Gerakan AI sumber terbuka telah menghasilkan model-model yang benar-benar mengesankan. DeepSeek kini memproses lebih dari sepertiga dari seluruh token yang mengalir melalui AI gateway Vercel. GLM-5.2 milik Z.ai menempati posisi empat besar platform tersebut berdasarkan volume. Ini bukan proyek hobi. Ini adalah sistem kelas produksi yang menangani beban kerja perusahaan nyata dalam skala masif. Melihat angka-angka ini, akan mudah untuk berasumsi bahwa lab frontier seperti Anthropic sedang menghadapi ancaman eksistensial terhadap posisi pasar mereka.
Asumsi tersebut melewatkan apa yang sebenarnya sedang terjadi.
Pekerjaan Sebenarnya dari Model Frontier
CEO Decagon, Jesse Zhang, telah mengusulkan cara yang lebih jelas untuk memahami pembagian antara AI proprietary dan sumber terbuka. Persaingannya bukanlah sekadar perlombaan untuk saling menggantikan. Sebaliknya, kedua kategori tersebut melayani fase yang berbeda dari satu siklus hidup perusahaan.
Model frontier berfungsi sebagai lapisan penemuan (discovery layer). Ketika sebuah perusahaan mulai mengeksplorasi bagaimana AI dapat mengubah proses internal, tugasnya hampir selalu tidak terdefinisi dengan baik. Inputnya berantakan. Output yang diinginkan tidak jelas. Keberhasilan membutuhkan penalaran melalui ambiguitas, menangani kasus-kasus ekstrem yang belum dikatalogkan oleh tim, dan beradaptasi dengan prompt yang berubah setiap jam. Ini adalah pekerjaan pembuatan prototipe dan pembuktian konsep (proof-of-concept). Hal ini menuntut sistem paling mumpuni yang tersedia, tanpa memedulikan biaya, karena alternatifnya adalah eksperimen gagal yang tidak memberikan pelajaran apa pun.
Dalam fase ini, model frontier yang mahal bukanlah beban tambahan (overhead). Itu adalah biaya riset pasar yang dipadatkan ke dalam beberapa panggilan API. Setelah kasus penggunaan terbukti dan alur kerja dipetakan, sifat masalahnya berubah. Ambiguitas menghilang. Input menjadi terstandarisasi. Prompt menjadi stabil. Tugas tersebut telah menjadi rutin. Pada titik itu, banyak perusahaan memindahkan beban kerja ke model yang lebih ringan dan lebih murah. Alternatif sumber terbuka mengambil alih dan menguasai tahap produksi, sementara model frontier tetap berada di garis depan, menangani gelombang masalah tak dikenal berikutnya.
Ini bukan teori tentang bagaimana AI seharusnya bekerja. Ini adalah deskripsi tentang bagaimana anggaran sudah bergerak.
Ketika Beban Kerja Berpindah ke Pasar Menengah-Bawah
Migrasi ke sumber terbuka adalah nyata, dan terlihat dalam data lalu lintas. Lonjakan DeepSeek hingga lebih dari sepertiga volume token pada infrastruktur Vercel menunjukkan bahwa perusahaan menjalankan inferensi dalam jumlah besar melalui model yang lebih murah. GLM-5.2 milik Z.ai juga telah mengamankan posisi empat besar dengan menangani lalu lintas yang stabil dan dapat diprediksi.
Model-model ini unggul dalam tugas-tugas yang telah dijinakkan. Bayangkan ekstraksi data bervolume tinggi dari formulir standar, triase dukungan pelanggan tahap pertama yang mengarahkan tiket berdasarkan kata kunci yang jelas, atau linting kode rutin dan pembuatan dokumentasi. Prompt menggunakan templat. Mode kesalahan sudah dipahami. Risiko bisnis dari output yang buruk dapat dikendalikan. Ketika pekerjaan sudah terdefinisi dan berulang, biaya inferensi menjadi perhatian utama. Menjalankan beban kerja yang sama pada model seharga enam sen alih-alih tingkat premium masuk akal secara finansial secara langsung.
Namun, volume bukanlah pendapatan. Fakta bahwa model sumber terbuka mendominasi jumlah token tidak berarti mereka mendominasi penciptaan nilai. Volume token mengukur aktivitas. Pengeluaran token mengukur apa yang bersedia dibayar perusahaan untuk kapabilitas yang tak tergantikan.
Ke Mana Uang Sebenarnya Mengalir
Data AI gateway Vercel membuat pembagian ekonomi ini mustahil untuk diabaikan. Meskipun DeepSeek mendominasi lalu lintas token mentah, Anthropic terus menangkap lebih dari setengah total pengeluaran AI di platform tersebut. Kesenjangan antara aktivitas dan pengeluaran disebabkan oleh perbedaan harga yang sangat mencolok.
Menurut data OpenRouter, Opus 4.8 milik Anthropic berbiaya sekitar $1,37 per satu juta token. V4Flash milik DeepSeek berbiaya sekitar enam sen untuk volume yang sama. Opus dihargai sekitar dua puluh tiga kali lebih tinggi. Pengganda tersebut lebih penting daripada jumlah token mentah mana pun. Sebuah tim pengembangan dapat memindahkan sembilan puluh persen volume inferensi mereka ke model yang lebih murah dan tetap melihat model yang mahal menyumbang mayoritas dari anggaran mereka.
