Bisnis AI tidak menghasilkan uang? DeAI telah menunjukkan harapan.

Penulis: Zhang Feng

Kecerdasan buatan (AI) tanpa diragukan lagi adalah sektor teknologi paling panas di seluruh dunia, teknologi AI sedang membentuk kembali berbagai industri dengan kecepatan yang belum pernah terjadi sebelumnya. Namun, di balik kemeriahan yang meriah, kenyataan pahitnya adalah sebagian besar bisnis AI, terutama startup, belum menemukan jalur keuntungan yang stabil dan berkelanjutan. Mereka terjebak dalam dilema “dikenal tetapi tidak menghasilkan”, dengan kemakmuran teknologi dan kerugian bisnis berjalan berdampingan.

Satu, mengapa “rugi tapi mendapat perhatian”?

Kendala profitabilitas bisnis AI tidak berasal dari kegagalan teknologi itu sendiri, tetapi disebabkan oleh model pengembangan terpusat yang menyebabkan kontradiksi struktural. Secara khusus, dapat diringkas menjadi tiga alasan utama berikut:

**Sentralisasi ekstrim: biaya setinggi langit dan oligopoli. ** AI arus utama saat ini, terutama model besar, adalah industri “berat aset” yang khas. Proses pelatihan dan inferensi menghabiskan sejumlah besar daya komputasi (GPU), penyimpanan, dan daya. Hal ini telah menyebabkan polarisasi: di satu sisi, ada raksasa teknologi dengan modal besar (seperti Google, Microsoft, OpenAI), yang mampu membayar ratusan atau bahkan miliaran dolar; Di sisi lain, sejumlah besar startup harus membayar sebagian besar pembiayaan mereka kepada penyedia layanan cloud untuk mendapatkan daya komputasi, dan margin keuntungan mereka sangat tertekan. Model ini telah membentuk “oligopoli daya komputasi” dan menghambat vitalitas inovasi. Misalnya, bahkan OpenAI sangat bergantung pada investasi besar Microsoft dan sumber daya komputasi awan Azure pada tahap awal pengembangannya untuk mendukung pengembangan dan pengoperasian ChatGPT. Bagi sebagian besar pemain, biaya tetap yang tinggi menyulitkan untuk memonetisasi dalam skala besar.

Dilema Data: Hambatan Kualitas dan Risiko Privasi. Bahan bakar AI adalah data. Perusahaan AI terpusat biasanya menghadapi dua tantangan besar untuk mendapatkan data pelatihan yang berkualitas tinggi dan dalam skala besar. Pertama, biaya pengambilan data sangat tinggi. Baik melalui pengumpulan berbayar, penandaan data, atau menggunakan data pengguna, semuanya melibatkan investasi uang dan waktu yang besar. Kedua, risiko privasi data dan kepatuhan sangat besar. Dengan semakin ketatnya regulasi data global (seperti GDPR, CCPA), pengumpulan dan penggunaan data tanpa izin eksplisit dari pengguna dapat memicu gugatan hukum dan denda yang sangat besar kapan saja. Misalnya, beberapa perusahaan teknologi terkemuka telah menghadapi denda yang sangat tinggi karena masalah penggunaan data. Ini membentuk sebuah paradoks: tanpa data, AI tidak dapat berkembang, tetapi perolehan dan penggunaan data sangat sulit.

Distribusi nilai yang tidak seimbang: Kontributor dan pencipta dikecualikan dari keuntungan. Dalam ekosistem AI saat ini, distribusi nilai sangat tidak adil. Pelatihan model AI bergantung pada data perilaku yang dihasilkan oleh sejumlah pengguna, konten yang diproduksi oleh pencipta (teks, gambar, kode, dll.), serta kode sumber terbuka yang disumbangkan oleh pengembang global. Namun, para kontributor inti ini hampir tidak bisa mendapatkan imbalan dari nilai komersial besar yang diciptakan oleh model AI. Ini bukan hanya masalah etika, tetapi juga merupakan model bisnis yang tidak berkelanjutan. Ini mengurangi semangat kontributor data dan pencipta konten, dan dalam jangka panjang, akan menggerogoti dasar dari pengoptimalan dan inovasi berkelanjutan model AI. Salah satu contoh yang khas adalah banyak seniman dan penulis menuduh perusahaan AI menggunakan karya mereka untuk pelatihan dan meraup keuntungan, tetapi tidak memberikan kompensasi apapun, yang memicu kontroversi dan sengketa hukum yang luas.

