Risiko Hutang di Sebalik Ledakan Pusat Data AI

Ledakan pusat data AI dan risiko hutang yang ramai terlepas pandang

Nilai pembiayaan projek pusat data AI melonjak dari sekitar US$15 bilion pada 2024 kepada lebih US$125 bilion setakat 2025. Kenaikan lebih lapan kali ganda ini bukan datang daripada aliran tunai semata-mata – ia banyak digerakkan oleh hutang korporat, private credit dan produk berstruktur seperti ABS.

Ini bukan sekadar cerita Silicon Valley. Kesan rantaian sampai ke bank, syarikat insurans dan fintech di Malaysia yang sedang menilai pinjaman, pembiayaan projek dan pelaburan berkaitan AI – daripada pusat data, kilang pintar elektronik dan automotif, sehinggalah ekosistem semikonduktor.

Dalam siri AI dalam Perkhidmatan Kewangan ini, saya nak ulas apa sebenarnya yang sedang berlaku di pasaran hutang global untuk pusat data AI, di mana titik panas risiko, dan apa pengajaran praktikal untuk:

• bank yang sedang membina model AI credit scoring dan risiko sektor baharu,
• syarikat insurans yang menilai infrastructure risk,
• fintech yang mahu membiayai kilang pintar dan automasi robotik,
• pengeluar elektronik/automotif Malaysia yang ingin melabur dalam AI dan pusat data sendiri.

Gambaran besar: AI, pusat data dan ledakan hutang

Inti masalahnya mudah: pusat data AI memerlukan capex yang sangat tinggi – tanah, bangunan, grid elektrik bertaraf utiliti, penyejukan, GPU kelas data centre – sedangkan pulangan tunai sebenar datang kemudian, bila kapasiti komputasi disewa dan benar-benar digunakan.

Hasilnya, syarikat teknologi dan pemain infrastruktur sedang:

• menerbitkan bon investment grade berskala puluhan bilion dolar,
• memasuki pasaran high yield (junk bond) bagi projek yang lebih berisiko,
• meminjam melalui private credit (pinjaman terus daripada dana pelaburan, bukan bank),
• menstrukturkan sewa pusat data menjadi asset-backed securities (ABS).

Bank pusat seperti Bank of England sudah memberi amaran bahawa kalau penilaian aset AI terkoreksi dengan kuat, timbunan hutang ini boleh menjadi risiko kestabilan kewangan.

Di Malaysia, nada besarnya sama: kita galak pelaburan AI – dari zon perindustrian di Pulau Pinang hingga ke selatan Johor – tetapi bank dan pelabur tak boleh hanya tertarik dengan naratif "AI akan mengubah segalanya" tanpa disiplin kredit yang jelas.

Lima titik panas hutang dalam ledakan pusat data AI

Laporan dan data pasaran menunjukkan lima kawasan utama di mana risiko hutang semakin menumpu. Setiap satu ada implikasi langsung kepada cara bank dan fintech Malaysia patut menstruktur pembiayaan AI, termasuk untuk kilang elektronik, automotif dan semikonduktor yang ingin menjadi smart factory.

1. Syarikat gergasi sarat belanja – contoh Oracle

Kisah Oracle mencerminkan dilema klasik: pelaburan AI yang sangat besar vs masa pulangan yang tak pasti.

• Saham Oracle pernah hampir berganda dalam 2025, banyak disokong naratif kontrak besar AI.
• Tetapi bila pasaran mula ragu tentang pulangan dan kadar pembakaran tunai, harga saham jatuh lebih 40%, dan kos insurans hutang mereka (credit default swap) naik ke paras tertinggi sejak 2009.

Apa pengajarannya untuk bank dan pelabur Malaysia?

Pertama – jangan terperangkap pada "AI hype" tanpa cashflow yang jelas. Bila menilai pinjaman untuk pusat data atau kilang pintar:

• pisahkan naratif teknologi daripada projek kewangan,
• analisis profil tunai: berapa lama tempoh pembinaan, bila sewa/hasil pengeluaran bermula, berapa cepat utilisation boleh naik.

Kedua – pantau leverage dan struktur hutang. Syarikat besar nampak selamat, tapi kalau:

• nisbah hutang kepada EBITDA terlalu tinggi,
• kontrak sewaan atau jualan AI masih "belum matang",

risiko kredit tetap meningkat. Dalam konteks Malaysia, ini relevan untuk konglomerat yang mahu bina kampus pusat data atau barisan automasi kilang automotif berasaskan AI dengan pinjaman berbilion ringgit.

2. Bon gred pelaburan: peluang besar, risiko terhimpun

Pasaran investment grade global kini dibanjiri terbitan bon berkaitan AI – Oracle, Meta, Alphabet dan lain-lain. Anggaran bank pelaburan besar menunjukkan syarikat berkaitan AI sudah mewakili kira-kira 14% indeks bon gred pelaburan mereka, mengatasi bank-bank AS.

