Pada 23 Februari 2026, hari Senin yang seharusnya tenang, harga saham IBM mengalami penurunan terbesar dalam satu hari sejak Oktober 2000. Pada penutupan, penurunan tersebut menetap di 13,2%, sekitar 40 miliar dolar AS dari nilai pasar menguap dalam beberapa jam. Pemicu bukanlah laporan keuangan yang buruk, juga bukan sanksi regulasi yang berat, melainkan sebuah pengumuman produk: perusahaan startup AI Anthropic mengumumkan bahwa alat Claude Code mereka mampu memodernisasi bahasa pemrograman COBOL yang berjalan di sistem IBM, padahal COBOL adalah bisnis “parit” yang sangat menguntungkan bagi IBM.
Tiga hari kemudian, kisah serupa terjadi dengan cara yang benar-benar berlawanan. Pada 26 Februari, perusahaan fintech milik Jack Dorsey, Block, mengumumkan PHK sekitar 4000 orang, hampir 50% dari total karyawannya, dengan alasan peningkatan efisiensi yang didorong oleh AI. Tetapi reaksi pasar sangat berbeda—harga saham Block melonjak lebih dari 24% dalam perdagangan setelah jam pasar. Dorsey dalam suratnya kepada pemegang saham mengakui: “Saya percaya dalam satu tahun ke depan, sebagian besar perusahaan akan sampai pada kesimpulan yang sama dan melakukan penyesuaian struktural serupa.”
Dua peristiwa, satu faktor pendorong—AI; dua reaksi pasar yang sangat berbeda—satu anjlok, satu melambung. Apa yang sebenarnya terjadi di balik semua ini? Jawabannya mungkin mengarah pada sebuah proposisi yang lebih mendalam: AI sedang mendefinisikan ulang “apa itu aset yang bernilai”. Bagi para eksekutif perusahaan publik, investor, dan pengambil keputusan perusahaan tradisional, memahami logika penilaian ulang ini bukan lagi sekadar strategi proyektif, melainkan kebutuhan mendesak untuk bertahan hidup.
1. Satu AI, Penilaian Pasar yang Berbeda
Untuk memahami perbedaan besar dari kedua kejadian ini, kita harus terlebih dahulu melihat struktur aset masing-masing.
Penurunan harga saham IBM tampak sebagai ancaman teknologi dari alat Claude Code, tetapi sebenarnya ini adalah penilaian ulang pasar terhadap model aset inti mereka. COBOL, bahasa pemrograman yang lahir pada akhir 1950-an, masih mendukung sekitar 95% transaksi ATM global dan banyak sistem inti di bidang keuangan, penerbangan, pemerintahan, dan sektor penting lainnya. Anthropic menulis di blog mereka: “Setiap hari, triliunan baris kode COBOL berjalan di lingkungan produksi, memberi kekuatan pada sistem kritis. Meski begitu, jumlah orang yang memahami COBOL terus menurun dari tahun ke tahun.”
Selama ini, modernisasi sistem COBOL selalu menjadi proyek yang kompleks dan mahal, dan ini menjadi “parit” bisnis yang sangat menguntungkan bagi IBM. Tetapi Anthropic mengklaim: “Dengan kekuatan AI, tim tidak perlu menghabiskan bertahun-tahun, mereka bisa memodernisasi basis kode COBOL dalam beberapa musim.” Pesan tersirat di pasar adalah: pendapatan IBM dari pemeliharaan sistem yang padat tenaga manusia dan layanan terkait mainframe sedang tergerus oleh teknologi AI.
Namun yang menarik, harga saham IBM langsung rebound sebesar 2,68% keesokan harinya. Analis Wall Street seperti Wedbush dan Evercore ISI cepat mengeluarkan pernyataan bahwa penurunan ini adalah “reaksi berlebihan yang tidak berdasar”. Mereka menegaskan bahwa: pelanggan perusahaan tidak akan langsung meninggalkan sistem mainframe mereka hanya karena sebuah alat AI baru yang mampu menerjemahkan kode warisan. Ada jurang besar antara menerjemahkan sintaks kode dan memodernisasi sistem yang terintegrasi secara mendalam dengan perangkat keras dan perangkat lunak.
