
Tekanan depresiasi pusat data AI semakin menjadi variabel kunci bagi margin penyedia layanan cloud. CAPEX pertama-tama memengaruhi arus kas bebas, sementara depresiasi kemudian masuk ke laporan laba rugi dan menekan beban pokok pendapatan, margin kotor cloud, serta margin operasional. Bagi investor, pertanyaan sesungguhnya bukanlah seberapa banyak perusahaan teknologi membelanjakan uang untuk pusat data AI, melainkan apakah aset GPU, server, jaringan, dan daya dapat ditutupi oleh pendapatan cloud, penggunaan inference, kontrak perusahaan, dan utilisasi GPU setelah memasuki siklus depresiasi. Jika depresiasi tumbuh lebih cepat daripada pendapatan berkualitas tinggi, CAPEX AI dapat bergeser dari investasi pertumbuhan menjadi beban margin.

Tekanan depresiasi pusat data AI berasal dari CAPEX di muka yang tinggi dan umur ekonomi perangkat keras yang lebih pendek. GPU, server, peralatan jaringan, pendingin cair, sistem daya, dan konstruksi pusat data pertama-tama menciptakan belanja modal, kemudian mengalir ke laporan laba rugi melalui depresiasi selama beberapa periode akuntansi. CAPEX menentukan tekanan arus kas, sedangkan depresiasi menentukan tekanan margin. Itulah mengapa penyedia cloud tidak boleh dianalisis hanya melalui arus kas bebas; alokasi biaya di masa depan juga penting.
Perbedaan antara CAPEX dan depresiasi itu penting. CAPEX adalah arus kas keluar yang ditanggung perusahaan ketika membeli aset jangka panjang, seperti membangun pusat data, membeli GPU, menerapkan jaringan berkecepatan tinggi, dan memasang sistem pendingin cair. Depresiasi adalah alokasi aset tersebut ke dalam laporan laba rugi setiap kuartal selama umur akuntansinya. Bagi penyedia cloud, depresiasi biasanya masuk ke dalam beban pokok pendapatan, yaitu biaya langsung yang diperlukan untuk melayani pelanggan, yang kemudian memengaruhi margin kotor.
Pusat data AI lebih sensitif terhadap penyusutan dibandingkan infrastruktur cloud tradisional karena komposisi asetnya lebih mahal, lebih padat, dan lebih cepat diperbarui. Server cloud tradisional lebih bergantung pada CPU, penyimpanan, dan jaringan tujuan umum. Pusat data AI memerlukan GPU, HBM, interkoneksi berkecepatan tinggi, pendinginan cair, rak berdaya tinggi, dan sistem tenaga yang lebih kompleks. McKinsey memperkirakan bahwa pembangunan pusat data global mungkin membutuhkan sekitar $6,7 triliun pengeluaran modal hingga tahun 2030, dengan pusat data terkait AI menyumbang sekitar $5,2 triliun.Hal ini menunjukkan bahwa infrastruktur AI mendorong penyedia cloud menuju model operasi yang lebih padat aset.
| Jenis Aset | Perlakuan Akuntansi | Sumber Tekanan Penyusutan | Dampak pada Margin | Fokus Investor |
|---|---|---|---|---|
| GPU / akselerator AI | Dikapitalisasi, kemudian disusutkan | Harga beli yang tinggi dan penggantian yang cepat | Menaikkan biaya pendapatan cloud | Utilisasi GPU dan pendapatan inferensi |
| Server | Dikapitalisasi, kemudian disusutkan | Ekspansi skala yang pesat | Mempengaruhi margin kotor cloud | Apakah masa manfaat berubah |
| Peralatan jaringan | Dikapitalisasi, kemudian disusutkan | Kebutuhan interkoneksi berkecepatan tinggi yang meningkat | Meningkatkan biaya infrastruktur | Kemacetan bandwidth dan kecepatan ekspansi |
| Bangunan pusat data | Penyusutan siklus panjang | Siklus konstruksi yang panjang | Mempengaruhi struktur biaya jangka panjang | Apakah kapasitas terserap oleh pelanggan |
| Sistem listrik dan pendinginan | Dikapitalisasi atau diperlakukan sebagai biaya operasional | Kepadatan daya yang tinggi | Menaikkan biaya dan beban pemeliharaan | Kontrak listrik dan efisiensi energi |
Ringkasan: Tekanan depresiasi pusat data AI bukan hanya masalah akuntansi. Ini adalah hasil dari kerja sama antara CAPEX AI, siklus hidup perangkat keras, pendapatan cloud, dan utilisasi komputasi. CAPEX pertama-tama memengaruhi arus kas, sementara depresiasi kemudian memengaruhi laporan laba rugi dan pada akhirnya muncul dalam margin kotor cloud, margin operasi, dan EPS. Ketika menilai tekanan depresiasi, investor tidak boleh hanya bertanya berapa banyak yang telah dibelanjakan sebuah perusahaan. Mereka juga harus bertanya berapa lama aset-aset tersebut akan disusutkan, seberapa cepat teknologi bisa menjadi usang, apakah GPU terus digunakan oleh beban kerja bernilai tinggi, dan apakah pendapatan AI mampu menutupi biaya aset tambahan.

