AI Data Centre Boom: Risiko Hutang & Peluang Untuk Malaysia

Bila AI Bukan Lagi Soal Algoritma, Tapi Juga Soal Hutang

Nilai pembiayaan hutang untuk pusat data AI global melonjak daripada sekitar AS$15 bilion pada 2024 kepada lebih AS$125 bilion pada 2025, menurut laporan UBS. Dalam masa kurang dua tahun, infrastruktur yang menggerakkan model AI – dari pusat data hingga rangkaian elektrik – bertukar menjadi mesin pemakan modal.

Ini bukan sekadar cerita Wall Street. Untuk bank, syarikat insurans, fintech dan juga sektor pembuatan elektronik & E&E di Malaysia, trend AI data centre boom yang dibiayai hutang ini ialah cermin – menunjukkan apa yang boleh berlaku bila organisasi kejar AI tanpa disiplin kewangan dan pengurusan risiko yang jelas.

Saya nak bawa anda lihat apa yang sedang berlaku di pasaran global, dan bagaimana pemain kewangan serta pengilang di Malaysia boleh guna pelajaran ini supaya transformasi AI jadi pemangkin nilai, bukan beban hutang.

---

Apa Sebenarnya Berlaku Dalam Boom Pusat Data AI?

Ringkasnya, pertumbuhan pusat data untuk AI sedang dibiayai terutamanya oleh hutang:

• Syarikat gergasi teknologi mengeluarkan bon berbilion dolar untuk membina kampus pusat data
• Pelabur kredit – dari bank, pengurus dana hingga firma private credit – berebut masuk kerana nampak peluang pulangan menarik
• Bank pusat seperti Bank of England sudah mula beri amaran tentang risiko kestabilan kewangan jika penilaian aset AI ini berpatah balik secara mendadak

Realitinya: AI bukan lagi hanya isu teknologi. Ia sudah menjadi isu struktur modal, kredit, dan kestabilan sistem kewangan.

Untuk Malaysia, terutama dalam siri "AI dalam Perkhidmatan Kewangan" ini, isu ini penting kerana:

• Bank dan institusi kewangan akan menjadi pemberi pinjaman utama kepada projek berkaitan AI – dari pusat data hingga kilang pintar
• Sektor perbankan kita sendiri sedang melabur besar dalam AI untuk fraud detection, pemarkahan kredit automatik, dan pemodelan risiko
• Pengilang E&E dan automotif yang mahu membina smart factory juga memerlukan pelaburan AI dan infrastruktur data yang besar

Kalau kita ulang kesilapan pasaran global, kesannya bukan saja kena pada peminjam – tapi juga kepada bank, pelabur institusi, dan akhirnya pengguna.

---

Lima “Hotspot” Hutang AI Global – Dan Apa Maknanya Untuk Malaysia

1. Kes Oracle: Apabila Naratif AI Tak Selari Dengan Nombor

Satu contoh jelas ialah Oracle. Sahamnya pernah hampir berganda tahun ke tahun kerana pasaran teruja dengan perjanjian AI bernilai sekitar AS$300 bilion bersama OpenAI dan pelaburan pusat data berskala besar.

Tetapi bila:

• Perbelanjaan modal (capex) terus meningkat
• Unjuran hasil & keuntungan tak naik sepadan
• Agensi penarafan mula menegur profil risiko kontrak dan hutangnya

… sentimen bertukar. Saham Oracle jatuh lebih 40% daripada paras puncak, dan credit default swap (CDS) – kos insurans terhadap risiko gagal bayar – naik ke paras tertinggi sejak 2009.

Pelajaran untuk bank & pengilang Malaysia:

• Naratif “AI akan ubah segalanya” tak cukup.
• Setiap projek AI – sama ada pusat data, kilang pintar atau platform analitik – mesti datang dengan model aliran tunai yang boleh diuji, bukan sekadar slaid PowerPoint.
• Dari sudut risiko kredit, penganalisis bank patut lihat ketidaksepadanan masa: hutang jangka panjang vs aliran tunai yang mungkin datang jauh lebih lewat daripada yang diiklankan.

2. Ledakan Bon Gred Pelaburan: Bank Ganti Big Tech Sebagai Peminta Hutang

Dalam pasaran global, syarikat tech besar kini menjadi penerbit utama bon gred pelaburan:

• Oracle menerbitkan sekitar AS$18 bilion bon
• Meta menerbitkan AS$30 bilion
• Alphabet dan pemain lain mengikut jejak yang sama

JP Morgan menganggarkan syarikat berkaitan AI kini menyumbang kira-kira 14% daripada indeks bon gred pelaburan mereka, melepasi sektor perbankan AS.

