Perusahaan AI yang tidak menghasilkan uang seharusnya belajar dari MRT Hong Kong

Penulis: Michael Wenye Li

Diterjemahkan oleh: Deep Tide TechFlow

Pengantar Deep Tide: Laboratorium AI terbakar beberapa ratus miliar dolar, tetapi tak ada yang benar-benar bisa menjelaskan kapan uang itu akan kembali. Harga API turun 10 kali tiap tahun, open source mengejar open source, biaya pelatihan makin ditumpuk. Artikel ini keluar dari kacamata industri teknologi, dan memberi jawaban yang sangat menginspirasi dengan model bisnis MTR (Korea Selatan) selama 45 tahun: jangan berharap menghasilkan uang dari tiket—ambil alih properti di atas stasiun.

Mereka tidak bisa menghasilkan uang, dan pertanyaan itu sendiri salah

Ada bisnis yang bentuknya seperti ini: di tahap awal menggelontorkan puluhan miliar modal, tanpa pendapatan sepeser pun. Harga layanan inti mendekati biaya marjinal. Nilai besar diciptakan bagi pengguna, tetapi para pembangun nyaris tidak bisa menyisihkan uang satu sen pun. Mereka juga harus terus berinvestasi pada infrastruktur generasi berikutnya.

Ini bukan laboratorium AI, melainkan sistem kereta api skala besar.

Banyak orang memakai kereta api sebagai analogi untuk industri AI, dan sebagian besar kesimpulannya adalah: teknologi umum punya sifat barang publik, sehingga kelayakan komersial tidak bisa lepas dari subsidi pemerintah.

Saya ingin menantang kesimpulan itu. Karena MTR Hong Kong (MTR) sebenarnya menyelesaikan masalah tersebut. Ini adalah salah satu dari sangat sedikit sistem kereta bawah tanah di dunia yang bisa mandiri secara komersial, perusahaan publik, membagikan dividen dan pembayaran bunga, dan tidak mengambil subsidi operasional dari pemerintah.

Struktur keuangannya sama persis

Bisnis inti kereta api MTR tidak pernah bisa benar-benar membiayai ekspansinya sendiri. Tahun 2018 adalah tahun terbaik sebelum pandemi, dengan EBIT bisnis transportasi sebesar 2 miliar dolar AS. Sedangkan proyeksi belanja modal 2024-2026 adalah 87,9 miliar dolar AS, hampir seluruhnya untuk rel. Laba kereta api puncak selama tiga tahun hanya cukup untuk menutup 8% dari belanja modal. Pendapatan tarif tiket tidak pernah cukup untuk membangun jalur berikutnya—dan memang itu bukan niat desainnya.

Tarif tiket MTR dijaga agar tetap terjangkau melalui mekanisme penyesuaian tarif oleh pemerintah. Anda tidak mungkin menetapkan tarif hingga cukup untuk mengembalikan biaya pembangunan; jika begitu tidak ada yang mampu naik, dan itu juga bertentangan dengan tujuan layanan transportasi publik. Setiap jalur mungkin bisa menutup biaya operasionalnya sendiri, tetapi pendapatan tiket tidak akan pernah cukup untuk membangun jalur berikutnya.

Versi cermin masalah yang dihadapi harga API AI adalah: distilasi dan pengganti open source membuat harga API turun dengan kecepatan sekitar 10 kali per tahun. Eksperimen apa pun yang menetapkan harga di atas biaya marjinal akan kehilangan volume ke kompetitor. Setiap model bisa menghasilkan keuntungan operasional pada sisi inferensi, tetapi margin keuntungan tidak pernah cukup untuk menutup belanja pelatihan putaran berikutnya.

Solusi yang berlaku secara global adalah subsidi. London Underground mengandalkan dana dari TfL, kereta cepat Tiongkok menanggung utang senilai triliunan dolar AS, dan 94% jalurnya tidak menghasilkan uang. AI berjalan di jalur yang sama: undang-undang CHIPS, proyek Stargate, investasi sovereign wealth fund, kontrak Pentagon. Konklusi defaultnya adalah infrastruktur publik-semu yang bergantung pada subsidi.

MTR menemukan jalan lain.

Kereta api + properti

Saat MTR dibangun pada 1979, para perancang sejak awal paham bahwa tarif tidak akan pernah bisa mengembalikan biaya pembangunan. Jadi mereka menyusun perusahaan dengan premis yang sama sekali berbeda: rel akan membuat nilai tanah di sekitarnya naik, sehingga tanah harus dimiliki.

MTR mengembangkan gedung perumahan, gedung perkantoran, dan pusat perbelanjaan di atas dan di sekitar stasiun. Nilai yang meningkat dari infrastruktur yang diciptakan perusahaan itulah yang mereka pungut. Laba properti membiayai kembali operasional kereta api, mendanai jalur berikutnya. Saat ini, MTR memiliki 13 pusat perbelanjaan, mengelola 47 proyek properti di atas stasiun, dan kontribusi properti menjadi porsi terbesar dari laba yang benar-benar dihasilkan.

Logikanya sangat jelas: jangan mencoba menangkap nilai dari layanan kereta api itu sendiri—ambil alih aset-aset yang meningkat nilainya karena adanya rel.