AI CAPEX memengaruhi margin penyedia cloud karena depresiasi biasanya masuk ke dalam biaya bisnis cloud. Penyedia cloud menjual instance cloud, API AI, layanan pelatihan, layanan inferensi, basis data, dan perangkat lunak perusahaan, tetapi GPU, server, daya, bandwidth, pendinginan, dan operasional yang mendukung pendapatan ini semuanya menimbulkan biaya. Selama biaya infrastruktur AI baru tumbuh lebih cepat daripada pendapatan cloud dan kekuatan penetapan harga produk AI, margin kotor akan mengalami tekanan.
Laba Microsoft memberikan contoh yang jelas. Microsoft FY2026 Q3 melaporkan bahwa persentase margin kotor Microsoft Cloud turun menjadi 66%, terutama karena investasi berkelanjutan pada infrastruktur AI dan pertumbuhan penggunaan produk AI, yang sebagian diimbangi oleh peningkatan efisiensi di Azure dan Microsoft 365 Commercial cloud. Ini berarti bahwa tingginya penggunaan produk AI tidak secara otomatis diterjemahkan menjadi laba jangka pendek yang lebih tinggi. Jika biaya inferensi, depresiasi, dan biaya infrastruktur naik terlebih dahulu, margin dapat tertekan lebih dulu.
Pertumbuhan penggunaan produk AI juga dapat memperbesar biaya jangka pendek. Copilot, AI Search, API AI perusahaan, pembuatan gambar, asisten pemrograman, dan bot layanan pelanggan semuanya mengonsumsi daya komputasi inferensi. Semakin banyak pengguna dan semakin banyak permintaan berarti semakin besar konsumsi GPU, biaya listrik, dan penyusutan pusat data. Microsoft Productivity and Business Processes juga mencatat bahwa investasi infrastruktur AI yang mendukung pertumbuhan jumlah kursi dan penggunaan Microsoft 365 Copilot berkontribusi pada peningkatan biaya pendapatan.
CAPEX AI memengaruhi margin cloud melalui lima jalur utama:
| Item Margin | Dampak CAPEX AI | Respons Penyedia Cloud |
|---|---|---|
| Margin kotor | Penyusutan, daya, dan biaya inferensi masuk ke harga pokok pendapatan | Tingkatkan utilisasi dan optimalkan biaya inferensi |
| Margin operasi | Perubahan margin kotor cloud mengalir ke laba operasional | Kendalikan beban penjualan, R&D, dan operasional |
| EPS | Penyusutan yang lebih tinggi menekan laba akuntansi | Imbangi dengan pertumbuhan pendapatan dan peningkatan efisiensi |
| FCF | CAPEX menciptakan arus kas keluar di muka | Bergantung pada arus kas operasi dan penagihan kontrak |
| ROIC | Basis aset yang lebih besar memerlukan imbal hasil lebih tinggi | Perlu perputaran modal yang lebih baik dan kekuatan penetapan harga |
Ringkasan: CAPEX AI tidak hanya memengaruhi arus kas bebas, tetapi juga margin bisnis cloud melalui biaya depresiasi, energi, bandwidth, pendinginan, dan operasional. Jika penyedia cloud dapat menutup depresiasi melalui penetapan harga yang lebih kuat, utilisasi GPU yang lebih tinggi, kontrak enterprise yang lebih kuat, dan biaya inferensi per unit yang lebih rendah, tekanan margin dapat diserap. Jika penggunaan produk AI terutama hanya mendatangkan biaya sementara realisasi pendapatan, harga inferensi, dan perpanjangan pelanggan tertinggal, margin kotor cloud dan margin operasional akan tetap berada di bawah tekanan.

