Model kokain industri AI: Jebakan miliaran dolar – Mengapa token AI murah dapat segera menghancurkan kelas menengah – Gambar: Xper.Digital
Ketergantungan AI yang berbahaya: Mengapa beralih dari ChatGPT dapat segera menelan biaya jutaan dan mengapa model bisnis Anda dibangun di atas uang pinjaman
Sumber terbuka, bukan jebakan komputasi awan: Bagaimana menyelamatkan strategi AI Anda dari ledakan harga?
Arsitektur mengalahkan sensasi: Kebenaran yang tidak menyenangkan tentang masa depan harga AI
Kegembiraan yang sedang marak seputar kecerdasan buatan (AI) saat ini mengaburkan kebenaran ekonomi yang tidak menyenangkan: harga akses AI yang sangat rendah dari penyedia seperti OpenAI atau Anthropic hanyalah ilusi. Disubsidi oleh miliaran dana investor, raksasa teknologi ini saat ini terutama memikat usaha kecil dan menengah (UKM) ke dalam ketergantungan yang berbahaya. Tetapi apa yang terjadi ketika investor menuntut pengembalian dan biaya untuk token yang konon murah ini tiba-tiba melonjak? Siapa pun yang secara membabi buta menyesuaikan arsitektur TI mereka dengan antarmuka satu penyedia kini berisiko mengalami kejutan yang tidak menyenangkan dan peningkatan biaya besar-besaran dalam waktu dekat. Artikel ini mengungkapkan mengapa tingkat harga AI saat ini tidak berkelanjutan, bagaimana "efek penguncian" yang diremehkan bekerja, dan mengapa arsitektur hibrida yang cerdas dengan model sumber terbuka adalah satu-satunya cara bagi perusahaan untuk tetap kompetitif dan gesit dalam jangka panjang.
Berkaitan dengan ini:
Mengapa token termurah dalam sejarah sebenarnya adalah yang termahal – dan mengapa hampir setiap perusahaan menengah membayar tagihannya dalam dua tahun
Ada momen-momen dalam sejarah ekonomi ketika seluruh pasar keliru menganggap ilusi sebagai kenyataan. Ledakan komputer pribadi di awal tahun 1990-an adalah salah satu momen tersebut, lingkungan suku bunga nol setelah tahun 2010 adalah momen lainnya, dan gelembung dot-com sekitar pergantian milenium tentu saja termasuk di dalamnya. Ledakan kecerdasan buatan generatif antara tahun 2023 dan 2026 tidak diragukan lagi termasuk dalam kategori yang sama. Hanya saja kali ini, ilusinya bukanlah harga saham yang melambung tinggi, tetapi sesuatu yang jauh lebih umum: harga per token. Jutaan angka kecil dan tidak mencolok pada faktur dari penyedia layanan cloud menunjukkan kepada UKM Eropa bahwa permintaan model bahasa yang sangat kompleks hanya berharga sepersepuluh sen, bahwa biaya ini akan tetap stabil, dan bahwa seluruh model bisnis dapat dibangun di atasnya. Angka-angka sebenarnya menceritakan kisah yang berbeda, dan angka-angka tersebut menceritakannya dengan tegas.
OpenAI menghasilkan pendapatan sekitar $13,07 miliar pada tahun fiskal 2025, tiga kali lipat dari $3,7 miliar pada tahun sebelumnya. Pada saat yang sama, total biaya dan pengeluaran meningkat menjadi sekitar $34 miliar. Hal ini mengakibatkan kerugian operasional sebesar $20,92 miliar dan kerugian bersih GAAP sebesar $38,53 miliar, yang terakhir meningkat karena efek akuntansi satu kali sekitar $41,55 miliar dari konversi perusahaan menjadi Perusahaan Nirlaba Publik. Setelah disesuaikan dengan efek satu kali ini, pengeluaran kas operasional sekitar $8 miliar. Dengan kata lain, untuk setiap dolar yang diperoleh, perusahaan menghabiskan antara $1,60 dan $1,69. Gambaran yang sangat mirip terjadi pada Anthropic. Perusahaan mencapai pendapatan sekitar sembilan miliar dolar AS selama tahun tersebut, tetapi menghabiskan 5,2 miliar dolar tunai dan memproyeksikan kekurangan lebih lanjut sebesar 25 miliar dolar pada tahun 2026, dengan target pendapatan 30 miliar dolar. Perkiraan hingga tahun 2028 memprediksi kerugian kumulatif sekitar 74 miliar untuk OpenAI, dengan titik impas yang kini secara resmi ditunda hingga tahun 2029 hingga 2030.