Apa maksudnya?

• Profil risiko pasaran bon berubah – daripada dominasi bank, kini sebahagian besar terdedah kepada projek AI dan pusat data
• Penerbit kelihatan kukuh (Big Tech) tetapi asas aliran tunai untuk projek AI khusus belum terbukti

Implikasi untuk Malaysia:

• Bila bank tempatan membeli bon korporat asing atau dana global, sebahagian risiko mereka sebenarnya terdedah kepada boom AI ini
• Pengurus risiko kecairan & pasaran di bank perlu masukkan analisis pendedahan tidak langsung kepada sektor AI global dalam stress test mereka
• Untuk pengilang E&E yang mempertimbangkan penerbitan sukuk atau bon bagi projek AI, pasaran akan mula tanya soalan lebih sukar tentang justifikasi pulangan dan bukannya hanya terpesona dengan label “AI”

3. Bon Hasil Tinggi (High Yield): Di Mana Hutang Mula Menyerupai Ekuiti

Selain bon gred pelaburan, wujud juga ledakan bon hasil tinggi (junk bonds) daripada syarikat yang profil kewangannya lebih lemah – tetapi menjual cerita pertumbuhan AI.

Pengurus dana berpengalaman sudah mula berhati-hati:

• Mereka melihat pusat data AI sebagai aset belum teruji: belum cukup data tentang prestasi jangka panjang, kos operasi sebenar, dan daya tahan permintaan
• Ada yang berpendapat pulangan untuk pelabur hutang sepatutnya lebih hampir kepada pulangan ekuiti kerana risikonya setinggi pemilik, bukan seperti pemegang hutang biasa

Untuk bank dan fintech Malaysia yang aktif dalam pemberian kredit korporat dan structured finance, mesejnya jelas:

• Jangan menilai projek AI hanya dengan lensa “ini teknologi masa depan” – nilai ia seperti projek infrastruktur berisiko tinggi: sensitif kepada kadar faedah, kos tenaga, dan kitaran ekonomi
• Untuk kilang pintar dan projek automasi di sektor E&E tempatan, elakkan struktur pembiayaan di mana hutang terlalu tinggi berbanding ekuiti, dengan harapan AI akan “menyelesaikan semuanya” dalam masa 2–3 tahun

4. Private Credit: Wang Besar, Pengawasan Lebih Longgar

Satu lagi trend utama ialah kebanjiran private credit – pinjaman oleh firma pelaburan dan dana, bukan bank tradisional – untuk membiayai pusat data AI.

Anggaran bank pelaburan besar menunjukkan:

• Pinjaman private credit untuk AI hampir berganda dalam tempoh 12 bulan sehingga awal 2025
• Sehingga lebih 50% daripada keperluan pembiayaan pusat data sehingga 2028 boleh datang daripada pasaran private credit

Masalahnya:

• Segmen ini biasanya kurang telus, kurang dikawal berbanding pinjaman bank
• Risiko berkeupayaan tersebar secara senyap di kalangan pelabur institusi, dana persaraan dan insurans

Daripada perspektif Malaysia:

• Bank Negara dan pengawal selia kewangan perlu pantau sejauh mana dana tempatan – terutamanya dana persaraan, takaful dan pengurus aset – terdedah kepada kenderaan private credit luar negara yang membiayai pusat data AI
• Untuk pengilang dan operator pusat data di Malaysia, pilihan pembiayaan private credit mungkin nampak fleksibel. Tetapi kos tersembunyi, covenant dan risiko penstrukturan semula boleh jadi jauh lebih berat berbanding pinjaman bank konvensional

5. ABS & Sekuritisasi Digital Infrastruktur: Euforia Yang Pernah Kita Lihat 2008

Akhir sekali, muncul juga trend sekuritisasi: memecah pinjaman dan kontrak sewa pusat data menjadi asset-backed securities (ABS) yang boleh dijual kepada pelabur.

