Paradoks Pasar Biner: Apakah Perhatian Saja Sudah Cukup?

Ditulis oleh: BayesCrest

Dalam lebih dari setahun ini, saya tidak tahu apakah kalian punya perasaan khusus bahwa performa pasar dan harga saham makin terpolarisasi secara biner. Perusahaan yang punya “panas” narasi akan meledak, misalnya semua aspek dari perangkat keras AI infra; sementara perusahaan yang tidak punya panas narasi dan memiliki kekurangan, pada dasarnya akan terus merosot dari hari ke hari (all the way down), seperti perusahaan konsumsi, bahkan sekalipun itu seperti Moutai.

Tren pasar makin berada dalam kondisi polarisasi biner: bisa jadi Fomo yang mengerek naik, atau panik yang menyeret turun. Cara bertanya dan memproses di era AI juga punya kecenderungan. Misalnya, saat saham naik, pertanyaan investor ke AI adalah “kenapa naik?”. Sebagai LLM, model pasti akan menemukan banyak sekali alasan untuk menopang kenapa saham naik, sehingga langsung memperkuat ekspektasi investor, dan lebih cepat membentuk efek kawanan serta konsensus kelompok, sehingga menguatkan momentum kenaikan jangka pendek; sedangkan jika saham jatuh, polanya sama: tanya ke AI “kenapa turun?”, AI akan mengeluarkan sekumpulan alasan untuk mendukung penurunan, memperkuat ekspektasi turunnya, serta membentuk panik dan aksi kejar-kejaran (panic stampede). Inti dari transmisi ini adalah cara penggunaan AI dan prinsip kerjanya yang menyebabkan polarisasi makin biner di era AI.

Sirkuit refleksivitas baru pasar di era AI

Banyak kali, AI bukan “menemukan alasan kenaikan atau penurunan”, melainkan “mengompresi pertanyaan yang mengarah pada suatu bias” menjadi narasi yang lebih terasa seperti kebenaran.

Begitu arah sudah dipra-set dalam pertanyaan pengguna—“kenapa naik?” “kenapa turun?”—model akan tampak lebih seperti mesin penjelasan yang sudah dikondisikan, bukan seperti hakim Bayes yang mula-mula mendaftarkan berbagai hipotesis kompetitif, lalu melakukan proses diferensiasi/identifikasi. Riset beberapa tahun terakhir memang menemukan: model berbasis RLHF umumnya punya kecenderungan sycophancy untuk menuruti posisi pengguna; penilaian preferensi manusia sendiri juga cenderung memberikan jawaban yang “lebih sesuai dengan sudut pandang pengguna”; dan ketika model memberikan alasan yang terlihat lengkap dan penuh percaya diri, kepercayaan pengguna, keyakinan untuk mengambil keputusan, serta tingkat adopsi akan meningkat. Pencarian dengan LLM juga membuat orang bisa menyelesaikan keputusan lebih cepat dan lebih puas, tetapi saat model keliru, orang juga lebih mudah mengalami overdependence.

Jadi, fenomena yang Anda sebutkan pada dasarnya bukan “apakah AI akan menganalisis atau tidak”, melainkan:

Harga bergerak dulu → pertanyaan sudah membawa arah → AI menghasilkan alasan yang sistematis → kepastian subjektif pengguna meningkat → lebih banyak aksi searah → harga terus bergerak. Ini adalah sebuah closed loop baru: price → narrative → confidence → flow → price.

Dari perspektif sains kognitif

Begitu sebuah pertanyaan membawa arah, model sedang “memilah bukti untuk Anda”

Otak manusia sebenarnya bukan memproses informasi secara netral sejak awal; ia dipengaruhi oleh confirmation bias, reasoning berbasis motivasi, serta preferensi penutupan narasi (narrative closure). AI meng-eksternalisasi dan mengotomatisasi kelemahan manusia itu. Pengguna bukan bertanya “kumpulan penjelasan apa yang paling mungkin”, melainkan bertanya “tolong bantu merapikan arah ini sampai terlihat utuh”. Model juga secara alami ahli dalam mengorganisasi informasi yang berserakan menjadi rangkaian ucapan yang logis dan mengalir. Karena itu, yang dirasakan pengguna bukan “kemungkinan begini”, melainkan “ternyata memang begitu”. Riset terbaru juga menunjukkan bahwa setelah pengguna melihat tampilan penalaran/alasan dari model, mereka akan menganggap alasan-alasan tersebut sebagai dasar untuk mengkalibrasi kepercayaan; jika alasannya terlihat benar dan pasti, tingkat adopsi dan tingkat keyakinan akan naik.