IBM sendiri merilis tanggapan pada hari yang sama, dengan menekankan satu poin penting: tantangan modernisasi bukanlah masalah bahasa COBOL, melainkan masalah platform IBM Z—karena terjemahan kode hampir tidak mampu menangkap kompleksitas nyata, dan nilai platform tersebut berasal dari puluhan tahun integrasi perangkat keras dan perangkat lunak, yang tidak bisa dipindahkan hanya melalui terjemahan kode.
Lalu, lihat kejadian Block. Sama-sama PHK besar-besaran dan sama-sama didorong oleh AI, tetapi pasar merespons dengan kenaikan 24%. Kunci utamanya adalah struktur aset Block yang sedang mengalami perubahan. Sejak 2024, Block sedang merestrukturisasi model bisnis dan pengaturan sumber daya manusia mereka, sambil berinvestasi besar dalam alat AI untuk meningkatkan efisiensi operasional, termasuk mengembangkan alat internal bernama Goose.
CFO Block, Amrita Ahuja, menjelaskan PHK tersebut dengan menegaskan: “Kami mengambil langkah berani dan tegas, tetapi didasarkan pada kekuatan yang nyata.” Data mendukung pernyataan ini: laba kotor tahunan mencapai 10,36 miliar dolar AS, meningkat 17% dari tahun sebelumnya. Kinerja keuangan yang kuat ini memberi ruang bagi perusahaan untuk melakukan restrukturisasi besar-besaran saat ini.
Interpretasi pasar sangat jelas: Block tidak sedang melemah secara pasif di tengah gempuran AI, melainkan secara aktif mengoptimalkan struktur asetnya—menggunakan lebih sedikit “aset manusia” untuk menghasilkan “output teknologi” yang lebih tinggi. PHK 50% dan peningkatan panduan tahunan menunjukkan bahwa nilai per unit tenaga kerja sedang diperbesar oleh AI.
2. Di Era AI, Empat Kategori Aset Sedang Dihargai Ulang
Dua kasus ini mengungkapkan sebuah tren yang sedang berlangsung: AI menjadi “penetral nilai” aset. Berbagai jenis aset menunjukkan kurva nilai yang sangat berbeda di bawah kerangka penilaian AI.
Kategori pertama adalah aset yang padat tenaga kerja. Tim pemeliharaan COBOL IBM, analis tradisional, programmer—semua “pengolah informasi”—nilai mereka sedang tergerus oleh AI. Anthropic menyebutkan bahwa Claude Code mampu mengidentifikasi “risiko yang biasanya memerlukan analisis manusia berbulan-bulan untuk ditemukan.” Ini bukan berarti manusia tidak lagi penting, tetapi pekerjaan yang bergantung pada asimetri informasi dan pengetahuan proses sedang mengalami tekanan nilai dari teknologi.
Namun, perlu diingat bahwa AI menggantikan “pengolahan informasi,” bukan “penciptaan nilai.” Mitch Ashley, analis dari Futurum Group, dalam laporan risetnya menegaskan bahwa keberhasilan modernisasi COBOL membutuhkan banyak aspek: penentuan ruang lingkup bisnis, evaluasi teknologi, perencanaan migrasi data, verifikasi kesetaraan perilaku, observabilitas, dan manajemen perubahan organisasi—termasuk terjemahan kode hanyalah satu bagian dari proses. Kemampuan manusia yang mampu menguasai sistem kompleks, memahami esensi bisnis, dan membuat keputusan strategis tetap sangat langka.
