---
title: "Mengurai Lapisan Teknologi AI: Menganalisis Hambatan, Moat (Parit Ekonomi), dan Akumulasi Nilai bagi Investor Jangka Panjang"
author: "DeepValues Research"
publisher: "DeepValues Research (DeepValues / LuLu Ventures LLC)"
type: "Research article"
date: "2026-11-05"
language: "id"
section: "Insights"
machine_translated: true
translation_method: "machine translation (gpt-6.1-sol, Azure OpenAI)"
translated_from: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value/"
original_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value/"
original_language: "en"
translated_on: "2026-11-14"
translation_note: "Machine-translated from the original report; the original is authoritative."
canonical_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-id/"
markdown_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-id/index.md"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
cite_as: "DeepValues Research, Mengurai Lapisan Teknologi AI: Menganalisis Hambatan, Moat (Parit Ekonomi), dan Akumulasi Nilai bagi Investor Jangka Panjang, https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-id/"
publisher_url: "https://deepvalues.ai"
app: "https://deepvalues.ai"
api: "https://app.deepvalues.ai/developers"
data_note: "Reports are dated snapshots. Current data via the DeepValues API: https://app.deepvalues.ai/developers"
disclaimer: "Educational research, not investment advice."
disclosure: "AI-assisted"
generated_by: "NotebookLM + DeepValues editors"
category: "investing"
tickers: ["UPS"]
sources:
  - title: "Decoding AI Value"
audio: "https://anchor.fm/s/105664940/podcast/play/128876669/https%3A%2F%2Fd3ctxlq1ktw2nl.cloudfront.net%2Fstaging%2F2026-10-5%2F435999874-44100-2-a31a8c348ee018.mp3"
audio_kind: "podcast episode"
audio_page: "https://open.spotify.com/episode/1FQonylAeyz5T5jwgxdOVq"
---
# Menguraikan Lapisan Kecerdasan Buatan: Menganalisis Hambatan, Moat (Parit Ekonomi), dan Akumulasi Nilai bagi Investor Jangka Panjang

Nilai terakumulasi di seluruh lapisan teknologi kecerdasan buatan bukan semata-mata melalui kelangkaan fisik absolut, melainkan di titik ketika hambatan teknologi bertemu dengan kekuatan penetapan harga, ekspansi volume berulang, biaya peralihan, dan imbal hasil inkremental yang tinggi atas modal yang diinvestasikan (ROIC). Meskipun kerangka enam lapisan Chamath Palihapitiya (Infrastruktur, Cip, Data, Model, Eksekusi, Aplikasi) secara tepat menyoroti komoditisasi ekonomi model fondasi dan munculnya titik hambatan perangkat keras yang kritis, investor jangka panjang harus membedakan kelangkaan teknis absolut dari penciptaan nilai ekuitas yang berkelanjutan. Seiring penyedia komputasi berskala sangat besar bertransformasi menjadi perusahaan industri padat modal yang diproyeksikan membelanjakan lebih dari $700 miliar pada 2026 untuk infrastruktur komputasi dan jaringan listrik, evaluasi intrinsic value (nilai intrinsik) memerlukan analisis ketahanan arus kas bebas (FCF), risiko intensitas modal, dan lingkaran umpan balik alur kerja proprieter, alih-alih hanya mengandalkan hambatan fisik.

## 1. Membongkar Lapisan Kecerdasan Buatan: Hambatan versus Akumulasi Nilai Ekonomi

Menganalisis kecerdasan buatan melalui arsitektur berlapis memberikan kejelasan penting bagi investor fundamental. Chamath Palihapitiya mengelompokkan ekosistem ini menjadi enam lapisan berbeda: Infrastruktur (listrik, lahan, pendinginan, mineral, fasilitas fabrikasi), Cip (GPU/ASIC, Memori Berlebar Pita Tinggi [HBM], pengemasan, jaringan), Data (data proprieter, sensorik, robotika), Model (kecerdasan fondasi), Eksekusi (agen, orkestrasi, API, aktuator), dan Aplikasi (perangkat lunak dan sistem pengguna akhir). Konsep analitis utama yang menghubungkan lapisan-lapisan ini adalah "aset titik tumpu"—komponen tak tergantikan yang harus dilalui setiap lapisan di atasnya dan tidak dapat dengan mudah disubstitusi.

