 |
| (Credit: CNBC) |
Selama dua tahun terakhir, mengukur peta persaingan kecerdasan buatan (Artificial Intelligence / AI) terasa sangat sederhana: model yang lebih besar, skor benchmark yang lebih tinggi, dan perusahaan mana pun yang bisa mengklaim posisi terdepan—setidaknya sampai peluncuran model berikutnya tiba. Namun, papan skor konvensional tersebut kini mulai terlihat usang dan tidak lagi lengkap.
Saat ini, dunia korporasi sedang bergerak dari fase sekadar menguji coba AI menuju fase implementasi nyata pada produk dan alur kerja (workflow) operasional. Dampaknya, fokus utama tidak lagi tentang bagaimana cara mengakses model terbaik di pasar, melainkan bagaimana menemukan model yang paling sesuai untuk tugas spesifik, dengan biaya yang tepat, ketersediaan data yang memadai, serta di lingkungan kerja yang dipilih.
Pergeseran ini membuka pintu bagi babak baru kompetisi AI. Sebuah era di mana persaingan tidak lagi berorientasi pada ukuran model (model size), melainkan pada aspek pengarahan (routing), efisiensi biaya (cost), kontrol, dan optimalisasi komputasi (compute).
Model Bukan Lagi Produk Akhir, Melainkan Orkestrasi Sistem
Salah satu pandangan paling tajam mengenai fenomena ini disampaikan oleh CEO Perplexity, Aravind Srinivas:
"Model itu sendiri bukan lagi produk akhir. Produk yang sesungguhnya adalah sistem kendali atau orkestrasi yang menempatkan model tersebut di dalam wadah yang sangat kapabel, lalu memadukannya dengan berbagai alat bantu."
Artinya, produk AI masa kini bertransformasi menjadi sebuah sistem pintar yang mampu memutuskan model mana yang harus digunakan, kapan harus memanggilnya, serta alat luar atau sumber data perusahaan apa saja yang perlu dilibatkan.
Dalam implementasi praktis, kalkulasinya menjadi sangat logis:
Tugas Layanan Pelanggan (Customer Service): Tidak lagi memerlukan model premium yang mahal.
Problem Pemrograman yang Rumit (Complex Coding): Layak dialokasikan ke model dengan kemampuan penalaran tinggi.
Alur Kerja Internal Rutin: Cukup dijalankan di atas model terbuka (open model) yang jauh lebih murah.
Prinsip utamanya sangat pragmatis: selalu gunakan apa yang paling baik dan paling efisien untuk tugas yang sedang dihadapi.
Sebagai contoh, Perplexity baru-baru ini memperkenalkan sistem baru untuk produk computer-use mereka yang dibangun di atas GLM 5.2, sebuah model terbuka (open model) dari laboratorium Z.ai asal Tiongkok. Desain sistem ini memungkinkan model yang lebih murah untuk menangani sebagian besar beban kerja dasar, dan hanya akan memanggil model yang lebih kuat ketika eskalasi masalah benar-benar dibutuhkan.
Rasionalisasi Anggaran dan Tekanan bagi Para Raksasa AI
Munculnya berbagai model alternatif ini terjadi bersamaan dengan momentum pengetatan anggaran belanja AI di sektor korporasi Amerika Serikat dan global. Fenomena ini menghadirkan tantangan strategis baru bagi para pionir seperti OpenAI dan Anthropic, yang selama beberapa tahun terakhir menikmati pertumbuhan pesat dengan menjual teknologi paling mutakhir (cutting-edge) mereka dengan harga tinggi.
Pergeseran ke arah model terbuka (open-weight models)—yang dapat diunduh, disesuaikan (tuned), dan dijalankan sendiri oleh perusahaan—kini menjadi semakin masif karena performanya yang kian mumpuni sekaligus jauh lebih ekonomis.
Peter Fenton, General Partner di Benchmark, memberikan proyeksi yang cukup radikal mengenai masa depan industri ini:
"Pandangan yang awalnya dianggap kontarian, kini mulai menjadi konsensus: kami percaya bahwa lebih dari 90 persen token yang dihasilkan di pasar akan datang dari open-weight models dalam 18 hingga 24 bulan ke depan, bahkan mungkin pada akhir tahun ini."
