Dari tahun 2023 hingga 2025, narasi utama dalam industri chip AI berpusat pada "perlombaan kekuatan komputasi." Penyedia layanan cloud dan raksasa teknologi berlomba-lomba membeli GPU, memperluas pusat data, dan menginvestasikan ratusan miliar dolar dalam infrastruktur komputasi awan. NVIDIA, dengan ekosistem CUDA dan jajaran GPU berkinerja tinggi, telah membangun posisi pasar yang nyaris tak tergoyahkan selama periode ini.
Namun, memasuki tahun 2026, logika industri mengalami perubahan mendasar. Imbal hasil marginal dari biaya pelatihan model besar mulai menurun, permintaan inferensi AI melonjak, dan perusahaan beralih fokus dari "Bisakah kita melatih model?" menjadi "Bisakah kita menerapkannya secara masif?" Pasar chip AI kini bertransisi dari fase pertama pembangunan infrastruktur menuju fase kedua—kompetisi efisiensi komersial.
Tinjauan Fase Satu: Dominasi Pembangunan Infrastruktur
Antara tahun 2023 dan 2025, pendorong utama pasar chip AI adalah permintaan tak terbatas akan kekuatan komputasi untuk melatih model besar. NVIDIA memanfaatkan momentum ini, mengubah GPU dari alat rendering grafis menjadi "mata uang komputasi" di era AI.
Pada tahun fiskal 2026, total pendapatan NVIDIA mencapai USD 215,9 miliar, naik 65% secara tahunan, menembus angka USD 200 miliar untuk pertama kalinya. Dari jumlah tersebut, pendapatan pusat data mencapai USD 193,7 miliar, meningkat 68% dan menyumbang hampir 90% dari pendapatan perusahaan. Pada kuartal keempat saja, pendapatan pusat data mencapai USD 62,3 miliar, naik 22% secara kuartalan dan 75% secara tahunan. Proyeksi pendapatan gabungan untuk platform Blackwell dan Rubin melampaui USD 500 miliar pada akhir 2026.
Keunggulan kompetitif NVIDIA pada fase ini tidak hanya bertumpu pada performa perangkat keras, tetapi juga pada ekosistem perangkat lunak CUDA yang sangat mengunci pengguna. Para pengembang terbiasa membangun aplikasi AI di atas CUDA, sementara penyedia cloud menata infrastruktur mereka di sekitar GPU NVIDIA, sehingga biaya migrasi menjadi sangat tinggi. Keunggulan "perangkat keras + perangkat lunak + sistem" secara full-stack ini memungkinkan NVIDIA menguasai sekitar 80% pasar akselerator AI pusat data.
Sementara itu, AMD terus mengembangkan lini produk GPU Instinct, namun pangsa pasarnya tetap di kisaran 5% hingga 7%, dengan selisih absolut yang semakin lebar. Firma riset Futurum Group bahkan memberikan estimasi lebih konservatif, menempatkan pangsa pasar GPU pusat data AMD sekitar 4,5%.
Fase Kedua Dimulai: Dari Kekuatan Pelatihan ke Efisiensi Inferensi
Setelah tahun 2026, dinamika kompetisi pasar chip AI mengalami transformasi struktural. Perubahan inti: fokus pasar bergeser dari "kekuatan pelatihan" ke "efisiensi inferensi," dan dari "skala pengadaan GPU" ke "optimasi biaya dan skala penerapan komersial."
Beberapa faktor mendorong perubahan ini. Pertama, investasi besar dalam pelatihan model besar sebagian besar telah selesai, dan cadangan komputasi para pemain utama mulai mencapai titik jenuh. Kedua, aplikasi AI beralih dari "level demo" ke "grade produksi," dengan beban kerja inferensi meningkat pesat—AMD secara resmi memperkirakan beban kerja inferensi AI kini tumbuh lebih dari 80%. Ketiga, perusahaan kini memprioritaskan total cost of ownership dalam keputusan pengadaan, bukan sekadar mengejar puncak komputasi.
J.P. Morgan memproyeksikan pasar chip jaringan AI akan mencapai USD 107,5 miliar pada 2026 dan naik menjadi USD 154,9 miliar pada 2027. Organisasi World Semiconductor Trade Statistics secara tajam meningkatkan proyeksi pasar semikonduktor global 2026 dari USD 975,4 miliar menjadi USD 1,51 triliun, naik 89,9% secara tahunan. Pasar semakin berkembang, namun logika pembagian "kue" mulai berubah.
Serangan AMD: Dari "Alternatif Murah" ke "Narasi Kekuatan Harga"
Strategi AMD untuk menantang NVIDIA jelas berevolusi pada fase kedua ini.