Namun, terdapat perbedaan penting antara hambatan teknologi absolut dan moat (parit ekonomi) yang menghasilkan imbal hasil tinggi. Suatu aset dapat berada tepat pada jalur kritis teknologi tanpa meraih imbal hasil finansial yang sebanding bagi pemegang saham. Bagi investor jangka panjang yang mengevaluasi moat (parit ekonomi) melalui kerangka Graham dan Buffett, kelangkaan fisik saja tidak menjamin pertumbuhan majemuk owner earnings dalam jangka panjang.

Dinamika ini tergambar jelas dengan membandingkan ASML dan NVIDIA. ASML memiliki hambatan teknologi absolut yang tak tergantikan dalam sistem litografi ultraviolet ekstrem (EUV); fasilitas fabrikasi semikonduktor canggih tidak dapat menggantikan mesin ASML. Namun, NVIDIA telah menghasilkan apresiasi nilai ekuitas yang jauh lebih besar. ASML menjual mesin dalam jumlah terbatas yang sangat kompleks dan padat modal kepada kelompok pembeli yang terkonsentrasi, sehingga membatasi peningkatan pendapatan secara otomatis ketika konsumsi token global berlipat dua. Sebaliknya, NVIDIA memadukan hambatan silikon dengan rangkaian perangkat pengembangan CUDA, arsitektur sistem, jaringan NVLink, dan integrasi ekosistem yang mendalam. NVIDIA secara langsung meraih manfaat dari elastisitas volume inferensi dan pelatihan kecerdasan buatan yang terus meningkat.

Untuk mengevaluasi akumulasi nilai ekonomi di seluruh lapisan, investor sebaiknya menerapkan rumus kualitatif yang komprehensif, alih-alih mengukur kelangkaan secara terpisah:

$$\text{Value Accrual} \approx \text{bottleneck} \times \text{pricing power} \times \text{volume growth} \times \text{recurring demand} \times \text{switching costs} \times \text{incremental ROIC}$$

Imbal hasil ekonomi yang bertahan lama hanya terwujud ketika titik hambatan operasional dipadukan dengan elastisitas volume, biaya peralihan yang tinggi, dan imbal hasil inkremental yang kuat atas modal yang diinvestasikan.

## 2. Infrastruktur dan Intensitas Belanja Modal: Revolusi Industri di Balik Kecerdasan Buatan

Lapisan dasar kecerdasan buatan sedang mengalami transisi struktural dari model perangkat lunak dengan aset minim menuju operasi industri padat modal. Hambatan kritis di dasar lapisan menunjukkan konsentrasi geografis dan korporasi yang ekstrem:

*   **Kelangkaan Bahan Semikonduktor:** Pemasok bahan Jepang menguasai sekitar 78% penjualan fotoresis semikonduktor global berdasarkan kebangsaan perusahaan, dengan Shin-Etsu, JSR, Tokyo Ohka Kogyo, dan Fujifilm mendominasi pasar bahan kimia berkemurnian tinggi tertentu.
*   **Kuarsa Berkemurnian Tinggi (HPQ):** Produksi ingot silikon kelas semikonduktor bergantung pada krus kuarsa lebur yang berasal dari kuarsa sangat murni yang ditambang di Spruce Pine, North Carolina. Sibelco (yang memproduksi bahan IOTA dari dua tubuh bijih murni) dan The Quartz Corp merupakan satu-satunya pemasok yang secara ekonomis memproduksi HPQ premium canggih dalam skala besar.

