Apakah AI Inference Mengubah Siklus NAND? Apa Arti Sandisk bagi Saham Memory

• AI inference tidak hanya membutuhkan compute, tetapi juga storage capacity yang terus bertambah, mudah diakses, dan efisien biaya.
• NAND mulai berkembang menjadi capacity layer untuk AI bersama HBM dan DRAM, bukan sekadar commodity storage.
• Sandisk memperkirakan enterprise data center flash mencapai 1,2 ZB pada 2030 dan sedang mengembangkan High Bandwidth Flash untuk AI inference.
• Long-term customer agreements dapat meningkatkan demand visibility dan mengurangi risiko capacity expansion yang berlebihan.
• AI tidak menghapus NAND cycle. Pertanyaan utamanya adalah apakah bit demand yang lebih kuat dan supply discipline yang lebih baik dapat membuat future cycles kurang volatil.

Selama sebagian besar AI boom, cerita investasi semiconductor mengikuti alur yang cukup jelas: lebih banyak AI models membutuhkan lebih banyak GPU, GPU membutuhkan lebih banyak HBM, dan compute clusters yang semakin padat membutuhkan networking lebih cepat serta lebih banyak power. Storage selalu penting, tetapi jarang mendapatkan perhatian yang sama.

AI inference mulai mengubah hierarki tersebut.

Saat AI beralih dari training large models menuju melayani miliaran queries, enterprise AI agents, multimodal applications, dan real-time workloads, infrastructure tidak hanya harus melakukan compute, tetapi juga menyimpan dan terus mengambil kembali data dalam jumlah sangat besar.

Hal ini menciptakan pertanyaan baru bagi memory industry: apakah NAND bisa menjadi salah satu capacity bottleneck besar berikutnya dalam AI infrastructure?

Langkah terbaru Sandisk, Samsung, Kioxia, dan produsen memory lainnya menunjukkan bahwa kemungkinan tersebut semakin relevan.

Mengapa AI Inference Membutuhkan Lebih Banyak Storage?

AI training dan AI inference menciptakan tekanan infrastructure yang berbeda.

Training frontier models membutuhkan compute clusters yang sangat besar dan memory bandwidth yang ekstrem. Karena itulah GPU dan HBM menjadi bottleneck utama pertama dalam AI supply chain.

Inference terjadi setelah model di-deploy. Setiap kali AI menjawab pertanyaan, mencari knowledge base, menganalisis gambar, atau menjalankan agent task, sistem dapat perlu mengakses model parameters, embedding, cached data, user context, dan dataset multimodal yang semakin besar.

Saat query volume meningkat, jumlah data yang harus tetap tersedia secara ekonomis juga meningkat.

Menempatkan semuanya di HBM tidak realistis. HBM menawarkan bandwidth sangat tinggi, tetapi capacity terbatas dan cost per bit jauh lebih tinggi dibanding NAND. NAND menawarkan capacity jauh lebih besar dengan biaya lebih rendah, tetapi bandwidth lebih rendah dan latency lebih tinggi.

Di antara keduanya terdapat ruang architecture yang besar.

AI memory stack masa depan kemungkinan bukan pilihan antara HBM dan NAND, tetapi sebuah hierarchy: HBM untuk workload paling bandwidth-sensitive, DRAM untuk working memory, dan high-performance NAND untuk data pools yang jauh lebih besar dan tetap dekat dengan compute.

Sandisk Bertaruh NAND Akan Menjadi Capacity Layer untuk AI

Sandisk adalah salah satu perusahaan yang paling jelas menyampaikan tesis ini. Pada Investor Day 2026, perusahaan memperkirakan enterprise data center flash dapat mencapai 1,2 ZB pada 2030, sementara pendapatan FY2028–FY2030 ditargetkan tumbuh mid-to-high teens. Lihat konteks di Reuters.

Prospek ini didukung oleh pertumbuhan cepat dalam bisnis datacenter. Sandisk semakin mengaitkan long-term strategy dengan AI infrastructure, bukan hanya consumer devices atau traditional enterprise storage.

Perubahan ini penting karena AI systems tidak sekadar membutuhkan “storage yang lebih cepat”, tetapi lebih banyak storage per system. Models yang lebih besar, RAG, multimodal content, dan persistent AI agents semuanya meningkatkan data footprint.

Jika inference menjadi workload utama di data center masa depan, demand driver NAND dapat bergeser dari PC, smartphone, dan traditional cloud-storage cycle menuju data yang dihasilkan dan digunakan oleh AI itu sendiri.

HBF Dapat Mengisi Celah antara NAND dan HBM

High Bandwidth Flash, atau HBF, adalah salah satu pendekatan paling menarik untuk mengisi memory gap tersebut.