Umur pakai GPU dan server secara langsung memengaruhi beban penyusutan tahunan, yang kemudian memengaruhi margin, EPS, dan multiples valuasi. Untuk batch server AI yang sama, jadwal penyusutan enam tahun menghasilkan beban tahunan yang lebih rendah dibandingkan jadwal lima tahun atau lebih pendek. Seiring percepatan peningkatan perangkat keras AI, asumsi mengenai umur pakai menjadi sumber utama perbedaan pendapat dalam valuasi saham teknologi.
Sebuah contoh sederhana membuat hal ini jelas. Jika penyedia cloud memiliki aset server AI senilai $10 miliar, depresiasi garis lurus selama lima tahun menyiratkan depresiasi tahunan sekitar $2 miliar. Selama enam tahun, depresiasi tahunan akan menjadi sekitar $1,67 miliar. Selisihnya sekitar $330 juta per tahun, yang secara langsung memengaruhi laba operasional dan EPS. Semakin besar basis asetnya, semakin penting asumsi depresiasi bagi laporan laba rugi.
Perubahan akuntansi Amazon sangat representatif. Laporan kuartal pertama Amazon tahun 2025 mengungkapkan bahwa, mulai 1 Januari 2025, perusahaan mempersingkat estimasi umur manfaat tertentu untuk server dan perangkat jaringan dari enam tahun menjadi lima tahun, dengan alasan perkembangan teknologi yang semakin cepat, terutama di bidang AI dan machine learning. Perubahan ini menunjukkan bahwa umur ekonomi teknologis perangkat keras AI mungkin lebih pendek daripada siklus server serbaguna tradisional.
Meta bergerak ke arah yang berlawanan. Hasil tahun penuh 2024 Meta mengungkapkan bahwa perusahaan telah menyelesaikan tinjauan atas masa manfaat tertentu dari aset server dan jaringan, memperpanjang masa manfaat yang diharapkan menjadi 5,5 tahun dan memperkirakan beban penyusutan yang lebih rendah sekitar $2,9 miliar pada tahun 2025. Masa manfaat yang lebih panjang dapat memperbaiki laporan laba rugi saat ini, tetapi investor tetap perlu menilai apakah perangkat keras tersebut benar-benar memiliki umur ekonomi yang lebih panjang.
| Perubahan Masa Manfaat | Dampak Penyusutan | Dampak pada Margin | Dampak pada Arus Kas | Fokus Investor |
|---|---|---|---|---|
| Masa manfaat lebih pendek | Penyusutan tahunan meningkat | Margin kotor dan EPS menghadapi tekanan | Tidak memengaruhi CAPEX yang telah dibelanjakan | Dapat mencerminkanobsolete lebih cepatnya perangkat keras |
| Masa manfaat lebih panjang | Penyusutan tahunan menurun | Margin saat ini membaik | Tidak langsung menambah arus kas | Perlu memverifikasi masa pakai teknis yang sebenarnya |
| Penurunan nilai aset | Beban satu kali meningkat | Laba dapat turun tajam | Dampak arus kas terbatas | Sinyal timbal balik yang kurang dari investasi sebelumnya |
| Ekspansi aset berkelanjutan | Basis penyusutan bertambah | Biaya masa depan meningkat | CAPEX terus menghabiskan kas | Perlu kapasitas penyerapan pendapatan |
Umur penyusutan akuntansi dan umur teknologi-ekonomi tidak selalu sama. Sebuah GPU mungkin masih dapat menjalankan beban kerja, tetapi jika generasi chip baru terbukti lebih unggul dalam efisiensi energi, kapasitas memori, dan throughput inferensi, daya saing komersial aset lama akan menurun. Sistem seperti NVIDIA GB200 NVL72 menekankan kemampuan inferensi waktu nyata skala besar, sehingga mendorong pasar untuk menilai kembali umur ekonomi dan keunggulan biaya per unit dari perangkat keras generasi sebelumnya.