Ketidaksesuaian ini bukanlah sebuah kebetulan. Ini mencerminkan realitas bahwa penyedia frontier menjual sesuatu yang berbeda. Mereka tidak sekadar menjual token. Mereka menjual kemampuan untuk menalar masalah yang belum memiliki panduan baku. Perusahaan yang membayar tarif premium tidak melakukannya karena ketidaktahuan. Mereka melakukannya karena tugas-tugas yang mereka berikan kepada model-model ini bersifat berisiko tinggi atau kompleks secara struktural. Tim hukum yang menganalisis paparan regulasi baru tidak dapat mentoleransi sitasi hasil halusinasi. Tim produk yang merancang alur kerja agen (agentic workflow) multi-langkah membutuhkan model yang dapat merangkai logika dengan benar di beberapa giliran percakapan. Biaya kegagalan dalam skenario ini jauh melampaui biaya panggilan API.
Belanja modal mengalir ke arah lapisan di mana nilai masih diciptakan, bukan sekadar dieksekusi.
Pasar Tumbuh Lebih Cepat daripada Migrasi
Jika model open-source jauh lebih murah, dan perusahaan secara aktif mengalihkan beban kerja yang sudah matang ke arah model tersebut, mengapa pengeluaran untuk model frontier tidak runtuh? Jawabannya adalah bahwa total pasar tugas AI yang dapat dijangkau berkembang lebih cepat daripada kemampuan model tunggal mana pun untuk menjadikannya komoditas.
Setiap kali sebuah perusahaan berhasil mengotomatisasi alur kerja yang dapat diprediksi dengan alternatif open-source, dua hal terjadi. Pertama, tim tersebut menghemat uang pada eksekusi. Kedua, sumber daya dan talenta tersebut dialihkan ke masalah-masalah terkait yang lebih sulit. Pekerjaan rutin kini ditangani oleh mesin, yang berarti manusia dapat fokus pada hal-hal yang tidak teratur, strategis, dan belum pernah terjadi sebelumnya. Masalah yang baru ditemukan hampir selalu membutuhkan kedalaman penalaran dari model frontier.
Pola ini berulang di berbagai industri. Sebuah bank mengotomatisasi peninjauan dokumen menggunakan model murah, lalu mengalihkan perhatiannya untuk membangun model risiko dinamis yang memerlukan penilaian bernuansa. Sebuah perusahaan perangkat lunak mengotomatisasi pembuatan pengujian, lalu mencoba membangun agen debugging otonom yang harus melacak kesalahan di seluruh sistem terdistribusi. Batas frontier terus maju. Segera setelah satu tugas menjadi komoditas, kasus penggunaan yang lebih kompleks muncul dan menuntut kapabilitas premium.
Banyak tugas perusahaan juga tetap terlalu sensitif untuk diserahkan kepada generasi alternatif open-source saat ini. Dukungan triase medis, peramalan keuangan di bawah pengawasan regulasi, dan analisis strategi eksekutif membawa risiko penurunan yang membuat biaya inferensi menjadi tidak relevan dibandingkan dengan akurasi dan keandalan. Beban kerja ini menciptakan tingkat premium yang tahan lama. Hasilnya adalah ekonomi dua tingkat yang stabil: lapisan margin tinggi untuk penalaran kompleks dan penemuan, serta lapisan komoditas volume tinggi untuk eksekusi produksi rutin.
Apa Artinya bagi Pembeli Perusahaan
Poin praktisnya adalah bahwa pemilihan model harus mengikuti kematangan pekerjaan, bukan ideologi. Bangun dan validasi aplikasi AI baru pada model frontier paling mumpuni yang dapat Anda akses. Bayarlah tarif premium selama tahap penemuan. Ini lebih murah daripada membangun di atas model yang terbatas, gagal membuktikan nilai, dan akhirnya meninggalkan proyek tersebut. Setelah input, output, dan mode kegagalan diketahui, barulah lakukan optimasi secara agresif. Pindahkan beban kerja yang stabil ke alternatif open-source dan ambil penghematan biayanya.
Mencoba memaksakan setiap tugas ke dalam satu tingkat saja adalah resep untuk pemborosan modal atau hilangnya kapabilitas. Perusahaan yang menavigasi hal ini dengan benar akan menjalankan arsitektur hibrida secara default, bukan sebagai sebuah kompromi.
Ceritanya di sini bukanlah bahwa open source kalah, atau bahwa lab frontier tidak terkalahkan. Melainkan bahwa kedua tingkat tersebut sedang tumbuh, tetapi mereka tumbuh ke arah yang berbeda. Model open-source menelan dunia tugas AI yang sudah diketahui. Model frontier mengklaim wilayah yang belum diketahui. Untuk masa depan yang dapat diprediksi, ini adalah pengaturan yang nyaman bagi keduanya.