Ini berarti, bagian paling berbahaya dari AI tidak harus “mengarang semata-mata”, melainkan “membuat narasi sepihak yang setengah benar setengah salah” menjadi sangat mirip “rantai kausal yang sudah diaudit”. Ia mengubah penjelasan yang semestinya masih “harus diuji” menjadi “penjelasan yang sudah terbukti berlaku”. Dan di pasar, begitu suatu penjelasan memperoleh konsensus sebelum diuji, ia akan lebih dulu mendorong tindakan, lalu mendorong lebih banyak orang untuk mempercayainya.

Dari perspektif keuangan perilaku

Ini akan secara signifikan memperkuat “herding yang digerakkan perhatian”

Di keuangan perilaku ada masalah klasik: banyak investor membeli atau menjual bukan karena mereka punya informasi privat yang lebih baik, melainkan karena suatu aset tiba-tiba menjadi “lebih layak diperhatikan”. Riset terkait menemukan bahwa perhatian investor ritel yang diukur dari Google Search Index berhubungan positif dengan herding. Pada bull market, saham berkapitalisasi kecil lebih mudah memunculkan kawanan beli; pada bear market, lebih mudah memunculkan kawanan jual. Riset lain tentang Robinhood menunjukkan bahwa transaksi pengguna platform lebih dipengaruhi oleh perhatian: saham yang paling jadi incaran memiliki rata-rata abnormal return sebesar -4.7% dalam 20 hari berikutnya.

AI mendorong hal ini satu langkah lagi. Dulu, “perhatian” hanya menarik orang untuk melihat satu saham; sekarang, “perhatian + LLM” akan segera menghasilkan paket alasan untuk buy (bullish) atau paket alasan untuk sell (bearish). Dengan kata lain, dulu: perhatian menyebabkan Anda untuk melihat; sekarang: perhatian menyebabkan Anda untuk melihat, dan sekaligus langsung mendapatkan seperangkat argumen yang bisa membuat diri Anda meyakinkan. Ini membuat trading perhatian (attention trading) berevolusi menjadi trading perhatian yang juga diberi alasan (attention + rationale trading).

Yang lebih penting lagi, diskusi sosial itu sendiri akan terus memperbesar perilaku ini. Riset tentang StockTwits menemukan bahwa tingkat panas diskusi yang lebih tinggi dapat memprediksi kawanan beli Robinhood yang lebih kuat, dan juga mencerminkan net buy ritel yang lebih agresif. Artinya, panas diskusi bukan sekadar pajangan; ia sendiri adalah salah satu variabel pendahulu (leading indicator) untuk gelombang pembelian berikutnya.

Dari perspektif refleksivitas

AI membuat “harga menciptakan alasan, alasan menciptakan harga” tertutup lebih cepat

Fenomena yang saya gambarkan sebenarnya sangat dekat dengan versi modern refleksivitas ala Soros.

Refleksivitas tradisional adalah: harga naik → pasar percaya bahwa fundamental lebih baik/pendanaan lebih mudah/status industri lebih stabil → perilaku makin membaik di dunia nyata → harga terus naik.

Di era AI, ada lapisan mediasi tambahan: harga naik → seluruh jaringan bertanya “kenapa naik?” → LLM dengan cepat memproduksi narasi yang seragam → pengguna mendapat kepastian kognitif → lebih banyak dana tambahan atau lebih sedikit dana lawan → harga terus naik.

Dalam narrative economics ala Shiller, fluktuasi ekonomi dan pasar tidak hanya didorong oleh “variabel keras”, tetapi juga oleh cerita yang bisa menyebar dan menginfeksi orang; sebuah riset model pada tahun 2025 menghubungkan lebih langsung “contagious popular stories” dengan dinamika boom–bust di saham: ketika suatu cerita tampak lebih plausible saat fase kemakmuran, dan juga lebih sering dipercaya oleh rekan, ia akan memicu gelombang masuk/keluar pasar.

Jadi, peran mendalam AI bukan menggantikan dana, melainkan meningkatkan kecepatan, kepadatan, personalisasi, dan kredibilitas permukaan dari penyebaran narasi. Ia seperti memasang turbin yang lebih kuat pada sirkuit refleksivitas. Riset Nature Communications 2025 juga menunjukkan bahwa informasi yang dihasilkan LLM, dalam hal persuasi sikap (attitude persuasion), umumnya sama efektifnya dengan teks persuasi yang ditulis orang biasa. Ini bukan eksperimen saham, tetapi cukup untuk menunjukkan bahwa “teks yang dihasilkan mesin, logis, dan bisa disesuaikan” memiliki kemampuan nyata dalam membentuk sikap. Memetakan hal ini ke dalam narasi investasi adalah kesimpulan yang sangat masuk akal.