Ringkasan: Masa pakai GPU dan server merupakan variabel kunci dalam penilaian (valuasi) pusat data AI. Semakin pendek masa pakainya, semakin tinggi penyusutan tahunan dan semakin besar tekanan terhadap margin. Semakin panjang masa pakainya, semakin baik laba rugi saat ini terlihat, tetapi jika obsolete secara teknologi sebenarnya terjadi lebih cepat, tekanan penggantian yang lebih tinggi atau penurunan nilai aset dapat muncul di kemudian hari. Investor tidak boleh hanya melihat laba akuntansi yang disesuaikan. Mereka juga perlu menilai daya saing perangkat keras yang sebenarnya, perubahan biaya inferensi, tingkat utilisasi GPU, dan periode pengembalian modal. Semakin berat infrastruktur AI, semakin besar pula asumsi penyusutan memengaruhi kredibilitas valuasi.
Bahkan dengan AI CAPEX yang meningkat di seluruh sektor, Microsoft, Meta, Amazon, dan Alphabet menghadapi jalur tekanan depresiasi yang berbeda-beda. Tekanan Microsoft tampak pada margin kotor cloud. Masalah utama Meta adalah apakah arus kas periklanan dapat menutupi depresiasi infrastruktur AI. Fokus Amazon adalah apakah pertumbuhan AWS dapat menyerap biaya aset. Masalah utama Alphabet adalah apakah Google Cloud, AI Search, dan efisiensi periklanan dapat menyerap investasi infrastruktur teknis.
Profil Microsoft menunjukkan permintaan cloud yang kuat, tetapi infrastruktur AI sudah mulai memengaruhi margin. Microsoft FY2026 Q3 melaporkan pendapatan Microsoft Cloud sebesar $54,5 miliar, naik 29% dari tahun ke tahun, dan kewajiban kinerja tersisa komersial (commercial remaining performance obligation) naik 99% menjadi $627 miliar, yang menunjukkan permintaan perusahaan yang kuat. Namun persentase margin kotor Microsoft Cloud turun menjadi 66% pada kuartal yang sama, menunjukkan bahwa investasi infrastruktur AI dan pertumbuhan penggunaan produk AI telah mulai masuk ke sisi biaya.
Tekanan yang dialami Meta berasal dari ekspansi infrastruktur AI yang masif. Dalam Meta Q1 2026, perusahaan menaikkan panduan belanja modal tahunan menjadi $125–145 miliar, mencerminkan kebutuhan kapasitas pusat data di masa depan serta infrastruktur AI yang lebih tinggi. Reuters melaporkan bahwa Meta sedang mengembangkan chip AI buatan sendiri dan memperluas kapasitas komputasi, yang mengindikasikan perusahaan ingin mengurangi ketergantungan pada GPU eksternal dan mengendalikan biaya infrastruktur jangka panjang. Dari sisi valuasi, kuncinya adalah apakah arus kas periklanan mampu menopang beban penyusutan ini.
Situasi Amazon lebih terkait langsung dengan arus kas dan biaya aset. Amazon Q1 2026 melaporkan arus kas operasional dua belas bulan terakhir sebesar $148,5 miliar, sementara arus kas bebas turun menjadi $1,2 miliar, terutama karena meningkatnya pembelian properti dan peralatan, dengan investasi AI sebagai faktor penting. Tekanan depresiasi akan terus memengaruhi struktur biaya AWS setelah aset-aset ini dioperasikan.
Alphabet memiliki struktur yang lebih seimbang. Alphabet Q1 2026 melaporkan pertumbuhan pendapatan Google Cloud sebesar 63% menjadi $20 miliar, sementara margin operasi konsolidasi meluas menjadi 36,1%. Namun, CAPEX infrastruktur teknis tetap tinggi, dan penyusutan di masa depan akan tetap menjadi fokus utama pasar. Jika Google Cloud, Pencarian AI, dan efisiensi periklanan terus tumbuh, tekanan penyusutan akan lebih mudah diserap.
