Bayangkan sebuah data center di Batam sedang mempersiapkan penambahan kapasitas untuk layanan AI finansial klien bank nasional. Tim teknis sudah menghitung konfigurasi, memilih chip H100, memesan chassis dari Taiwan, dan mengatur jadwal instalasi. Tapi dua minggu sebelum pengiriman, mereka menerima email dari distributor: harga server berbasis GPU Nvidia naik lebih dari 15%. Tidak hanya penyesuaian—tapi perubahan yang menggerus margin proyek sejak fase tender.
Siapa yang Menanggung Biaya Tambahan?
Kenaikan harga ini bukan keputusan sepihak Nvidia. Dilansir TechInAsia, kontraktor manufaktur seperti Foxconn dan Quanta telah memberi peringatan resmi ke Microsoft, Google, dan Oracle bahwa biaya komponen kritis—mulai dari modul memori HBM3 hingga sistem pendingin cair—melonjak tajam. Tekanan rantai pasok tidak hanya berasal dari kelangkaan chip, tetapi juga dari regulasi ekspor AS terhadap teknologi AI generasi terbaru, yang memaksa produsen memindahkan proses kalibrasi ke fasilitas di luar China dan meningkatkan biaya verifikasi sertifikasi.
Nvidia sendiri tidak menaikkan harga langsung ke end user, tapi juga melalui channel partner dan OEM. Artinya, harga yang diterima oleh penyedia layanan cloud di Indonesia—seperti Biznet Gio atau CloudX—bukan hanya mencerminkan harga dasar GPU, tapi juga markup tambahan dari tiga lapisan distribusi: pabrikan server, integrator lokal, dan penyedia platform. Di tengah itu, tidak ada mekanisme negosiasi ulang untuk kontrak kerja sama yang sudah ditandatangani awal 2024.
Baca juga: Neural Drive Potong Biaya Alat Komunikasi Bantu 90% Tanpa Operasi
Startup Lokal Tak Punya Ruang untuk Menyerap Kenaikan
Bagi startup AI di Jakarta atau Bandung yang mengandalkan infrastruktur on-demand, kenaikan ini bukan soal anggaran belanja modal—melainkan soal kelangsungan operasional. Sebuah startup analitik kesehatan dengan 12 engineer dan 3 model produksi aktif, misalnya, menghabiskan 68% anggaran bulanan untuk compute di cloud publik. Ketika harga per jam GPU A100 naik 17% dan H100 naik 22%, seperti dilaporkan dalam internal memo satu penyedia cloud lokal akhir Mei, mereka harus memilih: memotong eksperimen model baru, menunda peluncuran fitur, atau menaikkan harga ke rumah sakit mitra—yang justru sedang ketat anggarannya.
Tidak seperti di Amerika Serikat atau Singapura, di mana startup bisa mengandalkan grant pemerintah atau insentif pajak untuk riset AI, dukungan fiskal bagi perusahaan teknologi intensif komputasi di Indonesia masih sangat terbatas. Program Digital Talent Scholarship Kemenkominfo fokus pada pelatihan SDM, bukan subsidi infrastruktur. Sementara skema KUR Teknologi belum mencakup pembelian atau sewa server berbasis GPU—karena klasifikasinya masih masuk 'barang modal impor bernilai tinggi', bukan 'perangkat lunak inovatif'.
Baca juga: Stripe Masuk Singapura: Apa Artinya untuk UMKM Indonesia?
Yang lebih krusial: kenaikan ini terjadi saat permintaan lokal justru melesat. Menurut survei Asosiasi Penyelenggara Jasa Internet Indonesia (APJII) 2024, 41% UMKM yang mulai mengadopsi AI dalam dua tahun terakhir memilih solusi berbasis cloud publik karena kurangnya kapasitas internal. Mereka bukan klien high-margin seperti bank besar, melainkan usaha mikro yang membayar Rp350 ribu–Rp1,2 juta per bulan untuk layanan chatbot berbasis LLM ringan. Kenaikan harga server secara langsung menekan kemampuan penyedia lokal untuk menawarkan tier harga rendah—dan justru memperkuat dominasi platform asing yang punya skala ekonomi dan akses ke hardware generasi terbaru lebih cepat.
Perbedaan struktural ini membuat pasar Indonesia rentan terhadap fluktuasi rantai pasok global tanpa mekanisme penyangga. Tidak ada cadangan stok GPU lokal, tidak ada pabrik perakitan server di dalam negeri, dan belum ada kebijakan yang mewajibkan alokasi kuota chip untuk proyek strategis nasional—berbeda dengan kebijakan semikonduktor Korea Selatan atau Malaysia yang mulai mengembangkan program co-location antara pabrik chip dan pusat data nasional.
"Kami tidak bisa menaikkan harga ke klien kecil hanya karena harga hardware naik. Yang kami lakukan adalah mengoptimalkan ulang arsitektur—migrasi dari full H100 ke hybrid A100 + L4, lalu mempercepat pipeline inferensi agar satu GPU melayani lebih banyak request. Tapi itu pun punya batas teknis," ujar Rudi Santoso, CTO salah satu penyedia AI-as-a-Service berbasis di Surabaya, dalam diskusi tertutup dengan tim redaksi pekan lalu.