Angka-angka ini bukanlah ekspresi keberanian kewirausahaan atau visi teknologi tertentu. Angka-angka ini adalah fondasi ekonomi yang menjadi dasar harga API saat ini. Harga yang dibayarkan pelanggan akhir untuk satu juta token terbitan di GPT-5.4 atau Claude Sonnet tidak mencerminkan biaya marginal inferensi yang sebenarnya, apalagi biaya proporsional untuk pelatihan, personel, dan infrastruktur. Ini mencerminkan kesediaan investor untuk mensubsidi setiap permintaan API di seluruh dunia, dengan keyakinan bahwa kekuatan pasar dan kekuatan penetapan harga nantinya akan mengubah kerugian saat ini menjadi keuntungan di masa depan. Bagi pengguna di Ulm, Munich, atau Dortmund yang saat ini menghubungkan perangkat lunak akuntansi, CRM, atau saluran konten mereka ke API salah satu penyedia ini, ini berarti sesuatu yang sangat konkret: Model bisnis mereka didasarkan pada tingkat harga yang secara ekonomi tidak berkelanjutan dari perspektif penyedia. Model bisnis ini dibangun di atas modal pinjaman, dan modal pinjaman pada akhirnya menuntut pengembalian.
Berkaitan dengan ini:
Aspek ekonomi dari suntikan pertama
Dalam ekonomi perilaku, terdapat mekanisme yang sering disebut dalam buku teks yang kaku sebagai "penetration pricing" atau "predatory pricing." Dalam ranah ekonomi jalanan yang kurang canggih, proses yang sama dikenal sebagai logika tembakan pertama: Tawarkan konsumsi pertama secara gratis atau jauh di bawah biaya, ciptakan ketergantungan, lalu sesuaikan harga. Strategi ini sudah ada sejak perdagangan terorganisir; strategi ini berhasil untuk langganan surat kabar, layanan streaming, kartu kredit, dan sistem operasi. Strategi ini bekerja sangat baik ketika dua kondisi terpenuhi: Biaya peralihan meningkat seiring dengan durasi penggunaan, dan penyedia dapat kemudian memposisikan diri mereka di antara pelanggan dan sumber pasokan alternatif. Kedua kondisi ini dipenuhi oleh AI generatif, dan keduanya masih jarang dibahas dalam rapat dewan direksi perusahaan menengah Jerman.
Perang harga API saat ini semakin memperkuat ilusi ini. Antara awal 2025 dan pertengahan 2026, harga akses model bahasa dari penyedia terkemuka turun 60 hingga 80 persen. GPT-4o mengurangi harga inputnya dari lima dolar menjadi 2,50 dolar per juta token, sementara o3 mengalami penurunan harga input dari sepuluh menjadi dua dolar dan harga output dari 40 menjadi delapan dolar per juta token dalam waktu dua belas bulan. DeepSeek V4, dengan harga input 28 sen, kini berada di bawah seluruh tingkat harga Barat, Gemini 2.5 Flash berada di 30 sen, dan GPT-5.4 mini di 40 sen. Angka-angka ini bagus untuk arus kas jangka pendek pengguna, tetapi secara ekonomi tidak berkelanjutan. Tidak ada penyedia yang dapat menurunkan harga lebih lanjut secara berkelanjutan dengan kerugian operasional sebesar ini. Satu-satunya pertanyaan adalah kapan investor akan mengharapkan pengembalian dan seberapa besar harga akan naik setelah itu. Pola historis dari pasar platform yang sebanding menunjukkan bahwa penyesuaian tidak linier, tetapi terjadi secara tiba-tiba setelah fase konsolidasi berakhir. Uber dan Lyft menaikkan tarif mereka sebesar 30 hingga 60 persen hanya dalam beberapa kuartal setelah IPO mereka, Netflix menggandakan paket dasarnya dalam beberapa tahun, dan Amazon Web Services berulang kali mengurangi diskon agresif awalnya untuk Reserved Instance dan mengurangi kuota gratisnya.