Dua, Paradigma Baru dalam Profitabilitas

DeAI (Kecerdasan Buatan Terdesentralisasi) bukanlah teknologi tunggal, melainkan paradigma baru yang menggabungkan blockchain, kriptografi, dan komputasi terdistribusi. Ini bertujuan untuk merekonstruksi hubungan produksi AI melalui cara terdesentralisasi, sehingga dapat secara spesifik mengatasi tiga masalah utama yang disebutkan di atas dan membuka kemungkinan untuk mendapatkan keuntungan.

DeAI melalui mode “crowdsourcing” mendistribusikan permintaan daya komputasi ke node yang tidak terpakai di seluruh dunia (komputer pribadi, pusat data, dll). Ini mirip dengan “Airbnb for GPU”, membentuk pasar daya komputasi global yang kompetitif, yang dapat secara signifikan mengurangi biaya daya komputasi. Para peserta mendapatkan insentif token dengan menyumbangkan daya komputasi, mewujudkan alokasi sumber daya yang optimal.

DeAI mengimplementasikan “pembelajaran federasi” dan “kriptografi homomorfik” untuk mencapai “data tetap, model yang bergerak”. Ini tidak memerlukan pengumpulan data mentah di satu tempat, tetapi mendistribusikan model ke berbagai sumber data untuk pelatihan lokal, hanya mengagregasi pembaruan parameter yang telah dienkripsi. Ini secara fundamental melindungi privasi data, sambil memanfaatkan nilai data terdesentralisasi secara legal dan sesuai aturan. Pemilik data dapat memutuskan secara mandiri apakah akan menyediakan data dan mendapatkan keuntungan dari situ.

DeAI melalui “ekonomi token” dan “kontrak pintar”, membangun sebuah sistem distribusi nilai yang transparan dan adil. Kontributor data, penyedia daya komputasi, pengembang model, bahkan pengguna model, dapat secara otomatis memperoleh imbalan token yang sesuai dengan tingkat kontribusi mereka melalui kontrak pintar. Ini mengubah AI dari “kotak hitam” yang dikendalikan oleh raksasa, menjadi sebuah ekonomi terbuka yang dibangun, dikelola, dan dibagikan oleh komunitas.

Tiga, Arsitektur Tiga Tingkat Transformasi

Memindahkan bisnis AI terpusat tradisional ke paradigma DeAI memerlukan rekonstruksi sistematis pada tiga tingkat: teknis, bisnis, dan tata kelola.

(1) Rekonstruksi Teknologi dari Terpusat ke Terdistribusi

Layer Kekuatan bergantung pada jaringan infrastruktur fisik terdesentralisasi (DePIN) proyek, seperti Akash Network, Render Network, dll., untuk membangun kolam kekuatan terdistribusi yang fleksibel dan berbiaya rendah, sebagai pengganti layanan cloud terpusat tradisional.

Lapisan data menggunakan pembelajaran federasi sebagai kerangka pelatihan inti, menggabungkan kriptografi seperti enkripsi homomorfik dan komputasi multi pihak yang aman, untuk memastikan privasi dan keamanan data. Membangun pasar data berbasis blockchain, seperti Ocean Protocol, memungkinkan data diperdagangkan dengan hak kepemilikan dan keamanan.

Lapisan Model akan menerapkan model AI yang telah dilatih dalam bentuk “Kontrak Pintar AI” di blockchain, menjadikannya transparan, dapat diverifikasi, dan dapat diakses tanpa izin. Setiap penggunaan model dan pendapatan yang dihasilkan dapat dicatat dan dialokasikan dengan tepat.

(II) Dari Layanan Penjualan ke Rekonstruksi Bisnis Pembangunan Ekosistem

Dari SaaS ke DaaS (Data sebagai Layanan) dan MaaS (Model sebagai Layanan), perusahaan tidak lagi hanya menjual jumlah panggilan API, tetapi sebagai pembangun ekosistem, dengan menerbitkan token fungsional atau token tata kelola, memotivasi komunitas untuk berpartisipasi dalam pembangunan jaringan. Sumber pendapatan berkembang dari biaya layanan tunggal menjadi apresiasi token yang dihasilkan dari pertumbuhan nilai ekosistem, bagi hasil biaya transaksi, dan lainnya.

Oleh karena itu, membangun platform tugas terdesentralisasi yang menerbitkan tugas seperti penandaan data, penyesuaian model, dan pengembangan aplikasi untuk skenario tertentu dalam bentuk “hadiah”, yang akan diambil dan mendapatkan imbalan oleh anggota komunitas global, secara signifikan mengurangi biaya operasional dan memicu inovasi.