Kategori kedua adalah aset data. Mereka sedang menjadi pusat nilai di era AI. Dengan berkembang pesatnya generative AI, atribut nilai data sedang dirombak. Penelitian oleh Tang dan kolega di PLOS One menunjukkan bahwa generative AI mengubah cara data diperoleh, diproses, dan dimanfaatkan. Nilai aset data tidak lagi hanya bergantung pada kualitas dan relevansi internalnya, tetapi juga pada bagaimana data tersebut digunakan dalam kerangka generative AI, kemampuannya untuk diubah, dan permintaan pasar terhadapnya.
Ini berarti bahwa keunikan, kontinuitas, dan kemampuan pengelolaan data menjadi dimensi nilai utama. Sebuah dataset bisa sangat bernilai dalam satu konteks, tetapi tidak berguna sama sekali di konteks lain. Perusahaan yang mampu menyediakan data eksklusif, berkelanjutan, dan berkualitas tinggi untuk pelatihan model AI akan mendapatkan hak penetapan harga baru.
Kategori ketiga adalah aset algoritma dan model. Kerja sama OpenAI dan Paradigm dalam meluncurkan EVMbench—alat untuk menilai kemampuan AI dalam mendeteksi, memperbaiki, dan memanfaatkan celah keamanan kontrak pintar—menunjukkan bahwa algoritma sedang menjadi aset yang dapat diukur nilainya. Bobot model, kerangka algoritma, metodologi pelatihan—semuanya menjadi aset tak berwujud yang dapat dikenali, dikendalikan, dan dikomersialkan.
Kategori keempat adalah aset fisik tradisional yang sedang mengalami divergensi nilai. Aset yang bergantung pada “asimetris informasi” dan “perantara manusia” menghadapi tekanan depresiasi, sementara aset yang memiliki sifat “anti AI substitution”—seperti fasilitas energi, sumber daya langka, infrastruktur inti—nilai mereka relatif stabil. Alasannya sederhana: AI dapat menganalisis dan mengoptimalkan operasi aset ini, tetapi tidak bisa menggantikan keberadaan fisik dan fungsi nilai yang mereka emban.
3. Dari “Penilaian Ulang Aset” ke “Aset Kebal AI”
Berdasarkan analisis di atas, perusahaan perlu memiliki kerangka kerja sistematis untuk menilai apakah aset mereka akan meningkat nilainya atau justru menurun di era AI. RWA (Real World Asset) Institute mengusulkan kerangka identifikasi “aset kebal AI” yang mencakup tiga ciri utama.
Ciri pertama adalah ketidak-penkodean. Ini merujuk pada faktor nilai yang sulit dipelajari atau diduplikasi AI secara lengkap. Kode COBOL sendiri bisa diterjemahkan oleh AI, tetapi kemampuan transaksi yang dibangun dari chip di platform IBM Z, enkripsi keamanan kuantum, dan keandalan 99,9999999%—semua ini adalah aspek yang tidak bisa diduplikasi oleh alat AI. Penelitian Futurum menyebutkan bahwa “terjemahan kode tidak mampu menangkap kompleksitas nyata, dan nilai platform berasal dari integrasi perangkat keras dan perangkat lunak selama puluhan tahun.” Demikian juga, kendali atas skenario offline, pengetahuan industri yang tidak tersurat, dan jaringan hubungan yang kompleks—semua faktor yang sulit dikodekan—menjadi penghalang imun pertama dari aset.
Ciri kedua adalah pertahanan data. Apakah perusahaan memiliki aset data yang eksklusif, berkelanjutan, dan dapat dikelola? Apakah hanya mengandalkan data terbuka, atau mampu menghasilkan data yang tidak bisa diakses orang lain? Bank Citic sudah mulai mengeksplorasi penggunaan model besar untuk menilai nilai aset data dan mencoba “mencatat” data sebagai aset. Logikanya: di era AI, data bukan hanya bahan baku produksi, tetapi juga aset itu sendiri. Tetapi tidak semua data memiliki pertahanan—data yang bersifat umum dan tersedia di internet akan cepat “dihabiskan” oleh model AI, sedangkan data eksklusif dan terkelola dengan baik akan mendapatkan premi.