Selain bahan baku fisik, infrastruktur utilitas listrik menghadirkan kendala operasional yang serius. Badan Energi Internasional (IEA) memproyeksikan konsumsi listrik pusat data global akan hampir berlipat dua, meningkat dari sekitar 485 TWh pada 2025 menjadi sekitar 950 TWh pada 2030. Belanja modal penyedia komputasi berskala sangat besar diperkirakan melampaui $700 miliar pada 2026, terutama didorong oleh ekspansi pusat data.

| Bidang Infrastruktur | Titik Hambatan Kritis & Pemasok Utama | Dampak Ekonomi & Metrik |
| :--- | :--- | :--- |
| **Bahan Semikonduktor** | Fotoresis Jepang (*Shin-Etsu, JSR, TOK, Fujifilm*) | ~78% pangsa pasar berdasarkan kebangsaan; masukan bahan kimia yang tidak dapat disubstitusi. |
| **Kuarsa Berkemurnian Tinggi** | Tubuh Bijih Spruce Pine (*Sibelco, The Quartz Corp*) | Sumber eksklusif untuk krus kuarsa lebur bagi ingot silikon. |
| **Daya Jaringan Listrik yang Dapat Disalurkan** | Transformator, Peralatan Hubung Bagi, UPS, Interkoneksi | Kendala muncul sebelum pembangkitan itu sendiri; 485 TWh $\rightarrow$ 950 TWh (IEA). |
| **Belanja Modal Penyedia Komputasi Berskala Sangat Besar** | Ekspansi pusat data & akselerasi komputasi | >$700B diproyeksikan pada 2026 (IEA); tekanan penyusutan yang berat. |

Yang penting, pembangkitan listrik itu sendiri bukanlah batas utama dalam jangka dekat. Penelitian dari Johns Hopkins University menunjukkan bahwa peralatan penyaluran jaringan listrik—khususnya transformator, peralatan hubung bagi, sistem catu daya tak terputus (UPS), interkoneksi transmisi, dan infrastruktur pendinginan khusus—akan membatasi pembangunan pusat data sebelum kapasitas pembangkitan itu sendiri menjadi hambatan utama. Aset langka secara ekonomi yang dibutuhkan segera adalah daya yang dapat disalurkan pada tegangan, lokasi, dan tingkat keandalan yang diperlukan.

Dari perspektif investasi nilai, transisi ini berdampak besar terhadap neraca perusahaan dan metrik imbal hasil. Ketika penyedia komputasi berskala sangat besar mengalokasikan lebih dari $700 miliar dalam belanja modal tahunan, aset fisik bernilai miliaran dolar masuk ke neraca sebagai properti, pabrik, dan peralatan (PP&E). Setelah beroperasi, jadwal penyusutan garis lurus membebani laporan laba rugi terlepas dari realisasi pendapatan langsung. Jika permintaan token yang dapat dimonetisasi atau adopsi perangkat lunak perusahaan tertinggal dari pembangunan fisik, tingkat imbal hasil atas modal yang diinvestasikan (ROIC) dan konversi arus kas bebas (FCF) anjlok akibat beban infrastruktur yang belum diamortisasi. Dinamika ini secara langsung mencerminkan pembangunan infrastruktur berlebihan dalam sejarah, seperti keruntuhan serat optik telekomunikasi yang melibatkan WorldCom dan Global Crossing, ketika belanja modal besar-besaran menciptakan kelebihan kapasitas yang parah dan menghancurkan nilai ekuitas meskipun adopsi internet jangka panjang pada akhirnya terbukti nyata.