| Perusahaan | Variabel CAPEX AI | Sumber Tekanan Depresiasi | Titik Penyerapan Pendapatan | Indikator Margin |
|---|---|---|---|---|
| Microsoft | Azure AI, Copilot, pusat data GPU | Infrastruktur AI masuk ke biaya cloud | Azure, Microsoft Cloud, Copilot | Margin kotor cloud |
| Meta | Pusat data AI, chip buatan sendiri, pelatihan model | Depresiasi aset masif | Efisiensi periklanan, asisten AI, layanan model | Margin operasional, FCF |
| Amazon | Infrastruktur AI AWS, pembelian PPE | Biaya aset server dan jaringan | AWS, Trainium, kontrak perusahaan | Margin operasional AWS |
| Alphabet | TPU/GPU, infrastruktur teknis | Depresiasi pusat data dan chip | Google Cloud, AI Search, periklanan | Margin cloud, margin operasional keseluruhan |
Ringkasan: Saat membandingkan tekanan penyusutan penyedia cloud, CAPEX absolut saja tidak cukup. Untuk Microsoft, fokusnya adalah apakah penggunaan produk AI terus memberikan tekanan pada margin kotor Cloud. Untuk Meta, fokusnya adalah apakah arus kas iklan dapat menutupi penyusutan infrastruktur AI. Untuk Amazon, fokusnya adalah apakah pertumbuhan AWS dapat memperbaiki arus kas bebas dan menyerap biaya aset. Untuk Alphabet, fokusnya adalah apakah Cloud, AI Search, dan efisiensi periklanan dapat menyerap belanja infrastruktur teknis. Apakah tekanan penyusutan menjadi berbahaya bergantung pada kapasitas penyerapan pendapatan, bukan pada satu angka belanja semata.
Tekanan depresiasi hanya menjadi risiko margin yang nyata ketika pertumbuhan pendapatan, utilisasi GPU, dan harga inferensi gagal mengikuti laju kenaikan biaya. Depresiasi yang lebih tinggi belum tentu buruk. Jika beban kerja AI benar-benar tumbuh, pelanggan bersedia membayar, dan utilisasi GPU tinggi, depresiasi tambahan dapat ditutupi oleh pendapatan. Bahaya muncul ketika depresiasi, listrik, pendinginan, dan biaya operasional naik bersamaan, sementara pendapatan cloud dan harga produk AI tidak cukup kuat.
Situasi pertama yang dapat dikelola adalah ketika pendapatan tumbuh lebih cepat daripada depresiasi. Jika pendapatan cloud, penggunaan API AI, kontrak perusahaan, permintaan inferensi, dan sewa komputasi jangka panjang tumbuh dengan cepat, depresiasi sebagai bagian dari pendapatan dapat menurun. Bahkan ketika depresiasi absolut meningkat, biaya aset yang ditanggung oleh setiap dolar pendapatan dapat turun. Dalam kasus tersebut, CAPEX AI tampak lebih seperti investasi pertumbuhan.
Situasi berbahaya kedua adalah penurunan harga inferensi yang dikombinasikan dengan GPU yang menganggur. Persaingan AI dapat mendorong peningkatan efisiensi model dan menurunkan harga inferensi. Jika penyedia cloud membangun kapasitas GPU dalam jumlah besar sebelum permintaan yang sebenarnya ada, tetapi permintaan pelanggan tidak mencukupi, harga sewa turun, atau layanan inferensi didiskon, depresiasi langsung menekan margin kotor. Riset terbaru tentang ekonomi inferensi juga memperlakukan generasi perangkat keras, bandwidth memori, dan permintaan yang dapat dimonetisasi sebagai variabel penting yang memengaruhi kelangsungan solvabilitas infrastruktur AI.
Sumber tekanan ketiga adalah daya dan pendinginan. IEA memperkirakan konsumsi listrik pusat data global akan naik menjadi sekitar 945 TWh pada tahun 2030, meningkat tajam dari sekitar 415 TWh pada tahun 2024. Rak AI memiliki kepadatan daya yang lebih tinggi, dan pendinginan cair, gardu induk, daya cadangan, serta kontrak daya semuanya menambah biaya. Kenaikan biaya energi di luar penyusutan membuat tekanan margin semakin rumit.