Padanan untuk AI

“Kapan laboratorium AI bisa menghasilkan uang?” dan “Kapan kereta api bisa hidup dari tarif tiket sendiri?” adalah masalah yang berstruktur sama. Jawabannya sama: tidak bisa, dan pertanyaan itu sendiri sudah keliru.

Satu startup biotek menggunakan model mutakhir untuk menyaring senyawa obat, menghemat 2 tahun waktu uji klinis. Sebuah perusahaan logistik memakainya untuk mengoptimalkan rute, menghemat 40 juta dolar AS biaya bahan bakar. Seorang pengembang independen mengirimkan proyek yang biasanya butuh tim beranggotakan lima orang selama 3 bulan, hanya dalam satu akhir pekan. Di setiap kasus, pemberi model hanya memperoleh nilai “persen pecahan nol koma sekian” melalui biaya API. Pemberi tidak bisa menaikkan harga, karena masih ada 4 laboratorium lain dan belasan alternatif open source yang menawarkan kemampuan serupa. Nilai yang tersisa mengalir ke pengguna dan ekonomi yang lebih luas.

Teknologi umum memang seperti itu. Mesin uap, tenaga listrik, TCP/IP—semuanya tidak pernah memberi pendapatan apa pun bagi penciptanya.

Pelajaran dari MTR: jangan lagi mencoba membuat tarif menutup biaya pembangunan, carilah “properti” Anda.

Empat opsi kandidat, disusun dari yang paling defensif

Opsi nomor satu: hak penugasan implementasi yang diberikan pemerintah. Pemerintah memberi otorisasi kepada sebuah laboratorium agar mendapat akses eksklusif ke catatan medis nasional, sistem perpajakan, atau logistik pertahanan. Data bidang yang terakumulasi, kedalaman integrasi sistem, dan kualifikasi regulasi yang dimiliki laboratorium akan membutuhkan bertahun-tahun untuk ditiru. Inilah mekanisme MTR sendiri: negara memberikan hak pengembangan berdasarkan karakteristik monopoli alami.

Hadiah data penguatan pembelajaran yang terakumulasi berada di urutan kedua. Sinyal interaksi ratusan miliar kali dipakai untuk melatih model generasi berikutnya. Berbeda dengan bobot model (yang nilainya turun karena distilasi), data RL hampir tidak mungkin diduplikasi, dan akumulasi lintas generasi menghasilkan keuntungan majemuk. Data itu tidak bisa langsung diuangkan, tetapi itu seperti sebidang tanah yang nilainya naik—dan belum dikembangkan.

Integrasi tipe “pre-deployment” menduduki peringkat ketiga. Alih-alih menjual antarmuka model ke sebuah perusahaan konsultan lalu membiarkan mereka mengambil sisa produktivitas, lebih baik Anda sendiri memiliki dari ujung ke ujung seluruh lapisan pengantaran layanan. Seperti Palantir yang menyematkan insinyur ke institusi pemerintah, bukan menjual lisensi perangkat lunak. Laboratorium tidak membebankan biaya API kepada kantor pengacara; laboratorium menjadi layanan riset hukum itu sendiri, dengan penetapan harga berdasarkan hasil pengantaran, bukan berdasarkan token yang dikonsumsi. Biaya perpindahan akan terus meningkat seiring akumulasi data bidang dan pengetahuan institusional. Inilah pusat perbelanjaan MTR: mengubah arus penumpang yang diciptakan rel menjadi nilai uang, bukan menaikkan tarif tiket bagi penumpang.

Opsi keempat: pengelolaan data pada kumpulan data negara. Pemerintah setiap negara memegang banyak kumpulan data yang belum dimanfaatkan penuh (arsip pasien, pelaporan pajak). Sebuah laboratorium riset mutakhir yang ditunjuk sebagai pengelola mendapatkan akses eksklusif, untuk melatih model dan membangun produk berdasarkan data tersebut. Namun ini akan menciptakan monopoli data publik-swasta, sehingga dibutuhkan arsitektur tata kelola yang ketat: batas penggunaan yang jelas, manfaat yang mengalir kembali ke publik, pengawasan independen, dan mekanisme akuntabilitas yang benar-benar mengikat.

Mendefinisikan ulang masalah

Laboratorium yang bisa bertahan bukanlah yang membuat API menjadi menguntungkan, melainkan yang sekarang juga menemukan “properti di atas stasiun” mereka sendiri dan mulai membangun. API adalah relnya; ia selamanya tidak akan cukup menghasilkan uang. Uangnya ada pada aset-aset di sekitar rel yang nilainya meningkat.

Di tingkat kebijakan, masalahnya juga berubah: alih-alih mensubsidi pelatihan operasional, pemerintah seharusnya merancang mekanisme tata kelembagaan (kerangka hak implementasi, struktur pengelolaan data, standar pengukuran produktivitas) agar laboratorium dapat menangkap nilai sisa yang diciptakan infrastruktur mereka.

Akhirnya ada sebuah ironi. Diskusi kebijakan AI didominasi kerangka dari AS dan Tiongkok: laboratorium pasar bebas AS melawan perusahaan juara yang didukung negara dari Tiongkok. Model institusional yang paling relevan mungkin bukan keduanya. Mungkin yang paling tepat adalah model Hong Kong: entitas campuran publik-swasta dengan sejarah 45 tahun, beroperasi secara komersial, dan bisa membiayai diri sendiri lewat desain institusi, bukan lewat ideologi.