IBM menguap Rp 400 miliar, Block PHK setengah staf harga saham justru naik: Di era AI, aset apa yang layak untuk tokenisasi?

Pada 23 Februari 2026, hari yang seharusnya tenang di awal minggu, harga saham IBM mengalami penurunan terbesar dalam satu hari sejak Oktober 2000. Pada penutupan, penurunan tersebut tetap di angka 13,2%, sekitar 40 miliar dolar AS dari nilai pasar menguap dalam beberapa jam. Pemicu utamanya 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 pertahanan” yang sangat menguntungkan bagi IBM.

Tiga hari kemudian, kisah serupa berlangsung dengan cara yang sepenuhnya berlawanan. Pada 26 Februari, perusahaan fintech milik Jack Dorsey, Block, mengumumkan PHK sekitar 4.000 orang, hampir 50% dari total karyawan, dengan alasan peningkatan efisiensi yang didorong oleh AI. Tetapi reaksi pasar sangat berbeda—harga saham Block sempat melonjak lebih dari 24% setelah jam perdagangan. Dalam suratnya kepada pemegang saham, Dorsey mengakui: “Saya percaya dalam satu tahun ke depan, sebagian besar perusahaan akan mencapai kesimpulan yang sama dan melakukan penyesuaian struktural serupa.”

Dua peristiwa ini, didorong oleh faktor yang sama—AI; dua reaksi pasar yang sangat berbeda—satu jatuh, satu melonjak. Apa yang sebenarnya terjadi di balik semua ini? Jawabannya mungkin mengarah ke sebuah proposisi yang lebih mendalam: AI sedang mendefinisikan ulang “apa yang dianggap sebagai aset bernilai”. Bagi para eksekutif perusahaan publik, investor, dan pengambil keputusan perusahaan tradisional, memahami logika penilaian ulang ini bukan lagi sekadar strategi proyektif, melainkan sebuah keharusan yang menyangkut kelangsungan hidup.

1. AI yang Sama, Penilaian Pasar yang Berbeda

Untuk memahami perbedaan mencolok dari kedua peristiwa ini, kita perlu melihat struktur aset masing-masing perusahaan.

Penurunan harga saham IBM tampak dari luar 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 utama 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 demikian, 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 pertahanan” yang menguntungkan bagi profit IBM. Tetapi Anthropic mengklaim: “Dengan kekuatan AI, tim tidak perlu menghabiskan bertahun-tahun, dan dapat memodernisasi basis kode COBOL dalam beberapa musim.” Pesan tersirat dari 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 dari Wedbush dan Evercore ISI dengan cepat membela, menyebut penurunan tersebut sebagai “reaksi berlebihan yang tidak berdasar.” Mereka menegaskan bahwa inti masalahnya adalah: pelanggan perusahaan tidak akan langsung meninggalkan sistem mainframe mereka hanya karena sebuah alat AI baru 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, menegaskan 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 berasal dari puluhan tahun integrasi perangkat keras dan perangkat lunak, yang tidak bisa dipindahkan hanya melalui penerjemahan kode.

Lalu, peristiwa Block. Sama-sama PHK besar-besaran, 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 sumber daya manusia mereka, sambil berinvestasi besar-besaran 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 semuanya didasarkan pada kekuatan.” Data mendukung pernyataan ini: laba kotor tahunan 2025 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 menyusut secara pasif di tengah gelombang AI, melainkan secara aktif mengoptimalkan struktur asetnya—menggunakan lebih sedikit “aset manusia” untuk menghasilkan “hasil teknologi” yang lebih tinggi. PHK 50% sekaligus menaikkan panduan tahunan menunjukkan bahwa nilai output per tenaga kerja sedang diperbesar oleh AI.

2. Di Era AI, Empat Kategori Aset Sedang Dihargai Ulang

Kedua kasus ini mengungkapkan sebuah tren yang sedang berlangsung: AI menjadi “penetang harga ulang” aset. Berbagai jenis aset menunjukkan kurva nilai yang sangat berbeda di bawah kerangka penilaian AI.

Kategori pertama adalah aset yang padat modal manusia. Tim pemeliharaan COBOL IBM, analis tradisional, programmer—semua adalah “pengolah informasi”—yang nilainya sedang tergerus oleh AI. Anthropic menyebutkan bahwa Claude Code dapat mengenali “risiko yang membutuhkan berbulan-bulan analisis manusia 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—penerjemahan kode hanyalah satu bagian dari proses tersebut. Kemampuan manusia yang mampu menguasai sistem kompleks, memahami esensi bisnis, dan membuat keputusan strategis tetap langka.

Kategori kedua adalah aset data. Seiring perkembangan pesat AI generatif, nilai data sedang mengalami redefinisi. Dalam studi yang dipublikasikan di PLOS One, para peneliti seperti Tang menyatakan bahwa AI generatif mengubah cara data diperoleh, diproses, dan digunakan. Nilai aset data tidak lagi hanya bergantung pada kualitas dan relevansinya secara internal, tetapi juga pada konteks penggunaannya dalam kerangka AI generatif, kemampuan konversinya, dan permintaan pasar.

