#OpenAIAnnualRecurringRevenueNears$70B

OpenAI mendekati laju pendapatan tahunan tersetahunkan sebesar 70 miliar dolar AS, tetapi menurut saya bagian paling menarik dari kisah ini bukan lagi $70B itu sendiri.

Pertanyaan sebenarnya adalah apa yang terjadi ketika sebuah perusahaan tumbuh secepat ini sementara biaya untuk mendukung pertumbuhan tersebut juga menjadi sangat besar.

Menurut Axios, laju pendapatan tahunan tersetahunkan OpenAI telah meningkat lebih dari 70% sejak awal Q3, mencapai hampir 70 miliar dolar AS, sementara penjualan enterprise telah meningkat lebih dari dua kali lipat sejak Juli. Bisnis konsumennya juga menghasilkan lebih banyak pendapatan selama Q3 dibandingkan yang dihasilkannya sepanjang 2025.

Itu adalah akselerasi yang luar biasa.

Namun, saya ingin memisahkan laju pendapatan dari ekonomi bisnis.

Laju pendapatan tahunan tersetahunkan tidak sama dengan pendapatan sebesar 70 miliar dolar AS yang sudah tercatat selama setahun penuh. Angka tersebut mengambil laju pendapatan terkini lalu memproyeksikannya ke depan. Reuters juga menyoroti mengapa perbedaan ini penting saat mengevaluasi perusahaan AI yang tumbuh pesat.

Jadi, alih-alih bertanya apakah OpenAI dapat mencapai 70 miliar dolar AS, saya pikir generasi berikutnya dari perdebatan valuasi AI dimulai dengan pertanyaan yang berbeda:

Seberapa besar nilai ekonomi yang dapat diciptakan OpenAI dari setiap dolar tambahan yang dibelanjakan untuk komputasi?

Pertanyaan itu menjadi jauh lebih penting seiring adopsi enterprise meningkat pesat.

Pelanggan enterprise tidak lagi membayar hanya untuk bereksperimen dengan chatbot. AI sedang diintegrasikan ke dalam pengodean, riset, dukungan pelanggan, pemrosesan dokumen, produktivitas, dan semakin banyak alur kerja otonom. Jika beban kerja tersebut tertanam dalam operasional bisnis harian, pendapatan AI dapat menjadi jauh lebih berulang dan penting secara operasional.

Namun, pertumbuhan enterprise juga menciptakan masalah baru.

Lebih banyak pelanggan berarti lebih banyak inferensi.

Lebih banyak inferensi berarti lebih banyak GPU, memori, jaringan, pusat data, dan listrik.

Dan lebih banyak komputasi berarti pendapatan harus meningkat lebih cepat daripada biaya dasar untuk menghasilkan pendapatan tersebut.

Di sinilah saya pikir fase berikutnya OpenAI menjadi jauh lebih sulit.

Sebuah perusahaan dapat meningkatkan pendapatan dengan sangat cepat dan tetap menghadapi persamaan ekonomi yang sulit jika infrastruktur yang dibutuhkan untuk mendukung setiap pelanggan tambahan tumbuh hampir secepat itu.

Itulah sebabnya rencana pendanaan OpenAI yang dilaporkan menjadi sangat penting. Bloomberg melaporkan bahwa perusahaan tersebut mencari sedikitnya 30 miliar dolar AS dengan valuasi sekitar 1,4 triliun dolar AS. Hal itu akan menjadi peningkatan besar dari valuasi sekitar 852 miliar dolar AS yang terkait dengan putaran pendanaannya pada Maret, meskipun pendanaan baru tersebut masih berupa target yang dilaporkan dan belum menjadi transaksi yang selesai.

Sekarang lihat angka-angka tersebut secara bersamaan.

Hampir $70B pendapatan tahunan tersetahunkan.

Berpotensi $30B modal tambahan.

Target valuasi yang dilaporkan sekitar 1,4 triliun dolar AS.

Dan ekosistem infrastruktur AI yang membutuhkan investasi berkelanjutan dalam jumlah sangat besar.

Ini bukan lagi sekadar kisah pertumbuhan perusahaan perangkat lunak.

Ini menjadi kisah alokasi modal.

Pada akhirnya, pasar perlu memahami seberapa besar pendapatan OpenAI yang dapat menjadi arus kas bebas berkelanjutan setelah membayar infrastruktur komputasi yang diperlukan untuk menghasilkannya.

Dan ada perkembangan lain yang menurut saya sangat menarik.

CFO OpenAI mendorong cara berpikir yang berbeda tentang ekonomi AI enterprise: kecerdasan yang bermanfaat per dolar, alih-alih sekadar mengukur penggunaan AI atau konsumsi token. Gagasan ini penting karena token yang lebih murah tidak otomatis berarti ekonomi yang lebih baik. Yang penting adalah apakah AI benar-benar menyelesaikan pekerjaan bernilai bagi pelanggan.

