Laporan Kesiapan Infrastruktur Data 2026

Permintaan akan AI melampaui kesiapan infrastruktur. Riset global baru yang ditugaskan oleh Seagate kepada lebih dari 2.700 pengambil keputusan teknologi perusahaan menemukan bahwa 99% memperkirakan AI akan meningkatkan kebutuhan penyimpanan selama tiga tahun ke depan, tetapi hanya 38% yang mengatakan mereka sepenuhnya siap.

Kesenjangan kesiapan ini menjadi semakin signifikan seiring masuknya fase baru AI. Era pertama AI ditandai dengan terobosan dalam model dan komputasi. Era berikutnya akan dibentuk oleh keputusan infrastruktur data yang diperlukan untuk meningkatkan skala AI secara efisien, berkelanjutan, dan dengan cara yang membuka nilai jangka panjang. Sejumlah organisasi sedang menghadapi realitas baru: Keberhasilan AI bergantung pada inovasi infrastruktur, dengan data kini menjadi aset bisnis strategis, bukan lagi pusat biaya.

Dengan latar belakang ini, penelitian ini mengeksplorasi beberapa dinamika yang dihadapi organisasi saat mereka mempersiapkan diri untuk masa depan infrastruktur AI:

• Pertumbuhan data yang didorong oleh AI
• Kesiapan infrastruktur AI
• Prioritas investasi infrastruktur
• Keberlanjutan dan efisiensi operasional
• Strategi penyimpanan dan skalabilitas jangka panjang

Menekankan pentingnya investasi berkelanjutan dalam strategi data, tata kelola, dan sistem yang diperlukan untuk keberhasilan AI, dinamika ini mendefinisikan sebuah keharusan baru: skalabilitas berkelanjutan.

Peningkatan skala berkelanjutan adalah kemampuan untuk meningkatkan kapasitas AI dan nilai bisnis sambil terus meningkatkan efisiensi infrastruktur yang mendukungnya. Seiring dengan meningkatnya pengawasan dari para pembuat kebijakan, regulator, dan masyarakat terhadap pertumbuhan infrastruktur AI, skalabilitas berkelanjutan akan memainkan peran penting dalam kelangsungan jangka panjang ekonomi AI yang kuat dan sehat.

Lima pergeseran strategis berikut ini menggambarkan cara organisasi menerapkan skalabilitas berkelanjutan dalam praktik dan tempat peluang serta tantangan terbesar berada.

AI sudah menghasilkan nilai bisnis yang terukur. Delapan puluh enam persen responden menggambarkan laba investasi AI organisasi mereka sebagai moderat atau signifikan, termasuk 33% yang melaporkan laba terukur yang signifikan. Hasil tersebut meningkatkan taruhan bagi data yang memungkinkan terciptanya AI. Saat model, aplikasi, dan keputusan bergantung pada data, penyimpanan data bukan lagi fungsi latar belakang. Hal ini menjadi bagian dari kemampuan organisasi untuk meningkatkan hasil AI dari waktu ke waktu. Pola ini secara umum terjadi di berbagai pasar, dengan laba moderat atau signifikan dilaporkan di AS (87%), Tiongkok (91%), India (91%), Jepang (75%), Prancis (82%), Inggris (86%) dan Jerman (82%).

Pertumbuhan yang diharapkan cukup besar. Hampir semua responden memperkirakan AI akan meningkatkan kebutuhan volume penyimpanan dalam waktu tiga tahun. Tujuh dari sepuluh orang memperkirakan kenaikan setidaknya 26%, termasuk 32% yang memperkirakan persyaratan akan meningkat lebih dari setengahnya. Harapan tersebut hampir universal di semua pasar, mulai dari 98% di Jepang hingga 100% di India, Prancis, Inggris, dan Jerman, dengan AS dan Tiongkok sama-sama mencapai 99%.

