Jalapeño: Chip AI pertama OpenAI mengalahkan Nvidia dalam hal efisiensi – Ketika pelanggan tiba-tiba menjadi pesaing

Hemat energi, gandakan kinerja: Apa arti chip AI baru OpenAI bagi industri ini?

AI menciptakan chip AI: "Jalapeño" dari OpenAI mengungguli para pesaingnya dalam waktu singkat

Sebuah chip yang benar-benar mengubah peta persaingan di pasar AI bernilai miliaran dolar: Dengan "Jalapeño," OpenAI telah mengembangkan akselerator AI internal pertamanya dalam waktu singkat – dan menantang mitra perangkat keras terpentingnya hingga saat ini, Nvidia. Uji independen awal menunjukkan chip baru ini memiliki efisiensi energi yang mengesankan, secara signifikan mengungguli generasi Blackwell Nvidia saat ini di beberapa area. Kejeniusan sebenarnya di balik pengembangan ini: OpenAI menggunakan model AI canggihnya sendiri untuk mempercepat desain chip secara dramatis. Apa arti langkah strategis ini bagi pasokan daya pusat data yang sudah terbebani, biaya operasional ChatGPT, dan kekuatan pasar Nvidia? Analisis terperinci mengungkapkan mengapa debut perangkat keras OpenAI jauh lebih dari sekadar peningkatan teknologi – ini dapat secara fundamental mengubah model pendapatan seluruh industri.

Dari pelanggan menjadi pesaing: OpenAI menyerang Nvidia dengan chip andalannya sendiri

Dalam waktu kurang dari satu setengah tahun, OpenAI telah mengembangkan chip AI-nya sendiri, yang dalam uji independen awal, menunjukkan efisiensi yang jauh lebih tinggi daripada perangkat keras referensi Nvidia saat ini. Ini luar biasa karena OpenAI sebelumnya merupakan salah satu pelanggan tunggal terbesar Nvidia dan sekarang memasuki segmen yang hampir secara eksklusif didominasi oleh satu vendor. Setelah perusahaan meluncurkan akselerator AI miliknya yang pertama, dengan nama kode Jalapeño, pada Juni 2026, data kinerja yang andal, yang dikumpulkan oleh perusahaan analisis independen SemiAnalysis, kini tersedia. Data ini menunjukkan bahwa OpenAI, sebagian berkat dukungan aktif dari spesialis semikonduktor Broadcom, telah mengembangkan chip AI berkinerja tinggi dari awal yang secara signifikan mengungguli generasi Blackwell Nvidia saat ini dalam metrik tertentu dan juga tampaknya berada pada posisi yang baik melawan platform Rubin yang akan datang.

Implikasi ekonomi dari perkembangan ini sulit untuk dilebih-lebihkan, karena menyentuh salah satu masalah biaya utama dari seluruh industri AI: perbedaan besar antara pengeluaran untuk infrastruktur komputasi dan pendapatan yang dapat dihasilkan dari layanan AI. OpenAI dilaporkan menghabiskan sekitar $3,7 miliar per kuartal, dengan biaya inferensi—biaya untuk terus menerapkan model yang telah dilatih sebelumnya dalam operasi harian—merupakan pengeluaran terbesar. Sebuah chip yang secara signifikan mengurangi biaya ini tidak hanya mengubah metrik teknis tetapi juga seluruh model pendapatan perusahaan yang mengoperasikan ChatGPT dengan lebih dari 400 juta pengguna aktif.

Sebuah wadah pengujian independen tanpa kendali penuh

Pengujian dilakukan menggunakan testbench milik SemiAnalysis sendiri, InferenceX. Namun, para analis sendiri tidak diizinkan untuk melakukan pengujian, tidak semua skenario diuji, dan testbench yang lebih informatif, AgentX, juga tidak digunakan, menurut SemiAnalysis. Keterbatasan ini signifikan secara ekonomi karena berarti bahwa meskipun data yang tersedia berasal dari perusahaan terkemuka yang mengkhususkan diri dalam analisis chip, data tersebut dikumpulkan dalam kerangka kerja yang dikendalikan oleh OpenAI. Siapa pun yang ingin mendasarkan keputusan investasi yang tepat pada data tersebut harus mempertimbangkan konteks ini, bahkan jika arah umum hasilnya tampak masuk akal.

