AI Tidak Hanya Butuh GPU Lebih Banyak, AI Butuh Infrastruktur yang Lebih Terbuka

Cornelis, perusahaan AI infrastructure yang membangun teknologi jaringan untuk membantu chip AI berkomunikasi lebih efektif, baru mengumumkan pendanaan sebesar 205 juta dolar AS. Putaran ini dipimpin oleh IAG Capital Partners.

Di saat yang sama, Cornelis memperkenalkan produk bernama Active Compute Fabric. Teknologi ini menargetkan salah satu masalah besar dalam komputasi AI: banyak waktu GPU terbuang karena menunggu data datang.

Secara sederhana, Cornelis ingin membuat jaringan yang memungkinkan chip memproses dan mengirim informasi pada waktu yang sama. Bukan hanya membuat chip lebih cepat, tetapi mengurangi waktu kosong di antara proses komputasi.

Perusahaan ini spin off dari Intel pada 2020. Sekarang, Cornelis masuk ke arena yang jauh lebih besar: mencoba mengurangi dominasi Nvidia di infrastruktur AI.

The Core Update

Berita utama dari Cornelis bukan hanya angka pendanaannya. 205 juta dolar memang besar, tetapi sinyal yang lebih penting adalah arah persaingan AI infrastructure.

Selama ini, percakapan AI sering terlalu fokus pada GPU. Siapa punya GPU paling banyak. Siapa memakai chip paling kuat. Siapa bisa melatih model lebih besar.

Padahal di data center AI, GPU tidak bekerja sendirian.

GPU perlu menerima data, bertukar informasi dengan chip lain, sinkronisasi proses, dan mengirim hasil komputasi. Jika jaringan lambat, tidak efisien, atau terlalu tertutup, sebagian kapasitas GPU tidak benar-benar terpakai.

Di titik inilah Cornelis mencoba masuk.

Active Compute Fabric ditujukan untuk mengurangi waktu tunggu tersebut. Idenya bukan mengganti semua chip yang sudah ada, tetapi membuat komunikasi antar-chip lebih efisien, terutama dalam lingkungan AI workload yang besar.

Cornelis juga membawa pesan penting lain: arsitektur terbuka.

Berbeda dengan pendekatan full-stack yang membuat customer lebih mudah tetap berada di ekosistem satu vendor, Cornelis ingin menawarkan jaringan yang bisa dipakai bersama berbagai GPU dan accelerator hardware.

Ini menarik karena banyak perusahaan tidak hanya mencari performa. Mereka juga mencari fleksibilitas.

The Reality Check

Namun kita perlu hati-hati membaca berita seperti ini.

Pendanaan besar tidak otomatis berarti dominasi Nvidia langsung terganggu. Nvidia kuat bukan hanya karena GPU. Nvidia kuat karena kombinasi hardware, software, library, developer ecosystem, tooling, supply chain, dan kepercayaan pasar.

Banyak customer memilih Nvidia bukan semata karena tidak ada alternatif. Mereka memilih Nvidia karena jalurnya lebih jelas. Dokumentasi matang. Integrasi lebih mudah. Risiko implementasi lebih rendah. Tim engineering lebih familiar.

Ini sering terjadi di dunia teknologi enterprise.

Solusi yang lebih terbuka terdengar menarik, tetapi customer tetap akan bertanya:

• apakah performanya stabil di workload nyata?
• apakah integrasinya cukup mudah?
• apakah tim internal bisa mengoperasikannya?
• apakah vendor support siap saat sistem bermasalah?
• apakah total cost benar-benar lebih rendah?
• apakah risiko migrasi sepadan?

Open architecture adalah nilai penting. Tetapi openness saja tidak cukup.

Banyak bisnis menyukai ide tidak terkunci pada satu vendor. Namun ketika sistem masuk ke produksi, prioritas sering berubah. Mereka ingin sesuatu yang berjalan, bisa dipantau, mudah diperbaiki, dan tidak membuat tim kehilangan waktu.

Karena itu, tantangan Cornelis bukan hanya membuktikan bahwa teknologinya bagus. Tantangannya adalah membuktikan bahwa pendekatan terbuka bisa tetap praktis, stabil, dan ekonomis dalam skala data center AI.

Ada juga realitas lain: infrastruktur AI semakin kompleks.