Sandisk memosisikan HBF sebagai NAND architecture yang dirancang untuk melengkapi, bukan menggantikan HBM. Dalam beberapa AI inference configurations, perusahaan menargetkan bandwidth mendekati HBM dengan capacity jauh lebih besar dan economics yang lebih menarik.

Sandisk juga bekerja sama dengan SK hynix dalam standardisasi HBF. Lihat penjelasan teknologi HBF Sandisk.

Logikanya sederhana: inference perlu menjaga models dan datasets besar cukup dekat dengan accelerator agar data movement dari traditional storage tidak menjadi performance bottleneck.

Memperluas HBM tanpa batas dapat menyelesaikan masalah bandwidth, tetapi menciptakan masalah besar pada cost dan capacity.

HBF mencoba mengambil posisi di tengah: capacity jauh lebih besar dibanding HBM, tetapi performance jauh lebih tinggi dibanding conventional flash.

QLC NAND Bisa Memberikan Dampak Lebih Cepat daripada HBF

HBF mendapatkan banyak perhatian karena merupakan teknologi baru, tetapi evolusi conventional NAND dapat memberikan dampak praktis lebih cepat.

QLC NAND menyimpan empat bits per cell, sehingga mampu memberikan capacity lebih besar pada physical area yang sama dibanding TLC NAND. Hal ini sangat menarik bagi hyperscale data centers yang membutuhkan storage sangat besar dengan cost per bit rendah.

Trade-off-nya adalah endurance dan performance dapat terpengaruh karena lebih banyak bits disimpan dalam satu cell. Namun peningkatan pada controllers, error correction, dan NAND architecture terus memperluas penggunaan QLC.

AI dapat mempercepat transisi tersebut karena inference sangat memperhatikan capacity, power efficiency, dan total cost.

Sandisk terus mengembangkan QLC dengan density lebih tinggi, sementara Samsung dan Kioxia juga menggunakan wafer bonding serta next-generation NAND untuk meningkatkan density dan performance.

Mengapa Siklus NAND Secara Historis Sangat Volatil?

Pertanyaan investasi yang lebih besar adalah apakah AI benar-benar dapat mengubah siklus NAND yang terkenal volatil.

Masalah historisnya bukan hanya demand yang lemah, tetapi interaksi antara demand dan supply.

Saat NAND langka, harga naik cepat dan produsen menghasilkan margin tinggi. Hal ini mendorong capacity investment. Namun fabs membutuhkan planning yang panjang, dan capacity baru sering masuk ke pasar setelah shortage awal mulai mereda.

Harga turun, margin menyusut, dan investment dikurangi.

Lalu cycle berikutnya dimulai.

AI tidak otomatis menghapus mekanisme ini. Bahkan end demand yang sangat kuat dapat dikalahkan jika produsen menambah capacity terlalu banyak.

Hal yang mungkin berubah adalah seberapa besar demand visibility yang dimiliki suppliers sebelum mengambil keputusan investasi.

Kontrak Jangka Panjang Dapat Mengubah Supply Discipline

Sandisk secara bertahap memindahkan pelanggan menuju perjanjian multi-tahun daripada hanya mengandalkan transaksi jangka pendek.

Menurut Reuters, Sandisk telah menandatangani delapan long-term agreements dengan enam pelanggan senilai total sekitar USD 93,9 miliar, dengan durasi rata-rata sekitar empat tahun. Sekitar separuh output FY2027 diperkirakan tercakup oleh perjanjian tersebut dan meningkat menjadi sekitar dua pertiga pada FY2028.

Model ini meningkatkan visibility bagi supplier dan customer.

Hyperscaler dapat mengamankan future storage capacity, sementara Sandisk memperoleh lebih banyak committed demand sebelum memutuskan production expansion.

Sandisk bukan satu-satunya perusahaan yang bergerak ke arah ini. Samsung juga menyatakan bahwa long-term customer agreements dapat mencakup 60%–70% memory sales di masa depan.

Jika suppliers semakin memperluas capacity berdasarkan committed demand, bukan hanya merespons kenaikan spot prices, memory industry dapat menjadi kurang rentan terhadap extreme oversupply.

Apa Artinya bagi Sandisk, Micron, dan Memory Stocks Lainnya?

AI storage tidak memberikan manfaat yang sama kepada semua perusahaan.

Sandisk memiliki salah satu exposure paling langsung terhadap NAND dan enterprise flash. Tesisnya menggabungkan AI-driven bit demand, long-term agreements, QLC, dan HBF, sehingga SNDK sangat sensitif terhadap apakah pasar percaya current NAND profitability dapat bertahan.

Micron memiliki exposure lebih luas melalui DRAM, HBM, dan NAND, sehingga berpartisipasi di premium high-bandwidth memory dekat accelerator sekaligus flash capacity yang lebih besar.