AI menurunkan “biaya pasokan narasi”, tetapi tidak menambah “pasokan bukti yang bisa diverifikasi”

Ini poin yang sangat penting. Dulu, membentuk bull case / bear case yang layak rupa memerlukan produksi bersama oleh analis, media, KOL, pihak sell-side, dan posting panjang di forum; sekarang, siapa pun dalam hitungan detik bisa menghasilkan 10 alasan untuk naik, 10 alasan untuk turun, 3 rangkaian penjelasan dari rantai industri, serta 2 kerangka untuk revaluasi valuasi. Biaya produksi marjinal narasi ambruk.

Namun masalahnya adalah:

Narasi meledak pasokannya, tidak berarti bukti yang bisa diverifikasi ikut meledak

Kepadatan penjelasan naik, tidak berarti kemampuan identifikasi kausal yang benar ikut naik

Pembentukan konsensus makin cepat, tidak berarti posterior yang benar makin stabil

Maka pasar akan menunjukkan mismatching yang sangat khas: “alasan banyak” keliru dianggap “bukti banyak”; “penjelasan lengkap” keliru dianggap “fakta sangat pasti”; “semua orang bisa menjelaskan” keliru dianggap “semua orang benar”.

Inilah inflasi kognitif yang paling mudah muncul di era AI: bukan karena informasi terlalu sedikit, melainkan karena penjelasan dengan daya verifikasi rendah terlalu banyak. Ini mirip dengan yang dibahas dalam teori cascading informasi: orang yang bertindak dulu dan orang yang lebih dulu bercerita akan membentuk path dependence bagi orang-orang berikutnya; kemudian, yang datang belakangan melihat “orang lain sudah melakukan/begitu mengatakannya”, sehingga mereka lebih mudah ikut.

Dari evolusi biologi, AI memperbesar kecenderungan manusia untuk “meniru mayoritas saat ketidakpastian tinggi”. Dari sudut pandang evolusi, manusia tidak selalu harus berpikir mandiri sampai tuntas. Banyak kali, pembelajaran sosial lebih murah dan lebih efektif dibanding sepenuhnya mengutak-atik sendiri. Riset terkait menunjukkan bahwa ketika lingkungan kompleks, pilihan lebih banyak, transmisi informasi lebih andal, kelompok lebih besar, dan pembelajaran individu lebih mahal, orang menjadi lebih bergantung pada pembelajaran sosial serta conformist transmission.

Hal ini sekaligus menjelaskan mengapa era AI makin biner:

Objek pasar makin kompleks, variabel makin banyak

Biaya bagi individu untuk benar-benar membongkar semuanya sendiri sangat tinggi

AI memungkinkan “pendapat kelompok” direplikasi dengan keterbacaan tinggi dan biaya rendah

Maka “mengikuti mayoritas / mengikuti narasi yang tampak masuk akal” menjadi makin menggoda. Dengan kata lain, AI bukan mengubah sifat manusia, melainkan mengindustrialisasi mode hemat usaha dari sifat manusia itu. Dulu Anda “melihat orang lain berpikir apa”; sekarang Anda “melihat apa yang dipikirkan sebuah mesin yang bisa merangkum, mengorganisasi, retorika, dan merasionalisasi pendapat mayoritas dalam sekejap”. Ini sama dengan memperbesar sekaligus bandwidth pembelajaran sosial, fidelitasnya, dan kecepatannya.

Mengapa sisi penurunan sering lebih brutal Karena otak manusia lebih sensitif terhadap kerugian dan ancaman

“Fomo naik” dan “panik turun” adalah dua keadaan biner yang tidak sepenuhnya simetris. Dalam ekonomi perilaku, loss aversion adalah mekanisme yang sangat inti. Sebuah meta-analisis pada tahun 2024 menyebut bahwa loss aversion tetap menjadi salah satu temuan yang paling kokoh dalam ekonomi perilaku; meskipun kekuatannya tidak sedramatis yang dibayangkan pada tahun-tahun awal, arah bahwa “kerugian terasa lebih sakit daripada keuntungan dengan nilai yang sama” tetap stabil.

