Havedev
AMD Helios dan Realita Baru Infrastruktur AI
AMD kembali mencoba masuk lebih dalam ke wilayah yang selama ini sangat kuat dikuasai Nvidia: infrastruktur komputasi AI skala besar.
Di konferensi Advancing AI di San Francisco, AMD memperkenalkan kembali Helios, sistem AI rack-scale yang dirancang untuk kebutuhan lab AI terbesar di dunia. Sistem ini ditujukan untuk data center yang harus melatih dan menjalankan model AI besar dengan kebutuhan komputasi sangat tinggi.
Lisa Su, Chair dan CEO AMD, menyebut Helios sebagai AI rack dengan performa tertinggi di industri. AMD juga menyampaikan bahwa sistem ini akan dipakai oleh beberapa pelanggan besar, termasuk Microsoft, OpenAI, Meta, Oracle, dan Anthropic.
Di permukaan, ini terlihat seperti berita persaingan chip biasa: AMD melawan Nvidia, performa dibandingkan, pelanggan besar disebutkan, dan angka pasar AI accelerator diproyeksikan sangat besar.
Tetapi bagi bisnis, ada pelajaran yang lebih penting: AI tidak hanya soal aplikasi yang terlihat pintar. AI juga soal kapasitas infrastruktur yang mahal, berat, dan makin strategis.
The Core Update
Helios adalah sistem rack-scale. Artinya, ini bukan sekadar satu chip atau satu server kecil. Rack-scale system menggabungkan banyak prosesor dan komponen komputasi ke dalam satu unit besar yang dirancang untuk data center.
Tujuannya jelas: memberi tenaga komputasi untuk workload AI yang sangat berat.
AMD menempatkan Helios sebagai penantang langsung bagi sistem rack-scale Nvidia seperti Vera Rubin dan Grace Blackwell. Selama ini Nvidia sangat dominan di pasar GPU dan infrastruktur AI. Banyak perusahaan AI besar membangun kemampuan training dan inference mereka di atas ekosistem Nvidia.
Karena itu, langkah AMD penting bukan hanya karena produk baru. Langkah ini menunjukkan bahwa pasar infrastruktur AI mulai bergerak dari perang chip ke perang sistem lengkap.
Pelanggan besar juga membuat sinyal ini lebih serius. Microsoft berencana memperluas infrastruktur Azure dengan Helios. Anthropic dan AMD mengumumkan kerja sama strategis untuk deploy GPU hingga dua gigawatt melalui sistem baru ini.
Angka gigawatt menunjukkan skala masalah yang sedang dibahas. Ini bukan lagi soal beberapa server untuk eksperimen internal. Ini soal fasilitas komputasi besar yang membutuhkan energi, jaringan, pendinginan, supply chain, dan desain data center yang matang.
AMD juga memperkenalkan Venice-X CPU untuk data center dan workload komputasi tinggi, dengan rencana peluncuran pada 2027. Ini memperkuat pesan bahwa AMD tidak hanya menjual satu komponen, tetapi ingin membangun posisi di seluruh lapisan compute untuk AI.
Lisa Su juga menyampaikan proyeksi besar: pasar AI accelerator bisa mencapai sekitar 1,4 triliun dolar AS pada 2030. Menurutnya, kebutuhan compute naik tajam karena agentic AI membutuhkan lebih banyak langkah kerja: reasoning, tool calling, akses data, dan iterasi sampai tugas selesai.
Dengan kata lain, semakin AI terlihat seperti pekerja digital, semakin besar kebutuhan mesin di belakangnya.
The Reality Check
Berita seperti ini mudah dibaca sebagai tanda bahwa AI akan makin cepat, makin murah, dan makin mudah dipakai semua bisnis.
Sebagian benar. Kompetisi AMD dan Nvidia bisa membantu memperluas pilihan infrastruktur. Jika pasokan compute bertambah dan ekosistem makin matang, biaya beberapa jenis workload AI bisa lebih terkendali dalam jangka panjang.
Tetapi ada sisi lain yang perlu dibaca lebih hati-hati.
AI yang makin canggih tidak berarti otomatis relevan untuk semua proses bisnis. Banyak bisnis belum punya data yang rapi, workflow yang jelas, atau definisi hasil yang bisa diukur. Dalam kondisi seperti itu, tambahan kemampuan AI tidak langsung berubah menjadi efisiensi.
Masalahnya sering bukan kurang GPU. Masalahnya adalah pekerjaan yang ingin dibantu AI belum cukup jelas.
