Industri AI Pasca-Jensen Huang: Nvidia, AMD, dan Perebutan Cip

Jawaban singkat: Keluarnya Jensen Huang dari Nvidia dapat mempercepat evaluasi diversifikasi infrastruktur AI, tetapi belum membuktikan pasar akan meninggalkan Nvidia. Persaingan tidak lagi sekadar jumlah GPU; perang bergeser ke biaya inferensi, kapasitas memori, jaringan pusat data, sistem perangkat lunak, energi, dan pilihan pelanggan atas cip khusus. AMD, Amazon, Google, dan pengembang model terbuka memiliki jalur persaingan yang berbeda.

Analisis Industri AI AIGEO.ID | 14 November 2026. Klaim performa yang dikeluarkan vendor merupakan klaim perusahaan dan perlu diuji pada beban kerja nyata.

Pergantian CEO, bukan pergantian seluruh ekosistem AI

Pengumuman Nvidia pada 12 November 2026 menyatakan Jensen Huang mengundurkan diri dan Colette Kress menjadi CEO interim. Berita ini mengejutkan karena Huang selama puluhan tahun merupakan wajah strategi Nvidia. Namun, laboratorium AI tidak otomatis berhenti melatih model dan pusat data tidak otomatis mengganti perangkat hanya karena pemimpinnya berubah. Kontrak, staf teknik, perangkat lunak CUDA, dukungan jaringan dan keterikatan aplikasi adalah bagian dari ekosistem yang berumur lebih panjang daripada seorang eksekutif. Sumber: pengumuman Nvidia.

Pertanyaan bisnis yang lebih berguna daripada spekulasi runtuhnya Nvidia adalah: di mana pelanggan mempunyai alternatif yang cukup matang, dan pada titik mana biaya berpindah menjadi lebih kecil daripada manfaat diversifikasi? Jawabannya berbeda untuk pelatihan model raksasa, inferensi model komersial, komputasi ilmiah, dan AI di perangkat tepi.

Mengapa Nvidia masih memiliki pertahanan kompetitif?

Dalam laporan tahun fiskal 2026 Nvidia membukukan pendapatan US$215,9 miliar, kenaikan 65% secara tahunan. Untuk kuartal kedua fiskal 2027 yang diumumkan Agustus 2026, perusahaan melaporkan pendapatan total US$96,2 miliar dan pendapatan Data Center US$89 miliar. Angka ini menunjukkan skala permintaan, tetapi bukan pembenaran untuk menganggap pertumbuhan tak terbatas. Detail ada dalam laporan keuangan fiskal 2026 dan rilis kuartal Agustus 2026.

Keunggulan Nvidia bersifat sistemik: chip bekerja bersama CUDA, perpustakaan komputasi, pengaturan jaringan dan memori, sistem interkoneksi, serta alat operasi. Perusahaan yang telah menulis kode, menguji pipeline dan mengoptimalkan model pada platform itu menghadapi biaya migrasi. Karena itu, pesaing mesti menawarkan bukan hanya perangkat keras lebih murah, tetapi juga hasil yang konsisten, dukungan pengembang, ketersediaan kapasitas, dan portabilitas.

AMD: kompetitor GPU yang menantang di sistem penuh

Pada November 2026 AMD memperbarui lini Instinct MI400 dengan detail MI455X untuk sistem Helios dan memperkenalkan MI450X. Dalam pengumumannya, AMD menyoroti kebutuhan inferensi yang berbeda menurut kapasitas memori serta respons sistem. Keunggulan teoritis atau angka performa yang dirilis vendor tetap harus diuji dengan model, batch, latensi, konsumsi energi dan biaya total yang sama. Sumber: AMD Newsroom, 12 November 2026.

Bagi pelanggan besar, meningkatnya alternatif AMD dapat memperkuat posisi negosiasi dan mengurangi konsentrasi pemasok. Namun, mengganti satu rak GPU tidak sesederhana menukar komponen PC. Tantangan muncul pada distribusi data, pemantauan klaster, kompatibilitas model, kompetensi staf, integrasi perangkat lunak, serta jaminan pengiriman. Migrasi biasanya dilakukan bertahap per beban kerja, bukan dengan saklar sekali tekan.