Yang membuat diskusi ini sangat relevan bagi pengguna Eropa adalah kenyataan bahwa harga token saja hanya mewakili puncak gunung es. Biaya sebenarnya dari integrasi AI terletak pada arsitektur, konektivitas data, pustaka prompt, rangkaian evaluasi, dan penetrasi proses. Sebuah agensi pemasaran menengah yang saat ini mengalihkan seluruh produksi konten, alur kerja penerjemahan, dan komunikasi pelanggan ke titik akhir penyelesaian obrolan penyedia layanan sedang membangun struktur yang jauh melampaui sekadar panggilan API. Setiap prompt sistem yang disetel dengan baik adalah investasi, setiap definisi panggilan fungsi adalah investasi, setiap karyawan terlatih yang telah memahami karakteristik spesifik suatu model adalah investasi. Investasi ini tidak dapat dihapus jika penyedia layanan akhirnya menggandakan atau melipatgandakan harga. Investasi ini merupakan bagian dari ambang batas peralihan yang dihitung oleh penyedia layanan dan memengaruhi kekuatan penetapan harga mereka selanjutnya.
Anatomi kecanduan
Untuk memahami mengapa biaya peralihan dalam sistem AI jauh lebih tinggi daripada di bidang perangkat lunak yang sebanding, kita harus mempertimbangkan seberapa dalam model modern tertanam dalam logika aplikasi. Proyek migrasi basis data klasik dapat ditransfer dengan relatif mudah dari satu vendor ke vendor lain menggunakan SQL standar karena bahasa kuerinya telah distandarisasi. Standardisasi ini tidak ada untuk model bahasa. Meskipun antarmuka penyelesaian obrolan OpenAI telah menjadi standar industri de facto dan ditiru oleh sebagian besar pesaing, logika aplikasi sebenarnya terletak bukan pada antarmuka, tetapi pada perilaku model. Sebuah perintah sistem yang secara bersih memberikan struktur, nada, dan tingkat detail yang diinginkan dalam GPT-5.4 dapat menyebabkan penyimpangan halus dalam Claude Sonnet, penyimpangan yang, dalam alur kerja pemasaran B2B yang produktif, dapat berarti perbedaan antara draf yang dapat digunakan dan penulisan ulang selama setengah jam berikutnya. Keunikan model ini sulit dikuantifikasi, tetapi nyata dan merupakan inti dari ketergantungan pada vendor.
Selain itu, terdapat konfigurasi spesifik dari layanan tambahan. Siapa pun yang menggunakan fungsi pencarian file, API asisten, penyimpanan vektor bawaan, atau definisi alat terintegrasi dari vendor tertentu untuk aplikasi mereka telah melakukan outsourcing sebagian besar arsitektur aplikasi mereka. Beralih vendor dalam hal ini tidak hanya berarti mengganti satu URL API, tetapi juga memprogram ulang beberapa komponen inti. Hal ini bahkan lebih penting bagi pelanggan yang melakukan fine-tuning pada sistem mereka: versi model yang telah di-fine-tuning tetap menjadi milik vendor, dan biaya pelatihan yang diinvestasikan hilang setelah beralih. Satu-satunya sumber daya yang portabel adalah dataset pelatihan itu sendiri, asalkan didokumentasikan sepenuhnya di dalam perusahaan, yang secara mengejutkan seringkali tidak terjadi dalam praktiknya. Oleh karena itu, audit menyeluruh terhadap paparan vendor lock-in harus mencakup lima tingkatan: model itu sendiri, tingkat prompt, tingkat embedding dan vektor, tingkat definisi alat dan fungsi, dan akhirnya tingkat orkestrasi dengan kerangka kerja agen dan rantai fallback-nya. Hanya mereka yang mengetahui penyedia mana yang mereka gunakan di setiap tingkatan ini, berapa biaya peralihan, dan strategi mitigasi apa yang telah mereka terapkan, yang dapat secara serius berbicara tentang keputusan bisnis yang sadar. Jika tidak, itu hanyalah keterikatan yang tidak disengaja dan karenanya merupakan hutang teknis dalam arti bisnis yang sebenarnya.