InferenceX menggunakan model OpenWeights GPT-OSS, DeepSeek R1, dan Kimi K2.5, menunjukkan bahwa Jalapeño tidak hanya dirancang untuk model OpenAI sendiri tetapi juga cocok sebagai platform inferensi umum untuk arsitektur lain. Sebagai bukti anekdot tentang fleksibilitas perangkat keras, SemiAnalysis mengutip demonstrasi pengembang bahwa game Doom, yang diporting dari asisten pemrograman OpenAI sendiri, Codex, bahkan berjalan di chip tersebut. Meskipun demonstrasi semacam itu memiliki sedikit substansi ekonomi, hal itu menunjukkan bahwa arsitektur tersebut tidak terbatas pada jendela aplikasi yang sempit tetapi dapat menangani tugas komputasi yang lebih umum.

Peningkatan efisiensi yang diterjemahkan menjadi uang tunai

Hasilnya mengkonfirmasi efisiensi Jalapeño yang sangat tinggi. Dalam beberapa skenario, chip OpenAI mencapai 22 kali lipat tingkat token per watt dibandingkan dengan Nvidia B300, hasil yang luar biasa untuk chip milik perusahaan pertama tanpa pengalaman puluhan tahun di bidang semikonduktor. Jalapeño juga dapat bersaing dengan sistem Vera Rubin yang baru, yang saat ini sedang diluncurkan ke pelanggan utama, meskipun saat ini hanya sedikit data yang dapat diandalkan untuk perbandingan ini dan penilaian akhir masih tertunda.

Namun, SemiAnalysis menunjukkan keterbatasan metodologis yang menempatkan signifikansi angka-angka tersebut dalam perspektif. Hanya ukuran prompt yang relatif kecil dengan 8.192 token input dan 1.024 token output yang diuji, sementara prompt yang lebih besar, seperti yang umum dalam banyak aplikasi agen produksi, dapat secara signifikan mengubah hasilnya. Selain itu, versi yang diuji berjalan pada stepping A0 awal, sementara stepping B0 yang dioptimalkan saat ini sedang dalam produksi, yang menurut OpenAI akan sekitar 25 persen lebih efisien. Secara ekonomi, ini berarti bahwa angka-angka yang sudah mengesankan tersebut kemungkinan mewakili batas bawah daripada batas atas dari potensi sebenarnya, dengan asumsi pengumuman mengenai stepping B0 dikonfirmasi.

Keunggulan sebenarnya bukan terletak pada chip, tetapi pada jaringan listrik

Chip OpenAI bahkan bisa lebih hemat biaya daripada Vera-Rubin, karena sistem Nvidia mendapat manfaat dari decoding spekulatif dalam pengujian, sebuah teknik untuk mempercepat pembuatan teks, sementara Jalapeño harus beroperasi tanpa optimasi ini. Secara keseluruhan, inferensi perangkat keras internal seharusnya membuat OpenAI jauh lebih murah, karena perusahaan tidak lagi harus membayar margin perdagangan kepada pemasok eksternal dan arsitektur dapat disesuaikan secara tepat dengan pola penyajiannya sendiri.

Namun, keunggulan strategis yang sebenarnya tidak terutama terletak pada penghematan biaya per chip, melainkan pada efisiensi energi. Karena peningkatan efisiensi, jauh lebih banyak chip dapat dioperasikan dengan input daya yang sama, yang merupakan keunggulan kompetitif sejati dalam industri di mana ketersediaan listrik dan kapasitas koneksi jaringan telah menjadi faktor pembatas pertumbuhan. OpenAI sendiri telah menandatangani kontrak untuk lebih dari sepuluh gigawatt kapasitas komputasi di AS, sebuah target yang awalnya ditetapkan untuk tahun 2029 yang kini telah tercapai beberapa tahun lebih awal. Dalam lingkungan di mana kapasitas pembangkit listrik baru dan koneksi jaringan seringkali menjadi hambatan nyata untuk perluasan pusat data, setiap watt yang digunakan lebih efisien secara langsung diterjemahkan menjadi daya komputasi tambahan yang tersedia, tanpa perlu membangun pembangkit listrik tambahan.

Laju perkembangan yang menantang industri chip

Waktu pengembangan proyek ini sangat patut diperhatikan. Menurut OpenAI, hanya 16 bulan berlalu antara pembentukan tim pengembangan dan proses pembuatan chip (tape-out)—yaitu, penyelesaian desain untuk persetujuan manufaktur—dengan desain lengkap pertama dilaporkan selesai sembilan bulan sebelum tape-out. Dalam industri semikonduktor tradisional, siklus pengembangan tiga hingga lima tahun dianggap standar untuk chip dengan kompleksitas yang sebanding, sehingga kecepatan seperti itu, jika dikonfirmasi pada generasi mendatang, dapat memberikan tekanan pada struktur biaya yang telah mapan di seluruh industri.

