5 Pengajaran Hutang Pusat Data AI Untuk Tenaga & Manufaktur

AI dalam Minyak & Gas / Tenaga (Petronas & Utiliti Utama)••By 3L3C

Lonjakan hutang pusat data AI global membawa lima pengajaran penting untuk sektor tenaga, minyak & gas dan E&E Malaysia agar AI jadi pemacu nilai, bukan beban hutang.

AI tenagaminyak dan gaspembiayaan projekpusat data AItransformasi digitalE&E Malaysia
Share:

Pada 2025, pembiayaan projek pusat data AI melonjak daripada sekitar US$15 bilion kepada lebih US$125 bilion hanya dalam setahun. Kebanyakannya datang dalam bentuk hutang.

Untuk pemain tenaga dan minyak & gas di Malaysia – termasuk Petronas dan utiliti besar – angka ini bukan sekadar berita global. Ia cermin kepada apa yang sedang berlaku dalam pelaburan AI di kilang, loji penapis, kompleks petrokimia, dan grid tenaga kita sendiri.

Hakikatnya: AI perlukan besi, bangunan dan bil elektrik. Semua itu perlukan modal, dan selalunya… hutang. Kalau pusat data AI boleh “terbakar” kerana struktur pembiayaan yang salah, projek smart factory, predictive maintenance dan pengoptimuman tenaga juga boleh terperangkap dalam kitaran hutang yang sama berbahaya.

Artikel ini kupas 5 “hotspot hutang” dalam ledakan pusat data AI global – dan bagaimana sektor tenaga, minyak & gas serta E&E Malaysia boleh mengelak perangkap yang sama ketika membina infrastruktur AI mereka.

1. Hutang Meletup: Apa Berlaku Dalam Pusat Data AI?

Gelombang AI global telah memaksa syarikat teknologi membina pusat data berkuasa tinggi dalam masa yang sangat singkat. Hasilnya, pembiayaan projek pusat data AI melonjak ke kira-kira US$125 bilion setakat tahun ini, berbanding hanya sekitar US$15 bilion dalam tempoh sama tahun lepas.

Bank pusat seperti Bank of England sudah memberi amaran: bila infrastruktur AI terlalu bergantung pada hutang, sebarang pembetulan penilaian (valuation correction) boleh menggoncang kestabilan kewangan.

Untuk sektor tenaga dan minyak & gas, gambaran ini sangat relevan:

  • Loji jana kuasa yang memasang sistem AI untuk pengoptimuman beban dan penggunaan bahan api juga memerlukan capex besar.
  • Petronas dan pemain midstream/downstream yang membina pusat operasi bersepadu (integrated operations centre) dengan analitik masa nyata menghadapi tekanan bajet yang sama.
  • Sektor E&E Malaysia yang menyokong semua ini – dari sensor industri hingga cip AI – juga perlu melabur dalam automasi dan pusat ujian yang mahal.

Perkara yang ramai syarikat salah faham: Mereka anggap AI adalah projek IT biasa. Realitinya, ia sudah masuk kategori infrastruktur kritikal – sama kelas dengan loji tenaga dan fasiliti pemprosesan gas.

2. Hotspot #1 – Kes Oracle: Bila Belanja AI Menggoyang Keyakinan Kredit

Kes Oracle dalam artikel asal adalah amaran awal bagaimana pelaburan AI boleh menekan profil hutang syarikat:

  • Harga saham melonjak hampir dua kali ganda bila pelaburan AI diumumkan.
  • Tetapi bila pasaran nampak perbelanjaan modal yang sangat besar dan pulangan yang perlahan, saham jatuh lebih 40% daripada kemuncak.
  • Credit default swap (CDS) Oracle (insurans terhadap kegagalan bayar hutang) naik ke tahap tertinggi sejak 2009 – isyarat pelabur kredit mula risau.

Apa kaitan dengan projek AI dalam tenaga & minyak & gas?

Dalam sektor minyak & gas, kita biasa dengan projek mega: platform luar pesisir, kompleks petrokimia, trunkline gas. Bezanya, projek ini ada rekod puluhan tahun. Proses kelulusan, model kewangan, dan profil risiko sudah difahami bank dan pelabur.

AI di loji tenaga dan kilang E&E masih baharu. Kalau anda:

  • Menaik taraf seluruh sistem kawalan proses (DCS/SCADA) dengan lapisan AI,
  • Memasang ribuan sensor tambahan untuk predictive maintenance,
  • Membina pusat operasi digital yang beroperasi 24/7,

…tetapi tidak jelas menunjukkan bagaimana projek ini mengurangkan OPEX, downtime dan risiko keselamatan, anda berisiko dilihat seperti Oracle – tinggi capex, pulangan kabur.