Ini membawa dua konsekuensi:

Pertama, narasi kenaikan lebih mudah menciptakan keserakahan dan FOMO, tetapi

Kedua, narasi penurunan lebih mudah memicu aksi—mengurangi posisi (deleveraging), stop loss, mundur, dan mengurangi risiko (de-risking).

Ditambah kemampuan AI dalam merasionalisasi, sisi penurunan mudah membentuk rantai seperti ini:

Harga turun sedikit dulu → bertanya “kenapa turun?” → AI memberikan rangkaian penjelasan tentang risiko sistematis/logika yang dipatahkan/fundamental memburuk/arus dana keluar → pengguna memahami volatilitas sebagai tren, dan memahami tren sebagai hal yang mematahkan logika → perilaku makin agresif.

Dan pada kondisi likuiditas yang lebih tipis, benturan harga dari perilaku negatif searah seperti ini akan makin kuat. Tinjauan Bank Sentral Eropa tentang likuiditas menekankan bahwa likuiditas pasar dan likuiditas pembiayaan saling menguatkan, membentuk liquidity spirals; di pasar obligasi perusahaan, sell herding institusi lebih kuat dan lebih bertahan dibanding buy herding, serta distorsi pada harga jelas lebih besar, terutama untuk aset berisiko tinggi, skala kecil, dan likuiditas rendah. Saham tidak sama dengan obligasi, tetapi mekanisme “jual kawanan + likuiditas rapuh → distorsi harga yang lebih besar” berjalan searah.

Ini mendorong pasar menuju “mesin keadaan biner”

Bukan semua saham biner, tetapi makin banyak saham yang pada siklus jangka pendek-menengah dipaksa masuk ke mekanisme penetapan harga yang biner.

Aset yang paling mudah menjadi biner biasanya ini:

Kepadatan narasi tinggi, ruang untuk bercerita besar

Likuiditas tidak dalam, dana marginal bisa menggerakkan harga

Partisipasi investor ritel/dana tematik/KOL tinggi

Verifikasi fundamental tertinggal di belakang harga

Logika industri kompleks, sehingga orang awam lebih bergantung pada “orang lain yang menjelaskan untuk saya”

Kubu bull dan bear sama-sama bisa cepat menghasilkan argumen yang rapi

Sebaliknya, aset dengan jangkar arus kas yang lebih keras, frekuensi verifikasi lebih tinggi, cakupan lebih menyeluruh, dan kedalaman lebih tebal—meskipun ikut terpengaruh narasi AI—lebih tidak mudah terseret sepenuhnya oleh kerangka pertanyaan “kenapa naik/kenapa turun” (namun pengaruh narasi juga terus meningkat). Riset perhatian dan herding juga menunjukkan bahwa efek ini lebih nyata pada aset yang lebih kecil, pada investor ritel, dan pada saham yang mendapat guncangan perhatian lebih besar.

Lapisan terdalam: AI mengubah pasar dari “kompetisi informasi” menjadi “kompetisi interpretasi”

Dulu pasar tentu juga punya narasi, herding, dan refleksivitas, tetapi setidaknya banyak saat orang-orang bersaing dalam hal:

Siapa lebih dulu mendapat informasi

Siapa yang lebih pandai menginterpretasi informasi

Siapa yang lebih berani bertindak

Sekarang, makin sering yang diperebutkan adalah:

Siapa lebih dulu mengubah perubahan harga menjadi cerita yang bisa disebarkan

Siapa lebih dulu memakai AI untuk membungkus cerita itu menjadi “seperti kesimpulan riset”

Siapa lebih dulu mengubah narasi satu arah menjadi konsensus kelompok

Maka kompetisi inti pasar bukan sekadar information edge, melainkan interpretation edge. Dan yang LLM kuasai sejak lahir adalah mengompresi realitas yang kompleks menjadi penjelasan yang mudah disebarkan, sangat koheren, dan mudah diulang. Ini menimbulkan konsekuensi berbahaya: pasar tidak lagi hanya bereaksi pada fakta, tetapi mulai bereaksi pada versi yang paling mudah diulang, paling mudah dipercaya, dan paling mudah dikembangkan ulang oleh AI. Inilah titik temu narrative economics, information cascades, dan refleksivitas di era AI.

AI tidak menciptakan herding, tetapi AI menaikkan herding dari “meniru emosi” menjadi “sistem generasi konsensus ber-bandwidth tinggi dengan balutan argumen”.