Menurut OpenAI, hal ini dimungkinkan berkat penggunaan intensif sistem AI mereka sendiri dalam proses desain. Hal ini memungkinkan evaluasi keputusan desain yang lebih cepat dan sekaligus membantu mengoptimalkan unit komputasi, secara signifikan mempersingkat siklus iterasi tradisional dalam desain chip. Ini menciptakan efek penguatan diri: semakin kuat model AI perusahaan, semakin cepat dan hemat biaya generasi chip baru dapat dikembangkan, yang kemudian menjalankan model-model ini dengan lebih efisien. Mekanisme umpan balik seperti itu, asalkan terbukti dapat direproduksi, dapat menjadi keunggulan struktural bagi perusahaan yang memiliki model AI terkemuka dan kemampuan pengembangan chip sendiri.

Ketika AI Anda sendiri menjadi kotak peralatan bagi seorang insinyur

Astra, versi GPT selanjutnya yang direncanakan, telah digunakan di OpenAI untuk mengembangkan inti komputasi yang dioptimalkan, atau kernel, untuk model-model baru. Menurut laporan, kode yang dikembangkan oleh Astra di GPT-OSS 50 hingga 80 persen lebih cepat daripada program serupa yang dikembangkan oleh tim ahli manusia. Temuan ini memiliki implikasi ekonomi yang lebih luas daripada yang terlihat pada awalnya, karena menunjukkan bahwa hambatan optimasi perangkat lunak, yang selama ini sangat bergantung pada ketersediaan insinyur yang sangat terspesialisasi, dapat semakin diatasi oleh sistem otomatis.

Bagi industri semikonduktor secara keseluruhan, ini berarti potensi penataan ulang faktor-faktor kompetitif. Hingga saat ini, pengalaman puluhan tahun, pengetahuan teknik yang mendalam, dan ekosistem perangkat lunak yang mapan seperti CUDA milik Nvidia dianggap sebagai hambatan yang hampir tak teratasi bagi penyedia baru untuk memasuki pasar. Jika alat-alat berbasis AI dapat sebagian mengimbangi keunggulan pengalaman ini, ambang batas masuk bagi pesaing selanjutnya akan menurun, yang dapat menyebabkan fragmentasi pasar akselerator AI yang saat ini sangat terkonsentrasi dalam jangka panjang.

Solusi semi-internal: Bagaimana Xpert.Digital menutup kesenjangan operasional dalam pemasaran dan penjualan B2B – Bisnis Cerdas Berbasis Konten - Gambar: Xpert.Digital

Xpert.Digital adalah pusat industri B2B berbasis data yang dipimpin oleh Konrad Wolfenstein . Perusahaan ini bertindak sebagai solusi eksternal, yang hampir bersifat internal, bagi mitra industri, menutup kesenjangan operasional dalam pemasaran, konten, dan penjualan – tanpa memerlukan sumber daya tambahan di pihak klien.

Informasi selengkapnya di sini:

• Solusi semi-internal: Bagaimana Xpert.Digital menutup kesenjangan operasional dalam pemasaran dan penjualan B2B – Bisnis Cerdas Berbasis Konten

Arsitektur sebagai akuntansi biaya dalam silikon

OpenAI membuat beberapa keputusan desain yang menarik dan ekonomis dengan Jalapeño. Misalnya, unit matriks chip tidak mendukung perhitungan menggunakan format floating-point FP16 16-bit, yang secara signifikan menyederhanakan logika internal dan selaras dengan tren industri menuju model yang lebih terkuantisasi, artinya model dengan presisi numerik yang lebih rendah. Tipe data 64-bit dan 32-bit hanya didukung oleh unit skalar dan vektor tambahan, dengan unit vektor juga terbatas pada perhitungan 32-bit. Area transistor yang dihemat dengan menghilangkan format perhitungan yang jarang digunakan dapat diinvestasikan untuk meningkatkan bandwidth memori atau inti pemrosesan untuk format yang benar-benar dibutuhkan, sehingga meningkatkan efisiensi biaya per chip yang diproduksi.