Amazon dan Google: ketika pembeli membangun chip sendiri

Persaingan juga datang dari perusahaan cloud yang mengembangkan akselerator untuk kebutuhannya sendiri. AWS mengumumkan ketersediaan EC2 Trn3 UltraServers dengan chip Trainium3 pada Desember 2025. Strateginya bukan sekadar menjual chip di pasar terbuka, melainkan menawarkan kombinasi komputasi, jaringan, compiler, dan layanan awan. Pelanggan menilai ekonomi per token atau per tugas, bukan semata harga satu chip. Lihat pengumuman AWS Trainium3.

Google telah lama mengembangkan TPU untuk beban kerja AI internal dan pelanggan cloud. Model persaingan seperti ini berbeda dari GPU serbaguna Nvidia: chip khusus dapat sangat efisien pada workload yang sesuai, tetapi belum tentu menjadi pengganti universal untuk pengembangan model yang memerlukan beragam pustaka, bentuk komputasi, dan fleksibilitas ekosistem.

DeepSeek menunjukkan sisi lain perang AI: efisiensi algoritma

Teknologi perangkat keras bukan satu-satunya medan persaingan. Publikasi riset DeepSeek-R1 pada Januari 2025 membahas teknik penguatan kemampuan penalaran melalui reinforcement learning, dilengkapi model-model hasil distilasi yang tersedia terbuka. Penelitian itu memberi contoh bagaimana desain model, pelatihan, dan distilasi mengubah hubungan antara kemampuan dan kebutuhan komputasi. Baca makalah DeepSeek-R1.

Namun, efisiensi model tidak identik dengan hilangnya kebutuhan GPU. Jika ongkos inferensi turun, permintaan layanan AI dapat tumbuh karena lebih banyak perusahaan mampu memakainya—sebuah efek yang justru dapat meningkatkan kebutuhan komputasi agregat. Karena itu, ‘DeepSeek mengalahkan Nvidia’ atau ‘open-source membuat cip mahal tak relevan’ adalah penyederhanaan. Persaingan perangkat lunak dan perangkat keras dapat terjadi bersamaan.

Empat arena kompetisi yang perlu diawasi hingga 2027

1. Inferensi dan ekonomi per token

Saat AI digunakan jutaan orang dan semakin banyak agen menjalankan tugas panjang, ongkos menghasilkan keluaran menjadi pembeda besar. Pembeli akan menilai latensi, throughput, biaya per juta token, stabilitas, keamanan dan biaya energi pada workload nyata. Pemenang pelatihan model terbesar belum tentu paling ekonomis untuk aplikasi pelanggan.

2. Memori, jaringan dan desain satu rak

Keterbatasan AI modern sering berada pada pergerakan data dan memori, bukan hanya operasi matematis mentah. Desain terintegrasi chip–interkoneksi–pendinginan–manajemen klaster menuntut evaluasi total biaya kepemilikan. Angka FLOPS yang tidak sebanding antar konfigurasi dapat menyesatkan.

3. Perangkat lunak, ekosistem terbuka, dan portabilitas

CUDA masih menjadi salah satu aset besar Nvidia, sementara pesaing mendorong ROCm, kompiler khusus, dan dukungan framework. Pendekatan multi-cloud atau multi-accelerator mengurangi penguncian vendor, tetapi perlu biaya pengujian, pelatihan SDM dan pengelolaan reliabilitas. Perusahaan harus mengukur portabilitas secara empiris.

4. Kontrol ekspor dan kepercayaan kepatuhan

Bisnis chip canggih juga dipengaruhi peraturan dan kemampuan mengawasi pengguna akhir. Pada Januari 2026 AS menyatakan izin ekspor sebagian akselerator ke Tiongkok, termasuk H200 dan MI325X, ditinjau kasus per kasus dengan persyaratan khusus. Di sisi lain, kasus terkait Megaspeed menunjukkan pentingnya pemeriksaan jalur server melalui negara perantara. Baca kebijakan BIS serta pernyataan pemerintah Singapura.