Sebagai catatan, token adalah unit data yang diproses dan dihasilkan oleh model AI. Fenomena ini diprediksi akan menekan margin keuntungan dari biaya inferensi (inference margins) yang selama ini dinikmati oleh perusahaan pengembang frontier model. Ketika model terbuka yang berkualitas sudah "cukup baik" untuk memenuhi kebutuhan industri, korporasi tidak lagi bersedia membayar biaya tambahan (markup) yang tinggi kepada para penyedia model tertutup.
Lebih dari sekadar penghematan biaya, Fenton juga menambahkan bahwa model-model yang lebih kecil yang disesuaikan secara khusus untuk tugas tertentu (fine-tuned for a specific task) sering kali mampu bekerja lebih cepat dan memiliki performa yang lebih baik daripada model umum berukuran raksasa.
Fleksibilitas Operasional: Di Mana dan Bagaimana AI Dijalankan
Kebutuhan akan efisiensi dan kontrol inilah yang mendorong Benchmark berinvestasi pada Ollama, sebuah perusahaan yang mempermudah para pengembang dan korporasi untuk mengunduh, menjalankan, dan mengelola model terbuka.
Menurut CEO Ollama, Jeff Morgan, ada pergeseran cara pandang di tingkat eksekutif. Satu hal adalah dari mana model itu berasal dan di mana ia dilatih, namun hal yang jauh lebih krusial bagi bisnis saat ini adalah di mana model tersebut berjalan dan bagaimana ia dioperasikan.
Saat ini, Ollama telah diadopsi oleh lebih dari 85% perusahaan yang masuk dalam daftar Fortune 500, termasuk korporasi di industri yang sangat teregulasi ketat seperti penerbangan, asuransi, dan layanan kesehatan. Pola adopsinya pun serupa: banyak perusahaan memulai dengan model kecil yang dijalankan dekat dengan pusat data internal mereka, kemudian secara bertahap beralih ke model terbuka yang lebih besar seiring meningkatnya kenyamanan dan tingkat kepercayaan sistem.
Dimensi Geopolitik dan Implikasi Infrastruktur Hibrida
Kebangkitan model terbuka ini ternyata tidak hanya mengubah lanskap bisnis, tetapi juga memicu tantangan strategis di tingkat geopolitik. Saat ini, banyak model open-weight yang paling kompetitif justru lahir dari laboratorium riset di Tiongkok, seperti Z.ai dan DeepSeek. Realitas ini menempatkan AI sumber terbuka (open-source AI) bukan lagi sekadar isu teknis, melainkan isu bisnis, kebijakan publik, hingga daya saing nasional bagi Amerika Serikat.
Aravind Srinivas berargumen bahwa pemerintah, khususnya AS, harus mendukung model terbuka demi memastikan keberlanjutan ekonomi. Jika menginginkan manfaat AI terdistribusi secara luas hingga ke bisnis skala kecil, teknologi ini harus menjadi jauh lebih terjangkau, dan jalur pemanfaatan open source adalah satu-satunya cara rasional untuk mencapainya.
Di sisi lain, pergeseran tren ini juga diprediksi akan memengaruhi megaproyek pembangunan pusat data (data center) global. Narasi utama yang beredar saat ini mengasumsikan bahwa seluruh permintaan komputasi akan terus mengalir ke pusat data awan (cloud) raksasa yang dipenuhi cip kelas atas. Namun ke depan, sebagian beban kerja AI diproyeksikan akan berjalan secara lokal di perangkat milik konsumen atau internal perusahaan.
Kondisi tersebut tidak akan menghapus kebutuhan akan pusat data, melainkan melahirkan sebuah sistem AI hibrida (hybrid AI system):
Catatan Strategis untuk Para Investor dan Pemimpin Bisnis
Bagi para investor dan pemimpin teknologi, pertanyaan mendasar yang krusial saat ini adalah: Apakah laboratorium AI terbesar di dunia masih mampu mempertahankan kekuatan penentuan harga mereka (pricing power) ketika model terbuka menjadi semakin canggih dan korporasi menjadi jauh lebih selektif?
Pemenang di era baru ini bukanlah mereka yang memiliki model dengan parameter terbesar, melainkan mereka yang paling piawai merancang arsitektur sistem yang efisien dan adaptif. Bagi organisasi Anda, investasi terbaik saat ini bukan lagi sekadar membeli lisensi model termahal, melainkan membangun kapabilitas internal untuk mengorkestrasikan berbagai model sesuai dengan kebutuhan riil bisnis.
Comments
Post a Comment