GQG: Mengapa Kami Masih Berada dalam Gelembung Saham AI

Bagi banyak investor, lonjakan besar pengeluaran untuk pengembangan kecerdasan buatan menjadi bukti bahwa tidak ada gelembung di pasar saham. Namun di GQG Partners, ini justru menjadi bukti yang menguatkan keyakinan mereka bahwa boom ini akan berujung pada bust, seperti yang terjadi pada sektor telekomunikasi di era 1990-an dan minyak serpih satu dekade lalu.

Manajer portofolio dan analis di GQG, yang mengelola $160 miliar, mengatakan bahwa pesanan besar untuk semikonduktor, perangkat memori, dan belanja pusat data terkait di beberapa kuartal terakhir didasarkan pada harapan yang belum terbukti mengenai permintaan dan penetapan harga di masa depan untuk bisnis dan penggunaan AI. Mereka menunjuk pada bukti adanya pengeluaran berlebih, seperti perkembangan terbaru terkait potensi perang harga—ketika pengguna bisnis mengencangkan anggaran mereka demi mencari cara yang lebih murah untuk menjalankan model AI—serta melemahnya kenaikan efektivitas model bahasa besar baru. Selain itu, mereka menilai penggunaan investasi melingkar secara berkelanjutan dan metode akuntansi yang tidak transparan meningkatkan risiko.

Bahkan pesanan besar untuk semikonduktor—yang telah mengerek keuntungan besar pada saham-saham chip—adalah “fitur, bukan bug,” menurut manajer portofolio GQG Brian Kersmanc. “Gelembung sering ditandai oleh permintaan nyata dalam jangka pendek, penempatan modal yang masif, keyakinan investor bahwa permintaan benar-benar tidak terbatas, dan lemahnya visibilitas terhadap imbal hasil jangka panjang. Pesanan chip yang kuat tidak membantah adanya gelembung; bahkan mungkin justru tanda paling kuat,” katanya.

Manajer dana dan analis GQG bukanlah penggugat permanen terhadap teknologi atau pasar saham secara keseluruhan. Sejak 2024, lebih dari 70% portofolio mereka berada di saham teknologi atau yang terkait teknologi, seperti Uber. Pada 2017, perusahaan membuat taruhan pada chip semikonduktor yang kala itu kurang diminati, termasuk Nvidia NVDA.

Namun mulai akhir 2024 dan berlanjut hingga awal 2025, GQG menggeser portofolionya menjauh dari saham teknologi dan infrastruktur AI yang mengalami reli besar dan membantu mengerek pasar saham secara keseluruhan. Taruhan ini merugikan kinerja strategi mereka, seperti Dana Ekuitas Kualitas Pilihan GQG Partners US Select Quality Equity Fund Gold-rated GQEIX, tetapi perusahaan tetap pada pendiriannya.

Faktor kunci yang mendorong saham-saham ini naik (dan argumen utama para penggembira) adalah lonjakan besar pesanan berbasis AI pada perusahaan chip semikonduktor seperti Nvidia, Broadcom AVGO, dan yang terbaru Micron, atau untuk perangkat keras memori komputer lain dengan saham seperti SanDisk SNDK dan Western Digital WDC.

Pendapatan Micron: Boom Jangka Pendek Berlanjut, Tapi Kekhawatiran Pasokan Jangka Panjang Mulai Terbangun

Lonjakan Mengagumkan Saham Memori Disebabkan Pemikiran Jangka Pendek?

Namun, Kersmanc mengatakan inilah titik di mana investor harus bersikap skeptis, dimulai dari ketidaksesuaian cara pembelian dicatat. “Anda melihat pesanan dan penjualan dibukukan hari ini, sedangkan biaya (bagi pembeli) direntangkan selama tiga, lima, enam, bahkan sepuluh tahun,” jelasnya. Masalahnya bukan pada metode akuntansi itu sendiri, yang memang standar, melainkan pada implikasinya, mengingat tingginya ketidakpastian tentang ekonomi penggunaan AI. “Isu utamanya bukan apakah permintaan kuat hari ini, tetapi apakah permintaan itu dibenarkan secara ekonomi dan berkelanjutan ketika imbal hasil atas investasi, pemanfaatan, dan daya tawar harga diuji.”