Siapa yang paling diuntungkan dari ketidakpastian?

AMD bisa memperoleh kesempatan memperkenalkan sistem alternatif; operator cloud bisa mempercepat investasi cip internal; startup perangkat lunak memperoleh ruang untuk optimasi lintas platform; dan pelanggan besar dapat meminta harga serta komitmen pasokan lebih baik. Tetapi keuntungan tersebut masih skenario, bukan hasil yang telah terbukti. Dominasi pasar ditentukan oleh kualitas produk, ketersediaan, implementasi, dan keputusan pembeli berulang kali.

Apa yang harus dilakukan Indonesia?

Untuk Indonesia, strategi paling tangguh bukan memilih satu ‘pemenang’ AI dunia, tetapi memastikan pilihan teknis dan akses komputasi terdiversifikasi. Universitas membutuhkan akses GPU untuk riset, perusahaan membutuhkan biaya inferensi terprediksi, dan negara membutuhkan tata kelola lokasi data dan keamanan rantai pasok. Pengadaan sebaiknya berbasis tolok ukur beban kerja Indonesia, kemampuan audit, interoperabilitas dan perhitungan biaya siklus hidup.

• Uji minimal dua arsitektur komputasi pada pekerjaan nyata sebelum kontrak besar.
• Pisahkan pengadaan hardware dari keputusan model, data, dan platform untuk menghindari vendor lock-in yang tidak perlu.
• Nilai biaya per tugas AI, konsumsi energi, latensi, serta dukungan pengembang—jangan hanya membandingkan FLOPS.
• Perkuat kemampuan pengembangan AI lokal dan perangkat lunak portabel agar daya tawar Indonesia meningkat.
• Monitor kontrol ekspor, jalur pengiriman, dan ketahanan pusat data sebagai bagian dari kebijakan kedaulatan AI.

Kesimpulan

Krisis kepemimpinan Nvidia memberi momentum bagi pesaing, tetapi teknologi AI tidak berubah karena judul berita semata. Persaingan setelah Jensen Huang akan lebih ditentukan oleh software, memori, sistem, ekonomi inferensi, kontrol pasokan dan kemampuan inovasi. Bagi Indonesia, peluang terpenting adalah memperbesar kapasitas memilih—bukan menjadi terlalu bergantung pada satu nama perusahaan atau satu figur.

FAQ

Apakah Nvidia akan kalah dari AMD setelah Jensen Huang mundur?

Belum ada dasar untuk menyimpulkan demikian. AMD berkembang dan meluncurkan produk baru, tetapi penguasaan pasar memerlukan waktu, validasi kinerja dan dukungan ekosistem.

Apakah DeepSeek membuat GPU tidak diperlukan lagi?

Tidak. Efisiensi model dapat menurunkan biaya per tugas, tetapi perluasan penggunaan AI tetap dapat meningkatkan kebutuhan komputasi agregat.

Apa beda GPU Nvidia dengan Trainium Amazon?

GPU Nvidia merupakan platform akselerasi umum dengan ekosistem perangkat lunak luas; Trainium adalah chip AI khusus milik AWS yang ditawarkan melalui infrastruktur cloud dan toolchain AWS.

Sumber terverifikasi

• Nvidia — pengumuman transisi CEO
• Nvidia — hasil fiskal 2026
• Nvidia — hasil kuartal kedua fiskal 2027
• AMD — Instinct MI400 (12 November 2026)
• AWS — Trainium3 UltraServers
• DeepSeek — riset DeepSeek-R1
• BIS — kebijakan izin ekspor cip AI

Baca juga di AIGEO.ID: MLPerf 6.1: Kinerja Inferensi AI dan Biaya dan Ledakan Data Center AI dan Perebutan Listrik.