Ciri ketiga adalah keluwesan yang didukung AI. Apakah aset mampu diperkuat oleh AI, bukan digantikan? Ini adalah kunci membedakan antara dampak IBM dan transformasi Block. Bisnis inti IBM—pemeliharaan sistem warisan COBOL—adalah objek yang “digantikan” oleh AI; sedangkan model bisnis Block—pembayaran, layanan keuangan—dapat “didukung” oleh AI. Bahkan IBM sendiri mengembangkan watsonx Code Assistant for Z, sebuah alat khusus yang memungkinkan pelanggan secara aman melakukan refaktorisasi dan modernisasi kode lama langsung di platform, sambil mempertahankan keamanan tingkat perusahaan. Ketika aset mampu berkolaborasi dengan AI, nilainya akan meningkat.
Sebaliknya, aset yang rentan terhadap AI memiliki tiga ciri: bergantung pada “pengolahan informasi” sebagai nilai utama, dapat digantikan oleh proses standar, dan tidak mampu menghasilkan atau mengumpulkan data. Dengan membandingkan ciri-ciri ini, perusahaan dapat melakukan “pengujian tekanan” terhadap portofolio asetnya.
4. Peluang Baru RWA: Aset Apa yang Layak Dijadikan Token?
Mengaplikasikan kerangka ini ke bidang tokenisasi aset dunia nyata (RWA), dapat disimpulkan bahwa RWA bukanlah “semua aset bisa di-chain,” melainkan memilih aset keras yang mampu melewati siklus penilaian ulang AI.
Pada Maret 2026, total nilai RWA di blockchain telah menembus 25 miliar dolar AS, hampir empat kali lipat dari setahun sebelumnya. Tetapi, dalam White Paper industri RWA yang dirilis oleh Asosiasi Standar Web3.0 Hong Kong pada Agustus 2025, ditegaskan: “Semua hal bisa RWA adalah mitos.” Aset yang berhasil diimplementasikan secara skala harus memenuhi tiga syarat utama: stabilitas nilai, kejelasan hak hukum, dan verifikasi data off-chain.
Dengan mengacu pada kerangka “imun AI,” kita bisa memperinci lagi: Aset yang layak didigitalkan pertama-tama adalah aset yang nilainya stabil dalam penilaian ulang AI.
Kategori pertama adalah aset fisik yang memiliki “ciri imun AI”. Termasuk aset energi, infrastruktur, sumber daya langka. Nilai aset ini tidak bergantung pada pengolahan informasi, melainkan berasal dari keberadaan fisik dan manfaat nyata. White paper menyebutkan RWA energi terbarukan (seperti stasiun pengisian daya, panel surya), serta aset GPU dan komputasi sebagai contoh. GPU, berkat kebutuhan industri AI yang sangat tinggi dan “gen digital” yang terpercaya, sedang menjadi aset ideal untuk di-tokenisasi sebagai RWA.
Kategori kedua adalah aset data yang dapat diprogram. Memiliki sumber data eksklusif dan mampu dieksploitasi secara otomatis melalui kontrak pintar, aset ini memiliki “pertahanan data” dan “keluwesan AI.” White paper mengelompokkan data bersama kekayaan intelektual dan kredit karbon sebagai aset tak berwujud. Tetapi, harus diingat, tidak semua data bisa dijadikan aset—hanya data yang mampu terus-menerus dihasilkan, memiliki hak kepemilikan yang jelas, dan dapat diverifikasi, yang menjadi dasar tokenisasi.