Tekanan penyusutan biasanya menjadi risiko margin ketika enam sinyal berikut muncul:
Ringkasan: Tekanan depresiasi tidak serta-merta sama dengan risiko margin. Selama beban kerja AI terus tumbuh, pelanggan membayar, utilisasi GPU tetap tinggi, dan biaya inferensi per unit terus menurun, depresiasi dapat terserap oleh pendapatan. Bahaya sesungguhnya adalah ketika biaya depresiasi, daya, pendinginan, dan operasional naik bersamaan, sementara pendapatan cloud, harga inferensi, dan permintaan pelanggan tidak mampu mengikuti. Pada titik itu, CAPEX AI bergeser dari investasi pertumbuhan menjadi beban margin, dan pasar akan menilai kembali margin cloud jangka panjang serta kelipatan valuasi.
Investor biasa dapat menilai tekanan depresiasi AI melalui lima sudut pandang: D&A sebagai persentase dari pendapatan, margin kotor cloud, margin operasional, masa manfaat aset, dan asumsi valuasi. CAPEX yang tinggi belum tentu berbahaya, dan depresiasi yang tinggi tidak selalu berarti sebuah perusahaan sedang memburuk. Yang patut diperhatikan adalah depresiasi yang meningkat, margin kotor cloud yang turun, realisasi pendapatan AI yang tidak memadai, dan valuasi yang masih mengasumsikan margin tinggi dalam jangka panjang.
Langkah pertama adalah mengamati apakah penyusutan dan amortisasi / pendapatan terus meningkat. Jika D&A sebagai bagian dari pendapatan terus bertambah, biaya aset masuk ke laporan laba rugi secara lebih terlihat. Setiap penyedia cloud memiliki campuran bisnis yang berbeda, sehingga investor tidak boleh hanya membandingkan penyusutan absolut. Skala pendapatan, pangsa pendapatan cloud, dan intensitas aset pusat data juga perlu dipertimbangkan.
Langkah kedua adalah mengamati apakah margin kotor cloud dan margin operasional tertekan pada saat yang bersamaan. Jika pendapatan cloud tumbuh kuat tetapi margin kotor turun, depresiasi AI dan biaya inferensi mungkin sedang meningkat. Jika margin operasional masih bertahan, perusahaan mungkin menyerap tekanan melalui penetapan harga, peningkatan efisiensi, atau bisnis bermargin tinggi lainnya. Microsoft Cloud gross margin, AWS operating margin, dan Google Cloud operating margin semuanya merupakan metrik kunci.
Langkah ketiga adalah menilai apakah valuasi sudah mengasumsikan bahwa tekanan depresiasi masih dapat dikelola. Saham teknologi bervaluasi tinggi sering kali mengimplikasikan bahwa CAPEX AI dapat menghasilkan imbal hasil yang tinggi. Jika depresiasi di masa depan lebih tinggi dari yang diperkirakan, EPS, FCF, dan kelipatan valuasi dapat mengalami tekanan. Sebaliknya, jika tekanan depresiasi telah dipatok harga dan pendapatan AI mulai terwujud, valuasi dapat pulih.
Investor dapat menggunakan tujuh pertanyaan untuk memeriksa tekanan depresiasi AI:
Jika Anda mengikuti peluang saham AS di pusat data AI, penyedia cloud, dan rantai pasok semikonduktor, Anda tidak hanya perlu memperhatikan margin dan depresiasi, tetapi juga biaya transaksi yang sebenarnya. Biaya perdagangan saham AS dapat mencakup bukan hanya komisi, tetapi juga biaya platform, biaya institusi eksternal, dan biaya aktivitas perdagangan. Biya mengenakan komisi US$0 untuk perdagangan saham AS, sedangkan biaya platform, biaya institusi eksternal, dan biaya lainnya mengikuti pusat biaya dan tampilan pesanan. Sebelum bertransaksi, Anda dapat meninjau biaya perdagangan saham AS dan memastikan apakah layanan terkait berlaku untuk lokasi Anda, hasil verifikasi identitas, aturan platform, serta hukum dan peraturan setempat.
Ringkasan: Investor biasa tidak boleh menilai tekanan depresiasi AI hanya dari CAPEX, juga tidak hanya dari EPS. Pendekatan yang lebih berguna adalah menganalisis D&A sebagai persentase dari pendapatan, margin kotor cloud, margin operasi, masa manfaat aset, dan asumsi valuasi secara bersamaan. Ketika tekanan depresiasi masih dapat dikelola, CAPEX AI mungkin merupakan investasi pertumbuhan. Ketika tekanan depresiasi menjadi tidak terkendali, bahkan pertumbuhan pendapatan yang cepat pun mungkin tidak mampu mendukung valuasi yang tinggi. Semakin lama siklus infrastruktur AI berlangsung, semakin penting kualitas margin menjadi.