## 3. Cip, Memori, dan Ekonomi Model: Komoditisasi versus Batas Terdepan yang Bergerak

Meskipun model teoretis mengasumsikan hambatan perangkat keras akan menghilang secara alami seiring waktu ketika kapasitas manufaktur kembali normal, kendala pasokan semikonduktor tetap akut. Memori Berlebar Pita Tinggi (HBM) dan pengemasan canggih merupakan hambatan struktural selama beberapa tahun, bukan friksi sementara. IEA memproyeksikan kekurangan pasokan HBM akan bertahan setidaknya hingga akhir 2027. Pangsa pasar tetap sangat terkonsentrasi; data Counterpoint untuk Q2 2026 memperkirakan pangsa pendapatan HBM sebesar:

*   **SK Hynix:** 50%
*   **Samsung:** 33%
*   **Micron:** 18%

Moat (parit ekonomi) perangkat keras modern tidak bergantung pada keping komputasi mandiri, melainkan pada integrasi tingkat sistem secara menyeluruh: keping GPU/ASIC yang terintegrasi dengan HBM melalui interposer, pengemasan canggih, jaringan berkecepatan tinggi (seperti NVLink), penyaluran daya, dan pendinginan khusus. Integrasi sistem ini menjadi semakin penting ketika beban kerja beralih dari pelatihan model ke inferensi. McKinsey memproyeksikan inferensi akan mewakili sekitar 60% dari total permintaan kecerdasan buatan pada 2030. Akibatnya, medan persaingan bergeser langsung menuju lebar pita memori, kapasitas, latensi, efisiensi termal, dan konsumsi daya per keluaran token yang berguna—memperkuat moat (parit ekonomi) struktural pemasok perangkat keras terintegrasi.

Pada saat yang sama, ekonomi model kecerdasan fondasi menunjukkan penurunan biaya yang cepat. Data dari Indeks Kecerdasan Buatan Stanford menunjukkan bahwa biaya menjalankan model pada kinerja MMLU setingkat GPT-3.5 turun dari sekitar $20 per juta token pada November 2022 menjadi sekitar $0.07 pada Oktober 2024—penurunan biaya sebesar 280 kali selama 18 bulan. Selain itu, studi OECD menunjukkan harga model bahasa yang disesuaikan dengan kualitas turun hampir 80% antara Januari 2024 dan April 2026.

| Metrik / Fokus Metrik | Acuan Historis | Tingkat Terkini / Proyeksi | Signifikansi Analitis |
| :--- | :--- | :--- | :--- |
| **Biaya Token MMLU GPT-3.5** | $20.00 / M token (November 2022) | $0.07 / M token (Oktober 2024) | Penurunan 280x dalam biaya per unit kecerdasan (Stanford). |
| **Harga Model Bahasa** | Tingkat Dasar (Januari 2024) | Penurunan ~80% (April 2026) | Keruntuhan harga yang cepat pada keluaran yang disesuaikan dengan kualitas (OECD). |
| **Kesenjangan Kinerja Tertutup versus Terbuka** | Kesenjangan lebar (2023) | Kesenjangan 3.3%–3.4% (Maret 2026) | Komoditisasi kemampuan dasar (Indeks Kecerdasan Buatan Stanford 2026). |
| **Pangsa Belanja Perusahaan** | 35% Model Terdepan (Q3 2025) | 63% Model Terdepan (Q3 2026) | Kesediaan membayar premi untuk penalaran paling mutakhir (Menlo). |

Meskipun terjadi keruntuhan harga ini, model fondasi belum menjadi komoditas murni. Kecerdasan dasar sedang mengalami komoditisasi—dengan Indeks Kecerdasan Buatan Stanford 2026 menunjukkan model terdepan terbaik (Anthropic, xAI, Google, OpenAI) hanya terpaut 25 poin Arena Elo, dan model tertutup hanya mengungguli alternatif berbobot terbuka sebesar 3.3% hingga 3.4% per Maret 2026. Namun, pelanggan perusahaan terus membayar premi untuk kemampuan terdepan. Penelitian Menlo menunjukkan pangsa model terdepan dalam belanja kecerdasan buatan perusahaan naik dari 35% pada Q3 2025 menjadi 63% pada Q3 2026. 