Jika sebelumnya perusahaan cukup berpikir tentang model, API, dan GPU, sekarang mereka harus memikirkan jaringan, storage, latency, orchestration, cooling, power, dan utilization. Masalah AI bukan lagi hanya apakah model bisa dilatih. Masalahnya adalah apakah seluruh mesin bisnis dan infrastruktur bisa mendukung proses itu secara efisien.

Di sinilah berita Cornelis menjadi relevan bahkan untuk bisnis yang tidak sedang membangun data center sendiri.

Karena pola yang sama muncul di level yang lebih kecil.

Banyak perusahaan ingin memakai AI, tetapi hanya melihat tool paling depan: chatbot, automation, dashboard, content generator, atau agent. Mereka lupa bahwa hasil AI sangat bergantung pada alur data di belakangnya.

Jika data berantakan, integrasi lambat, sistem tertutup, dan proses kerja tidak jelas, AI hanya menjadi lapisan baru di atas masalah lama.

The Havedev Way

Dari sudut pandang Havedev, berita Cornelis mengingatkan satu hal penting: AI yang berguna tidak hanya bergantung pada model yang pintar, tetapi juga pada infrastruktur yang membuat pekerjaan bergerak tanpa banyak hambatan.

Untuk perusahaan besar, hambatan itu bisa berupa GPU yang menunggu data.

Untuk bisnis umum, hambatan itu bisa berupa lead yang menunggu follow-up, invoice yang menunggu validasi, ticket support yang menunggu pemilik, atau data customer yang tersebar di banyak tempat.

Bentuknya berbeda, prinsipnya sama: kapasitas besar tidak berguna kalau aliran kerja tersendat.

Karena itu, sebelum bisnis menambah tool AI baru, ada baiknya bertanya:

• data apa yang dibutuhkan AI untuk bekerja?
• dari sistem mana data itu datang?
• siapa yang bertanggung jawab saat data salah?
• proses mana yang masih terlalu manual?
• integrasi mana yang membuat tim sering menunggu?
• keputusan apa yang ingin dipercepat?

Pertanyaan seperti ini lebih membumi daripada sekadar bertanya tool AI apa yang sedang populer.

Cornelis mencoba membuka lapisan jaringan agar AI infrastructure tidak terlalu bergantung pada satu stack tertutup. Di level bisnis, prinsip yang sama bisa diterapkan dengan cara yang lebih sederhana: jangan membangun sistem yang membuat semua proses bergantung pada satu orang, satu spreadsheet, satu chat group, atau satu tool yang tidak bisa dihubungkan ke mana-mana.

AI adoption yang sehat perlu arsitektur yang cukup terbuka.

Bukan berarti semua hal harus dibuat kompleks. Justru sebaliknya. Sistem yang baik biasanya dimulai dari alur yang jelas, data yang rapi, dan integrasi yang masuk akal.

Untuk banyak bisnis, langkah awalnya bukan membangun AI agent penuh. Langkah awalnya bisa sesederhana:

• merapikan form website agar lead masuk dengan konteks
• menghubungkan inquiry ke CRM atau spreadsheet yang konsisten
• membuat status follow-up yang jelas
• menyusun dashboard sederhana untuk melihat pekerjaan yang macet
• mengotomatisasi reminder hanya setelah aturan follow-up disepakati

Setelah itu, AI menjadi lebih berguna. Bukan karena AI tiba-tiba menyelesaikan semua hal, tetapi karena AI mendapat alur kerja dan data yang layak dipakai.

Berita Cornelis menunjukkan bahwa pasar AI mulai melihat bottleneck yang lebih dalam. Bukan hanya siapa punya chip paling kuat, tetapi siapa bisa membuat seluruh sistem bekerja lebih efisien dan lebih fleksibel.

Untuk bisnis, pelajarannya sederhana.

Jangan hanya mengejar tool AI di permukaan. Lihat juga infrastruktur kerja di belakangnya. Apakah data mengalir dengan jelas? Apakah proses bisa dibaca? Apakah sistem bisa terhubung? Apakah tim tahu kapan pekerjaan masuk, berubah status, dan selesai?

Jika jawabannya belum jelas, AI hanya akan mempercepat kebingungan.

Tetapi jika fondasinya rapi, automation dan AI bisa membantu pekerjaan bergerak lebih cepat tanpa menambah beban koordinasi.

Dapatkan Audit Teknis Gratis untuk meninjau apakah website, data lead, dan alur automation bisnis Anda sudah cukup siap sebelum menambah tool AI baru.

---

Sumber referensi berita: TechCrunch