Pelajaran untuk Malaysia:

  • Setiap projek AI mesti datang dengan business case kuantitatif, bukan sekadar “nak jadi digital”. Contohnya: “Mengurangkan downtime turbin gas sebanyak 30%, jimat RM25 juta setahun dalam kehilangan pengeluaran”.
  • KPI kewangan seperti payback period, IRR dan NPV perlu dikaitkan terus dengan metrik operasi: kadar failure pam, kadar kebocoran, intensiti tenaga (kWh per tan output).
  • Pasukan kewangan perlu terlibat dari fasa reka bentuk, bukan hanya bila hendak mohon bajet.

3. Hotspot #2 – Hutang Gred Pelaburan: Selera Pasaran Bukan Lesen Untuk Berbelanja

Dalam pasaran global, syarikat AI besar kini menguasai sekitar 14% pasaran hutang gred pelaburan (investment grade) – melepasi bank-bank AS. Oracle, Meta, Alphabet dan lain-lain mengeluarkan bon berpuluh bilion dolar.

Selagi permintaan pelabur tinggi dan kadar faedah menarik, mudah untuk rasa “tak mengapa, kita pun boleh tambah hutang demi AI”.

Mengapa logik ini berbahaya untuk utiliti & syarikat tenaga?

Sektor tenaga dan utiliti Malaysia secara tradisinya menikmati akses baik ke pembiayaan:

  • Aliran tunai agak stabil.
  • Aset fizikal kukuh (loji, paip, grid).
  • Sokongan polisi kerajaan agak jelas.

Tetapi bila anda mula menambah lapisan projek AI dan automasi bernilai ratusan juta ringgit di atas portfolio aset sedia ada, profil hutang mula berubah:

  • Tempoh matang hutang mungkin tak selari dengan tempoh sebenar faedah teknologi (AI biasanya obsolete lebih cepat daripada loji tenaga).
  • Risiko teknologi (model AI gagal, data tak berkualiti, vendor tukar strategi) lebih tinggi daripada risiko turbin atau boiler.

Cara lebih sihat untuk guna hutang dalam AI tenaga:

  1. Pisahkan pembiayaan aset fizikal dan aset digital.

    • Loji jana kuasa boleh dibiayai dengan pinjaman jangka panjang biasa.
    • Lapisan AI dan perisian lebih sesuai dengan tenor lebih pendek atau bahkan model opex-based seperti software-as-a-service.

  2. Gunakan struktur “performance-linked”.

    • Runding kontrak dengan vendor AI berdasarkan gain share atau performance-based fee.
    • Sebahagian bayaran hanya dibuat bila penjimatan tenaga/pengurangan downtime tercapai.

  3. Cap AI capex tahunan.

    • Tetapkan had peratusan daripada jumlah capex atau hasil (contoh: tidak lebih 5% revenue setahun) untuk projek AI, kecuali ada business case yang sangat kukuh.

4. Hotspot #3 – Bon High Yield & Projek AI Yang Belum Terbukti

Di pasaran global, bukan sahaja syarikat bertaraf tinggi yang menerbitkan hutang untuk AI. Syarikat berpenarafan lebih rendah pun sudah mengeluarkan bon high yield (junk bond) berkaitan teknologi dan pusat data.

Beberapa pengurus dana kredit besar terang-terang kata: mereka belum berani sentuh bon-bon AI ini selagi pusat data belum dibuktikan siap mengikut jadual, ikut bajet, dan benar-benar digunakan pelanggan.

“Selagi pusat data belum dibuktikan mampu beri kuasa pengkomputeran seperti dirancang dan permintaan masih kekal tinggi, pelaburan ini sebenarnya lebih mirip ekuiti daripada hutang.”

Terjemahan untuk projek AI di kilang & loji Malaysia

Ramai pengurus kilang dan loji tenaga bersemangat mahu:

  • Memasang robotik lanjutan di lini pengeluaran E&E,
  • Menambah modul AI pada sistem condition monitoring turbin,
  • Menggunakan model AI untuk peramalan permintaan tenaga dan perancangan grid.