Dalam pasaran AS:

• Infrastruktur digital hanya kira-kira 5% daripada pasaran ABS, tetapi nilainya sudah melebihi AS$80 bilion
• Segmen ini berkembang lebih sembilan kali ganda dalam tempoh kurang lima tahun
• Data centre menjadi penjamin kepada lebih 60% pasaran ABS digital ini, dan dijangka menambah bekalan AS$50–60 bilion lagi pada 2026

Masalah? Sejarah 2008 mengajar kita:

Bila aset yang kompleks dibungkus sebagai sekuriti “selamat”, pelabur mudah alpa terhadap risiko asas.

Bagi bank Islam, bank konvensional dan syarikat insurans di Malaysia yang mungkin membeli instrumen sebegini melalui dana global:

• Soalan utama bukan sahaja pulangan, tetapi apa sebenarnya aset di bawahnya – sewa pusat data dengan satu penyewa Big Tech? Banyak penyewa kecil? Berapa panjang tempoh kontrak?
• Bagaimana jika penyewa menukar strategi AI, beralih ke teknologi yang guna tenaga lebih efisien, dan tak lagi perlukan kapasiti sedia ada?

---

Bagaimana Malaysia Boleh Elak Perangkap Hutang AI Data Centre

Most companies salah anggap AI sebagai projek “sekali belanja, kemudian tunggu hasil”. Untuk Malaysia, terutamanya sektor kewangan dan pembuatan E&E, ada cara yang jauh lebih sihat.

1. Mulakan Dengan “AI-First Use Case”, Bukan “AI-First Data Centre”

Sebelum berfikir tentang pusat data sendiri atau pelaburan capex yang berat, organisasi patut:

• Pilih beberapa use case AI bernilai tinggi dan jelas – contohnya:
  • Bank: pemarkahan kredit mikro untuk PKS, pencegahan penipuan kad, chatbot khidmat pelanggan
  • Insurans: automasi tuntutan, penilaian risiko kesihatan yang lebih tepat
  • Pengilang E&E: predictive maintenance, kawalan kualiti berasaskan visi komputer, pengoptimuman tenaga
• Uji dengan kombinasi cloud + on-premise ringan, ukur faedah kewangan sebenar (penjimatan kos, peningkatan hasil, pengurangan kerugian)

Bila ROI bagi beberapa use case terbukti, barulah masuk ke fasa infrastruktur lebih besar dengan justifikasi data, bukan sekadar jangkaan.

2. Disiplin Kewangan: AI Sebagai Aset Produktif, Bukan Simbol Status

Dalam pembiayaan projek AI, beberapa prinsip asas patut dijadikan garis panduan:

• Hadkan nisbah hutang kepada ekuiti untuk projek AI yang belum terbukti – treat ia lebih dekat kepada pelaburan venture/ekuiti
• Gunakan pembiayaan berperingkat (tranche): setiap fasa pembesaran pusat data atau smart factory hanya dilepaskan bila sasaran prestasi (utilization, penjimatan kos, margin) tercapai
• Masukkan senario tekanan (stress test) kadar faedah dan permintaan: apa jadi kalau permintaan pemprosesan AI berkembang separuh daripada jangkaan? Atau kalau tarif elektrik naik 30%?

Bank dan fintech yang membiayai transformasi AI pelanggan korporat juga boleh reka produk kredit yang mengikat kadar faedah atau margin keuntungan kepada prestasi projek AI tersebut.

3. Pengurusan Risiko Data & Model Sama Berat Dengan Risiko Kredit

Dalam perkhidmatan kewangan, penggunaan AI membawa dua set risiko besar:

1. Risiko model & data – bias dalam pemarkahan kredit, keputusan kredit yang tak patuh garis panduan, kesilapan ramalan risiko pasaran
2. Risiko kewangan & operasi – kos infrastruktur melampau, vendor lock-in, kebergantungan kepada pembekal tunggal

Organisasi yang matang akan:

• Tubuhkan Model Risk Management (MRM) yang formal untuk semua model AI – tak kira dalaman atau daripada vendor
• Laksanakan governance data yang jelas: dari kualiti data, privasi pelanggan, hingga pematuhan peraturan
• Selaraskan pelaksanaan AI dengan Rangka Kerja Teknologi & Risiko Siber yang ditetapkan pengawal selia

Bagi pengilang yang sedang bergerak ke arah kilang pintar, pendekatan yang sama boleh digunakan: audit model, audit data, dan audit vendor.

4. Bina Ekosistem AI Yang Terkawal, Bukan Terserah Pada Vendor Tunggal

Malaysia ada satu kelebihan: kita masuk fasa AI infrastruktur besar sedikit lewat berbanding AS dan Eropah. Ini peluang untuk elak kesilapan yang sama.