Lapisan model beroperasi sebagai batas terdepan ekonomi yang terus bergerak: kemampuan dasar dengan cepat menjadi komoditas, sementara penalaran paling mutakhir mempertahankan kekuatan penetapan harga, sehingga memaksa pengembang model menanggung investasi modal besar-besaran secara berkelanjutan hanya untuk mempertahankan kesetaraan di garis terdepan.
## 4. Lapisan Eksekusi, AI Fisik, dan Paradoks Jevons

Seiring model fondasi menjadi komoditas, nilai ekonomi bergeser ke lapisan eksekusi dan kendali. Lapisan perangkat lunak perantara ini mencakup perutean model dinamis, memori status persisten, manajemen identitas, pengaturan izin, evaluasi, integrasi alat, dan orkestrasi. Dalam kerangka neraca perusahaan, pembeli perangkat lunak perusahaan tidak membeli token fondasi mentah; mereka membeli hasil bisnis yang telah diselesaikan. Lapisan eksekusi beroperasi sebagai "perangkat lunak perantara" institusional—analog dengan Kubernetes, manajemen akses identitas, dan observabilitas dalam komputasi awan—yang mengunci biaya peralihan perusahaan dan melindungi margin laba meskipun model dasar yang mendasarinya berfluktuasi. Survei penggunaan produksi LangChain 2026 menegaskan bahwa arsitektur perusahaan multimodel kini menjadi standar, dengan hambatan utama penerapan bergeser dari biaya per unit token ke keandalan eksekusi, keamanan, dan penyelesaian tugas.

Demikian pula, data pelatihan web generik menjadi komoditas dibandingkan dengan lingkaran umpan balik berbasis hasil yang bersifat eksklusif. Moat (parit ekonomi) yang berkelanjutan tercipta ketika aplikasi perangkat lunak tertanam langsung dalam alur kerja operasional khusus bidang, tempat tindakan menghasilkan evaluasi dunia nyata yang dapat diverifikasi.

Ilustrasi utama dinamika ini adalah **Harvey** di sektor hukum. Harvey tidak bersaing sebagai pembungkus model fondasi yang rapuh dengan menjual pembuatan token generik. Sebaliknya, Harvey tertanam langsung dalam alur kerja hukum, menggabungkan sistem pencatatan hukum, distribusi, kepatuhan regulasi, kepercayaan klien, dan lingkaran umpan balik eksklusif (analisis kontrak $\rightarrow$ revisi pengacara $\rightarrow$ pengajuan akhir ke pengadilan/penyelesaian). Karena Harvey menguasai alur kerja menyeluruh dan data hasil yang dihasilkan, perusahaan ini membangun biaya peralihan yang tinggi dan mempertahankan daya penetapan harganya, sehingga pilihan model fondasi yang mendasarinya menjadi sekunder dibandingkan hasil bisnis yang dicapai. Lingkaran umpan balik berbasis hasil serupa mulai muncul dalam bidang khusus seperti pemrograman (tambalan $\rightarrow$ hasil pengujian $\rightarrow$ hasil penerapan), kedokteran (diagnosis $\rightarrow$ terapi $\rightarrow$ hasil kesehatan pasien), dan keuangan (faktur $\rightarrow$ kliring $\rightarrow$ penyelesaian sengketa).

Dalam sistem AI fisik, dinamika alokasi modal berbeda secara fundamental dari ekonomi perusahaan perangkat lunak murni. Perangkat lunak dapat ditingkatkan skalanya dengan biaya marginal mendekati nol, sedangkan robotika fisik memerlukan modal besar untuk daftar kebutuhan material (BOM). McKinsey memperkirakan bahwa aktuator presisi menyumbang 40% hingga 60% dari BOM robot humanoid, dibandingkan dengan 5% hingga 10% untuk modul baterai. Selain itu, CRU memperkirakan bahwa setiap robot humanoid memerlukan 2 hingga 3 kg magnet tanah jarang NdFeB (neodimium-besi-boron). Walaupun komponen AI fisik menawarkan potensi opsi strategis jangka panjang, aset komputasi dan memori pusat data menghasilkan arus kas langsung yang dapat diverifikasi saat ini.