Dalam hal daya komputasi FP8 dan FP4 murni—format angka yang sangat relevan untuk model bahasa terkuantisasi modern—chip OpenAI, dengan masing-masing 3,4 dan 13,4 petaFLOPS, secara formal tertinggal di belakang Blackwell Nvidia yang memiliki 5 dan 15 petaFLOPS. Namun, angka yang tampaknya kurang menguntungkan ini diimbangi oleh pemanfaatan sistem aktual, karena chip jarang mencapai kinerja puncak teoretisnya dalam praktik. Menurut pengamat industri, akselerator saat ini sering beroperasi hanya pada 30 hingga 50 persen dari efisiensi teoretisnya di bawah beban kerja inferensi dunia nyata. Oleh karena itu, chip yang mendekati kinerja puncaknya sendiri dapat tetap kompetitif atau bahkan melampauinya dalam praktik, meskipun kinerja mentahnya tampak lebih rendah di atas kertas.

Bandwidth memori, bukan daya komputasi mentah, sebagai pilihan strategis

Chip ini dilengkapi dengan enam tumpukan memori HBM4, memberikannya bandwidth memori hampir dua kali lipat dari Blackwell, yaitu 15,4 TB per detik dibandingkan dengan 8 TB per detik. Keputusan ini mencerminkan prioritas yang disengaja, karena ketika melakukan inferensi model bahasa yang besar, faktor pembatasnya seringkali bukan daya komputasi murni, tetapi kecepatan di mana bobot model dan hasil sementara dapat dipindahkan antara memori dan unit logika aritmatika (ALU). Chip yang secara khusus mengatasi apa yang disebut hambatan bandwidth memori ini dapat beroperasi lebih efisien dalam skenario aplikasi dunia nyata daripada pesaing dengan daya komputasi nominal yang lebih tinggi tetapi akses memori yang relatif lebih ketat.

Berkat delapan tumpukan memori, Blackwell dan generasi Rubin yang akan datang menawarkan kapasitas memori total yang lebih tinggi yaitu 288 GB, sementara Jalapeño hanya memiliki 216 GB. Untuk model yang sangat besar dengan jendela konteks yang luas, kapasitas yang lebih rendah ini dapat menjadi faktor pembatas, terutama jika generasi model mendatang lebih besar dan lebih intensif memori. TDP chip, atau daya desain termal maksimum, adalah 700 watt, meskipun OpenAI menyatakan bahwa chip tersebut hanya membutuhkan rata-rata sekitar 550 watt dalam operasi aktual. Ini adalah metrik yang lebih relevan secara ekonomi untuk operasi pusat data sehari-hari daripada nilai puncak teoretis.

Latensi versus fleksibilitas: solusi kompromi yang bijaksana

Hierarki memori chip ini menarik. OpenAI membagi chip menjadi banyak grup komputasi, atau slice, masing-masing dengan alokasi memori HBM tetap. Keterkaitan yang erat dan tetap antara inti pemrosesan dan memori lokal ini secara signifikan mengurangi latensi akses karena setiap grup komputasi memiliki akses langsung dan latensi rendah ke partisi memorinya sendiri, alih-alih harus melewati sistem memori bersama multi-level seperti pada arsitektur GPU tradisional. Harga untuk keunggulan kecepatan ini adalah berkurangnya fleksibilitas dalam alokasi memori, karena kapasitas tidak dapat didistribusikan ulang secara sembarangan antar grup komputasi setelah suatu partisi mencapai batasnya.

Grup-grup tersebut terhubung melalui dua lapisan jaringan terpisah: jaringan kolektif khusus dengan latensi sangat rendah untuk pola komunikasi yang sering berulang dan terdefinisi dengan jelas, seperti sinkronisasi selama pemrosesan paralel, dan jaringan on-chip yang lebih umum untuk komunikasi lain dan akses ke jaringan skala-up tingkat yang lebih tinggi antara beberapa chip. Pembagian arsitektur ini memungkinkan sebagian besar lalu lintas data internal ditangani melalui jalur khusus yang lebih cepat, sementara jaringan umum tetap dicadangkan hanya untuk akses yang kurang sering dan kurang kritis waktu. Dari perspektif ekonomi, ini adalah pertukaran klasik antara spesialisasi dan penggunaan tujuan umum, yang khas untuk chip inferensi yang dirancang khusus dan secara fundamental berbeda dari arsitektur yang lebih umum dari prosesor grafis klasik.