Jika Anda terus memantau tekanan depresiasi pusat data AI, margin penyedia cloud, dan valuasi saham teknologi, Anda dapat berfokus pada perubahan laba dari Microsoft, Meta, Amazon, Alphabet, Oracle, NVIDIA, perusahaan penyimpanan AI, dan rantai pasokan pusat data: apakah panduan CAPEX terus meningkat, apakah D&A berakselerasi, apakah margin kotor cloud tertekan, dan apakah pendapatan AI mulai menutupi biaya depresiasi. Sebagai dompet perdagangan multi-aset global, Biya mendukung perdagangan saham AS, saham Hong Kong, dan cryptocurrency, serta konversi USDT ke mata uang fiat utama seperti USD dan HKD. Anda dapat menggunakan pencarian informasi saham AS untuk menyusun daftar pantauan infrastruktur AI, dan Anda dapat mengunduh App untuk terus memantau nama-nama terkait. Ketersediaan layanan bergantung pada lokasi pengguna, hasil verifikasi identitas, aturan platform, serta hukum dan peraturan yang berlaku. Sebelum bertransaksi, Anda harus memahami sepenuhnya aturan pesanan, struktur biaya, dan risiko volatilitas harga.
Depresiasi pusat data AI memengaruhi margin kotor cloud karena depresiasi atas GPU, server, dan peralatan pusat data biasanya masuk ke biaya bisnis cloud. Jika pendapatan AI tumbuh lebih cepat daripada depresiasi, tekanan terhadap margin dapat dikendalikan; jika penyerapan pendapatan tidak memadai, margin akan tertekan.
CAPEX AI adalah tekanan pada arus kas, sedangkan depresiasi adalah tekanan pada laporan laba rugi. CAPEX terjadi ketika sebuah perusahaan membeli GPU, server, dan peralatan pusat data. Depresiasi kemudian masuk ke perhitungan biaya, margin, dan EPS secara bertahap selama masa manfaat aset tersebut.
Umur pakai GPU yang lebih pendek meningkatkan beban depresiasi tahunan, yang menekan laba operasional dan EPS. Hal ini mungkin tidak memengaruhi arus kas saat ini, tetapi dapat memengaruhi margin, kelipatan valuasi, dan pandangan pasar terhadap siklus pengembalian investasi AI.
Penyedia cloud dapat mengurangi tekanan depresiasi AI dengan meningkatkan utilisasi GPU, mengoptimalkan biaya inferensi, menandatangani kontrak jangka panjang, menaikkan harga produk AI, dan memperpanjang masa pakai efektif perangkat keras. Metode-metode ini memerlukan keseimbangan antara kinerja, stabilitas, dan permintaan pelanggan.
Investor sebaiknya fokus pada D&A sebagai bagian dari pendapatan, margin kotor cloud, margin operasional, panduan CAPEX, dan perubahan masa pakai server. Jika depresiasi tumbuh lebih cepat daripada pendapatan cloud, tekanan margin dapat meningkat.
Ya, tetapi efeknya tidak satu arah. Tekanan depresiasi yang tinggi dapat membuat penyedia cloud memperlambat pembelian atau beralih ke chip internal. Namun, jika permintaan inferensi kuat dan utilisasi GPU tinggi, permintaan pembelian tambahan dapat terus berlanjut. Kuncinya adalah menilai CAPEX pelanggan, utilisasi GPU, dan pendapatan inferensi secara bersamaan.
*Artikel ini disediakan untuk tujuan informasi umum dan tidak merupakan nasihat hukum, pajak, atau nasihat profesional lainnya dari BiyaPay atau anak perusahaan serta afiliasinya, dan tidak dimaksudkan sebagai pengganti untuk mendapatkan nasihat dari penasihat keuangan atau profesional lainnya.
Kami tidak membuat pernyataan atau jaminan apa pun, baik tersurat maupun tersirat, mengenai keakuratan, kelengkapan, atau ketepatan waktu isi publikasi ini.