Contohnya, perusahaan ingin memakai AI untuk customer support. Tetapi kategori tiket belum konsisten. Riwayat pelanggan tersebar di WhatsApp, email, spreadsheet, dan aplikasi internal. Status follow-up tidak disiplin. Template jawaban berbeda antar tim.
Dalam kondisi seperti itu, model AI yang lebih kuat hanya akan bertemu input yang masih berantakan.
Perusahaan ingin memakai AI agent untuk sales. Tetapi definisi lead berkualitas belum jelas. Tahap pipeline tidak disepakati. Catatan meeting tidak lengkap. Follow-up masih bergantung pada ingatan sales tertentu.
AI bisa membantu, tetapi ia tidak bisa menggantikan proses yang belum punya bentuk.
Inilah realita yang sering hilang dari berita infrastruktur AI. Di level global, perusahaan teknologi besar sedang membangun rack-scale system, data center gigawatt, dan pasar accelerator triliunan dolar. Di level bisnis sehari-hari, banyak tim masih kesulitan menjawab pertanyaan sederhana: data mana yang benar, pekerjaan mana yang prioritas, dan keputusan apa yang ingin dipercepat.
Keduanya terkait, tetapi jaraknya besar.
AMD Helios penting karena menunjukkan arah industri. Namun untuk sebagian besar bisnis, pertanyaan paling sehat bukan “kapan kita pakai infrastruktur AI terbaru?”
Pertanyaannya lebih sederhana: bagian mana dari operasional kita yang sudah cukup rapi untuk dibantu AI?
The Havedev Way
Dari sudut pandang Havedev, perkembangan seperti AMD Helios perlu dibaca sebagai sinyal jangka panjang, bukan alasan untuk buru-buru menambah fitur AI di semua tempat.
AI akan makin kuat. Infrastruktur akan makin besar. Kompetisi penyedia compute akan makin panas. Tetapi bisnis tetap perlu memulai dari masalah yang paling dekat dengan pekerjaan nyata.
Sebelum bicara AI agent, bisnis perlu tahu proses apa yang ingin dijalankan agent itu.
Sebelum bicara automation, bisnis perlu tahu aturan kerja apa yang layak diotomatisasi.
Sebelum bicara dashboard AI, bisnis perlu memastikan data dasar bisa dipercaya.
Untuk banyak bisnis, langkah awal yang lebih masuk akal adalah memilih satu alur kerja yang bernilai tinggi, lalu merapikannya sampai bisa dibaca oleh manusia dan sistem.
Biasanya salah satu dari ini:
- lead dari website atau WhatsApp
- follow-up sales
- customer support
- order dan fulfilment
- invoice dan pembayaran
- onboarding pelanggan
- laporan internal rutin
Setelah itu, baru tanyakan:
- data apa yang masuk di awal?
- siapa pemilik langkah pertama?
- status apa saja yang dibutuhkan?
- keputusan apa yang sering terlambat?
- bagian mana yang berulang?
- bagian mana yang butuh konteks manusia?
- risiko apa yang harus dicegah?
Jawaban ini lebih berguna daripada langsung memilih tool AI.
Jika prosesnya sudah jelas, AI bisa dipakai dengan lebih sehat. AI bisa membantu merangkum inquiry, mengklasifikasikan tiket, menyusun draft balasan, membaca pola lead, memberi reminder follow-up, atau membantu tim melihat pekerjaan yang macet.
Tetapi jika prosesnya masih kabur, AI hanya menambah lapisan baru di atas kebingungan lama.
Berita AMD Helios mengingatkan bahwa industri AI sedang membangun fondasi komputasi yang sangat besar. Namun di sisi bisnis, fondasi yang tidak kalah penting adalah struktur kerja yang bisa dibaca: data yang rapi, status yang jelas, workflow yang disepakati, dan keputusan yang tahu ingin dipercepat.
Bisnis tidak harus menunggu punya data center besar untuk mulai mendapat manfaat dari AI. Tetapi bisnis juga tidak perlu berpura-pura bahwa AI bisa langsung menyelesaikan proses yang belum tertata.
Mulai dari alur kecil yang penting. Rapikan inputnya. Sepakati statusnya. Ukur hasilnya. Baru tambahkan AI di titik yang memang mengurangi kerja manual atau mempercepat keputusan.
Dengan cara itu, AI tidak menjadi dekorasi teknologi. AI menjadi bagian dari sistem kerja yang benar-benar membantu.
Dapatkan Audit Teknis Gratis untuk meninjau alur website, data, dan workflow bisnis Anda sebelum menambahkan AI atau automation baru.
Sumber referensi berita: TechCrunch