Tetapi dari perspektif kewangan, projek ini masih “tidak terbukti” jika:

  • Anda belum ada rekod dalaman kejayaan projek AI yang kecil dan terkawal;
  • Pasukan operasi belum matang dari segi data dan pengurusan perubahan (change management);
  • Data asas masih bersepah, tak standard, dan banyak sensor tidak dikalibrasi.

Dalam keadaan ini, pembiayaan hutang besar untuk projek AI berskala besar lebih mirip pertaruhan ekuiti – risiko tinggi, pulangan tak pasti.

Apa yang lebih bijak untuk pemain tenaga & E&E Malaysia:

  • Mulakan dengan projek perintis (pilot) kos sederhana yang dibiayai dari bajet dalaman, bukan hutang.
  • Pastikan ada sekurang-kurangnya 2–3 use case AI yang terbukti (contoh: pengurangan unplanned shutdown, pengoptimuman penggunaan steam, peningkatan faktor kapasiti) sebelum menstrukturkan hutang khusus untuk “AI roll-out nasional”.
  • Gunakan data dari pilot sebagai bukti kukuh bila berunding dengan bank atau pelabur.

5. Hotspot #4 – Private Credit: Duit Senang Dapat, Risiko Senyap

Dalam ledakan pusat data AI, satu sumber pembiayaan yang semakin besar ialah private credit – pinjaman daripada firma pelaburan dan dana swasta, bukan bank tradisional.

Anggaran beberapa bank pelaburan menunjukkan:

  • Pinjaman private credit untuk AI hampir berganda dalam 12 bulan kebelakangan ini.
  • Menjelang 2028, private credit berpotensi membiayai lebih separuh daripada keperluan pembinaan pusat data.

Private credit biasanya lebih fleksibel, lebih pantas, tapi juga datang dengan:

  • Kadar faedah lebih tinggi;
  • Terma kawalan dan covenant yang lebih ketat;
  • Risiko “over-optimistic” kerana kurang pengawasan pengawal selia berbanding bank biasa.

Apa maksudnya untuk utiliti dan pemain minyak & gas Malaysia?

Bayangkan konsortium membina pusat operasi digital untuk pemantauan beribu-ribu aset di seluruh dunia – termasuk platform luar pesisir, loji LNG, dan grid penghantaran. Tarikh siap perlu cepat, teknologi berubah laju, dan bank tradisional agak perlahan meluluskan pinjaman.

Private credit jadi nampak menarik.

Saya tak kata private credit itu buruk. Tetapi kalau anda ambil jalan ini untuk projek AI:

  • Pastikan governance risiko setara atau lebih ketat daripada pinjaman bank.
  • Libatkan panel bebas (termasuk pakar operasi, keselamatan proses dan siber) untuk semak andaian model kewangan.
  • Jangan gadaikan aset strategik (contoh: saluran paip utama atau grid penghantaran) sebagai cagaran untuk projek AI yang masih belum terbukti.

6. Hotspot #5 – ABS & “Financial Engineering” Infrastruktur Digital

Di AS, sebahagian pembiayaan pusat data datang melalui asset-backed securities (ABS) – sekuriti yang disokong oleh aliran tunai seperti sewa yang dibayar oleh penyewa Big Tech kepada pemilik pusat data.

Segmen infrastruktur digital ini:

  • Kini sekitar 5% daripada pasaran ABS AS (lebih kurang US$82 bilion),
  • Telah berkembang 9 kali ganda dalam kurang 5 tahun,
  • Dan data pusat menyokong lebih 60% daripada saiz segmen tersebut.

Masalahnya, ABS pernah menjadi antara punca besar krisis 2008 apabila aset di belakangnya (pinjaman perumahan) ternyata bermasalah.

Bolehkah model sebegini sampai ke tenaga & utiliti Asia Tenggara?

Secara teori, ya. Kita boleh bayangkan:

  • ABS yang disokong oleh bayaran perkhidmatan penyelenggaraan berdasarkan penjimatan tenaga;
  • Struktur pembiayaan yang mengikat pelaburan AI dengan kontrak jangka panjang jual beli tenaga (PPA) atau capacity payment.

Secara praktikal, saya berpendapat hanya syarikat yang benar-benar matang dari segi pengurusan risiko, perakaunan dan perundangan patut menyentuh struktur sebegini dalam 3–5 tahun terdekat.

Bagi kebanyakan pemain tenaga, minyak & gas dan E&E Malaysia, fokus lebih baik diletakkan pada:

  • Asas ekonomi projek yang jelas, bukannya kreativiti instrumen kewangan.
  • Struktur hutang biasa yang telus dan mudah difahami.