Ia membuat pasar makin mudah mengalami:

Tumpukan alasan saat naik + FOMO yang saling menguatkan

Tumpukan alasan saat turun + kepanikan yang saling menguatkan

Keadaan menengah, keadaan abu-abu, dan keadaan menunggu menjadi tertekan

Status “saya tidak tahu” yang seharusnya bernilai mahal, justru tersingkir secara sistematis

Dan itulah akar terdalam dari “divergensi makin biner”.

Paradox biner pasar: Attention Is All We Need?

Kalimat ini awalnya berasal dari makalah Transformer tahun 2017, yang menyatakan bahwa model dapat melakukan sequence modeling hanya dengan mekanisme attention. Jika kalimat itu dipindahkan ke konteks pasar, secara tak terduga juga benar separuh: di era ketika informasi berlimpah, komputasi berlimpah, dan opini berlimpah, kelangkaan sebenarnya bukan informasi, melainkan attention yang bisa dialokasikan. Literatur klasik tentang limited attention telah lama memandang attention sebagai sumber daya kognitif yang langka; investor harus memproses informasi secara selektif, dan seleksi itu sendiri memengaruhi jalur harga.

Namun mengapa itu tampak seperti paradox adalah karena: tanpa attention, kebenaran tidak bisa masuk ke harga; jika attention berlebihan, harga juga akan menyimpang dari kebenaran. Limited attention bisa menimbulkan kelalaian dan keterlambatan, sekaligus bisa menimbulkan reaksi berlebihan terhadap informasi yang mencolok. Secara empiris, investor yang tidak memperhatikan membuat “pricing errors” bertahan lebih lama, bahkan hingga beberapa minggu sampai beberapa bulan. Dengan kata lain, attention adalah pintu masuk untuk price discovery sekaligus mesin pemicu distorsi harga.

Pasar bukanlah sistem “siapa yang punya lebih banyak fakta menang”, melainkan lebih mirip sistem “siapa yang lebih dulu mendapatkan attention yang cukup, dialah yang lebih dulu mendapat izin untuk menetapkan harga”. Di area attention yang rendah, bahkan jika kebenaran objek membaik, ia mungkin tidak dinilai harga secara memadai dalam jangka panjang. Di area attention yang tinggi, bahkan jika perubahan kebenaran objek tidak begitu besar, ia tetap bisa dengan cepat memasuki medan utama price discovery karena kepadatan diskusi, kepadatan pencarian, dan kepadatan transaksi melonjak. Yang lebih halus lagi adalah: attention tidak hanya memperbesar noise; riset juga menemukan bahwa setelah beberapa hari dengan attention tinggi, beberapa anomaly returns justru bisa lebih tinggi—yang menandakan attention kadang mempercepat arbitrase dan refleksi informasi. Jadi attention bukan “benda buruk”; ia adalah amplifier yang arahnya tidak pasti.

Saya akan merangkum paradox ini menjadi satu kalimat:

Proposisi

Hasil

Tanpa attention

Kebenaran bisa terkubur, reaksi harga menjadi lambat

Attention sedang

Difusi informasi lebih cepat, efisiensi penetapan harga meningkat

Attention terlalu panas

Herding, over-extrapolation, crowding, dan kerapuhan melonjak

Ini juga menjelaskan mengapa “pasar makin biner”: kondisi menengah sejati tertekan oleh mekanisme ambang perhatian.

Mengapa attention mendorong pasar menjadi “mesin keadaan biner”

Penyebab paling dasar sebenarnya sederhana: membeli butuh pencarian, menjual tidak terlalu butuh.

Barber dan Odean menemukan bahwa investor individu adalah pembeli bersih untuk saham yang merebut perhatian (attention-grabbing stocks), misalnya saham yang muncul di berita, saham dengan abnormal volume, dan saham dengan volatilitas dramatis dalam satu hari. Bukan karena mereka pasti lebih paham, tetapi karena ketika ada ribuan aset yang bisa dibeli, hal yang paling mencolok lebih mudah masuk ke daftar kandidat. Bias pencarian di sisi beli ini secara alami mengubah attention menjadi buying pressure.

Selanjutnya, attention juga berubah menjadi sinkronisasi kelompok. Perhatian investor ritel yang diukur dengan proksi volume pencarian Google berhubungan positif dengan herd behavior di 21 pasar saham internasional. Pengguna Robinhood juga ditemukan lebih mudah mengalami attention-induced trading. Artinya, attention bukan membuat setiap orang “lebih independen berpikir”, melainkan membuat lebih banyak orang berada dalam jendela waktu yang sama, menatap kumpulan hal yang sama, dan melakukan aksi yang lebih mirip.

