Gelembung AI, 17 kali gelembung dot-com dan 4 kali subprime

• Investasi terkait AI melonjak eksplosif karena ditopang suku bunga rendah yang dibuat secara artifisial, dan membentuk gelembung terbesar dalam sejarah
• Lembaga riset independen MacroStrategy Partnership mengklaim bahwa gelembung AI berukuran 17 kali gelembung dot-com dan 4 kali krisis subprime
• Laporan itu menjelaskan, berdasarkan teori Knut Wicksell, bahwa suku bunga rendah mengalokasikan modal secara tidak efisien sehingga sebagian PDB digunakan secara keliru
• Laporan itu juga menyoroti batas peningkatan performa LLM dan ketiadaan profitabilitas, dengan contoh bahwa meski biaya model naik 10 kali lipat, peningkatannya hampir tidak ada
• Analis merekomendasikan mengurangi porsi AI dan perusahaan platform, meningkatkan investasi di komoditas dan negara berkembang (India, Vietnam), serta strategi membeli emas, obligasi pemerintah AS jangka pendek, dan yen

---

Skala gelembung AI dan dasar argumennya

• Belakangan ini, lingkungan suku bunga rendah yang dibuat secara artifisial telah mendorong ledakan investasi AI
• MacroStrategy Partnership menilai investasi AI saat ini sebagai yang terbesar di antara gelembung historis
  • Dihitung sebagai ‘defisit Wicksellian’ yang setara dengan 17 kali gelembung dot-com dan 4 kali krisis properti 2008
  • Ini mencakup bukan hanya AI, tetapi juga seluruh area alokasi modal tidak efisien akibat suku bunga rendah seperti properti, NFT, dan investasi ventura
• Menurut teori Knut Wicksell, alokasi modal yang ideal terjadi ketika biaya pinjaman korporasi 2 poin persentase lebih tinggi daripada PDB nominal
  • Klaimnya, pelonggaran kuantitatif The Fed membuat kondisi ini rusak dalam jangka panjang sehingga memicu investasi berlebih

Keterbatasan teknologi LLM dan kritiknya

• Laporan itu menyoroti batas skalabilitas large language model (LLM)
  • Mengutip riset bahwa tingkat penyelesaian tugas di sebuah perusahaan software hanya 1,5% hingga 34%, dan itu pun tidak konsisten
  • Tingkat adopsi AI di perusahaan besar mulai menurun, dan dalam contoh penggunaan nyata pun banyak muncul kesalahan logika
• Analisisnya menyebut biaya pelatihan model melonjak tajam, tetapi peningkatan efisiensi sangat minim
  • Biaya pelatihan ChatGPT-3 mencapai 50 juta dolar, GPT-4 500 juta dolar, dan GPT-5 5 miliar dolar
  • GPT-5 dinilai hampir tidak menunjukkan peningkatan performa meski peluncurannya tertunda
• Pesaing mudah mengejar, sehingga hambatan masuk (moat) pada praktiknya juga nyaris tidak ada

Masalah profitabilitas model bisnis LLM

• Ada pula persoalan bahwa sulit membuat aplikasi yang punya nilai komersial dengan LLM
• Hasil generasi sering didaur ulang untuk game, public domain (misalnya tugas), atau berbenturan dengan pembatasan hak cipta
• Implementasi iklan yang efektif sulit dilakukan, dan dari satu generasi ke generasi berikutnya biaya pelatihan meledak sementara kenaikan akurasi merosot tajam
• Pada akhirnya, masalah kurangnya daya saing harga, profitabilitas, dan diferensiasi antar model terus muncul
• Bahkan pelanggan dengan penggunaan tinggi pun, dari sudut pandang pengembang, memberi beban biaya yang lebih besar dibanding biaya langganan bulanan

Prospek ekonomi dan dampak kebijakan

• Jika investasi data center dan wealth effect mencapai puncak lalu berbalik turun,
  • ekonomi diperingatkan sangat mungkin masuk ke resesi yang mirip dengan periode setelah gelembung dot-com
• Ini dapat mendorong ekonomi AS ke tahap 4 deflasi (Zone 4 deflationary bust),
  • dan diperkirakan akan membuat The Fed serta pemerintahan Trump sulit menjalankan stimulus
  • Seperti setelah krisis S&L pada awal 1990-an, upaya reflasi jangka panjang akan dibutuhkan