Pada kuartal I 2026, pendapatan AMD mencapai USD 10,25 miliar, naik 37,85% secara tahunan, dengan laba bersih melonjak 95% menjadi USD 1,38 miliar. Pendapatan pusat data mencapai USD 5,8 miliar, tumbuh 57% dan menjadi mesin utama pertumbuhan AMD. Perusahaan memproyeksikan pendapatan kuartal II sekitar USD 11,2 miliar, naik sekitar 46% secara tahunan.
Di sisi produk, roadmap AMD sangat jelas dan agresif. Seri Instinct MI400, dibangun dengan proses TSMC 2nm dan arsitektur CDNA Next, membawa memori HBM4 sebesar 432GB, bandwidth 19,6 TB/s, dan compute FP4 sebesar 40 PFLOPs—dua kali lipat performa generasi sebelumnya. Seri ini telah mengantongi pesanan dari Oracle, OpenAI, dan Departemen Energi AS.
Yang lebih menonjol adalah sistem AI skala rak Helios. Platform ini mengintegrasikan CPU EPYC Venice generasi keenam, GPU MI450X, chip jaringan Vulcano 800G, dan sistem pendingin cair, menghasilkan puncak performa FP4 sebesar 2,9 exaFLOPS per rak dan kapasitas HBM4 total hingga 31TB.
Titik infleksi nyata datang dari sisi pelanggan. Pada Juli 2026, Microsoft mengumumkan akan menerapkan solusi Helios skala rak AMD di Azure untuk mendukung beban kerja inferensi AI tingkat lanjut. Ini menandai deployment full-stack pertama AMD—GPU, CPU, dan jaringan—pada satu pelanggan cloud. Sebelumnya, Meta menandatangani perjanjian infrastruktur AI multi-generasi hingga 6 gigawatt; OpenAI, Oracle, dan TCS India juga melakukan komitmen signifikan. Menurut AMD, delapan dari sepuluh perusahaan AI teratas dunia kini menjalankan beban kerja pada GPU Instinct.
Analis Futurum Group, Daniel Newman, meyakini AMD dapat meningkatkan pangsa pasar GPU pusat data dari 4,5% saat ini menjadi antara 20% hingga 25%. Morgan Stanley memproyeksikan permintaan CoWoS AMD akan tumbuh 308% pada 2027.
Moat NVIDIA—dan Retakan yang Mulai Muncul
NVIDIA tidak berdiam diri menghadapi para penantang. Platform Rubin kini telah memasuki produksi penuh, menggabungkan GPU berkinerja tinggi dengan CPU Vera untuk meningkatkan kecepatan pemrosesan token sepuluh kali lipat dengan biaya lebih rendah. Arsitektur Vera Rubin mendukung hingga 144 GPU per kabinet, dengan versi high-end menghubungkan hingga 576 GPU. NVIDIA mengumumkan bahwa hingga akhir 2026, pengiriman gabungan platform Blackwell dan Rubin akan mencapai 20 juta unit.
Namun, dominasi NVIDIA mulai menunjukkan retakan. Pada kuartal II tahun fiskal 2026, pendapatan pusat data NVIDIA mencapai USD 41,1 miliar—naik 56% secara tahunan, namun masih di bawah proyeksi analis sebesar USD 41,3 miliar. Perusahaan mengonfirmasi tidak ada penjualan chip H20 yang difokuskan untuk pasar Tiongkok pada kuartal ini, dan tidak ada pengiriman ke Tiongkok yang diharapkan pada panduan kuartal III. Di pasar server akselerator AI Tiongkok, pangsa gabungan pemasok domestik naik dari 41–46% pada 2025 menjadi sekitar 56% pada 2026. Kontrol ekspor mulai menggambar ulang lanskap kompetisi regional.
Di sisi perangkat lunak, moat CUDA milik NVIDIA juga mulai terkikis. Bahasa SCALE kini memungkinkan binary CUDA tanpa modifikasi berjalan di GPU AMD. Perangkat lunak ROCm 7.0 AMD memberikan performa 3,5 kali lipat dari ROCm 6 dan terintegrasi mendalam dengan framework open-source terkemuka seperti vLLM dan SGLang.
Biaya Inferensi: Metrik Kompetisi Utama di Fase Kedua
Jika fase pertama ditentukan oleh "performa pelatihan per dolar," maka fase kedua sepenuhnya tentang "biaya inferensi per token."
Pada Juli 2026, perusahaan optimasi inferensi Wafer melaporkan bahwa AMD MI355X, menjalankan model open-source GLM 5.2, menghasilkan biaya inferensi hanya setengah dari NVIDIA B200, dengan performa sebesar 80%. SemiAnalysis mencapai kesimpulan serupa: dalam skenario inferensi interaktif, AMD MI355X membukukan biaya inferensi per satu juta token sekitar USD 0,22, dibandingkan USD 0,30 pada NVIDIA B200.