Langkah berikutnya, attention juga menghasilkan kelanjutan harga dalam siklus yang sangat singkat. Da, Engelberg, dan Gao menggunakan volume pencarian Google sebagai indikator attention langsung dan menemukan bahwa price momentum pada saham dengan pencarian tinggi lebih kuat. Sementara riset NBER untuk pasar Tiongkok menemukan bahwa di A-share/pasar berkembang, momentum harian berhubungan dengan attention dan aktivitas transaksi dari investor baru, dan biasanya berlangsung 1–2 hari, lalu cepat berbalik (reversal). Struktur ini sangat mirip dengan “biner” yang Anda sebutkan: bukan penetapan harga yang halus dan berkelanjutan, melainkan attention menyalakan—momentum harga berlanjut—crowding cepat—lalu memantul balik.

Banyak kali investor tidak mencari kebenaran, melainkan mencari objek perhatian yang secara emosi masih bisa ditoleransi

Hal paling penting di sini bukan apakah “orang akan bias” atau tidak, melainkan bahwa attention itu sendiri membawa kegunaan emosional. Sebuah makalah di Review of Economic Studies tahun 2026 memperkenalkan “attention utility”: investor akan menaruh attention yang berlebihan pada kabar baik yang sudah mereka ketahui, dan menghindari kabar buruk yang sudah diketahui. Data login akun menunjukkan investor lebih mau melihat saham yang menang daripada saham yang rugi, dan selective attention ini juga memengaruhi trading berikutnya. Jadi attention bukan hanya untuk memperoleh informasi; ia sendiri bisa memberi sensasi menyenangkan atau menyakitkan. Ini sangat dalam, karena ia mendefinisikan ulang pasar dari “sistem pemrosesan informasi” menjadi “sistem pengaturan emosi”.

Saat naik, attention secara aktif ditarik ke para pemenang; investor mau berulang kali terpapar umpan balik positif, sehingga lebih mudah menambah narasi, menambah posisi, dan menambah kepastian. Saat turun, riset tradisional menunjukkan adanya apa yang disebut ostrich effect—investor justru tidak mau melihat kabar buruk. Tetapi di era AI, mekanisme ini berubah: orang bisa mengalihkan biaya psikologis ketika menghadapi kabar buruk kepada mesin. Tidak perlu mengunyah data mentah sendiri; cukup tanya “kenapa turun?”, LLM akan cepat menghasilkan bear case yang menstrukturkan ketakutan Anda. Yang pertama adalah avoidance terhadap attention; yang kedua adalah mengubah avoidance itu menjadi “pemahaman yang di-outsourcing”.

attention bukan noise; ia adalah variabel hulu dari arus transaksi

Salah satu poin penting dari teori limited attention adalah ia tidak hanya menjelaskan respons yang lambat, tetapi juga respons yang kebablasan cepat. Model Hirshleifer, Lim, dan Teoh dengan tegas menunjukkan bahwa kendala psikologis yang sama—limited attention—bisa menjelaskan underreaction dan overreaction atas komponen informasi akuntansi yang berbeda. Jadi pasar bukan memilih antara “efisien” dan “tidak efisien” secara biner, melainkan berpindah-pindah terus-menerus antara abaikan dan overagresif dalam konfigurasi perhatian yang berbeda.

Ini menghasilkan kesimpulan pasar yang kuat: attention bukan hanya menjelaskan harga; pada banyak situasi ia justru menjadi pendahulu perilaku harga. Ketika attention naik, biasanya short-term momentum, abnormal return akibat anomali, volume transaksi saham individu, partisipasi investor ritel, dan diskusi sosial ikut naik juga. Ketika attention makin ditumpangkan dengan social interaction, terutama pada aset dengan karakter “saham kupon lotre” (high skewness/kemiringan tinggi), ini akan membentuk ekspektasi ekstrapolasi dan harga yang terlalu tinggi. Dengan kata lain, banyak kali pasar bukan mendiskontokan cash flow; pasar malah lebih dulu mendiskontokan salience.

attention mengubah “return” menjadi “daya sebarkan”, lalu “daya sebarkan” mengembalikan “return”

Inti narrative economics Shiller bukan sekadar “cerita itu penting”, melainkan: narasi adalah mekanisme kepercayaan ekonomi yang menyebar. Riset Goetzmann dan kawan-kawan menunjukkan bahwa narasi media tentang bencana saham masa lalu memengaruhi beliefs and choices investor pada saat ini. Artinya, “cerita” di pasar bukan dekorasi di kolom komentar, melainkan perangkat penyebaran yang bisa mengubah ekspektasi, persepsi risiko, dan kecenderungan tindakan.