Implikasinya jelas: organisasi harus merencanakan baik untuk data yang lebih banyak maupun nilai yang lebih besar yang terkandung dalam data tersebut. Pendekatan jangka pendek yang hanya berfokus pada kapasitas langsung dapat menyebabkan informasi menjadi terfragmentasi, sulit diakses, atau mahal untuk digunakan kembali. Pandangan jangka panjang dapat menghubungkan keputusan retensi, akses, dan tata kelola dengan nilai masa depan yang diharapkan organisasi dari AI.

Pergeseran itu sudah terlihat dalam cara para pemimpin mendeskripsikan penyimpanan. Sembilan puluh delapan persen setuju bahwa AI mengubah penyimpanan data dari fungsi pendukung operasional menjadi infrastruktur bisnis strategis. Temuan ini menandakan perubahan prioritas: keputusan penyimpanan kini secara langsung memengaruhi seberapa cepat organisasi dapat memanfaatkan data dan seberapa baik mereka dapat menjaga nilainya. Pandangan ini tetap konsisten di berbagai pasar, mulai dari 96% di Jepang dan Jerman hingga 100% di India, dengan AS dan Inggris Raya sebesar 99%, Tiongkok sebesar 98%, dan Prancis sebesar 97%.

Perbesar

Sebagian besar organisasi menyatakan keyakinan pada arah yang mereka tuju, tetapi jika dicermati lebih dekat, akan terungkap realitas yang lebih kompleks. Meskipun 83% mengatakan mereka sepenuhnya atau sebagian besar siap menghadapi tuntutan data jangka panjang AI, hanya 38% yang menganggap diri mereka sepenuhnya siap. Tingkat kesiapan yang dirasakan sangat bervariasi di setiap pasar, mulai dari 96% di Tiongkok hingga 55% di Jepang, 89% di India, 88% di Inggris, 86% di AS dan Jerman, serta 74% di Prancis.

Temuan ini menunjukkan bahwa kesiapan AI bergantung pada lebih dari sekadar kapasitas komputasi atau investasi. Para responden mengidentifikasi kematangan strategi AI, anggaran dan sumber daya, manajemen data, dan tata kelola sebagai kesenjangan yang paling umum mereka temukan. Tantangan dalam implementasi menceritakan kisah yang serupa. Di antara kendala operasional utama, 53% menyebutkan kualitas dan kesiapan data, dan 43% menyebutkan infrastruktur penyimpanan, dibandingkan dengan 27% untuk ketersediaan komputasi dan 24% untuk kendala energi.

Para responden menyebutkan kualitas dan kesiapan data (53%) dan infrastruktur penyimpanan (43%) sebagai tantangan utama dalam penerapan AI, mendahului ketersediaan komputasi dan kendala energi.

Perbesar

Para responden menyebutkan kualitas dan kesiapan data (53%) dan infrastruktur penyimpanan (43%) sebagai tantangan utama dalam penerapan AI, mendahului ketersediaan komputasi dan kendala energi.

Kesenjangan kesiapan pada akhirnya merupakan tantangan dasar data. Oleh karena itu, organisasi membutuhkan fondasi data terkoordinasi yang menyelaraskan retensi data, tata kelola, penyimpanan, dan komputasi untuk meningkatkan skala AI secara efektif.

Organisasi semakin memandang investasi pusat data sebagai prioritas bisnis strategis, bukan lagi sekadar pengeluaran operasional yang diperlukan. Lebih dari tiga perempat responden menempatkannya di antara tiga prioritas infrastruktur teratas mereka, dan satu dari lima responden mengidentifikasinya sebagai prioritas tertinggi mereka.

Perbesar

Prospek pengeluaran juga menunjukkan bahwa infrastruktur AI meluas melampaui GPU. Infrastruktur keamanan dan kepatuhan berada di urutan teratas dalam daftar prioritas investasi organisasi (44%), dengan manajemen/tata kelola data berada di urutan kedua (43%). Pembaruan infrastruktur AI dan GPU serta perangkat keras penyimpanan menempati peringkat ketiga sebagai prioritas investasi terbesar (39%).