| Elemen Perangkat Keras AI Fisik | Perkiraan Porsi BOM / Sumber Daya | Pendorong Utama Ekonomi & Rantai Pasok |
| :--- | :--- | :--- |
| **Aktuator Presisi** | 40% – 60% dari total BOM (McKinsey) | Sendi berpresisi tinggi, kotak roda gigi, motor, dan pereduksi. |
| **Modul Baterai** | 5% – 10% dari total BOM (McKinsey) | Alokasi modal relatif lebih rendah dibandingkan dengan aktuasi. |
| **Magnet Tanah Jarang NdFeB** | 2 – 3 kg per robot humanoid (CRU) | Pendorong permintaan struktural untuk unsur tanah jarang berat. |

Memahami ekspansi belanja modal struktural ini memerlukan penerapan Paradoks Jevons. Penurunan biaya per unit token sebesar 100 kali tidak mengurangi total pengeluaran komputasi; sebaliknya, harga per unit yang lebih rendah memicu ekspansi eksplosif dalam konsumsi token agregat. Ketika interaksi satu kueri-respons digantikan oleh lingkaran penalaran multiagen yang menjalankan simulasi latar belakang berkelanjutan dan pemanggilan alat otomatis, permintaan agregat untuk komputasi perangkat keras meningkat pesat meskipun harga per unit anjlok.

Bagi investor fundamental jangka panjang yang mengevaluasi alokasi modal, perolehan nilai yang berkelanjutan mengharuskan penghindaran kelangkaan fisik semata dan mengutamakan bisnis yang menunjukkan ROIC inkremental tinggi, daya penetapan harga, serta lingkaran umpan balik yang tertanam dalam alur kerja. Investor yang tertarik pada model valuasi lebih mendalam dan perhitungan fundamental owner earnings dapat menjelajahi riset perusahaan bersumber terbuka kami di situs web DeepValues Research atau mengevaluasi intrinsic value (nilai intrinsik) dan margin of safety saham apa pun menggunakan aplikasi DeepValues.

## 5. Angka-angka utama

*   **78%**: Perkiraan pangsa pasar perusahaan Jepang dalam penjualan fotoresis semikonduktor berdasarkan kebangsaan perusahaan.
*   **>$700 Miliar**: Perkiraan belanja modal penyedia komputasi awan skala besar pada 2026 menurut IEA, terutama untuk ekspansi pusat data.
*   **485 TWh hingga ~950 TWh**: Proyeksi kenaikan konsumsi listrik pusat data dari 2025 hingga 2030 (IEA).
*   **Akhir 2027**: Perkiraan waktu hingga kekurangan pasokan memori berlebar pita tinggi (HBM) akan berlangsung (IEA).
*   **50% / 33% / 18%**: Perkiraan pangsa pendapatan HBM pada Q2 2026 untuk SK Hynix, Samsung, dan Micron, secara berurutan (Counterpoint).
*   **$20 hingga $0.07 per Juta Token**: Penurunan biaya untuk menjalankan kinerja MMLU setingkat GPT-3.5 antara November 2022 dan Oktober 2024, yang mencerminkan penurunan sebesar 280x (Indeks AI Stanford).
*   **~80%**: Penurunan harga model bahasa yang disesuaikan dengan kualitas dari Januari 2024 hingga April 2026 (OECD).
*   **25 Poin Arena Elo**: Selisih kinerja tipis yang memisahkan model terdepan Anthropic, xAI, Google, dan OpenAI per Maret 2026 (Indeks AI Stanford 2026).
*   **3.3%–3.4%**: Kesenjangan kinerja antara model bersumber tertutup terbaik dan model berbobot terbuka terbaik pada Maret 2026 (Indeks AI Stanford).
*   **35% hingga 63%**: Peningkatan pangsa model terdepan dalam belanja AI perusahaan antara Q3 2025 dan Q3 2026 (riset Menlo).
*   **40%–60% dibandingkan dengan 5%–10%**: Perkiraan proporsi daftar kebutuhan material (BOM) robot humanoid yang disumbangkan oleh aktuator dibandingkan dengan modul baterai (McKinsey).
*   **2–3 kg**: Perkiraan kebutuhan magnet tanah jarang NdFeB per robot humanoid (CRU).

