Di banyak perusahaan, investasi AI terkait langsung dengan hasil, seperti meningkatkan pengambilan keputusan, mempercepat pengembangan produk, dan memberikan pengalaman pengguna yang lebih personal.
Pikirkan tentang bagaimana perusahaan mengembangkan produk di platform dan layanan berbasis cloud. Keunggulan kompetitif bukan berasal dari satu wawasan tunggal, melainkan dari akumulasi pengetahuan selama bertahun-tahun melalui interaksi dengan pelanggan, pengujian, kegagalan, umpan balik, dan perbaikan. Semakin banyak pengetahuan institusional yang dapat dipertahankan dan diterapkan oleh suatu perusahaan, semakin cepat perusahaan tersebut dapat berkembang.
Sistem AI mulai beroperasi dengan cara yang sama. Pada awalnya, tantangannya adalah melatih model tersebut. Seiring berjalannya waktu, implementasi menjadi semakin matang, dan nilainya semakin bergantung pada seberapa efektif implementasi tersebut dapat menyimpan, mengakses, dan menggunakan kembali data yang terkumpul melalui interaksi dan hasil sebelumnya. Pekerjaan pada awalnya terasa mudah dikelola, tetapi ekspektasi meningkat seiring dengan kematangan implementasi. Sistem yang hanya menganalisis apa yang telah terjadi saja tidak lagi cukup. Mereka diharapkan untuk terus belajar, menyempurnakan rekomendasi, dan menyesuaikan pengalaman seiring masuknya data baru. Modelnya tetap penting, tetapi kemampuan sistem untuk menyimpan apa yang telah dilihatnya dan menggunakannya kembali saat dibutuhkan juga sama pentingnya.
Perilaku pelanggan, hasil sebelumnya, dan pola yang terus berkembang semuanya perlu dipertahankan dan tetap dapat diakses, dan itu mengubah arah percakapan. Performa model tetap penting, tetapi bukan lagi keseluruhan cerita. Pertanyaan yang lebih besar adalah apakah sistem itu sendiri dapat mempertahankan konteks tersebut seiring perkembangannya.
Selama bertahun-tahun, diskusi tentang AI berfokus pada model dan komputasi. Organisasi-organisasi tersebut berinvestasi pada GPU, mempekerjakan ilmuwan data, dan fokus pada pelatihan. Penyimpanan mendukung proses tersebut, menyimpan kumpulan data dan sebagian besar tetap berjalan di latar belakang.
Sekarang setelah sistem-sistem ini diterapkan secara luas, sesuatu yang lain mulai muncul. Model-model tersebut berjalan terus menerus dan pekerjaan telah bergeser dari menciptakan kecerdasan ke memperluas skalanya. Hal ini sering digambarkan sebagai AI agenik — sistem yang tidak hanya menanggapi permintaan, tetapi juga membawa konteks ke depan dan membangun berdasarkan apa yang telah mereka lakukan sebelumnya.
Mereka menghasilkan keluaran, mengambil data yang tersimpan, dan membangun berdasarkan interaksi sebelumnya. Apa yang tampak seperti satu permintaan tunggal seringkali hanyalah satu langkah dalam siklus berkelanjutan untuk mengambil konteks, menyempurnakan respons, dan memasukkan informasi baru kembali ke dalam sistem.
Semakin hari, peningkatan sistem bergantung pada seberapa efektif data tersebut disimpan, diakses, dan digunakan kembali di berbagai alur kerja. Dalam lingkungan hyperscale — infrastruktur cloud yang masif dan terdistribusi secara global tempat sistem ini beroperasi — penyimpanan objek menjadi sistem pencatatan untuk data yang terkumpul tersebut. Dibangun dalam skala besar pada hard drive, sistem ini menyediakan fondasi yang tahan lama dan ekonomis yang memungkinkan sistem AI untuk mempertahankan konteks, memperluasnya dari waktu ke waktu, dan terus berkembang.
Dari arsip ke sistem pencatatan
Begitu sistem mulai beroperasi dengan cara ini, peran penyimpanan mulai berubah. Dalam pengembangan produk, umpan balik pelanggan, hasil sebelumnya, data pengujian, dan interaksi sebelumnya terus menjadi informasi penting untuk menentukan apa yang akan ditingkatkan selanjutnya. Pola yang sama terjadi di berbagai industri di mana pun sistem AI bergantung pada penyimpanan dan penggunaan kembali data.
Penyimpanan objek sejak lama dianggap sebagai tempat tujuan di mana data disimpan setelah tidak lagi digunakan secara aktif. Model itu berhasil ketika beban kerja bersifat episodik. Namun, sistem AI yang terus belajar dan berevolusi tidak memiliki titik akhir yang jelas.