Usulan strategi investasi dari MacroStrategy Partnership

• Overweight: komoditas, khususnya pasar negara berkembang seperti India dan Vietnam
• Underweight: AI dan perusahaan platform
• Rekomendasi portofolio:
  • membeli saham terkait emas (GDX)
  • membeli obligasi pemerintah AS jangka pendek
  • mengambil posisi long pada VIX (indeks volatilitas)
  • membeli yen, terutama dengan ekspektasi penguatan terhadap mata uang selain dolar

Ringkasan pasar dan berita lainnya

• S&P 500 mencatat rekor tertinggi ke-30 pada 2025, sementara harga emas melonjak tajam
• Apple mendapat rating ‘underperform’ dari Jefferies karena ekspektasi berlebihan terhadap iPhone lipat
• Applied Materials memperkirakan pendapatannya akan berkurang 710 juta dolar dalam lima kuartal ke depan akibat pembatasan ekspor AS
• BlackRock sedang dalam pembicaraan untuk mengakuisisi Aligned Data Centers senilai 40 miliar dolar
• Laba riil perusahaan AS (berdasarkan NIPA) turun selama dua kuartal berturut-turut,
  • menghadirkan analisis dari Ned Davis Research bahwa estimasi laba S&P 500 mungkin terlalu optimistis

[GN⁺]

Opini Hacker News

• Rasanya seluruh artikel ini kosong tanpa substansi. Setelah dibaca sampai habis, hampir tidak ada penjelasan tentang apa arti ‘17 kali’ yang disebut di judul, dan tidak jelas sebenarnya apa yang 17 kali itu

  • Bahkan tidak ada tautan ke catatan riset aslinya, juga tidak ada detail tentang metodologi yang dipakai. Yang dibahas hanya ketiadaan model bisnis AI, dan itu mirip dengan yang orang katakan tentang mesin pencari di akhir 90-an. Sulit melihat seluruh pasar terekspos risiko seperti pasar pinjaman hanya karena AI. Bahkan jika OpenAI bangkrut, rasanya perusahaan lain tidak akan ikut runtuh bersama-sama

  • Jika cari cepat di Google, terlihat bahwa lembaga keuangan global mengalami kerugian pada sekuritas terkait hipotek sebesar 1–2 triliun dolar, pasar properti AS kehilangan 6 triliun dolar, dan pasar saham kehilangan tambahan 6 triliun dolar. Saya tidak sepenuhnya percaya pada angkanya, tapi skalanya memang sebesar itu. Sulit percaya gelembung AI sebesar gelembung subprime. Meski begitu, karena suku bunga sudah lama rendah, banyak aset dinilai tinggi, dan jika gelembung pecah mungkin akan diikuti koreksi besar serta resesi

  • Sumber ‘17 kali’ berasal dari laporan yang ditulis seseorang bernama Julien Garran. Tulisan orang ini sedang dikutip oleh artikel-artikel spam. Di video ini kita bisa melihat langsung isi risetnya. '17 kali' didasarkan pada model makroekonomi bernama "cumulative Wicksell spread", yang intinya menyatakan pasar saham mungkin dinilai terlalu tinggi karena efek suku bunga. Ini bukan tentang AI. Cara menghitung Wicksell spread adalah membuat grafik dengan mengintegralkan ‘pertumbuhan PDB tahunan + 2% - suku bunga tahunan’. Lonjakan saat ini 17 kali lebih besar daripada saat gelembung dot-com. Analisis ekonominya sendiri menarik

  • Tautan yang semula terhubung tampaknya sekarang sudah diganti menjadi laporan Morningstar