Ini mencipta dua realiti yang perlu difahami pengurus risiko dan ALM di bank Malaysia:

1. Peluang hasil baharu. Bon pusat data AI dan Big Tech menawarkan:

   • penyebaran hasil (spread) yang menarik,
   • pendedahan kepada sektor teknologi yang sedang berkembang.

2. Kepekatan sektor (sector concentration). Jika bank dan syarikat insurans tempatan:

   • membeli terlalu banyak bon berkaitan AI,
   • pada masa sama memberi pinjaman projek pusat data/kilang pintar dalam negara,

mereka sebenarnya mengganda pendedahan kepada risiko makro yang sama:

anda bertaruh bahawa permintaan AI dan pusat data akan kekal naik untuk 10–15 tahun.

Pendekatan yang lebih sihat:

• tetapkan had pendedahan mengikut sektor (contoh: % maksimum aset kepada "digital infrastructure & AI"),
• asingkan antara risiko kredit (kemungkinan gagal bayar) dan risiko penilaian pasaran (harga bon turun bila sentimen AI berubah),
• gunakan model AI risk analytics untuk mensimulasikan senario tekanan (contoh: harga GPU naik 50%, kadar faedah global meningkat 200 mata asas, atau pertumbuhan permintaan komputasi AI meleset separuh daripada jangkaan).

3. Bon high yield dan projek AI yang belum teruji

Lapisan seterusnya ialah pasaran high yield – syarikat atau projek yang penarafan kreditnya lebih rendah, tetapi menjanjikan kupon lebih tinggi. Data terkini menunjukkan penerbitan bon teknologi bertaraf junk berada pada paras tertinggi dalam sejarah.

Ramai pengurus dana yang berdisiplin memilih tunggu dan lihat. Sebab utamanya ringkas:

kebanyakan pusat data AI generasi baharu belum membuktikan mereka boleh disiapkan mengikut jadual, mengikut bajet, dan disewa pada kadar yang dirancang.

Bagi bank dan fintech Malaysia yang menaja jamin sukuk atau pinjaman berfaedah tinggi untuk projek AI (termasuk kilang pintar):

• anggap projek AI peringkat awal lebih dekat sifatnya kepada ekuiti risiko berbanding hutang tradisional,
• pastikan pulangan kupon/pembiayaan benar-benar setimpal dengan risiko pembinaan dan pasaran,
• gunakan struktur step-up coupon atau profit-sharing hybrid untuk menyelaraskan risiko dengan prestasi sebenar projek.

Dalam ekosistem pembuatan elektronik dan automotif, ini relevan bila vendor Tier-2 atau Tier-3 – yang bergantung pada 1–2 pelanggan utama – mahu membiayai automasi robotik dan sistem visi AI dengan leverage yang tinggi. Jika aliran tempahan terganggu, servis hutang jadi masalah pertama.

4. Private credit: pembiaya senyap untuk pusat data AI

Private credit sudah menjadi blok penting dalam pembiayaan pusat data AI global. Anggaran beberapa bank pelaburan menunjukkan:

• jumlah pinjaman private credit berkaitan AI hampir berganda dalam 12 bulan,
• menjelang 2028, lebih 50% keperluan pembiayaan pusat data boleh datang daripada pasaran private credit.

Mengapa pemilik projek suka private credit?

• kelulusan lebih pantas berbanding pinjaman sindiket bank,
• struktur boleh disesuaikan (covenant, earn-out, PIK interest dan sebagainya),
• kadangkala lebih fleksibel dari segi nisbah hutang.

Untuk bank dan fintech Malaysia, ada dua cara memandang fenomena ini:

1. Kompetitor – private credit global boleh masuk membiayai kampus pusat data atau kilang pintar di Malaysia, mengurangkan bahagian pasaran pinjaman bank tradisional.
2. Rakan kongsi & saluran keluar (exit channel) – bank boleh:
   • memulakan pembiayaan pembinaan (construction loan),
   • kemudian melupuskan sebahagian pendedahan kepada dana private credit melalui club deal atau penjualan pinjaman,
   • menggunakan platform fintech untuk syndication dan pengurusan risiko secara digital.

Di sinilah AI dalam perkhidmatan kewangan sebenarnya memberi kelebihan:

• model AI credit scoring boleh menilai ribuan indikator projek infrastruktur teknologi,
• machine learning boleh mengesan corak kegagalan projek pusat data/pembuatan di pasaran global lalu memaklumkan polisi kredit tempatan,
• bank boleh membuat pricing pinjaman yang lebih halus mengikut profil risiko sebenar, bukan hanya ikut rating kasar.

5. ABS digital dan memori krisis 2008

Terakhir, kita nampak pertumbuhan pesat asset-backed securities (ABS) yang disandarkan kepada sewa pusat data dan infrastruktur digital lain.

Struktur asasnya:

• sewa jangka panjang yang dibayar oleh syarikat besar (contoh: penyewa pusat data),
• dicagarkan ke dalam satu kenderaan khas,
• diterbitkan sebagai sekuriti kepada pelabur, dengan lapisan tranche berbeza risiko.