Skenario bearish GQG dibangun di atas landasan tersebut. Mereka berpendapat belanja capex terjadi jauh di depan nilai ekonomi yang terbukti. Kersmanc memulainya dari asumsi yang dibuat oleh lab AI besar dan perusahaan lain: “Ini ‘Saya menghabiskan jumlah ini, dan saya mendapatkan jumlah peningkatan.’ Namun setelah ChatGPT-4, itu menjadi datar.”

Bahkan ketika investasi terus mengalir ke model-model paling canggih (yang disebut “frontier”), Kersmanc mengatakan ada bukti yang makin menguat bahwa banyak pengembang dan bisnis AI bergerak ke arah yang berbeda. Alih-alih menggunakan model bahasa besar seperti Claude, mereka cenderung beralih ke model bahasa kecil. Umumnya model ini dilatih dengan kumpulan data terbatas untuk teks-teks tertentu, sehingga membutuhkan lebih sedikit tenaga komputasi. Misalnya, “jika Anda ingin terjemahan secara langsung, Anda bisa melakukannya lewat SLM dan menerjemahkan di ponsel Anda, tanpa generasi token, dan Anda tidak perlu menghubungi pusat data.”

Jika bisnis lebih memilih SLM untuk solusi mereka, “implikasi yang lebih luas adalah pasar mungkin tidak memerlukan komputasi skala frontier sebanyak yang saat ini diasumsikan investor,” kata Kersmanc. “Jika pengembangan AI bergerak ke arah itu, maka alasan untuk belanja pusat data dan GPU secara besar-besaran melemah.”

Pada saat yang sama, pengembang semakin banyak menggunakan model sumber terbuka berbasis Tiongkok yang lebih murah untuk dilatih dan memiliki belanja capex infrastruktur yang jauh lebih rendah. “China merencanakan 500 pusat data, dan AS punya 5.500,” kata Kersmanc. Ini terjadi di tengah upaya perusahaan untuk menahan agar biaya penggunaan AI yang terus membengkak tidak makin tinggi.

Kersmanc menjelaskan bahwa bagian lain dari teka-teki adalah bagaimana hyperscaler mencatat pembangunan pusat data mereka. Ia menyoroti usaha patungan Meta Platforms META dengan Blue Owl Capital OBDC yang diumumkan tahun lalu, yang memungkinkan perusahaan memindahkan proyek pusat data senilai $30 miliar di Louisiana keluar dari neraca. Meta juga mengklasifikasikan sebagian aset infrastruktur substansial sebagai “konstruksi dalam proses.” Pos tersebut meningkat dua kali lipat antara 2024 dan 2025.

Pertanyaan akuntansi ini kembali mengarah pada ketidaksesuaian antara belanja untuk chip dan perangkat keras lain, kata Kersmanc. “Jika jumlah besar perangkat keras masih berada dalam kategori konstruksi dalam proses atau kategori neraca serupa, investor mungkin tidak dapat mengetahui seberapa banyak dari belanja tersebut benar-benar dikerahkan dan menghasilkan imbal hasil. Itu penting karena perusahaan bisa mengeluarkan kas dalam jumlah besar di awal, sementara laporan laba rugi mereka hanya mencerminkan biaya secara bertahap. Jadi kekhawatirannya bukan hanya pada tampilan akuntansi; tetapi bahwa akuntansi mungkin menutupi overbuilding, pemanfaatan yang rendah, atau imbal hasil yang lebih lemah.”

Lalu ada ketidakpastian seputar kemampuan untuk membangun pusat data yang dipesan. Ada reaksi balik terhadap infrastruktur pusat data yang terus meningkat, berkat penggunaan listrik dan air yang berat dari gedung-gedung tersebut, serta dampak lainnya bagi komunitas. “Sekitar setengah dari yang seharusnya selesai bahkan belum mulai atau dibatalkan,” kata Kersmanc.

Jika semuanya digabungkan, “pengembangan AI menunjukkan banyak tanda klasik gelembung,” kata Kersmanc. “Investor masih memperpanjang permintaan jauh lebih jauh daripada ekonomi dasarnya tampaknya membenarkan.”