  • Menurut saya argumen dan contohnya terlalu lemah. Lembaga riset itu mengklaim bahwa "suku bunga yang ditekan secara artifisial mendorong investasi AI, dan investasi ini telah mencapai batas ekspansi", padahal pada kenyataannya sejak 2022 suku bunga melonjak ke level tertinggi dalam beberapa dekade. Karena fakta dasar ini saja sudah salah, sulit memercayainya. Narasi bahwa suku bunga tinggi pasti buruk bagi harga aset juga keliru. Perusahaan AI papan atas memiliki tingkat imbal hasil yang diharapkan 40–100% per tahun atau lebih, jadi perbedaan suku bunga 1% dan 5% tidak terlalu berarti bagi keputusan investasi venture capital. Pada 1980-an dan akhir 1990-an juga ada kasus valuasi perusahaan teknologi tinggi meski suku bunga tinggi. Contoh yang dipakai seperti 2001 dan 1991 justru periode resesi ringan. Setelah krisis savings and loan (S&L) di awal 90-an, ekonomi malah masuk masa boom. AI lebih cocok untuk pekerjaan seperti ini daripada analis bergaji tinggi yang tidak berguna

• Artikel ini mengutip newsletter khusus pelanggan. Video ini tampaknya sumber aslinya. Ringkasan ucapan Julien Garran adalah bahwa salah alokasi modal AS (termasuk perumahan, VC, dan kripto) besarnya 17 kali gelembung dot-com dan 4 kali gelembung properti 2008. Jika ini terurai, katanya dampaknya bukan sekadar resesi biasa, melainkan peristiwa yang bisa mengguncang fondasi globalisme yang dimulai pada era Thatcher-Reagan 1979–82 dan berlanjut hingga WTO serta kebangkitan Tiongkok

• Rasanya berbagai rekayasa keuangan untuk menopang gelembung pada akhirnya selalu berujung buruk. Selalu begitu. Praktik perusahaan yang ilegal atau abu-abu bermunculan setiap kali ada gelembung, lalu tertutup euforia pasar, dan baru terungkap saat koreksi datang

  • Saya baru-baru ini mendengarkan podcast Prof G Markets, dan proses pecahnya gelembung dijelaskan dengan menarik. Singkatnya, perusahaan menerbitkan utang untuk menghimpun dana, lalu terjadi M&A, IPO OpenAI, dan seterusnya; setelah trik menggelembungkan pendapatan gagal memenuhi ekspektasi pasar, semuanya cepat ambruk

  • Masalah sebenarnya adalah ‘sosialisasi risiko saat restrukturisasi’. Jika pemerintah terus memberi sinyal bahwa pada akhirnya akan ada bailout, semua orang akan terdorong mengambil risiko sembrono. Makin besar, makin pasti diselamatkan

  • Posisi terbaik dalam gelembung adalah berada di tengah transaksi

• Saya khawatir karena valuasi perusahaan terhadap pendapatan mereka sangat tinggi sampai terasa tidak stabil, tetapi karena AI adalah teknologi serbaguna, saya masih ragu untuk benar-benar keluar dari pasar. Saat gelembung dot-com juga mirip, tapi akhirnya teknologinya bertahan dan melahirkan big tech. Memang ada penderitaan besar dan pemain seperti pets.com lenyap, tetapi jika sekarang adalah masa seperti itu lagi, saya bertanya-tanya apakah benar langkah yang tepat adalah sepenuhnya keluar dari pasar

  • Saat gelembung dot-com, NASDAQ turun hampir 80%, dan itu jenis kejatuhan yang pasti ingin dihindari lebih awal. Tapi kehancuran datang sangat cepat, dan tidak mudah keluar lebih dulu. Jika saat pasar runtuh Anda rugi 20% dalam sehari, psikologinya goyah antara harus menjual atau menunggu. Sekarang juga ada 'circuit breaker' yang menghentikan pasar sementara, jadi telat sadar beberapa jam saja bisa berarti perdagangan sudah dihentikan. Jika semua orang menjual bersamaan, saat pasar dibuka lagi harganya bisa jauh lebih rendah