Ini berarti bahwa keunikan, kontinuitas, dan kemampuan pengelolaan data menjadi dimensi nilai utama. Sebuah dataset bisa sangat bernilai dalam satu skenario, tetapi tidak berguna sama sekali di skenario lain. Perusahaan yang mampu menyediakan data eksklusif, berkelanjutan, dan berkualitas tinggi untuk pelatihan model AI sedang 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 kontrak pintar—menunjukkan bahwa algoritma sedang menjadi aset yang dapat diukur. Bobot model, kerangka algoritma, metodologi pelatihan—semuanya menjadi aset tak berwujud yang dapat dikenali, dikendalikan, dan dikomersialkan.

Kategori keempat adalah aset fisik konvensional yang sedang mengalami divergensi nilai. Aset yang bergantung pada “asimetri informasi” dan “perantara manusia” menghadapi tekanan depresiasi, sementara aset yang memiliki sifat “anti-otomatisasi AI”—seperti fasilitas energi, sumber daya langka, infrastruktur inti—nilai mereka relatif stabil. Alasannya sederhana: AI dapat menganalisis dan mengoptimalkan operasi aset ini, tetapi tidak mampu menggantikan keberadaan fisik dan fungsi penopang nilainya.

3. Dari “Penilaian Ulang Aset” ke “Imun terhadap AI”

Berdasarkan analisis di atas, perusahaan membutuhkan kerangka kerja sistematis untuk menilai apakah aset mereka akan meningkat nilainya atau justru menurun di era AI. RWA Institute mengusulkan kerangka identifikasi “aset imun 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 quantum-safe, dan reliabilitas sembilan sembilan—semua ini adalah aspek yang tidak bisa diduplikasi oleh alat AI. Menurut studi Futurum, “penerjemahan kode tidak mampu menangkap kompleksitas nyata, dan nilai platform berasal dari puluhan tahun integrasi perangkat keras dan perangkat lunak.” Demikian pula, kendali atas skenario offline, pengetahuan industri yang tidak tersurat, dan jaringan hubungan yang kompleks—faktor-faktor yang sulit “dikodekan”—menjadi penghalang imun pertama dari aset.

Ciri kedua adalah “parit pertahanan data.” Apakah perusahaan memiliki aset data yang eksklusif, berkelanjutan, dan dapat dikelola? Apakah hanya menggunakan data publik, atau mampu menghasilkan data yang tidak bisa diakses orang lain? Bank Citic telah mulai mengeksplorasi penilaian nilai aset data menggunakan model besar, dan mencoba “mencatatkan data aset.” Logika di balik ini adalah: di era AI, data bukan hanya bahan baku produksi, tetapi juga aset itu sendiri. Tetapi tidak semua data memiliki “parit pertahanan”—data dari internet yang terbuka akan cepat “dicerna” oleh model AI, sedangkan perusahaan dengan sumber data eksklusif dapat memperoleh premi dalam kerangka penilaian AI.

Ciri ketiga adalah elastisitas yang didukung AI. Apakah aset mampu diperkuat oleh AI, bukan digantikan? Ini adalah kunci untuk membedakan antara dampak IBM dan transformasi Block. Bisnis inti IBM—pemeliharaan sistem warisan COBOL—adalah target penggantian oleh AI; sedangkan model bisnis Block—pembayaran, layanan keuangan—dapat diberdayakan oleh AI. Bahkan IBM sendiri mengembangkan Watsonx Code Assistant for Z, sebuah alat khusus yang memungkinkan pelanggan secara aman melakukan refaktor dan modernisasi kode warisan langsung di platform, sambil mempertahankan keamanan tingkat perusahaan. Ketika aset mampu berkolaborasi dengan AI, bukan bersaing, nilainya akan meningkat.

Sebaliknya, aset yang rentan terhadap AI menunjukkan tiga ciri: bergantung pada “pengolahan informasi” sebagai nilai utama, dapat digantikan oleh proses standar, dan tidak memiliki kemampuan menghasilkan atau mengumpulkan data. Dengan membandingkan ketiga ciri ini, perusahaan dapat melakukan “pengujian tekanan” terhadap portofolio asetnya.

4. Peluang Baru RWA: Aset Apa yang Layak Dijadikan Token?

Dengan memperluas kerangka ini ke bidang tokenisasi aset dunia nyata (RWA), dapat disimpulkan bahwa RWA bukanlah “semua aset bisa di-chain,” melainkan dalam gelombang penilaian ulang AI, memilih aset keras yang mampu melewati siklus 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 diterbitkan oleh Asosiasi Standarisasi Web3.0 Hong Kong pada Agustus 2025, ditegaskan: “Mitos bahwa segala sesuatu bisa menjadi RWA adalah sebuah mitos palsu.” Aset yang berhasil diimplementasikan secara skala harus memenuhi tiga syarat utama: stabilitas nilai, kejelasan hak hukum, dan verifikasi data off-chain.