Hal itu dapat menjadi salah satu metrik terpenting dalam fase berikutnya industri AI.

Bayangkan dua perusahaan yang masing-masing menghasilkan pendapatan AI sebesar 10 miliar dolar AS.

Salah satunya membutuhkan sumber daya komputasi yang sangat besar untuk menghasilkan pendapatan tersebut.

Perusahaan lainnya dapat memberikan nilai bisnis yang sama dengan biaya inferensi yang jauh lebih rendah.

Angka pendapatan mereka akan terlihat identik.

Ekonomi mereka tidak akan sama.

Itulah sebabnya penurunan biaya inferensi sebenarnya dapat menjadi salah satu perkembangan paling positif bagi bisnis AI — meskipun AI yang lebih murah pada awalnya menekan harga. Jika biaya untuk menghasilkan kecerdasan yang bermanfaat turun lebih cepat daripada harga, potensi total margin dapat meluas.

Hal itu menciptakan lingkaran umpan balik yang menarik.

Model yang lebih baik meningkatkan permintaan.

Permintaan yang lebih besar menciptakan lebih banyak pendapatan.

Lebih banyak pendapatan mendanai lebih banyak infrastruktur.

Lebih banyak infrastruktur meningkatkan ketersediaan dan menurunkan biaya komputasi.

Biaya komputasi yang lebih rendah membuat AI bermanfaat untuk lebih banyak beban kerja.

Lebih banyak beban kerja menciptakan gelombang permintaan berikutnya.

Jika siklus itu berlanjut, belanja infrastruktur besar-besaran saat ini mulai terlihat bukan sebagai pengeluaran, melainkan sebagai fondasi platform teknologi yang jauh lebih besar.

Namun, skenario sebaliknya juga perlu diperhatikan.

Jika pelanggan AI menjadi lebih sensitif terhadap harga, persaingan model mendorong harga turun lebih cepat daripada penurunan biaya inferensi, atau komitmen infrastruktur tumbuh lebih cepat daripada monetisasi, pertumbuhan pendapatan saja tidak akan menceritakan keseluruhan kisah.

Itulah sebabnya saya tidak berpikir perdebatan valuasi AI berikutnya akan ditentukan oleh tajuk ARR mengesankan lainnya.

Perdebatan itu akan ditentukan oleh ekonomi unit.

Berapa biaya untuk melayani pelanggan enterprise?

Seberapa cepat biaya inferensi menurun?

Seberapa besar pendapatan yang bersifat berulang?

Seberapa dalam AI tertanam dalam alur kerja pelanggan?

Berapa banyak komputasi tambahan yang diperlukan untuk setiap dolar pendapatan baru?

Dan pada akhirnya, berapa banyak arus kas bebas yang tersisa setelah tagihan infrastruktur dibayar?

Ada juga persoalan waktu.

OpenAI kini dilaporkan sedang mempertimbangkan putaran pendanaan besar lainnya, sembari beroperasi dalam industri tempat perusahaan AI terdepan lainnya juga meningkatkan pendapatan dan infrastruktur dengan laju yang luar biasa. Pengajuan terbaru Anthropic, misalnya, mengungkap komitmen infrastruktur masa depan senilai ratusan miliar dolar.

Hal itu memberi tahu kita sesuatu yang penting tentang seluruh sektor ini.

Perlombaan AI bukan lagi sekadar tentang membangun model yang lebih baik.

Ini menjadi perlombaan antara pertumbuhan pendapatan, efisiensi komputasi, dan intensitas modal.

Dan itulah metrik yang akan saya pantau mulai sekarang.

$70B angka membuktikan bahwa bisnis dan konsumen bersedia membelanjakan uang dalam jumlah besar untuk AI.

Pertanyaan berikutnya jauh lebih sulit:

Bisakah OpenAI membuat setiap dolar tambahan pendapatan AI semakin menguntungkan seiring sistem berkembang?

Jika jawabannya pada akhirnya ya, signifikansi ekonomi dari pertumbuhan pendapatan saat ini bisa jauh lebih besar daripada yang ditunjukkan tajuk berita.

Jika jawabannya tidak, pertumbuhan pendapatan yang luar biasa bahkan dapat berjalan bersamaan dengan kebutuhan modal yang juga luar biasa.

Itulah sebabnya saya melihat angka $70B sebagai titik awal, bukan kesimpulan.

AI telah membuktikan bahwa orang bersedia membayar untuk kecerdasan.

Kini industri tersebut harus membuktikan bahwa AI dapat menghasilkan kecerdasan yang bermanfaat dengan biaya ekonomis.

Di situlah perdebatan AI bernilai triliunan dolar berikutnya akan ditentukan.