Susunan sistolik sebagai warisan dari filosofi TPU

Seperti banyak akselerator AI khusus lainnya, Jalapeño mengandalkan susunan sistolik, di mana hasil sementara diteruskan langsung antara unit pemrosesan yang berdekatan alih-alih terus berosilasi antara memori dan unit logika aritmatika. Konsep ini sama sekali bukan hal baru, tetapi mengikuti filosofi arsitektur yang telah berhasil diuji dalam praktik selama bertahun-tahun, khususnya oleh Unit Pemrosesan Tensor Google, di mana ia telah mencapai peningkatan efisiensi yang sebanding dalam beban kerja AI khusus.

Berbeda dengan desain array sistolik tradisional yang sangat besar, Jalapeño, menurut SemiAnalysis, juga mendukung dimensi matriks yang lebih kecil, sehingga menghindari penurunan kinerja tipikal yang terjadi ketika ukuran batch atau dimensi matriks tidak persis sesuai dengan ukuran array tetap. Selain itu, chip ini memiliki inti skalar 64-bit khusus serta unit vektor yang mampu menangani FP32 dan INT32 dan menggunakan pendekatan eksekusi out-of-order dengan cache L1 klasik pada setiap inti pemrosesan, alih-alih mengandalkan memori scratchpad yang dikontrol perangkat lunak seperti banyak akselerator lainnya. Kombinasi unit matriks khusus dan logika skalar dan vektor yang lebih fleksibel ini menunjukkan bahwa OpenAI sengaja mencari jalan tengah antara spesialisasi murni dan kemampuan pemrograman umum.

Mengapa penurunan biaya tidak langsung sampai ke pelanggan?

Dari perspektif pelanggan perusahaan dan pengembang, pertanyaan mendesak adalah apakah peningkatan efisiensi yang dijanjikan juga akan menyebabkan penurunan harga API. Menurut beberapa analis industri, hal ini agak tidak mungkin dalam jangka pendek, karena OpenAI saat ini beroperasi terutama dengan kendala kapasitas daripada kendala biaya. Ini berarti bahwa biaya unit yang lebih rendah pada awalnya akan diterjemahkan menjadi volume yang lebih banyak tersedia daripada harga yang lebih rendah. Contoh historis, seperti pengenalan TPU milik Google atau chip Trainium milik Amazon, menunjukkan bahwa harga pelanggan akhir biasanya hanya turun 12 hingga 24 bulan setelah peluncuran luas perangkat keras baru milik perusahaan, yang biasanya dipicu oleh peningkatan tekanan kompetitif dari vendor saingan.

Selain itu, OpenAI harus terlebih dahulu mengembalikan investasi awal yang besar dalam desain, manufaktur, dan infrastruktur melalui pendapatan inferensi selama beberapa kuartal sebelum penghematan biaya benar-benar diterjemahkan menjadi margin yang lebih tinggi. Hingga saat itu, chip tersebut kemungkinan besar akan membantu mengurangi hambatan kapasitas yang ada, seperti mengurangi waktu tunggu yang lama atau batasan laju akses API, daripada menyebabkan penurunan harga secara langsung. Meskipun demikian, bagi perusahaan yang membuat rencana anggaran jangka menengah untuk penggunaan layanan AI, tampaknya masuk akal untuk memperhitungkan pengurangan biaya bertahap sebesar 30 hingga 50 persen selama periode dua hingga tiga tahun sebagai skenario perencanaan yang realistis.

Persaingan untuk kekuatan pasar, bukan hanya untuk daya (watt)

Alasan strategis yang lebih dalam di balik perkembangan ini terletak pada perjuangan untuk kemerdekaan dari satu pemasok yang mendominasi pasar. Selama bertahun-tahun, Nvidia telah mengendalikan sebagian besar pasar perangkat keras pelatihan dan inferensi AI, sehingga mencapai margin kotor yang substansial yang pada akhirnya harus ditanggung oleh pelanggan. Jika OpenAI, seperti halnya Google, Amazon, dan Microsoft dengan program chip masing-masing, mengalihkan sebagian besar beban kerja inferensinya ke perangkat kerasnya sendiri, daya tawar Nvidia dengan pelanggan terbesarnya akan berkurang, bahkan jika Nvidia tetap menjadi mitra utama untuk melatih model baru.