Setiap interaksi meninggalkan sesuatu. Hasil keluaran terakumulasi dan ketika disimpan, hasil tersebut menjadi bagian dari konteks kerja sistem. Alih-alih menghilang, hasil-hasil tersebut tetap tersedia bersamaan dengan semua yang ada sebelumnya dan membentuk apa yang terjadi selanjutnya. Seiring berjalannya waktu, penyimpanan objek menjadi semakin penting—bukan hanya sebagai tempat penyimpanan, tetapi sebagai lapisan tempat data yang terkumpul tetap ada, tetap dapat diakses, dan dapat digunakan kembali dalam alur kerja aktif untuk memberikan informasi bagi hasil di masa mendatang.
Data terus berpindah antar tingkatan lainnya. Data tersebut disimpan dalam memori, ditarik ke lapisan pemrosesan, dan digunakan secara real-time — seringkali lebih dari sekali dalam satu alur kerja. Namun pada akhirnya, hal itu harus tetap ada di suatu tempat. Harus tetap mudah diakses, tahan lama, dan siap digunakan kembali.
Peran itu semakin beralih ke penyimpanan objek, yang dalam komputasi awan skala besar dibangun di atas hard drive. Faktanya, lebih dari 90% kapasitas pusat data cloud berada di hard drive, yang mencerminkan bukan hanya di mana data ditempatkan, tetapi juga di mana data tersebut harus berada dalam skala besar.¹ Penyimpanan adalah cara AI mempertahankan konteks. Pada skala besar, hal itu перестает menjadi pertimbangan latar belakang dan menjadi bagian dari apa yang mendefinisikan kemampuan sistem tersebut.
Pertanyaan data telah berubah.
Di era pelatihan, pertanyaan tentang data sangat sederhana: apakah kita memiliki cukup data untuk membangun model yang bermanfaat?
Dalam sistem seperti ini, pertanyaan berbeda mulai muncul: dapatkah sistem tersebut mengakses data yang tepat, pada waktu yang tepat, dan seringkali berulang kali selama proses berjalan?
Di sinilah semuanya berhenti menjadi teori. Anda melihat sistem mengambil data yang tersimpan berulang kali, menyempurnakan output seiring dengan penambahan konteks. Apa yang tampak sebagai satu kueri tunggal seringkali merupakan serangkaian pencarian di balik layar, yang masing-masing bergantung pada apa yang telah disimpan sebelumnya. Seiring perkembangan sistem-sistem ini, data memainkan peran baru. Apa yang tersimpan di gudang di antara penggunaan aktif bukanlah barang yang menganggur. Ini adalah bagian dari apa yang diketahui sistem — keluaran, interaksi, dan sinyal sebelumnya yang membentuk apa yang terjadi selanjutnya. Konteks yang terakumulasi tersebut mulai sama pentingnya dengan model itu sendiri. Dalam skala besar, beban kerja AI terus menghasilkan volume data yang sangat besar, tetapi sebagian besar masih diperlakukan sebagai data sementara — digunakan sekali dan dibuang — alih-alih disimpan sebagai sesuatu yang dapat dikembangkan oleh sistem.
Di situlah muncul batasan baru. Seiring data menjadi aset jangka panjang, tantangannya bukan lagi sekadar berapa banyak yang dapat disimpan, tetapi berapa banyak dari data tersebut yang dapat tetap diakses, tahan lama, dan dapat digunakan kembali seiring sistem terus berkembang.
Pasar sudah mulai menyesuaikan diri dengan realitas tersebut. IDC memperkirakan kapasitas penyimpanan objek akan tumbuh dengan CAGR sebesar 25,6%, yang mencerminkan meningkatnya permintaan akan data yang persisten dan mudah diakses dalam skala besar.²
Ketika penyimpanan dan komputasi tidak sinkron
Secara teori, sistem AI dirancang untuk efisiensi. Dalam praktiknya, efisiensi tersebut menjadi lebih sulit dipertahankan seiring dengan peningkatan skala bisnis. Teknologi komputasi terus berkembang dengan model-model yang semakin mumpuni dan canggih. Seiring berjalannya waktu dan sistem semakin matang, jumlah data yang disimpan dan diandalkan oleh sistem-sistem ini meningkat dengan sangat cepat.
Organisasi semakin mahir dalam mengambil dan menggunakan informasi, serta memasukkan data yang tepat ke dalam alur kerja pada saat yang tepat. Namun pada saat yang sama, volume dari apa yang ingin mereka pertahankan terus bertambah. Data bisnis historis, hasil sebelumnya, interaksi pelanggan, dan pengetahuan organisasi yang terakumulasi semuanya menjadi lebih berharga seiring dengan kematangan sistem. Semakin hari, kualitas keluaran suatu sistem AI mencerminkan kedalaman dan keluasan informasi yang dapat diaksesnya.
Ketika performa kurang memadai, naluri kita tetaplah untuk menambah daya komputasi. Namun, hal itu tidak selalu mengatasi akar permasalahan. Di luar pemrosesan data, masalah yang lebih sulit adalah mempertahankan akses ke data yang terkumpul yang memberikan konteks pada sistem, dan memastikan data tersebut dapat disimpan, diambil, dan digunakan kembali seiring perkembangan sistem.