  • Saya ingin bertanya apakah Anda pernah melihat proyeksi pendapatan OpenAI

• Investor Timur Tengah dan sovereign wealth fund Saudi, Masayoshi Son, a16z, dewan Tesla, dan lainnya tampak berinvestasi agak terlepas dari realitas. Mereka sepertinya tidak peduli pada kepentingan investor dan pemegang saham. Saya penasaran apakah mereka merasa dirinya TBTF (Too Big To Fail, terlalu besar untuk gagal). Saya juga bertanya-tanya apakah JD Vance terkena pengaruh yang sama. Besarnya gelembung memang masalah, tapi yang lebih menakutkan adalah sikap sebagian pihak yang jelas merasa ‘mereka tidak akan dimintai pertanggungjawaban’

  • Seperti biasa, jika perjudian mereka gagal, mereka akan menakut-nakuti orang dengan alasan seperti "Tiongkok akan mendahului kita (rakyat)". Rakyat biasa hanya termasuk dalam ‘kita’ itu saat Sam Altman membutuhkan dana publik

  • Mungkin terdengar sinis, tapi pada akhirnya orang-orang itu benar-benar akan lolos dari tanggung jawab. Orang yang salah yang akan dihukum, dan mereka akan lolos sambil berkata, "kami tidak tahu hal seperti ini akan terjadi"

• Ini eksperimen pemikiran yang menarik. Bagaimana jika muncul terobosan yang menurunkan biaya pelatihan LLM 90% tetapi performanya tetap sama? (Baru-baru ini juga ada riset terkait dari Tiongkok.) Jika permintaan GPU turun drastis, saya penasaran perubahan apa yang akan terjadi pada struktur ekonomi ledakan AI

  • Jika pelatihan menjadi murah, biaya akan turun dan model menjadi lebih murah sekaligus lebih menguntungkan. Kita bisa membuat model yang lebih besar, lebih cepat, dan lebih banyak, dan juga akan muncul lebih banyak model kecil yang efisien lewat distillation. Pelatihan adalah biaya murni, tetapi inferensi, jika biaya pelatihan diabaikan, sangat menguntungkan. Penurunan biaya pelatihan sangat membantu bisnis LLM

  • Masalah ini sama bukan hanya untuk AI, tetapi juga untuk IT secara umum. Data center juga bisa dibangun lebih murah dan efisien, dan smartphone juga bisa dipakai lebih lama. Pada akhirnya perusahaan enggan ikut pasar dengan persaingan penurunan harga yang ketat (race to the bottom). Saya kira inovasi murah untuk pelatihan LLM baru akan menyebar luas setelah kapasitas ekspansi data center benar-benar habis

  • Seperti paradoks Jevons, kenyataannya permintaan mungkin justru tidak turun. Valuasi Nvidia atau lab besar mungkin berkurang, tetapi mereka tetap akan berada dalam kondisi yang cukup baik. Hasil terbaru dari Tiongkok lolos benchmark, tetapi belum tentu benar-benar kompetitif di dunia nyata

  • Memang pernah ada anekdot seperti itu. Saat seseorang melakukan optimasi dan muncul kabar baik, nilai sebesar 1 miliar dolar bisa lenyap sekaligus. Sekilas terdengar konyol, tapi justru sangat berbau gelembung

  • Masalahnya lebih besar daripada itu. Jika pekerjaannya hampir tidak memberi toleransi kesalahan, LLM tidak cocok. Tetapi begitu toleransi kesalahan sedikit lebih longgar, model seperti deepseek bisa dijalankan secara lokal dengan sangat murah. Pada akhirnya data center besar hanya berguna untuk pelatihan, dan bagi kebanyakan orang layanan inferensi tidak masuk akal secara ekonomi. Ini isu yang di masa depan bisa memicu reaksi berantai masalah keuangan besar

• Yang dilewatkan artikel ini adalah bahwa scaling LLM bukan satu kurva tunggal. RL (reinforcement learning) bersifat seperti lonjakan yang hanya meningkatkan sebagian kemampuan tertentu. Bukan kecerdasan model secara keseluruhan yang meningkat, melainkan RL menambal lubang di area tertentu. Di dunia nyata, bukan ada satu kurva scaling, tetapi ribuan kurva. Peningkatan ‘kecerdasan puncak’ model makin menunjukkan diminishing returns, tetapi ‘level minimum’ di berbagai domain justru sedang terangkat. Orang yang tidak menilai model secara langsung dalam praktik mungkin tidak terlalu memahami hal ini