SK hynix paling dikenal lewat HBM, tetapi kolaborasinya dengan Sandisk pada HBF menunjukkan bahwa leading HBM supplier juga melihat peluang untuk NAND-based inference layer.

Kioxia memberikan exposure langsung lain ke NAND dan sedang mempercepat next-generation flash production karena high-capacity storage demand meningkat.

Western Digital setelah pemisahan Sandisk berfokus terutama pada HDD. Namun pertumbuhan AI-generated data dapat mendukung berbagai storage tiers sekaligus.

Kesimpulan yang lebih besar adalah: AI storage bukan single-product trade.

Pertumbuhan AI data dapat mendukung HBM, DRAM, NAND, enterprise SSD, dan high-capacity HDD secara bersamaan.

AI Dapat Mengubah Siklus NAND Tanpa Menghapusnya

Terlalu optimistis jika menyebut memory boom saat ini sebagai akhir dari siklus industri.

NAND tetap capital-intensive. Technology transitions dapat meningkatkan bits per wafer bahkan tanpa membangun fabs baru, competitors dapat menambah supply ketika margin menarik, dan pertumbuhan AI capex tidak akan mempertahankan kecepatan yang sama selamanya.

Karena itu, tesis struktural yang lebih masuk akal adalah:

AI dapat membuat long-term NAND bit demand lebih kuat dan lebih predictable, sementara long-term customer agreements dan supply discipline yang lebih baik dapat membuat future memory cycles kurang ekstrem.

Perbedaan ini penting.

NAND cycle yang lebih stabil tidak membutuhkan memory prices terus naik selamanya. Yang dibutuhkan adalah suppliers tetap dapat mempertahankan profitability yang wajar ketika pricing normal, tanpa terus beralih dari shortage ke severe oversupply.

Akses Pasar SNDK di MEXC

Pengguna yang mengikuti tema AI storage dan NAND melalui Sandisk dapat memperoleh beberapa bentuk market exposure di MEXC.

SNDKSTOCK_USDT perpetual contract memungkinkan leveraged long atau short exposure terhadap pergerakan terkait SNDK. Pengguna yang ingin mengeksplorasi akses ke saham AS riil dapat melihat MEXC RealStocks.

MEXC juga menawarkan SNDKON/USDT, tokenized asset dari Ondo Finance yang memberikan economic exposure terhadap Sandisk tetapi tidak berarti kepemilikan langsung atas saham biasa Sandisk.

Untuk riset tambahan, pengguna dapat membaca panduan saham Sandisk di MEXC.

Perpetual contract membawa leverage, funding, dan liquidation risk, sementara tokenized assets memiliki tambahan issuer, liquidity, blockchain, dan regulatory risk.

FAQ

Apakah AI inference menggunakan NAND flash?

Ya. Enterprise SSD berbasis NAND dapat menyimpan model data, embedding, cached information, dan dataset besar yang tidak perlu selalu berada dalam HBM atau DRAM yang mahal.

Apakah NAND dapat menggantikan HBM untuk AI?

Tidak secara langsung. HBM menawarkan bandwidth sangat tinggi dan latency rendah dekat AI accelerators, sementara NAND memberikan capacity jauh lebih besar dengan cost per bit lebih rendah. HBF dirancang terutama untuk melengkapi HBM.

Apa itu High Bandwidth Flash?

High Bandwidth Flash, atau HBF, adalah NAND-based memory architecture yang dikembangkan untuk AI inference. Tujuannya adalah memberikan bandwidth jauh lebih tinggi dibanding conventional NAND sambil mempertahankan capacity jauh lebih besar dibanding HBM.

Apakah AI berarti siklus NAND sudah berakhir?

Tidak. NAND tetap merupakan industri yang siklikal dan capital-intensive. AI dapat mendukung long-term bit demand dan long-term agreements dapat meningkatkan supply discipline, tetapi pricing, capacity expansion, dan technology transitions masih dapat menyebabkan oversupply dan tekanan margin.

Perubahan Lebih Besar: AI Membutuhkan Capacity, Bukan Hanya Compute

Tahap pertama AI infrastructure boom ditentukan oleh kelangkaan compute. GPU, HBM, dan networking menjadi bernilai tinggi karena industri kekurangan performance.

Inference menciptakan constraint lain: capacity.

Untuk menjalankan AI dalam skala global, data dalam jumlah sangat besar harus tetap tersedia tanpa seluruhnya disimpan dalam jenis memory paling mahal.

Hal ini membuka ruang bagi NAND untuk bergerak lebih tinggi dalam AI memory hierarchy melalui enterprise SSD, QLC, dan berpotensi HBF.

Jika AI inference terus meningkatkan storage intensity sementara memory suppliers mempertahankan capacity discipline, siklus NAND berikutnya tetap akan menjadi sebuah siklus — tetapi dapat sangat berbeda dari siklus yang selama ini dikenal investor.