Ketidakseimbangan itu mulai terlihat juga dalam perencanaan infrastruktur. Seiring sistem AI menyimpan dan menggunakan kembali lebih banyak data, lapisan data menjadi bagian yang lebih besar dari keputusan arsitektur yang menentukan seberapa efektif sistem tersebut dapat diskalakan.
Pada akhirnya, sistem menjadi terbatas bukan oleh seberapa cepat mereka dapat berjalan, tetapi oleh seberapa banyak riwayat mereka yang dapat mereka bawa sebagai keadaan yang dapat digunakan.
Perangkat keras di balik perangkat lunak
Keputusan infrastruktur yang dibuat organisasi sekarang akan menentukan seberapa jauh sistem AI mereka sebenarnya dapat berkembang.
Sebagian besar hal ini digambarkan sebagai sesuatu yang ditentukan oleh perangkat lunak, dan sebagian besar perilaku sistem dibentuk oleh bagaimana data didistribusikan dan diakses. Namun seiring dengan peningkatan skala implementasi, realitas lain menjadi semakin sulit diabaikan — seberapa jauh sistem ini dapat berkembang pada akhirnya ditentukan oleh perangkat keras yang mendasarinya.
Infrastruktur AI beroperasi di berbagai lapisan. Memori mendukung apa yang sedang terjadi sekarang. Flash memungkinkan akses berkecepatan tinggi di mana latensi menjadi penting. Di balik keduanya, penyimpanan objek yang dibangun dalam skala besar pada hard drive menyediakan fondasi yang kokoh di mana data tetap tersedia untuk penggunaan jangka panjang.
Seiring sistem menjadi lebih kontinu, perbedaan itu semakin tajam. Tingkatan performa menangani pemrosesan langsung, sementara penyimpanan objek memastikan apa yang telah terjadi tetap tersedia. Karena sistem-sistem ini terus menerus menghasilkan dan menggunakan kembali sejumlah besar data tidak terstruktur, sistem-sistem ini tidak dapat dipertahankan hanya dengan mengandalkan tingkatan kinerja saja. Seiring dengan pergeseran kepadatan, daya tahan, dan skala dari pertimbangan latar belakang menjadi batasan utama, hard drive tetap sangat penting.
Perangkat lunak tersebut membentuk cara kerja sistem. Perangkat keras menentukan apa yang dapat diketahuinya.
Mengapa kepadatan menjadi faktor penentu?
Pada titik tertentu, setiap investasi AI akan menghadapi pertanyaan yang sama: bagaimana sistem dapat terus berkembang tanpa melampaui infrastruktur di bawahnya? Kepadatan penyimpanan adalah tempat pertanyaan itu dijawab. Kendala sebenarnya dalam AI perusahaan adalah kontinuitas, bukan daya komputasi. Kemampuan untuk menyimpan lebih banyak data tanpa memperluas infrastruktur secara langsung memengaruhi seberapa jauh suatu sistem dapat diskalakan.
Pada skala yang lebih besar, efeknya menjadi berlipat ganda. Dalam penyebaran satu exabyte, platform Seagate Mozaic™ 4+ meningkatkan efisiensi infrastruktur sekitar 47% dibandingkan dengan penyebaran standar 30TB, sekaligus mengurangi jejak pusat data dan konsumsi energi.3
Keputusan infrastruktur dan keputusan bisnis ternyata sama. Sistem yang mampu menyimpan apa yang telah dipelajari, mengambilnya secara efisien, dan menggunakannya kembali di jutaan interaksi akan melipatgandakan nilainya. Sistem yang dibangun di atas infrastruktur yang memperlakukan data sebagai sesuatu yang sementara pada akhirnya akan mencapai titik jenuh. Bukan karena model-modelnya salah, tetapi karena fondasi di bawahnya tidak mampu menopang bebannya.
Penyimpanan adalah cara AI mengakumulasi pengetahuan — dan dalam skala besar, konteks yang tersimpan tersebut membentuk seberapa banyak sistem dapat belajar dari masa lalunya sendiri, beradaptasi, dan memberikan nilai kembali kepada bisnis.
Pelajari bagaimana arsitektur penyimpanan multi-tingkat—yang didukung oleh HDD—mendukung penyimpanan objek dalam skala besar.
Referensi
- Seagate Technology, “Beban Kerja Pusat Data Seagate Dilayani Sepenuhnya oleh Sistem Penyimpanan Hibrid dan Hard Disk,” Seagate U.S.,
https://www.seagate.com/blog/seagate-data-center-workloads-hdd-hybrid-storage/
- IDC, Prakiraan Penyimpanan Objek, 2024–2028: Laporan Pembaruan dan Prakiraan Pasar Penyimpanan Berbasis File dan Objek di Seluruh Dunia, 2024.
- Seagate Technology, “Seagate Menghadirkan Hard Drive dengan Kapasitas Tertinggi di Industri dengan Mozaic 4+ Generasi Berikutnya,” 3 Maret 2026,
https://www.seagate.com/stories/articles/seagate-delivers-industrys-highest-capacity-hard-drives-with-next-generation-mozaic-4/