Dalam pasaran AS, saiz ABS digital masih sekitar 5% daripada pasaran ABS keseluruhan, tetapi telah berkembang lebih sembilan kali ganda dalam kurang lima tahun, dan majoritinya dikaitkan dengan pusat data.

Bagi bank, pengurus dana dan takaful di Malaysia yang terlibat atau bercadang terlibat dalam produk sebegini, pelajaran dari 2008 sangat jelas:

• faham aset asas (underlying) – siapa penyewa, profil kredit, berapa lama tempoh sewaan, klausa pembatalan,
• nilai kecairan pasaran – adakah ABS ini boleh dijual semula dalam keadaan pasaran tertekan,
• elakkan struktur yang terlalu kompleks sehingga sukar dimodel dalam sistem risiko dalaman.

Pada masa yang sama, ABS digital juga boleh menjadi sumber pembiayaan baharu untuk:

• taman perindustrian pintar,
• kampus pusat data yang menyokong fabrik pengeluaran semikonduktor,
• gudang automasi yang menyokong ekosistem e-dagang dan logistik Malaysia.

Syaratnya: bank dan pengawal selia mesti membina kepakaran model risiko yang kukuh sebelum pasaran berkembang terlalu laju.

Apa yang pengeluar & institusi kewangan Malaysia patut buat sekarang

Bagi saya, isu sebenar bukan sama ada kita patut membiayai AI atau tidak. Kita mesti melabur – kalau tidak, Malaysia akan tertinggal dalam rantaian bekalan elektronik, automotif dan semikonduktor global.

Persoalannya ialah bagaimana kita membiayai AI dan pusat data tanpa mengulangi kesilapan gelembung teknologi lalu.

Untuk bank dan institusi kewangan

1. Bangunkan "AI sector playbook" dalaman.

   • Polisi kredit berbeza untuk: pusat data, kilang elektronik pintar, vendor automotif, syarikat semikonduktor.
   • Template project finance yang mengambil kira risiko teknikal (GPU, tenaga, penyejukan, integrasi AI) dan risiko pasaran.

2. Guna AI untuk menilai AI.

   • Model AI risk scoring merentasi data kewangan, teknikal dan makro.
   • Pemantauan masa nyata terhadap covenant menggunakan data streaming dari projek (contoh: kadar utilisasi pusat data, indeks pengeluaran kilang).

3. Lindungi kunci kira-kira (balance sheet).

   • Tetapkan had pendedahan mengikut sektor dan jenis instrumen (bon, pinjaman, ABS).
   • Uji senario tekanan: kejatuhan penilaian syarikat AI, kenaikan mendadak kos elektrik, gangguan bekalan cip.

Untuk pengeluar elektronik, automotif dan semikonduktor

1. Jangan biayai AI seperti beli mesin biasa.

   • Projek AI & pusat data mempunyai kitaran pembelajaran dan integrasi yang lebih panjang.
   • Rancang fasa percubaan (pilot) dengan capex lebih kecil, dikaitkan dengan KPI operasi yang jelas.

2. Gabung pembiayaan bank dengan skim rakan kongsi.

   • Pertimbangkan JV dengan penyedia pusat data atau syarikat teknologi,
   • kongsi risiko pelaburan GPU dan infrastruktur dengan kontrak jangka panjang yang jelas.

3. Bina kes pelaburan yang boleh "dihadam" oleh kredit bank.

   • tunjukkan bagaimana AI mengurangkan scrap rate, masa henti mesin, atau stok inventori,
   • kaitkan penjimatan dan peningkatan output ini dengan jadual bayaran balik hutang,
   • gunakan data operasi sebenar untuk mengemas kini proyeksi kepada bank setiap suku tahun.

Penutup: AI, hutang dan disiplin kewangan yang baru

Fenomena global hari ini jelas: AI memerlukan infrastruktur, dan infrastruktur memerlukan hutang jangka panjang. Dari pusat data mega di Amerika Syarikat hingga kilang pintar elektronik dan automotif di Malaysia, coraknya sama – capex besar di hadapan, pulangan perlahan-lahan di belakang.

Untuk sektor kewangan Malaysia yang agresif mengadopsi AI dalam perbankan, insurans dan fintech, ini masa yang tepat untuk menyusun pendekatan baharu:

• gunakan analitik dan pemodelan AI untuk memahami kitaran hutang pusat data dan kilang pintar,
• kawal keghairahan pasaran dengan disiplin kredit yang ketat,
• reka struktur pembiayaan yang membahagi risiko secara adil antara peminjam, pemberi pinjam dan pelabur.

Soalnya kini bukan sama ada gelombang pelaburan pusat data AI akan sampai ke Malaysia – ia sudah pun sampai. Soalan sebenar ialah: adakah bank, insurans dan fintech kita cukup bersedia dari sudut model risiko, polisi kredit dan mentaliti pelaburan untuk mengurus hutang AI ini dengan bijak?