Mengapa Keuntungan Laba AI Mungkin Tertinggal di Balik Ekspektasi Tinggi Wall Street

Wall Street saat ini sedang memperhitungkan lonjakan besar dalam profitabilitas perusahaan yang didorong oleh kecerdasan buatan, namun peringatan yang kian meningkat menunjukkan bahwa lini masa ini mungkin terlalu optimis. Torsten Slok, kepala ekonom di Apollo, berpendapat bahwa realisasi nyata dari margin yang didorong oleh AI di sektor non-teknologi bisa memakan waktu jauh lebih lama daripada yang diperkirakan oleh proyeksi pasar saat ini.

Ketidaksesuaian Antara Valuasi Teknologi dan Adopsi Dunia Nyata

Valuasi saat ini dari banyak perusahaan AI bertumpu pada satu asumsi besar: bahwa S&P 493—indeks yang mengecualikan raksasa teknologi "Magnificent Seven"—akan mengalami ekspansi margin yang signifikan melalui integrasi AI. Meskipun perusahaan teknologi sudah merasakan manfaat otomatisasi, ekonomi yang lebih luas menceritakan kisah yang berbeda.

Menurut Slok, saat ini belum ada bukti signifikan bahwa AI meningkatkan margin laba di industri di luar sektor teknologi inti. Pasar sedang memperhitungkan pertumbuhan laba yang cepat, namun arus kas aktual yang diperlukan untuk membenarkan valuasi ini mungkin tertinggal jauh di belakang. Jika revolusi produktivitas membutuhkan waktu lima tahun untuk terwujud alih-alih lima bulan, industri ini dapat menghadapi penilaian ulang (repricing) saham AI yang menyakitkan dan signifikan.

Hambatan Struktural dalam Industri yang Terregulasi

Penundaan dalam peningkatan produktivitas bukan sekadar masalah lambatnya adopsi; ini adalah produk sampingan dari lingkungan kompleks tempat banyak industri global beroperasi. Di sektor-sektor yang sangat terregulasi seperti layanan kesehatan, perbankan, energi, farmasi, dan manufaktur, jalur menuju integrasi AI penuh dengan rintangan.

Persyaratan privasi yang ketat, kepatuhan regulasi yang kaku, dan kebutuhan akan perombakan proses secara masif berarti industri-industri ini tidak dapat beralih secepat perusahaan rintisan (startup) perangkat lunak. Gesekan institusional ini bertindak sebagai rem terhadap kecepatan AI dapat diterapkan untuk mengoptimalkan alur kerja dan mengurangi biaya. Akibatnya, "lonjakan produktivitas" yang dipertaruhkan oleh investor mungkin tertunda selama bertahun-tahun saat sektor-sektor ini menavigasi kompleksitas hukum dan operasional dari implementasi machine learning.

Masalah Pengukuran dalam Pekerjaan Pengetahuan (Knowledge Work)

Bahkan ketika AI berhasil meningkatkan efisiensi pekerja secara individu, muncul tantangan sekunder: sulitnya mengukur keuntungan tersebut secara kuantitatif. Dalam ranah pekerjaan pengetahuan (knowledge work), peningkatan produktivitas sangat sulit diukur dengan presisi.

Berbeda dengan manufaktur, di mana hasil produksi mudah dilacak, keuntungan yang diperoleh oleh seorang karyawan yang menggunakan LLM untuk menyusun laporan atau menganalisis data sering kali tidak memiliki metrik yang jelas. Tanpa data konkret, tim manajemen kesulitan untuk membenarkan pengeluaran modal skala besar atau mengakui peningkatan tersebut dalam neraca keuangan formal. Sebaliknya, peningkatan efisiensi inkremental ini sering kali "terserap" ke dalam operasional harian, sehingga gagal bermanifestasi sebagai ekspansi margin nyata yang dituntut oleh Wall Street.

Poin-Poin Penting

• Risiko Overvaluasi Pasar: Valuasi saham AI sangat bergantung pada pertumbuhan margin di S&P 493, yang belum terwujud di sektor non-teknologi.
• Gesekan Regulasi: Industri seperti layanan kesehatan dan perbankan menghadapi penundaan signifikan dalam adopsi AI karena mandat privasi dan perombakan proses yang kompleks.
• Kesenjangan Kuantifikasi: Peningkatan produktivitas dalam pekerjaan pengetahuan sulit diukur dan dilaporkan, sehingga menyulitkan perusahaan untuk menerjemahkan penggunaan AI menjadi pertumbuhan laba bersih (bottom-line).