Kepala pusat data AMD, Forrest Norrod, merangkum keunggulan inti Helios sebagai "total cost of ownership terbaik dan biaya per token terendah." Narasi ini sangat meyakinkan di fase kedua—ketika perusahaan harus menskalakan deployment AI dari pilot ke produksi, bahkan selisih kecil pada biaya inferensi dapat berarti miliaran dolar pengeluaran operasional.
Tentu saja, NVIDIA masih memimpin dalam performa inferensi skala rak. GB200 NVL72, dengan interkoneksi NVLink level kabinet dan orkestrasi perangkat lunak, dapat menghasilkan throughput hingga 28 kali lipat dari AMD MI350X dalam skenario tertentu. Namun, AMD menggeser strategi diferensiasinya dari "mengejar performa" ke "kepemimpinan biaya."
Kesimpulan
Pasar chip AI telah bertransisi dari fase pembangunan infrastruktur menuju fase kompetisi efisiensi komersial. Pergeseran ini memperluas lanskap kompetisi dari fokus tunggal pada "kekuatan pelatihan" menjadi kontestasi multidimensi yang melibatkan "efisiensi inferensi, optimasi biaya, dan skala deployment komersial."
NVIDIA, dengan ekosistem CUDA, kapabilitas full-stack, dan basis pelanggan besar, masih menguasai sekitar 80% pasar akselerator AI pusat data. Namun, AMD membangun sistem kompetitif yang berbeda, berpusat pada "total cost of ownership" dan "biaya per token" melalui solusi rak Helios, seri MI400, dan ekosistem open-source ROCm. Keputusan pengadaan pelanggan utama seperti Microsoft, Meta, dan OpenAI menunjukkan permintaan pasar untuk "second source" benar-benar nyata dan semakin cepat.
Dalam fase kedua kompetisi chip AI, pemenangnya bukanlah perusahaan yang membangun chip paling kuat, melainkan yang membantu perusahaan menerapkan AI dari laboratorium ke produksi dengan biaya terendah dan efisiensi tertinggi.
FAQ
Q1: Apa perbedaan inti antara fase pertama dan kedua kompetisi chip AI?
Fase pertama (2023–2025) berfokus pada pembangunan infrastruktur AI, dengan permintaan utama pada pengadaan GPU, ekspansi pusat data, dan investasi komputasi awan. Fokus kompetisi ada pada compute pelatihan. Fase kedua (setelah 2026) bergeser ke komersialisasi AI, di mana pasar memprioritaskan biaya inferensi, efisiensi energi, dan skala deployment perusahaan. Fokusnya berpindah dari "Bisakah kita melatih?" ke "Bisakah kita menskalakan dan menghasilkan profit?"
Q2: Bagaimana AMD menantang dominasi pasar NVIDIA?
Strategi AMD telah berevolusi dari "alternatif murah" menjadi "narasi kekuatan harga." Sistem rak Helios mengamankan pengadaan full-stack dari Microsoft dengan harga sekitar 40% lebih tinggi dari Rubin milik NVIDIA, membuktikan pasar bersedia membayar untuk nilai yang berbeda. Seri MI400 menawarkan kapasitas memori dan bandwidth 1,5 kali Rubin, dan ROCm 7.0 memberikan performa perangkat lunak 3,5 kali lipat. Dengan pelanggan besar seperti Meta dan Microsoft, AMD beralih dari "pengikut" menjadi "penyedia alternatif."
Q3: Apakah moat ekosistem CUDA milik NVIDIA mulai terkikis?
Ya. Bahasa SCALE kini memungkinkan binary CUDA tanpa modifikasi berjalan secara native di GPU AMD, mematahkan lock-in perangkat lunak NVIDIA selama 15 tahun. ROCm 7.0 AMD terintegrasi mendalam dengan framework inferensi open-source seperti vLLM dan SGLang. Meski CUDA masih menjadi standar industri, "keunikan" di antara ekosistem pengembang mulai memudar.
Q4: Mengapa biaya inferensi sangat krusial pada fase kedua kompetisi?
Saat AI beralih dari demonstrasi ke deployment produksi berskala besar, biaya inferensi secara langsung menentukan kelayakan model bisnis. AMD MI355X membukukan biaya inferensi per satu juta token sekitar USD 0,22, dibandingkan USD 0,30 pada NVIDIA B200. Untuk aplikasi AI berskala besar yang memproses miliaran token setiap hari, selisih ini berarti ratusan juta dolar penghematan tahunan. Di fase kedua, siapa pun yang mampu menghadirkan biaya per token lebih rendah tanpa mengorbankan performa memiliki peluang terbaik memenangkan pesanan deployment perusahaan berskala besar.