(Tiga) Dari Struktur Perusahaan ke Rekonstruksi Tata Kelola DAO

Berdasarkan pada tata kelola komunitas, melalui kepemilikan token tata kelola, para peserta komunitas (kontributor, pengguna) memiliki hak untuk memberikan suara terhadap keputusan kunci, seperti arah penyesuaian parameter model, penggunaan dana kas, prioritas pengembangan fitur baru, dan sebagainya. Ini mewujudkan “pengguna adalah pemilik” yang sebenarnya.

**Berdasarkan keterbukaan dan transparansi, semua kode, model (beberapa dapat bersifat open source), catatan transaksi, dan keputusan tata kelola diunggah ke rantai, menjamin proses yang terbuka dan transparan, serta membangun hubungan kolaboratif yang tidak memerlukan kepercayaan, ini sendiri adalah aset merek yang kuat dan dukungan kepercayaan.

Sebagai contoh transformasi dari platform data logistik tradisional ke DeAI,** kesulitan yang dihadapi platform data logistik tradisional adalah bahwa meskipun mengumpulkan data dari berbagai pihak seperti pengiriman laut, pengiriman darat, dan pergudangan, para peserta “tidak mau berbagi” karena khawatir akan kebocoran rahasia bisnis, yang mengakibatkan pulau data dan nilai platform yang terbatas.** Inti dari transformasi ke DeAI adalah melepaskan nilai data dan memberikan insentif yang adil tanpa mengekspos data mentah:

Membangun jaringan komputasi terpercaya secara teknis. Platform tidak lagi menyimpan data secara terpusat, tetapi bertransformasi menjadi lapisan koordinasi berbasis blockchain. Mengadopsi mode teknologi seperti pembelajaran federasi, memungkinkan model AI “terjun” ke server lokal masing-masing perusahaan (seperti perusahaan pelayaran, gudang) untuk dilatih, hanya mengagregasi pembaruan parameter yang terenkripsi, bersama-sama mengoptimalkan model prediksi global (seperti waktu kedatangan kapal, risiko penumpukan barang di gudang), mewujudkan “data tidak bergerak, nilai bergerak.”

Mendorong aset data dan insentif token dalam bisnis. Platform mengeluarkan poin utilitas, perusahaan logistik “menambang” untuk memperoleh imbalan poin dengan memberikan data (parameter model). Sedangkan pelanggan hulu (seperti pemilik barang) membayar token untuk mendapatkan “hasil prediksi” yang akurat tinggi (misalnya: tingkat ketepatan waktu rute tertentu dalam seminggu ke depan), alih-alih membeli data mentah. Pendapatan secara otomatis dialokasikan kepada pihak yang menyumbangkan data melalui kontrak pintar.

Membangun industri DAO dalam tata kelola, keputusan kunci (seperti pengembangan fitur baru, penyesuaian tarif) diatur melalui pemungutan suara bersama oleh pemegang token (yaitu, peserta inti), mengubah platform dari yang dipimpin perusahaan swasta menjadi komunitas industri.

Platform ini telah bertransformasi dari lembaga terpusat yang mencoba menarik biaya perantara data, menjadi sistem saraf yang dibangun, dikelola, dan dibagikan oleh seluruh rantai industri logistik, dengan mengatasi masalah kepercayaan, secara signifikan meningkatkan efisiensi kolaborasi industri dan kemampuan ketahanan terhadap risiko.

Empat, Kepatuhan dan Keamanan

Meskipun prospek DeAI sangat luas, pengembangannya masih berada pada tahap awal dan menghadapi serangkaian tantangan yang tidak bisa diabaikan.

Kepatuhan dan Ketidakpastian Hukum. Dalam hal peraturan data, meskipun data tidak berpindah, pola seperti pembelajaran federal masih harus mematuhi dengan ketat persyaratan tentang “batasan tujuan”, “minimisasi data”, dan hak pengguna (seperti hak untuk dilupakan) dalam peraturan seperti GDPR. Pihak proyek harus merancang mekanisme otorisasi dan pengunduran diri yang mematuhi peraturan.

Dalam hal peraturan sekuritas, token yang diterbitkan oleh proyek sangat mudah dianggap sebagai sekuritas oleh lembaga pengawas di berbagai negara (seperti SEC AS), sehingga menghadapi pemeriksaan regulasi yang ketat. Cara menghindari risiko hukum saat merancang model ekonomi token adalah kunci untuk kelangsungan hidup proyek.