Kategori ketiga adalah aset campuran. Menggabungkan “ketidak-kodean” kontrol fisik dengan “kemampuan digital” yang dapat diprogram. Contohnya, properti komersial yang dapat di-tokenisasi, tetapi pengelolaan, pemeliharaan, dan penyewaan secara fisik tetap dipegang oleh pihak profesional. Struktur “fisik + digital” ini memanfaatkan likuiditas blockchain sekaligus menjaga “pertahanan imun” dari nilai fisik offline.
Sebaliknya, ada dua kategori aset yang harus diwaspadai untuk tokenisasi di era AI. Pertama, aset keuangan yang sangat bergantung pada “perantara manusia,” karena nilainya mudah ditekan oleh AI. Kedua, aset standar yang tidak memiliki “pertahanan data,” sehingga dalam kerangka penilaian AI, mereka kekurangan daya tawar.
5. Panduan Tindakan: Dari Pemahaman ke Pengambilan Keputusan
Kejadian hilangnya 40 miliar dolar IBM adalah sinyal dari sebuah era—aset yang bergantung pada asimetri informasi dan perantara manusia sedang diberi penilaian ulang oleh AI. Kenaikan harga Block yang bertentangan adalah tanda dari era lain—perusahaan yang mampu merangkul AI dan mengoptimalkan struktur asetnya sedang mendapatkan penilaian ulang pasar.
Bagi para pengambil keputusan perusahaan publik dan perusahaan tradisional, ini bukan sekadar kekhawatiran teknologi, tetapi rekonstruksi fundamental dari sistem nilai aset. CEO harus menjawab pertanyaan yang tak terhindarkan: Berapa nilai portofolio aset saya di mata AI?
Berdasarkan analisis di atas, ada tiga langkah operasional yang dapat diambil:
Pertama, segera lakukan “pengujian tekanan AI” terhadap aset. Dengan mengacu pada tiga ciri “imun AI”—ketidak-kodean, pertahanan data, dan keluwesan AI—evaluasi secara menyeluruh unit bisnis inti. Identifikasi aset mana yang paling rentan terhadap penurunan nilai akibat gempuran AI, dan mana yang berpotensi mendapatkan manfaat dari AI.
Kedua, bangun mekanisme pengelolaan portofolio aset yang dinamis. Dalam konteks penilaian ulang AI, strategi alokasi aset tidak lagi bersifat statis “beli dan tahan.” Perusahaan harus secara sadar meningkatkan porsi aset “imun AI,” dan merencanakan transformasi atau pelepasan aset yang rentan. Ini bukan hanya tugas departemen keuangan, tetapi juga membutuhkan kolaborasi strategis, teknologi, dan bisnis.
Ketiga, tinjau kembali strategi RWA. Sebelum melakukan tokenisasi aset, gunakan kerangka “imun AI” untuk menyaring aset dasar. Nilai utama RWA bukan sekadar “di-chain,” tetapi bagaimana tokenisasi dapat meningkatkan likuiditas dan efisiensi penetapan harga aset berkualitas. Jika aset dasar sendiri mengalami depresiasi di era AI, maka tokenisasi hanya akan mempercepat hilangnya nilai.
Perlu ditegaskan, sesuai dengan Peraturan No. 42 yang dikeluarkan oleh delapan kementerian di Tiongkok, dilarang keras di daratan Tiongkok melakukan penawaran token dan transaksi tokenisasi dalam bentuk apa pun. Diskusi tentang tokenisasi RWA ini hanya berlaku dalam kerangka kepatuhan internasional dan praktik digitalisasi aset di luar negeri. Perusahaan yang mengeksplorasi bisnis terkait harus mematuhi garis merah “larangan di dalam negeri, pendaftaran di luar negeri.”
Ketika AI mulai memberi penilaian terhadap aset, satu-satunya rasa aman berasal dari hal-hal yang AI tidak bisa tentukan nilainya—bukan kode, bukan data, melainkan kemampuan manusia dalam menilai nilai itu sendiri.