Oleh karena itu, pertanyaan strategisnya bukanlah bagian lapisan dalam tumpukan tersebut yang menerima anggaran terbesar. Pertanyaannya adalah apakah infrastruktur secara keseluruhan mampu mendukung aliran data ke dalam sistem AI, melestarikan data yang mungkin bernilai di kemudian hari, dan dapat diskalakan tanpa menciptakan kendala operasional baru. Investasi menciptakan nilai lebih saat organisasi mengevaluasi ketergantungan ini secara bersama-sama.

Pertimbangan energi dan keberlanjutan sudah memengaruhi perencanaan infrastruktur AI. Tujuh puluh tujuh persen responden mengatakan organisasi mereka telah menunda atau merestrukturisasi ekspansi karena kekhawatiran ini. Hal ini termasuk 36% yang secara signifikan merestrukturisasi investasi yang direncanakan dan 41% yang mengalami penundaan kecil.

Temuan ini mengubah efisiensi dari ambisi masa depan menjadi kendala perencanaan saat ini. Organisasi perlu menambah kapasitas, tetapi mereka juga perlu memahami implikasi pertumbuhan tersebut terhadap kebutuhan daya, ruang, pendinginan, dan siklus hidup peralatan. Keputusan yang paling bermanfaat adalah keputusan yang dapat dihubungkan oleh para pemimpin dengan persyaratan operasional yang terukur.

Para responden mengharapkan kemajuan. Tiga puluh sembilan persen menggambarkan operasi penyimpanan mereka sebagai 'sangat berkelanjutan' saat ini. Persentase tersebut meningkat menjadi 61% ketika mereka mempertimbangkan di mana operasi mereka akan berada dalam lima tahun ke depan. Ekspektasi juga bervariasi tergantung pada investasi yang tersedia: 70% organisasi dengan anggaran keberlanjutan tahunan sebesar $100 juta atau lebih memperkirakan operasional mereka akan 'sangat berkelanjutan' dalam lima tahun, dibandingkan dengan 48% organisasi dengan anggaran di bawah $1 juta.

Organisasi semakin mendefinisikan dan mengukur infrastruktur berkelanjutan melalui efisiensi operasional, bukan hanya berdasarkan pelaporan lingkungan semata. Konsumsi daya adalah faktor yang paling sering dipertimbangkan ketika mereka menilai jejak lingkungan dari perangkat keras penyimpanan, yang disebutkan oleh 62%. Masa pakai dan daya tahan perangkat berada di angka 55%. Hampir semua responden juga setuju bahwa memperpanjang siklus hidup peralatan penyimpanan data memiliki pengaruh signifikan terhadap keberlanjutan operasional pusat data.

Temuan ini mendukung pandangan operasional tentang peningkatan skala yang berkelanjutan. Alih-alih mengandalkan bahasa lingkungan yang lebih luas, organisasi dapat mengevaluasi pilihan infrastruktur spesifik melalui penggunaan daya, pemanfaatan kapasitas, masa pakai peralatan, dan biaya energi per terabyte. Langkah-langkah tersebut mempermudah menghubungkan tujuan keberlanjutan dengan ekonomi infrastruktur sehari-hari.

Seiring dengan meningkatnya kuantitas, variasi, dan nilai data yang dibutuhkan organisasi untuk sukses dan berkembang berkat AI, model bisnis yang mendasarinya semakin dibentuk oleh infrastruktur data yang ada. Sama pentingnya dengan menambah kapasitas, adalah mengoptimalkan aspek ekonomi dan efisiensi operasional dari pertumbuhan tersebut. Artinya, menerapkan prinsip-prinsip yang berorientasi pada efisiensi dalam desain infrastruktur yang memungkinkan organisasi untuk meningkatkan kapasitas sekaligus terus meningkatkan pemanfaatan sumber daya, margin keuntungan, dan pengembalian investasi jangka panjang.

