI yang hanya membahas perilaku model sambil mengabaikan permintaan listrik itu seperti mengatur penerbangan dengan memeriksa meja lipat di kursi. Bagi pembaca yang membangun produk AI, pelajaran praktisnya sederhana: tanyakan kepada vendor di mana kapasitas berada, seberapa tangguh kapasitas itu, dan apakah beban kerja Anda dapat berpindah ketika ekonomi daya regional berubah. Putaran berikutnya dari persaingan AI masih akan menampilkan model, makalah, benchmark, dan demo dengan prompt yang mencurigakan sempurna. Tetapi para pemenang yang tenang mungkin adalah tim yang memahami kontrak listrik, pemilihan lokasi, latensi, dan utilisasi sedalam mereka memahami context window. Papan peringkat model berikutnya mungkin perlu kolom untuk kabel ekstensi.