Aturan praktis yang muncul dari proyek migrasi yang membutuhkan konsultasi ekstensif adalah: Jika biaya migrasi Anda untuk beralih penyedia dalam waktu tiga puluh hari tidak diketahui atau melebihi satu juta euro, maka Anda memiliki masalah ketergantungan pada penyedia tertentu. Angka ini tentu saja merupakan perkiraan, tetapi memiliki keuntungan untuk memicu diskusi bisnis yang cenderung terhenti pada detail teknis. Karena pertanyaan krusialnya bukanlah apakah peralihan secara teknis mungkin dilakukan, tetapi apakah tetap layak secara ekonomi jika penyedia saat ini menaikkan harga.
Kesenjangan antara logika investor dan logika pelanggan
Untuk menilai dinamika harga yang akan datang, ada baiknya mengalihkan fokus dari pengguna ke investor. OpenAI bernilai sekitar $852 miliar, berencana melakukan IPO dengan kisaran valuasi hingga $1 triliun, dan membayar Microsoft sekitar $17,2 miliar hanya pada tahun 2025. Jumlah ini mewakili 50,5 persen dari total biaya dan melebihi pendapatan tahunan. Siapa pun yang mempertimbangkan apa artinya ini akan memahami urgensi situasi tersebut. Perusahaan ini tidak mandiri secara finansial tetapi bergantung pada aliran modal segar yang berkelanjutan. Berbagai analis memperkirakan kerugian kumulatif hingga titik impas yang direncanakan pada tahun 2029 atau 2030 sebesar $115 miliar, jumlah yang melebihi seluruh kapitalisasi pasar beberapa perusahaan yang terdaftar di DAX Eropa. Investor yang menyediakan jumlah ini tidak melakukannya karena motif filantropis. Mereka berharap bahwa pada akhir fase merugi, akan muncul struktur pasar di mana pemasok yang bertahan dapat menggunakan kekuatan penetapan harga. Kekuatan penetapan harga inilah yang sebenarnya menjadi tujuan investasi.
Anthropic menunjukkan variasi menarik dari pola ini. Perusahaan ini memperkirakan akan mengurangi rasio kerugiannya dari level saat ini sekitar 70 persen dari pendapatan menjadi sembilan persen pada tahun 2027, sementara OpenAI diproyeksikan tetap berada di angka 57 persen selama periode yang sama. Alasannya bukan terletak pada kualitas produk yang lebih baik, melainkan pada profil pelanggan yang berbeda secara strategis. Anthropic lebih fokus pada pelanggan perusahaan, memiliki penggunaan chatbot konsumen yang relatif lebih murah dalam portofolionya, dan oleh karena itu dapat menstabilkan margin kotornya lebih cepat. Bagi perusahaan menengah Eropa, ini merupakan diferensiasi yang halus namun penting: tidak semua penyedia akan menaikkan harga secara bersamaan atau dengan tingkat yang sama. Waktu dan besarnya penyesuaian harga akan bergantung pada tekanan investor dan struktur pelanggan masing-masing. Tetapi arahnya sama untuk semua orang, dan itu ke atas, bukan ke bawah.
Satu poin lagi patut diperhatikan. Ekonom Ed Zitron dan analis lainnya telah menunjukkan bahwa sebagian besar dari apa yang disebut blok biaya komputasi OpenAI muncul dari transaksi sirkular yang melibatkan Microsoft dan Nvidia. Modal mengalir dari Nvidia ke perusahaan rintisan AI, perusahaan rintisan ini membayarkannya kepada penyedia layanan cloud, penyedia layanan cloud membeli chip dari Nvidia, dan pendapatan dicatat di setiap langkah ini. Ini bukan kritik moral, melainkan deskripsi jaringan yang mengurangi ketahanan pasar terhadap guncangan eksternal. Jika Nvidia tidak dapat mempertahankan tingkat pertumbuhannya, perusahaan rintisan AI akan kehilangan aliran modal yang sangat penting, dan harga API yang disubsidi akan menjadi semakin tidak berkelanjutan.
Apa arti sebenarnya dari open source?
Pada titik ini, perdebatan sering kali didorong ke sudut ideologis yang tidak memberikan keadilan pada topik tersebut. Mereka yang mendukung model terbuka dengan cepat dikaitkan dengan aktivisme anti-korporasi yang romantis, yang merusak substansi ekonomi dari argumen tersebut. Faktanya, pasar untuk model bahasa terbuka telah berubah secara fundamental dalam delapan belas bulan terakhir sehingga diskusi tersebut bukan lagi antara model-model perintis komersial dan peniru amatir, tetapi antara dua pilihan yang hampir setara dengan profil biaya operasional yang sangat berbeda.