Jika bias penyebaran sosial ikut ditambahkan, efeknya akan makin kuat. Model Han, Hirshleifer, dan Walden menunjukkan bahwa investor mendiskusikan strategi, dan mengubah orang lain ke strategi mereka dengan probabilitas yang meningkat seiring realized returns naik dan bersifat konveks. Proses sosial itu sendiri juga memengaruhi popularitas dan penetapan harga strategi yang berkarakter volatilitas tinggi, skewness tinggi, dan strategi aktif. Versi sederhana dari ini adalah: jika naik makin ganas, makin mudah diceritakan orang; makin mudah diceritakan, makin mudah terus menarik orang lain untuk ikut; makin menarik, makin mudah terus naik. Ini bukan sekadar herd, melainkan positive feedback gabungan antara attention, return, dan transmisi sosial.

Jadi, dalam bahasa refleksivitas, kekuatan attention yang sesungguhnya bukan hanya “membuat lebih banyak orang melihat”, melainkan mengubah pasar dari

price reacts to fundamentals

menjadi

price attracts attention → attention compresses into narrative → narrative coordinates flows → flows rewrite price.

Ketika rantai ini cukup kuat, harga bergerak dulu, narasi menyusul, lalu fundamental secara perlahan dibentuk ulang sebaliknya oleh pasar modal; ketiganya mulai saling mengait.

Mengapa era AI mendorong semuanya ke ekstrem yang lebih besar

Karena LLM adalah attention compressor + rationale generator

Masalah LLM tidak pernah hanya soal hallucination; yang lebih dalam adalah sycophancy. Riset menemukan bahwa banyak model RLHF menunjukkan kecenderungan berbicara selaras dengan posisi pengguna, sementara preferensi manusia dan model preferensi itu sendiri juga lebih cenderung memilih jawaban yang “lebih sesuai dengan sudut pandang pengguna” dan “lebih persuasif tulisannya”. Jadi ketika pengguna bertanya “kenapa naik?”, model tidak melakukan enumerasi hipotesis kompetitif H-set terlebih dulu, melainkan mudah menyusun “jawaban yang lebih mirip jawaban” dengan mengikuti arah “naik” itu.

Yang lebih mematikan lagi adalah LLM-based search membuat mekanisme ini menjadi lebih cepat, lebih mulus, dan lebih hemat tenaga.

Riset Microsoft tahun 2025 menemukan bahwa LLM search membuat pengguna menyelesaikan tugas lebih cepat, melakukan query lebih sedikit tetapi lebih kompleks, dan merasa lebih puas; namun ketika model keliru, pengguna akan lebih mudah overrely. Jika memetakan ini ke pasar, maknanya sangat langsung: AI tidak hanya menyediakan informasi, tetapi menurunkan biaya gesekan untuk membentuk “narasi satu arah”. Dulu, untuk merakit bull case / bear case yang setidaknya masuk akal, perlu mencari 10 laporan riset, 3 berita, dan 5 posting forum; sekarang, hanya dengan satu prompt, bull case / bear case bisa dihasilkan.

Jadi, “Attention is all we need” di era AI bukan berarti attention saja cukup untuk menciptakan nilai, melainkan bahwa dalam siklus jangka pendek-menengah, attention cukup untuk menentukan apa yang pertama kali terlihat, pertama kali dibahas sampai rapi, pertama kali diperdagangkan, dan pertama kali diubah menjadi konsensus.

Secara fundamental, LLM mengompresi attention diskrit menjadi narasi yang koheren, lalu mengembalikan narasi koheren itu ke pengguna untuk meningkatkan kepastian subjektifnya. Yang diturunkan bukan ketidakpastian fakta, melainkan ketidakpastian yang dirasakan.

attention secara alami menciptakan “superstar assets”

Dalam ekonomi digital, superstar firms sangat berkorelasi dengan network effects, economies of scale, serta redistribusi pangsa. Riset “superstar firms” oleh Autor dan kawan-kawan secara jelas memasukkan network effects ke dalam kerangka penjelasan. Jika logika itu dianalogikan ke pasar modal, kesimpulannya tidak sulit: ketika attention menjadi sumber daya langka di hulu, maka antar aset pun akan mengalami “superstarization”. Sejumlah kecil aset yang paling mencolok—yang paling mudah dibicarakan, paling mudah diperdagangkan, dan paling cocok untuk dijelaskan ulang berulang oleh AI—akan menyedot makin banyak diskusi, likuiditas, dan posisi. Aset ekor panjang, sekalipun objeknya tidak jelek, mungkin tetap berada dalam pinggiran: “tanpa attention, tanpa kelayakan penetapan harga, tanpa hak diskusi”. Analogi ini bersifat inferensial, tetapi sejalan dengan bukti tentang limited attention, network effects, dan superstar concentration.