7. Rangka Kerja Praktikal: Bagaimana Elak Perangkap Hutang AI

Untuk merumuskan pengajaran daripada krisis hutang pusat data AI, berikut rangka kerja ringkas yang boleh digunakan oleh syarikat tenaga, minyak & gas, dan E&E di Malaysia sebelum menandatangani apa-apa pembiayaan projek AI besar:

1) Uji “3 Soalan Wajib”

  1. Boleh ukur?
    • Adakah KPI AI dikaitkan terus dengan metrik operasi (MTBF, kadar kebocoran, intensiti COâ‚‚ per unit output, faktor kapasiti)?
  2. Boleh ulang?
    • Adakah kita sudah lihat kejayaan use case sama di asset lain (dalaman atau rakan industri)?
  3. Boleh bayar?
    • Adakah aliran penjimatan / penambahan hasil cukup untuk membayar ansuran hutang tanpa menekan tunai operasi kritikal?

Jika jawapan jujur kepada mana-mana soalan ini ialah “tak pasti”, projek AI itu belum layak dibiayai dengan hutang besar.

2) Bezakan “Eksperimen” dan “Infrastruktur”

  • Eksperimen AI (contoh: proof-of-concept untuk mengesan korosi menggunakan visi komputer) sepatutnya dibiayai seperti R&D – kecil, fleksibel, boleh gagal.
  • Infrastruktur AI (contoh: standardisasi platform data operasi untuk semua loji) barulah masuk kategori sesuai untuk hutang jangka sederhana/panjang.

Masalah pusat data AI sekarang ialah terlalu banyak eksperimen berskala mega terus dibiayai seolah-olah ia sudah tahap infrastruktur kritikal.

3) Selarikan Horizon Teknologi Dengan Horizon Hutang

  • Hutang 10–15 tahun sesuai untuk loji fizikal yang boleh bertahan 30 tahun.
  • Perisian AI dan platform data biasanya perlu dirombak 5–7 tahun.

Jangan bandingkan pembiayaan turbin dengan pembiayaan model AI. Tempoh matang hutang mesti lebih dekat dengan jangka hayat teknologi berbanding jangka hayat bangunan.

4) Masukkan Risiko Data & Siber Dalam Model Kewangan

Untuk tenaga dan minyak & gas, kegagalan AI bukan sahaja kerugian kewangan, tetapi juga:

  • Risiko keselamatan proses (letupan, kebocoran, tumpahan),
  • Gangguan bekalan tenaga kepada pengguna,
  • Reputasi dan penalti pematuhan.

Model kewangan projek AI yang jujur mesti memasukkan kos mitigasi:

  • Pengukuhan keselamatan siber OT/IT,
  • Latihan operator dan jurutera,
  • Sistem fallback manual bila AI gagal.

Ini semua “kos senyap” yang selalunya tak dimasukkan ketika membentang business case yang terlalu optimistik.

Penutup: AI Untuk Tenaga Mampan, Bukan Beban Hutang

AI sudah pun mengubah cara syarikat tenaga dan minyak & gas Malaysia beroperasi – daripada reservoir modelling, pemantauan keselamatan, hinggalah pengoptimuman penggunaan tenaga di loji penjanaan dan kompleks pemprosesan.

Trend pusat data AI global menunjukkan satu perkara penting: teknologi yang betul boleh tumbangkan syarikat yang salah menguruskannya dari sudut kewangan.

Jika pemain utama seperti Petronas, TNB dan pengeluar E&E Malaysia mahu menjadikan AI sebagai pemecut transformasi tenaga rendah karbon dan operasi lebih selamat, struktur pembiayaan perlu sebijak teknologi itu sendiri.

Mulakan dengan projek yang boleh diukur, buktikan penjimatan, kemudian skala secara terkawal dengan hutang yang disusun rapi. Elak godaan untuk “mengejar hype” hanya kerana pasaran modal sedang lapar aset berkaitan AI.

Akhir sekali, soalan yang patut sentiasa mengiringi setiap kertas cadangan AI di sektor tenaga:

Adakah projek ini membina aset digital yang menjadi tunjang operasi jangka panjang, atau sekadar mencipta satu lagi baris hutang dalam kunci kira-kira?

Cara anda menjawab soalan itu akan membezakan antara AI sebagai pemacu nilai… atau liabiliti yang perlahan-lahan mencekik syarikat.

🇲🇾 5 Pengajaran Hutang Pusat Data AI Untuk Tenaga & Manufaktur - Malaysia | 3L3C