Secara spesifik: GLM-5.1 mencapai skor 58,4 persen pada SWE-Bench Pro yang menuntut, melampaui GPT-5.4 (57,7 persen) dan Claude Opus 4.6 (57,3 persen). Qwen 3.6-35B-A3B, model Mixture-of-Experts dengan total 35 miliar parameter dan hanya tiga miliar parameter yang diaktifkan secara aktif per token, memberikan 73,4 persen pada SWE-Bench Verified dan dapat dijalankan pada dua kartu RTX 5060 Ti dengan kecepatan 21,7 token per detik. Mistral Large 3, dengan 675 miliar parameter MoE, mencapai 92 persen kinerja GPT-5.2 dengan biaya sekitar 15 persen. Gemma 3 27B, model sumber terbuka Google, telah mengungguli model dengan 405 miliar parameter dari Meta dan model dengan 685 miliar parameter dari DeepSeek dalam evaluasi Chatbot Arena, meskipun berjalan hanya pada satu GPU. Angka-angka ini bukanlah laporan khusus dari komunitas sumber terbuka, melainkan hasil dari tolok ukur independen yang semakin banyak digunakan sebagai dasar pengambilan keputusan dalam konteks perusahaan.
Implikasi ekonominya sangat luar biasa. Menurut perhitungan standar industri, penerapan Qwen 3.5 32B di Apple M4 Max untuk perusahaan membutuhkan biaya listrik sekitar dua sen per juta token. Jika diamortisasi selama tiga tahun penggunaan perangkat keras, ini setara dengan sekitar delapan sen per juta token. Sebagai perbandingan, GPT-4o membutuhkan biaya input $2,50 dan output $10 per juta token, sedangkan Claude Sonnet membutuhkan biaya input $3 dan output $15. Oleh karena itu, perbedaan biayanya dua hingga tiga ratus kali lebih besar. Bahkan dengan memperhitungkan biaya operasional untuk pemeliharaan, redundansi, pasokan daya, dan personel, keuntungan biaya satu hingga dua kali lipat tetap ada untuk volume penggunaan menengah. Titik impas antara instance Qwen-27B yang dihosting sendiri pada server H100 dan penggunaan API OpenAI adalah sekitar 4,5 miliar token per bulan. Kedengarannya banyak, tetapi banyak operasi pemasaran B2B menengah dengan lokalisasi konten komprehensif, alur kerja terjemahan, dan interaksi pelanggan otomatis mencapai volume ini dalam waktu dua belas hingga delapan belas bulan. Mereka yang melampaui ambang batas ini dan tetap menggunakan penyedia layanan cloud tersebut berarti mensubsidi kerugian penyedia layanan dengan keuntungan operasional mereka.
Bagian dari integritas analisis tersebut adalah mengakui keterbatasan model tersebut. Hosting mandiri melibatkan biaya operasional, membutuhkan personel khusus, menuntut perangkat keras yang andal, dan tidak selalu merupakan pilihan terbaik, terutama untuk bisnis kecil dengan beban puncak yang sangat fluktuatif. Penerapan GLM 5.1 pada delapan kartu H100 membutuhkan biaya sekitar $25.000 hingga $35.000 per bulan, sementara pengaturan Gemma 4-31B pada A100 membutuhkan biaya antara $2.500 dan $3.500. Angka-angka ini tidak sedikit, tetapi pertama, biaya tersebut cepat tertutupi dengan pemanfaatan yang tepat, dan kedua, biaya tersebut dapat diprediksi. Prediktabilitas adalah nilai ekonomi sebenarnya dari solusi on-premises karena menstabilkan perhitungan biaya dan dengan demikian menghilangkan risiko harga yang timbul dari penetapan harga API di masa mendatang. Bagi perusahaan yang menawarkan harga tetap kepada pelanggan selama jangka waktu kontrak dua belas atau dua puluh empat bulan, biaya yang dapat diprediksi mungkin lebih berharga daripada keuntungan biaya yang dihitung.