Pergeseran menuju infrastruktur yang berorientasi pada efisiensi tercermin dalam praktik operasional yang diadopsi oleh berbagai organisasi:

• 52% menggunakan AI untuk menentukan kebutuhan penyimpanan dan operasional (AS: 48%, Tiongkok: 55%, India: 62%, Jepang: 54%, Prancis: 47%, Inggris: 53%, Jerman: 42%).
• 46% berinvestasi di sumber energi terbarukan (AS: 44%, Tiongkok: 41%, India: 58%, Jepang: 37%, Prancis: 45%, Inggris: 49%, Jerman: 47%).
• 40% menerapkan daya berdasarkan kebutuhan data aktual daripada menjalankan infrastruktur secara terus menerus (AS: 34%, Tiongkok: 44%, India: 48%, Jepang: 41%, Prancis: 29%, Inggris: 41%, Jerman: 40%).
• 31% panas yang dihasilkan oleh infrastruktur data dapat digunakan kembali (AS: 26%, Tiongkok: 37%, India: 32%, Jepang: 24%, Prancis: 38%, Inggris: 31%, Jerman: 33%).

Pola pikir yang berfokus pada efisiensi yang sama juga semakin membentuk arsitektur penyimpanan. Pendekatan yang diselaraskan dengan beban kerja adalah salah satu contoh dari pergeseran ini. Alih-alih menerapkan satu arsitektur tunggal di seluruh siklus hidup data, organisasi dapat merancang sistem yang menyeimbangkan kinerja, kapasitas, efisiensi, dan nilai jangka panjang sesuai dengan kebutuhan beban kerja. Hal ini menciptakan kerangka kerja yang lebih praktis untuk meningkatkan skala AI sekaligus mengendalikan biaya infrastruktur dan kebutuhan sumber daya.

Lingkungan AI mencakup beragam tipe data dengan persyaratan performa, kapasitas, dan akses yang berbeda. Data pelatihan, rangkaian data aktif, konteks inferensi, titik pemeriksaan model, konten sumber, dan output yang disimpan tidak semuanya memberikan tuntutan yang sama pada infrastruktur. Seiring dengan perkembangan AI, desain yang berfokus pada efisiensi menjadi semakin penting. Organisasi yang menyelaraskan teknologi penyimpanan dengan kebutuhan beban kerja dalam arsitektur bertingkat yang cerdas dapat meningkatkan efisiensi ekonomi, menurunkan biaya operasional, dan membangun fondasi yang lebih tangguh untuk pertumbuhan jangka panjang.

Fase selanjutnya dari AI akan menciptakan lebih banyak data, tetapi kapasitas saja tidak akan menentukan organisasi yang dapat memanfaatkan nilai dari data tersebut. Faktor pembeda utamanya adalah kemampuan untuk menjaga data tetap tersedia dan siap digunakan, sekaligus mengelola kebutuhan infrastruktur yang muncul seiring pertumbuhan secara efisien.

Survei menunjukkan bahwa pekerjaan ini sudah dimulai. Berbagai organisasi memprioritaskan investasi pusat data, menilai kembali peran penyimpanan, dan mempertimbangkan efisiensi serta siklus hidup dalam rencana ekspansi. Namun, kesenjangan antara kesiapan sebagian besar dan kesiapan penuh masih lebar.

Untuk menutup kesenjangan tersebut diperlukan strategi infrastruktur yang dibangun di sekitar siklus hidup data secara menyeluruh. Organisasi perlu memahami data yang akan mereka hasilkan, seberapa cepat berbagai beban kerja perlu mengaksesnya, jangka waktu nilai data tersebut bertahan, dan ukuran operasional yang akan memandu pertumbuhan. Keputusan-keputusan tersebut memberikan landasan bagi skalabilitas berkelanjutan dan nilai jangka panjang dari AI.