Dalam konteks ini, perlu dicatat bahwa Nvidia secara bersamaan memberikan komitmen pendanaan besar-besaran untuk perluasan pusat data OpenAI, misalnya, melalui pinjaman miliaran dolar untuk pusat data baru di Ohio, sementara OpenAI secara bersamaan mengerjakan platform chipnya sendiri yang berpotensi menjadi pesaing. Situasi yang tampaknya kontradiktif ini dapat diinterpretasikan secara ekonomi sebagai perilaku rasional dari kedua belah pihak: Nvidia mengamankan komitmen pembelian jangka panjang dan komitmen modal dari pelanggan tunggal terbesarnya, sementara OpenAI secara bersamaan mengembangkan kemandirian strategis untuk sebagian besar beban kerja inferensinya tanpa sepenuhnya merusak hubungannya dengan mitra pelatihan terpentingnya.

Dari pengumuman hingga produksi massal

Pengiriman awal Jalapeño dalam skala kecil direncanakan pada akhir tahun 2026, sementara produksi skala besar dan peluncuran besar-besaran diharapkan akan berlangsung sepanjang tahun 2027. Hingga saat itu, Nvidia, khususnya melalui penggunaan sistem Vera Rubin yang berkelanjutan, akan tetap menjadi komponen sentral dari infrastruktur OpenAI, yang berarti bahwa pengabaian total perangkat keras Nvidia bukanlah pilihan yang akan terjadi. Sebaliknya, model hibrida muncul di mana generasi perangkat keras dan vendor yang berbeda digunakan secara paralel untuk profil beban kerja yang berbeda.

Dalam jangka panjang, signifikansi sejati Jalapeño kemungkinan besar terletak kurang pada angka efisiensi spesifik generasi pertama daripada pada kecepatan pengembangan yang telah ditunjukkan dan kemampuan terkait untuk memanfaatkan alat-alat bertenaga AI untuk pengembangan perangkat kerasnya sendiri. Jika siklus penguatan diri dari model yang lebih canggih dan siklus pengembangan chip yang lebih cepat ini terbukti dapat direproduksi, hal itu tidak hanya akan mengubah posisi kompetitif OpenAI dibandingkan dengan Nvidia, tetapi juga secara fundamental menggeser garis waktu di mana generasi semikonduktor baru untuk aplikasi AI dapat dikembangkan.

Dari visibilitas hingga kepercayaan: Jalur skalabel Anda dengan Xpert.Digital - Gambar: Xpert.Digital

Dalam bisnis B2B industri, hubungan bisnis yang berkelanjutan jarang muncul dalam semalam. Hubungan tersebut berkembang selangkah demi selangkah – melalui visibilitas, relevansi profesional, titik kontak yang berulang, dan kepercayaan yang tumbuh. Model 4 tahap Xpert.Digital menjawab hal ini secara tepat: Model ini menawarkan jalur terstruktur yang dimulai dengan titik masuk yang mudah dikelola dan dapat berkembang menjadi kolaborasi yang lebih dalam dalam pengembangan bisnis jika diperlukan.

Alih-alih mengandalkan janji pemasaran yang bombastis, model ini menempatkan hubungan sebagai prioritas utama. Perusahaan memulai dengan ukuran yang jelas dan mudah dihitung, kemudian memutuskan, berdasarkan pengalaman mereka sendiri, sejauh mana mereka ingin memperluas kolaborasi. Faktor kunci untuk proses membangun kepercayaan yang tidak terganggu ini: Platform sepenuhnya menghindari iklan yang mengganggu, sehingga fokus editorial tetap semata-mata pada keahlian perusahaan.

Informasi selengkapnya di sini:

• Dari visibilitas hingga kepercayaan: Jalur skalabel Anda dengan Xpert.Digital

☑️ Bahasa bisnis kami adalah bahasa Inggris atau Jerman

☑️ BARU: Korespondensi dalam bahasa ibu Anda!

Konrad Wolfenstein

Saya dan tim saya dengan senang hati siap membantu Anda sebagai penasihat pribadi Anda.

Anda dapat menghubungi saya dengan mengisi formulir kontak di sini [email protected]:atau cukup hubungi saya di +49 7348 4088 965. Alamat email saya adalah

Saya sangat menantikan proyek bersama kita.

☑️ Dukungan UKM dalam strategi, konsultasi, perencanaan, dan implementasi

☑️ Pembuatan atau penyesuaian kembali strategi digital dan digitalisasi

☑️ Perluasan dan optimalisasi proses penjualan internasional

☑️ Platform perdagangan B2B global & digital

☑️ Pelopor Pengembangan Bisnis / Pemasaran / Humas / Pameran Dagang