🎯🎯🎯 Pusat industri B2B berbasis data sebagai solusi semi-internal
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:
Cara melepaskan diri dari ketergantungan pada cloud AS: Arsitektur, bukan penyedia layanan
Perlindungan data sebagai dimensi kompetitif yang sering diabaikan
Di luar sekadar biaya, dimensi kedua memainkan peran yang secara sistematis diremehkan di negara-negara berbahasa Jerman dan sekaligus menjadi isu hukum yang semakin signifikan. Peraturan Perlindungan Data Umum (GDPR), Undang-Undang Data, Undang-Undang AI, dan implementasi nasionalnya masing-masing menciptakan lingkungan peraturan di mana transfer data bisnis sensitif ke penyedia cloud AS menjadi semakin bermasalah. Meskipun semua penyedia utama sekarang menawarkan residensi data Eropa dan jaminan bahwa data tersebut tidak akan digunakan untuk melatih model di masa mendatang, ketidakpastian hukum mendasar mengenai akses ke data cloud oleh badan keamanan AS, yang dimungkinkan oleh Undang-Undang CLOUD, tidak dapat sepenuhnya dihilangkan secara kontraktual. Bagi perusahaan yang bekerja atas nama lembaga pemerintah, perusahaan asuransi kesehatan, kontraktor pertahanan, atau klien B2B yang sangat rahasia, ini merupakan kerugian struktural yang melampaui sekadar perbandingan harga.
Model terbuka yang dihosting sendiri, yang berjalan di pusat data perusahaan sendiri atau dengan penyedia kolokasi Eropa, secara struktural menghindari masalah ini. Model ini tidak memerlukan keputusan transfer berdasarkan Bab V GDPR, tidak tunduk pada persyaratan pengungkapan berdasarkan CLOUD Act, dan dapat dengan mudah diintegrasikan ke dalam perjanjian pemrosesan data. Pengurangan permukaan serangan secara legal ini merupakan manfaat bisnis yang, meskipun sulit diukur, semakin menjadi prasyarat dalam tender, prosedur pengadaan, dan perjanjian kerangka kerja dengan klien yang sensitif. Siapa pun yang menargetkan sektor publik, perawatan kesehatan, atau industri pertahanan saat ini hampir tidak dapat menghindari masalah ini.
Berkaitan dengan ini:
Arsitektur lebih penting daripada pilihan pemasok
Wawasan strategis penting yang diperoleh dari mempertimbangkan faktor-faktor ini secara bersamaan bukanlah model mana yang terbaik saat ini. Melainkan bagaimana sistem Anda sendiri harus disusun agar pemilihan model tidak menjadi pertanyaan eksistensial di masa mendatang. Sistem AI yang terabstraksi dengan baik terdiri dari setidaknya empat lapisan. Di bagian bawah adalah lapisan model, yang merupakan panggilan aktual ke antarmuka penyelesaian obrolan. Di atasnya adalah lapisan gerbang model, yang memungkinkan berbagai model untuk diakses di balik antarmuka terpadu dan diatur dalam rantai cadangan. Alat seperti LiteLLM atau OpenRouter memenuhi peran ini dan dapat disiapkan untuk produksi hanya dalam beberapa hari. Di atasnya adalah lapisan perintah, di mana instruksi aktual dipelihara sebagai artefak yang diberi versi, idealnya dengan matriks kompatibilitas yang mendokumentasikan versi perintah mana yang telah berhasil divalidasi pada model mana. Di bagian paling atas adalah lapisan orkestrasi dan evaluasi, yang terdiri dari kumpulan data emas, rubrik otomatis, dan penerapan bayangan, memastikan bahwa perubahan model didasarkan pada data komparatif yang andal, bukan tebakan.
Perusahaan yang menyusun aplikasi AI-nya berdasarkan empat tingkatan ini dapat mengganti model dengan upaya yang diukur dalam hari kerja per orang, bukan bulan kerja per orang. Perusahaan tersebut dapat meneruskan permintaan penting ke model-model terdepan dan mengarahkan permintaan standar ke model terbuka yang hemat biaya. Perusahaan tersebut dapat menegakkan kedaulatan data dengan memaksa operasi yang sensitif terhadap privasi ke instance lokal dan hanya mengizinkan permintaan anonim atau non-kritis ke cloud. Dan, yang terpenting, perusahaan tersebut dapat melakukan satu hal: menggunakan angka-angka yang konkret untuk membenarkan kepada investor, dewan pengawas, atau dewan penasihatnya bahwa strategi AI-nya tidak didasarkan pada distorsi pasar sementara, tetapi pada struktur biaya yang sehat.