Tanggung jawab konten, jika sebuah model DeAI yang diterapkan di blockchain menghasilkan konten yang berbahaya, bias, atau ilegal, siapa yang menjadi penanggung jawab? Apakah itu pengembang model, penyedia kekuatan komputasi, atau pemegang token governance? Ini membawa tantangan baru bagi sistem hukum yang ada.

Tantangan dalam keamanan dan kinerja, keamanan model yang diterapkan di blockchain publik mungkin menghadapi vektor serangan baru, seperti eksploitasi kerentanan kontrak pintar, atau merusak sistem pembelajaran federasi melalui data beracun.

Bottleneck kinerja adalah kecepatan transaksi (TPS) dan batas penyimpanan dari blockchain itu sendiri, yang mungkin tidak dapat mendukung permintaan inferensi model besar dengan frekuensi tinggi dan latensi rendah. Ini memerlukan kombinasi yang efektif antara solusi skalabilitas Layer2 dan komputasi off-chain.

Efisiensi kolaborasi adalah kolaborasi terdistribusi meskipun adil, tetapi efisiensi pengambilan keputusan dan pelaksanaan mungkin lebih rendah dibandingkan dengan perusahaan terpusat. Bagaimana mencapai keseimbangan antara efisiensi dan keadilan adalah seni yang perlu dieksplorasi secara terus-menerus dalam tata kelola DAO.

DeAI sebagai revolusi hubungan produksi, melalui teknologi terdistribusi, ekonomi token, dan tata kelola komunitas, diharapkan dapat memecahkan monopoli raksasa, melepaskan kekuatan komputasi dan nilai data yang terpendam di seluruh dunia, serta membangun ekosistem AI baru yang lebih adil, berkelanjutan, dan mungkin lebih menguntungkan.

Lima, Arah Eksplorasi Saat Ini

Perkembangan alat AI saat ini masih memiliki jalan panjang untuk mencapai kecerdasan buatan terdesentralisasi yang ideal. Saat ini kita masih berada dalam tahap awal yang didominasi oleh layanan terpusat, tetapi beberapa eksplorasi telah menunjukkan arah masa depan.

Eksplorasi saat ini dan tantangan masa depan. Meskipun DeAI yang ideal belum terwujud, industri sudah melakukan upaya yang berharga, yang membantu kita melihat jalur masa depan dan rintangan yang perlu dilalui.

Sebagai prototipe kolaborasi sistem multi-agen. Beberapa proyek sedang menjelajahi pembangunan lingkungan di mana agen AI dapat berkolaborasi dan berevolusi bersama. Misalnya, proyek AMMO bertujuan untuk menciptakan “jaringan simbiosis antara manusia dan AI”, dengan kerangka multi-agen yang dirancang dan lingkungan simulasi RL Gyms, memungkinkan agen AI untuk belajar berkolaborasi dan bersaing dalam skenario yang kompleks. Ini dapat dianggap sebagai salah satu upaya untuk membangun aturan interaksi dasar di dunia DeAI.

Contoh model insentif awal lainnya. Dalam konsep DeAI, pengguna yang menyumbang data dan node yang menyediakan daya komputasi harus mendapatkan imbalan yang adil. Beberapa proyek sedang mencoba untuk mendistribusikan kembali nilai langsung kepada kontributor ekosistem melalui sistem insentif berbasis kripto. Tentu saja, bagaimana model ekonomi ini dapat beroperasi secara besar-besaran, stabil, dan adil masih merupakan tantangan besar.

Misalnya menuju AI yang lebih mandiri: Produk kategori Deep Research menunjukkan otonomi kuat AI dalam tugas tertentu (seperti pencarian informasi, analisis). Mereka dapat merencanakan secara mandiri, melaksanakan operasi multi-langkah, dan mengoptimalkan hasil secara iteratif. Kemampuan otomatisasi tugas ini adalah dasar bagi kerja independen agen AI di jaringan DeAI di masa depan.

Bagi para profesional AI yang berjuang di Laut Merah, lebih baik berani memeluk Laut Biru DeAI ini daripada terjebak dalam paradigma lama. Ini bukan hanya perubahan jalur teknologi, tetapi juga perombakan filosofi bisnis - dari “mengekstrak” menjadi “memberdayakan”, dari “tertutup” menjadi “terbuka”, dari “monopoli keuntungan” menjadi “pertumbuhan inklusif”.