Pendekatan yang saya lihat lebih sihat untuk Malaysia:

• Pusat data serantau yang dikongsi – bukan setiap bank atau pengilang membina pusat data gergasi sendiri
• Kerjasama antara bank, universiti dan pengilang untuk platform AI dan data industri bersama – memecah kos, mengurangkan replikasi
• Insentif kerajaan yang memihak kepada projek AI yang membuktikan penjimatan tenaga, kecekapan rantaian bekalan dan penciptaan kerja berkemahiran, bukan hanya saiz pelaburan

---

Bagaimana Bank & Pengilang Boleh Bergerak Sekarang, Bukan Nanti

Berikut beberapa langkah praktikal dalam 6–12 bulan akan datang untuk pemain perkhidmatan kewangan dan pembuatan di Malaysia:

1. Audit pendedahan AI anda

   • Untuk bank/insurans: senarai semua pelaburan, pinjaman, bon dan dana yang berkaitan AI – termasuk pusat data luar negara
   • Untuk pengilang: senarai semua projek AI/automasi yang dirancang dan yang sedang berjalan, bersama kos dan jangkaan ROI

2. Tentukan “AI investable thesis” syarikat
   Nyatakan dengan jelas: dalam konteks perniagaan anda, AI patut:

   • Menurunkan cost-to-income ratio ke tahap X% dalam Y tahun
   • Mengurangkan non-performing loans (untuk bank) atau defect rate (untuk pengilang) sebanyak Z%
   • Menaikkan hasil per pelanggan/line produksi kepada sasaran yang boleh diukur

3. Rancang struktur pembiayaan berhemah

   • Pecahkan projek besar kepada beberapa fasa
   • Campur hutang dengan pembiayaan dalaman, rakan strategik, atau skim geran jika wujud
   • Elakkan jangkaan yang meletakkan AI sebagai satu-satunya punca pertumbuhan hasil

4. Selaraskan dengan pengawal selia & rangka kerja risiko

   • Untuk bank dan fintech, pastikan pelaksanaan AI selari dengan panduan Bank Negara tentang risiko teknologi dan perlindungan pengguna
   • Untuk pengilang, integrasikan AI dalam pelan ESG dan kelestarian – penggunaan tenaga pusat data akan jadi fokus utama pelabur dalam beberapa tahun akan datang

---

Dari Data Centre ke Smart Factory & Bank Pintar: Soal Keseimbangan

AI data centre boom yang sedang berlangsung di luar negara menunjukkan dua perkara penting:

1. Permintaan terhadap pemprosesan AI memang nyata dan besar – tiada siapa nafikan itu
2. Cara ia dibiayai hari ini penuh dengan risiko yang boleh membawa kesan sistemik jika tak dikawal

Bagi Malaysia, persoalan utamanya bukan sama ada kita perlu AI, tetapi bagaimana kita membiayai dan mengurusnya dengan bijak.

Perbankan, insurans dan fintech kita sudah jauh ke hadapan dalam penggunaan AI untuk fraud detection, pemarkahan kredit dan analitik kekayaan. Sektor pembuatan E&E pula sedang bergerak ke arah kilang pintar. Tantangannya sekarang ialah memastikan setiap ringgit yang dibelanjakan untuk AI – sama ada untuk pusat data, cloud, sensor di lantai kilang atau model kredit – memberi pulangan yang lebih tinggi daripada kos modalnya.

Ada dua jalan:

• Jalan singkat: berhutang besar, mengejar kapasiti AI sebelum kes penggunaan jelas, berharap pasaran akan “mengejar” kapasiti yang dibina
• Jalan matang: bermula dengan kes penggunaan bernilai tinggi, membina infrastruktur secara berperingkat, dan mengekalkan disiplin kewangan yang ketat

Saya jelas memilih jalan kedua.

Jika organisasi anda – sama ada bank, insurans, fintech atau pengilang E&E – sedang mempertimbangkan pelaburan besar dalam AI dan infrastruktur datanya, ini masa yang sesuai untuk bertanya dengan jujur:

Adakah kita sedang membina smart factory dan smart bank… atau sedang mengulangi risiko hutang pusat data AI yang kini mula menghantui pasaran global?

Jawapan yang jujur hari ini boleh menyelamatkan banyak ringgit, reputasi dan kestabilan esok.