Mereka yang mengabaikan lapisan-lapisan ini dan memprogram seluruh logika bisnis mereka secara langsung terhadap titik akhir penyelesaian obrolan dari satu penyedia mungkin menghemat upaya lapisan abstraksi saat ini. Namun, mereka menanggung risiko yang biayanya baru mereka sadari ketika sudah terlambat untuk mencegahnya. Pengalaman dengan ketergantungan platform serupa, baik dengan Salesforce, SAP, atau Oracle, menunjukkan bahwa risiko-risiko ini tidak terwujud secara linier, melainkan tiba-tiba, seringkali dalam bentuk penyesuaian harga yang terkait dengan perpanjangan kontrak yang tidak memberikan waktu untuk penyesuaian.
Waktu transisi
Sulit untuk memprediksi secara pasti kapan investor akan mengharapkan pengembalian investasi hingga kuartal terakhir, tetapi indikator yang relevan sudah jelas. OpenAI merencanakan IPO-nya dalam kisaran valuasi yang dapat mencapai satu triliun dolar AS, yang tentu saja membutuhkan konvergensi pendapatan dan biaya dalam jangka waktu yang dikomunikasikan dengan jelas. Analis memperkirakan pemulihan operasional antara tahun 2029 dan 2030. Anthropic telah menetapkan tujuan untuk mengurangi kerugiannya menjadi sepersembilan dari pendapatannya pada tahun 2027. Dengan proyeksi pendapatan sekitar 70 miliar dolar AS pada tahun 2028, dimungkinkan untuk merekonstruksi kenaikan harga implisit yang diperlukan untuk mencapai hal ini, dan hasilnya berada dalam kisaran dua atau tiga kali lipat dari harga saat ini. Bagi pengguna, ini berarti penyesuaian harga struktural diharapkan terjadi dalam jangka waktu delapan belas hingga tiga puluh enam bulan; besarnya penyesuaian ini masih belum jelas, tetapi arahnya sudah pasti.
Siapa pun yang menghitung profitabilitas proyek AI saat ini menggunakan harga token saat ini sebagai dasar perhitungan pengembalian investasi lima tahun kemungkinan besar akan salah. Namun, siapa pun yang menambahkan premi 100 hingga 200 persen pada harga token dalam perencanaan mereka dan perhitungannya tetap layak memiliki model bisnis yang kuat. Mereka yang perhitungannya tidak lagi layak harus mempertimbangkan apakah beralih ke model terbuka dan mandiri dapat menyelamatkan bisnis mereka. Penilaian ini harus ditangani bukan sebagai proyek TI, tetapi sebagai pertanyaan strategis di tingkat manajemen tertinggi, karena menyangkut fondasi daya saing perusahaan untuk dekade berikutnya.
Mengapa kemampuan AI di masa depan akan berbeda dari kemampuan AI saat ini?
Salah satu efek samping yang luar biasa dari analisis ini adalah redefinisi tentang apa yang saat ini dianggap sebagai kompetensi AI. Dalam persepsi publik, sebuah perusahaan dianggap kompeten dalam AI jika karyawannya mahir menggunakan antarmuka obrolan dari penyedia terkenal, jika proses internal ditingkatkan dengan API mereka, dan jika presentasi penjualan dipenuhi dengan jargon-jargon pemasaran. Definisi kompetensi ini akan diuji secara brutal untuk kelayakan ekonominya dalam fase penetapan harga yang akan datang. Kompetensi sejati terletak pada pembangunan sistem di mana model dasarnya tetap dapat dipertukarkan, di mana perintah internal perusahaan dipertahankan sebagai artefak yang memiliki versi, di mana terdapat rangkaian evaluasi yang memvalidasi perubahan model dalam hitungan jam, bukan bulan, dan di mana arsitektur data perusahaan tetap terbuka untuk berbagai model operasi.