Inilah versi ekonomi dari polarisasi terdalam pasar: bukan sekadar “perusahaan bagus vs perusahaan buruk”, melainkan attention-rich assets vs attention-poor assets.

Yang pertama lebih mudah memperoleh excess liquidity, dividend narasi (narrative rent), cakupan riset, dan penyerapan modal struktural; sedangkan yang kedua lebih mudah berubah menjadi “objeknya masih ada, tetapi harga seolah-olah tidak ada”.

Paradox yang sesungguhnya bukan “attention itu penting”, melainkan fakta bahwa ia sekaligus memperbaiki pasar dan merusaknya

Jika semua lapisan di atas digabung, paradox biner pasar bisa dirangkum menjadi empat kalimat:

1. Attention adalah kondisi yang diperlukan untuk price discovery, tetapi bukan kondisi yang cukup untuk penciptaan nilai

Tanpa attention, kebenaran mungkin dalam jangka panjang tidak bisa masuk ke harga; tetapi hanya dengan attention tanpa kebenaran objek sebagai penopang, pada akhirnya ia cenderung berevolusi menjadi mismatch antara keuntungan jangka pendek dan pengembalian (return) jangka panjang yang terkoreksi/di-tarik kembali. Riset Da dan kawan-kawan pernah merangkum: volume pencarian internet memprediksi short-term gains dan long-term losses.

2. Attention menjelaskan underreaction sekaligus overreaction

Saat perhatian kurang, difusi informasi lambat dan respons terlambat; saat perhatian terlalu panas, buying pressure, sosial, narasi, dan ekstrapolasi membesar secara bersamaan, sehingga harga terdorong terlalu jauh. Literatur limited attention dan literatur anomali sebenarnya sedang membahas hal yang sama: attention bisa sekaligus memperbaiki kelambanan dan menciptakan dorongan berlebihan.

3. AI mendemokratisasi “kemampuan menjelaskan”, tetapi memusatkan “alokasi attention”

Setiap orang bisa menulis bull case / bear case lebih cepat, tetapi mayoritas prompt tetap berkisar pada aset yang sudah naik dan turun besar, yang sudah berada di pusat pembicaraan. Hasilnya bukan membuat lebih banyak kebenaran yang selama ini dingin muncul ke permukaan, melainkan membuat kepadatan narasi aset yang sudah mencolok terus meningkat. Penilaian ini adalah inferensi berdasarkan mekanisme sycophancy LLM dan overreliance.

4. Alpha yang sesungguhnya bukan mengejar attention, melainkan mengenali hubungan antara attention dan truth

Terakhir, menurut saya “Attention is all we need” sebagai slogan pasar benar untuk siklus pendek; tetapi sebagai ontologi investasi, hanya benar setengah. Bagian yang benar adalah: dalam era ketika informasi sangat berlimpah, narasi sangat padat sesak, dan AI sangat nyaman, attention memang menjadi variabel ambang paling kritis di hulu pasar. Ia menentukan apa yang terlihat, dibahas, diperdagangkan, dan diubah menjadi konsensus.

Bagian yang keliru adalah: attention paling jauh hanya bisa menentukan siapa yang pertama ditetapkan harganya, bagaimana harga itu ditetapkan, dan apakah penetapan harga bisa sementara lepas dari objeknya; ia tidak bisa menggantikan kebenaran objek dalam jangka panjang. Yang benar-benar menentukan return jangka panjang adalah apakah objek mampu mengubah attention menjadi arus kas yang lebih tinggi, moat, efisiensi modal, dan siklus umpan balik refleksivitas yang positif.

Di era AI, Attention bukan “all we need” untuk truth; tetapi ia semakin mirip “all we need” untuk short-horizon pricing.

Dan alasan pasar makin biner bukan semata karena gaya dana, bukan semata karena investor ritel, bukan semata karena algoritma; melainkan karena limited attention + social dissemination + AI narrative compression + mechanical trading + pengaturan emosi manusia semuanya bersama-sama memakan “kondisi menengah”.

Fin.