## 6. Apa yang akan mengubah pandangan kami

*   **Keusangan Pesat Arsitektur CUDA dan HBM:** Percepatan interkoneksi alternatif atau arsitektur memori yang berhasil menggeser HBM dan NVLink, sehingga melemahkan moat (parit ekonomi) jaringan pada tingkat sistem sebelum 2027.
*   **Pengurangan Belanja Modal Penyedia Komputasi Awan Skala Besar:** Revisi tajam ke bawah pada lintasan belanja modal tahunan penyedia komputasi awan skala besar sebesar >$700 miliar akibat imbal hasil atas modal yang diinvestasikan (ROIC) yang mengecewakan atau keterlambatan parah dalam interkoneksi jaringan listrik.
*   **Monetisasi Pesat dan Stagnasi Model Berbobot Terbuka:** Hilangnya kesenjangan kinerja model terdepan sebesar 3.3–3.4%, yang menyebabkan pelanggan perusahaan meninggalkan model tertutup premium dan beralih ke model berbobot terbuka yang dilokalkan dan murah.
*   **Percepatan Penerapan AI Fisik:** Komersialisasi massal dan manufaktur robotika humanoid bervolume tinggi yang mencapai jutaan unit jauh sebelum 2030, sehingga mengalihkan perolehan nilai arus kas langsung ke rantai pasok aktuasi dan magnet.

## 7. Sumber

Mengurai Nilai AI, Chamath Palihapitiya (Surat Tahunan 2025 dan Kerangka Terkait)
Indeks AI Stanford (Universitas Stanford, Data 2024–2026)
Laporan Listrik dan Belanja Modal Badan Energi Internasional (IEA)
Counterpoint Research (Analisis Pasar Semikonduktor & HBM Q2 2026)
Riset BOM Robotika McKinsey & Company
Riset Material & Tanah Jarang CRU Group
Studi Harga Model Bahasa OECD (2024–2026)
Riset Belanja AI Perusahaan Menlo Ventures (2025–2026)
Riset Infrastruktur & Daya Pusat Data Universitas Johns Hopkins
Survei AI dalam Produksi LangChain (2026)

## From DeepValues

- DeepValues app: intrinsic value, stances and the latest reports for 300+ stocks. [iPhone](https://apps.apple.com/us/app/deepvalues/id6775568608?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android](https://play.google.com/store/apps/details?id=app.deepvalues.android&referrer=utm_source%3Dresearch%26utm_medium%3Dweb%26utm_campaign%3Dmarkdown) · [Web](https://app.deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown)
- [Deep Value Intelligence](https://deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown): the multi-agent AI analyst behind these reports, for any listed company
- [Margin of Safety Weekly](https://app.deepvalues.ai/letter?utm_source=research&utm_medium=web&utm_campaign=markdown): free weekly email, every Saturday
- YouTube: videos on investing and on AI. [@TheDeepValues](https://www.youtube.com/@TheDeepValues?utm_source=research&utm_medium=web&utm_campaign=markdown) (investing) · [@deep-values](https://www.youtube.com/@deep-values?utm_source=research&utm_medium=web&utm_campaign=markdown) (AI)
- Podcasts: 6 shows in English and Chinese (Deep Values, 深度价值, Deep Values Frontier, 深度價值前沿, Deep Value Intelligence, 深度价值情报站). [all shows on Apple Podcasts](https://podcasts.apple.com/us/channel/deepvalues/id6826606342)
- Buffett Indicator: market-valuation gauge. [iPhone](https://apps.apple.com/us/app/buffett-indicator/id6747404614?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android (Buffett Indicator & Shiller PE)](https://play.google.com/store/apps/details?id=com.luluventures.bubblewatch.android&utm_source=research&utm_medium=web&utm_campaign=markdown)