Pergeseran ini juga akan mengubah profil pekerjaan. Manajer AI di perusahaan menengah antara tahun 2027 dan 2030 akan lebih berperan sebagai arsitek infrastruktur, mengintegrasikan pusat biaya, persyaratan kepatuhan, dan portabilitas model ke dalam arsitektur sistem yang kuat, daripada sekadar pemberi ide yang cepat tanggap. Loyalitas vendor akan menjadi isu strategis, sebanding dengan pemilihan sistem basis data di akhir tahun 1990-an atau penyedia layanan cloud di akhir tahun 2010-an. Mereka yang mengatasi masalah ini sejak dini dan dengan sengaja akan mendapatkan daya tawar, stabilitas biaya, dan ketenangan pikiran terkait regulasi. Mereka yang mengabaikannya berasumsi bahwa raksasa cloud akan terus merugi tanpa batas waktu, dan asumsi ini akan terbukti sebagai kesalahpahaman termahal dalam sejarah TI.
Kesimpulan yang bijaksana
AI generatif adalah salah satu teknologi peningkatan produktivitas paling signifikan di zaman kita; tidak ada keraguan serius tentang hal itu. Respons yang tepat bukanlah meninggalkannya, tetapi menggunakannya dengan bijak. Namun, penggunaan bukan berarti melepaskan kendali, dan harga rendah tidak menjamin harga rendah selamanya. Siapa pun yang melihat angka-angka dari penyedia terkemuka secara objektif akan menyadari bahwa harga API saat ini tidak mencerminkan keseimbangan ekonomi pasar, melainkan titik awal sebelum penyesuaian harga, yang waktunya ditentukan oleh penyedia, bukan pelanggan. Perusahaan yang ingin melindungi diri dari penyesuaian ini memiliki tiga cara: arsitektur yang bersih dengan model yang dapat dipertukarkan, proporsi yang disengaja dari model terbuka dan mandiri untuk kasus penggunaan yang tepat, dan disiplin evaluasi berkelanjutan yang memperlakukan peralihan model sebagai proses rutin, bukan keadaan luar biasa.
Rekomendasi untuk tim manajemen mana pun yang menugaskan atau bertanggung jawab atas proyek AI saat ini adalah pragmatis. Hitung biaya penggunaan AI Anda saat ini dengan margin keuntungan 100%. Nilai apakah aplikasi tersebut masih layak pada tingkat harga ini. Jika tidak, pertimbangkan arsitektur hibrida di mana tugas standar ditangani oleh model terbuka dalam operasi Anda sendiri, dan model mutakhir hanya digunakan untuk tugas-tugas yang menawarkan keunggulan kualitas yang terbukti. Simpan perintah, kumpulan data evaluasi, dan data penyempurnaan Anda dalam format portabel. Dan jangan memandang penyedia AI Anda sebagai mitra strategis, tetapi sebagai pemasok yang harganya terus Anda bandingkan dan biaya peralihannya secara aktif Anda jaga agar tetap rendah. Pendekatan ini bukanlah sikap yang bermusuhan atau terlalu berhati-hati; ini hanyalah sikap mendasar dari seorang pebisnis yang bijaksana terhadap pos biaya yang, hanya dalam beberapa tahun, mungkin akan menjadi salah satu dari lima pos terbesar dalam laporan laba rugi.
Inti permasalahan sebenarnya bukanlah bahwa OpenAI, Anthropic, dan Google merugi. Itu adalah pertaruhan korporasi yang dilakukan oleh para pemegang saham perusahaan-perusahaan tersebut. Inti permasalahannya terletak pada kenyataan bahwa jutaan perusahaan pengguna di Eropa juga mempertaruhkan masa depan operasional mereka tanpa menyadarinya. Token termurah dalam sejarah adalah sinyal harga termahal yang pernah dikirimkan pasar karena memicu keputusan investasi berdasarkan distorsi pasar sementara. Mereka yang menerima kebenaran ini hari ini dapat membangun arsitektur mereka sesuai dengan itu. Mereka yang hanya menerimanya ketika tagihan datang telah kehilangan kesempatan untuk bereaksi. Arsitektur mengalahkan sensasi. Selalu.
Mitra pemasaran dan pengembangan bisnis global Anda
☑️ 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 wolfenstein@xpert.digital:atau cukup hubungi saya di +49 7348 4088 965. Alamat email saya adalah
Saya sangat menantikan proyek bersama kita.
