Dari Tokenmaxxing ke Penjatahan: Krisis Biaya AI Perusahaan

Kegilaan awal "tokenmaxxing"—di mana perusahaan mendorong penggunaan AI tanpa batas untuk memacu adopsi—dengan cepat berbenturan dengan realitas pahit biaya operasional. Saat perusahaan bertransisi dari tahap eksperimen ke penskalaan, sebuah perjuangan baru muncul: bagaimana mencegah anggaran AI yang masif terkuras oleh tugas-tugas sepele yang bernilai rendah.

Kebangkitan Penjatahan Token

Awal tahun ini, narasi di dunia korporat berpusat pada maksimalisasi integrasi AI. Beberapa organisasi bahkan menerapkan papan peringkat internal untuk melakukan gamifikasi dan memberi penghargaan kepada karyawan atas penggunaan AI mereka. Namun, antusiasme yang tidak terkendali ini telah menyebabkan fenomena di mana pengeluaran yang tidak terprediksi menggerus margin laba.

Kita sekarang menyaksikan era "penjatahan token" (token rationing). Alih-alih mendorong karyawan untuk menggunakan Large Language Models (LLM) untuk setiap tugas yang memungkinkan, pihak kepemimpinan mulai menerapkan kontrol yang ketat. Tujuannya adalah beralih dari penggunaan luas yang tidak terkelola ke model disiplin di mana AI hanya diterapkan pada alur kerja yang berdampak tinggi dan bernilai tinggi.

Kasus Accenture: Taruhan Tinggi dan Tugas-Tugas Kecil

Contoh nyata dari pergeseran ini terlihat pada raksasa konsultan global, Accenture. Menurut rekaman audio yang bocor dari rapat internal yang dipimpin oleh Justice Kwak, pimpinan strategi AI agentic Accenture, perusahaan sedang berupaya aktif untuk mencegah karyawan menghabiskan cadangan token untuk tugas-tugas administratif dasar.

Laporan tersebut menyoroti kontradiksi yang mencolok: sementara Accenture sebelumnya memberi sinyal bahwa karyawan mungkin "berisiko kehilangan promosi" jika mereka gagal mengadopsi AI, mereka kini justru beralih untuk membatasi penggunaan. Secara khusus, perusahaan mencoba menghentikan karyawan menggunakan komputasi AI yang mahal untuk tugas-tugas kecil, seperti mengubah PDF menjadi slide presentasi.

Kwak mencatat bahwa AI sedang mencapai "titik balik" di mana ia menjadi komponen material dalam struktur biaya perusahaan. Dengan pengeluaran yang menjadi semakin tidak terprediksi, CFO, COO, dan CIO menuntut bukti nyata dari Return on Investment (ROI) sebelum mengizinkan pengeluaran lebih lanjut.

Membuktikan Nilai di Era Pasca-Hype

Pergeseran ini mencerminkan tren yang lebih luas dalam industri AI yang sering disebut sebagai "AI selloff." Pasar tidak lagi merasa puas dengan kebaruan kemampuan generatif; pasar menuntut peningkatan produktivitas nyata yang melampaui besarnya biaya komputasi dan konsumsi token.

Tekanan ekonomi ini secara khusus berdampak pada sektor-sektor yang bergantung pada AI, termasuk produsen chip memori, seiring industri bergerak menjauh dari sekadar hype menuju akuntabilitas fiskal. Agar model bisnis AI tetap berkelanjutan, fokus harus bergeser dari seberapa banyak AI digunakan menjadi seberapa efektif token tersebut dikerahkan untuk menyelesaikan masalah yang kompleks.

Poin-Poin Penting

• Pergeseran Strategi: Perusahaan beralih dari "tokenmaxxing" (penggunaan tanpa batas) ke "penjatahan token" untuk mengelola biaya operasional yang tidak terprediksi.
• Mandat ROI: Tim kepemimpinan, termasuk CFO dan CIO, menuntut bukti nilai, melampaui kegembiraan awal dari adopsi AI.
• Biaya vs. Utilitas: Titik gesekan utama muncul di mana token LLM yang mahal terbuang untuk tugas bernilai rendah seperti pemformatan PDF, alih-alih alur kerja agentic yang berdampak tinggi.