Mengacu pada kerangka “imun AI,” kita dapat memperhalusnya menjadi: aset yang layak dijadikan token 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 kegunaan nyata. White paper menyebutkan RWA energi baru—seperti stasiun pengisian daya, aset fotovoltaik—dan aset komputasi seperti GPU, semuanya termasuk kategori ini. GPU, dengan kebutuhan industri AI yang kaku dan “gen digital” yang terpercaya, sedang menjadi aset jangkar ideal untuk RWA.

Kategori kedua adalah aset data yang dapat diprogram. Aset yang memiliki sumber data eksklusif dan mampu secara otomatis menghasilkan uang melalui kontrak pintar, menggabungkan “parit data” dan “elastisitas pemberdayaan AI.” White paper mengelompokkan data bersama kekayaan intelektual dan kredit karbon sebagai aset tak berwujud. Tetapi, perlu diingat bahwa tidak semua data bisa menjadi aset—hanya data yang mampu terus-menerus dihasilkan, dapat dipastikan kepemilikannya, dan dapat diverifikasi yang menjadi dasar tokenisasi.

Kategori ketiga adalah aset campuran, yang menggabungkan kendali fisik yang “tidak dapat dikodekan” dan hak digital yang “dapat diprogram.” Contohnya, properti komersial yang dapat di-tokenisasi, tetapi pengelolaan, pemeliharaan, dan penyewaan properti—kendali atas skenario offline—masih dipegang oleh institusi profesional. Struktur “fisik + digital” ini memanfaatkan likuiditas blockchain sekaligus mempertahankan nilai offline yang “imun AI.”

Sebaliknya, ada dua kategori aset yang harus berhati-hati dalam proses tokenisasi di era AI: pertama, aset keuangan yang sangat bergantung pada “perantara manusia,” sehingga nilainya mudah tertekan oleh AI; kedua, aset standar yang tidak memiliki parit data, sehingga dalam kerangka penilaian AI, tidak memiliki kekuatan tawar.

5. Panduan Tindakan: Dari Pemahaman ke Pengambilan Keputusan

Penghapusan nilai 40 miliar dolar IBM adalah sinyal dari sebuah era—aset yang bergantung pada asimetri informasi dan tumpukan tenaga 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 dari pasar.

Bagi para pengambil keputusan di perusahaan publik dan perusahaan tradisional, ini bukan sekadar kekhawatiran teknologi, tetapi sebuah rekonstruksi fundamental dari sistem nilai aset. CEO harus menjawab pertanyaan yang tak terhindarkan: berapa nilai portofolio aset saya menurut pandangan AI?

Berdasarkan analisis di atas, ada tiga rekomendasi operasional yang dapat diambil:

Pertama, segera lakukan “pengujian tekanan AI” terhadap aset. Dengan mengacu pada tiga ciri “imun AI”—ketidak-penkodean, parit data, dan elastisitas pemberdayaan AI—evaluasi satu per satu unit bisnis inti perusahaan. Identifikasi mana yang paling rentan terhadap penurunan nilai akibat gelombang AI, dan mana yang berpotensi mendapatkan manfaat dari AI.

Kedua, bangun mekanisme pengelolaan portofolio aset yang dinamis. Dalam konteks penilaian ulang AI, alokasi aset tidak lagi bersifat statis “beli dan tahan.” Perusahaan harus secara sadar meningkatkan proporsi aset “imun AI,” sekaligus merancang rencana transformasi atau pelepasan untuk aset yang rentan terhadap AI. 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 bukanlah “di-chain” itu sendiri, melainkan 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.

Akhirnya, perlu ditegaskan bahwa sesuai dengan Peraturan No. 42 yang diterbitkan oleh delapan kementerian di Tiongkok, di daratan Tiongkok dilarang keras melakukan penerbitan token dan transaksi tokenisasi dalam bentuk apa pun. Diskusi tentang tokenisasi RWA dalam artikel ini hanya berlaku dalam kerangka kepatuhan di luar negeri. Perusahaan yang mengeksplorasi bisnis terkait harus mematuhi garis merah regulasi “larangan di dalam negeri, pendaftaran di luar negeri.”

Ketika AI mulai memberi penilaian harga aset, satu-satunya rasa aman berasal dari hal-hal yang AI tidak mampu tentukan nilainya—bukan kode, bukan data, melainkan kemampuan manusia dalam menilai nilai itu sendiri.

(Artikel ini disusun berdasarkan data dan sumber terbuka, termasuk Nasdaq, Tencent News, Futurum Group, PLOS One, 21st Century Business Herald, Business Times, dan lembaga riset terkemuka lainnya. Pendapat dalam artikel ini tidak merupakan saran investasi.)