• Akhir pekan ini saya mencoba menjalankan model Llama 3.2-3B, dan walau batasannya masih perlu dipahami lebih dalam, rasanya cukup berguna. Bahkan di GPU Intel Arc seharga 100 pound pun ia berjalan secepat ‘kecepatan membaca’. Saya juga ingin membeli Arc770 (250 pound) dan menguji apakah bisa menjalankan model open weight OpenAI. Dari sudut pandang ini, saya jadi berpikir investasi berskala besar pun bisa cepat meleleh karena komersialisasi LLM

• Ada juga perkiraan bahwa gelembung AI kini mencapai 20–30% pasar saham. Sebagai perbandingan, Depresi Besar dimulai dengan penurunan pasar saham 24%. Orang-orang yang mengendalikan permainan AI ini tahu bahwa jika pemerintah membiarkannya berjalan alami, akan datang Depresi Besar lain, jadi bailout pemerintah pada akhirnya sudah pasti. Rakyat biasa akan menanggung inflasi, pajak tinggi, dan kenaikan utang negara, sementara para penguasa menikmati yacht dan Lamborghini. Gelembung AI kali ini hampir seluruhnya tersembunyi di balik private equity, sehingga rakyat biasa sulit bahkan untuk mendapat kesempatan. Mungkin satu-satunya pengecualian adalah saham Nvidia. Suasananya terasa seperti gelembung akan segera pecah. Ada tanda bahwa Nvidia sudah masuk tahap terakhir putar utang melalui investasi melingkar pada data center OpenAI—semacam ‘membuat orang membeli barang Anda dengan uang mereka sendiri’ dengan saling meminjamkan dana dan mendorong pembelian produk sendiri dengan harga tinggi. Ini mirip cara CEO WeWork meminjamkan uang ke perusahaannya lalu menyewakan produk miliknya sendiri. AMD juga belakangan melakukan perputaran dana melalui transaksi melingkar serupa dengan OpenAI. Ada artikel terkait juga. Rasanya bahkan perdebatan soal apakah ini gelembung atau tidak sudah kurang bermakna. Perilaku seperti kutipan film ‘Boiler Room’, “jangan pernah biarkan mereka mencairkannya, maka itu bukan kenyataan”, tampaknya sudah menyebar ke seluruh industri

  • Saya juga teringat fenomena "para pemain saling menopang lewat investasi melingkar" saat melihat pengumuman kemitraan strategis AMD dan OpenAI baru-baru ini. Hanya dari kabar itu saja saham AMD melonjak hampir 35% dalam sehari

  • Bukan hanya AI yang merupakan gelembung. SpaceX juga sama. Meski Falcon 9 adalah bisnis yang sukses, 2/3 peluncurannya adalah untuk Starlink, yaitu transaksi internal tanpa pendapatan eksternal. Namun meskipun jumlah peluncurannya 25 kali lebih banyak daripada ULA, valuasi SpaceX mencapai 200 kali ULA

  • Saya rasa pola "saya pinjami Anda uang supaya Anda membeli barang saya" juga akan terjadi antarnegara. AS meminjamkan uang ke Jepang, lalu dengan uang itu Jepang berinvestasi kembali ke AS, dan semuanya dikemas seolah legal

  • Saya ragu apakah pernyataan ‘gelembung AI menyumbang 20–30% pasar saham’ dan ‘hampir seluruhnya tersembunyi di balik private equity’ bisa sama-sama benar

• Ini pertama kalinya saya tahu ada konsep pinjaman dengan jaminan GPU, dan itu tampak sangat berbahaya

  • Bukan sekadar berbahaya, saya melihatnya hampir seperti kegilaan. Nilai GPU anjlok segera setelah dipasang

  • Sejujurnya, kalau bank yang menanggung kerugian dan tidak ada bailout dari pajak saya, saya tidak terlalu peduli, tetapi kenyataannya tidak begitu.