6 Februari 2026, terakhir kalinya manusia mengungguli AI.
Hari itu, token yang digunakan manusia di OpenRouter untuk pertama kalinya disamai oleh agen cerdas.
Hanya dalam waktu setengah tahun, jarak antara dua garis itu sudah selisih 5 kali lipat.
Menurut statistik OpenRouter, per 10 Agustus, penggunaan token kelas Agent naik dari sekitar 0,51 triliun menjadi 7,3 triliun, 14 kali lipat; garis manusia juga naik menjadi 1,4 triliun, tapi hanya 2,8 kali lipat.
Perbedaan yang begitu besar membuat Peter sedikit bingung: rasanya seperti terpisah 10 tahun, padahal 6 Februari baru saja setengah tahun yang lalu.
Bukan Siapa Kamu, Tapi Bagaimana Kamu Menggunakannya
Pertama, mari kita jelaskan dari mana data ini berasal dan bagaimana menghitungnya.
OpenRouter adalah salah satu gateway model terbesar di dunia, menghubungkan sekitar 70 penyedia model di satu sisi, dan pengembang di sisi lain, memproses 28 triliun token per minggu.
Menurut perkiraan co-founder & COO Chris Clark, ini sekitar 1% dari volume inferensi global, di mana separuhnya berasal dari AS.
Lalu, bagaimana 1% token ini dibedakan mana yang manusia dan mana yang Agent?
OpenRouter tidak melihat siapa kamu, tapi bagaimana kamu menggunakannya. Caranya dengan melacak perilaku berdasarkan API key:
Seberapa sering alat dipanggil, jeda berapa detik antara dua respons, berapa kali percakapan bolak-balik, total ada 7 sinyal seperti ini, diberi bobot dan dinilai, lalu lalu lintas dibagi menjadi tiga kategori: Agentic, Mixed, dan Human.
Mengapa melihat perilaku saja sudah bisa membedakan?
Logikanya sederhana, manusia menggunakan AI dengan bertanya, lalu berhenti sejenak, di sela-sela itu membaca, berpikir, mengetik; Agent justru bekerja tanpa henti, terus memanggil alat, menjalankan putaran berulang, ritme seperti ini jelas bukan milik makhluk berbasis karbon.
Jadi ini adalah model estimasi, tapi arahnya tidak akan salah.
Satu tujuan manusia, kini bisa memicu puluhan putaran panggilan model dan alat. Statistik token bukan menghitung berapa banyak orang yang menggunakan AI, tapi seberapa dalam AI bekerja untuk manusia.
Satu Tugas Agent, Setara Seratus Kali Chat
Yang benar-benar memperlebar jarak antara manusia dan Agent adalah perbedaan cara penggunaannya.
Seperti apa permintaan manusia?
Buka kotak dialog, ketik prompt, tunggu jawaban, salin, tutup.
Dari awal sampai akhir, kamu dan model total berbicara kurang dari sepuluh kalimat, dalam catatan paling banyak ribuan token.
Tapi permintaan agen cerdas adalah cerita yang sama sekali berbeda.
Kamu memberinya satu tujuan, dia akan melanjutkan sendiri: membaca file, memanggil alat, menulis hasil, baca lagi, edit lagi, berputar-putar sampai tugas selesai.
Manusia memasukkan tujuan, aturan, dan konteks ke dalam prompt awal itu, setelah itu model terus membaca dan menulis secara inkremental berdasarkan konteks tersebut.
Saat kamu masih bertanya dan menjawab satu per satu, Agent sudah bisa menjalankan tugas seharian hanya dengan satu perintah!
Jadi, orang yang sama, pagi masih menyalin-tempel manual di kotak dialog, siang menjalankan agen cerdas, catatan token langsung akan berubah ke tingkat yang lebih tinggi.
Kata Peter tepat sasaran: Perubahan perilaku yang benar-benar membuka kuantitas besar adalah ketika orang mulai membuat agen cerdas berjalan secara mandiri untuk waktu yang lama.
Token Semurah Apa Pun, Bisa Habiskan Anggaran
Melihat 14 kali lipat, reaksi pertama kamu mungkin: membakar uang.
Memang membakar uang, tapi bukan seperti yang kamu bayangkan.
Peter menambahkan: Karena agen cerdas secara alami bersifat multi-putaran, rata-rata hampir 70% token dalam satu permintaan agen cerdas berasal dari prompt cache, dan harga cache biasanya jauh lebih murah.
Logikanya tidak sulit dipahami.
Agen bekerja dengan membaca dan menulis berulang-ulang untuk tujuan yang sama: pertama kali menuangkan semua konteks (spesifikasi kode, manual operasi, daftar alat), bayar sekali harga penuh; setiap putaran berikutnya hanya melakukan pembaruan inkremental, bagian yang kena cache hanya dikenakan sebagian kecil dari harga input normal.
Dengan kata lain, dalam kurva yang curam itu, hampir 70% adalah konteks yang sama yang digunakan berulang kali.
Perbandingan komposisi token Agent vs manusia, token cache menyumbang hampir seluruh peningkatan. a16z menulis lebih dari 85% berdasarkan total volume, post asli Peter menyebut rata-rata per permintaan sekitar 70%.
Harga per unit memang turun, tapi jumlah penggunaan melonjak gila-gilaan.
CTO Uber Praveen Neppalli Naga mengungkapkan awal tahun ini, insinyur perusahaan mereka hanya butuh empat bulan untuk menghabiskan anggaran Claude Code untuk setahun penuh.
Menurut media, dirinya sendiri dalam demo dua jam menghabiskan $1.200.
Harga per unit diskon 70%, penggunaan naik 14 kali lipat, hasil perkalian ini tidak sulit dihitung.
EY menghitung dengan cara yang lebih intuitif: interaksi layanan pelanggan yang sama, biaya 2023 sekitar $0,04, naik menjadi sekitar $1,20 pada 2026, 30 kali lipat.
Bukan modelnya yang jadi lebih mahal.
Dulu pelanggan bertanya satu, sistem jawab satu, satu garis lurus sampai selesai.
Sekarang pelanggan masih bertanya satu, tapi di belakangnya sudah ada pemeriksaan tiket kerja, pengecekan stok, pencarian catatan, berpikir satu putaran, edit satu putaran, bergulat belasan putaran baru keluarkan satu balasan.
Hal yang sama, cara kerjanya berubah, harganya pun berubah.
Goldman Sachs memperkirakan, AI agen cerdas bisa mendorong konsumsi token tahun 2030 naik 24 kali lipat.
Biaya apa pun yang naik 14 kali lipat dalam setengah tahun, orang akan mulai menghitung detailnya. Kata Peter, inilah alasan mengapa model bobot terbuka dan layanan token murah tiba-tiba menjadi incaran.
Dan lagi, token cache memang murah, tapi membutuhkan memori.
Agen cerdas berjalan berjam-jam, dari awal sampai akhir tidak perlu mengulang dari nol, bergantung pada memori yang menampung seluruh konteks itu.
Mengapa memori bandwidth tinggi baru-baru ini begitu ketat, setengah jawabannya bisa ditemukan di sini.
Pembeda Bukan di Model Mana yang Kamu Gunakan
Lalu, cara menghematnya, apakah dengan mengganti model yang lebih murah?
Pembeda sebenarnya bukan di model mana yang kamu gunakan.
Model yang sama, jika kamu gunakan sebagai kotak pencarian, sehari ribuan token; jika kamu sambungkan ke file, alat, dan alur yang bisa berjalan terus sendiri, sehari puluhan juta token juga tidak aneh.
Perbedaannya bukan pada model, tapi apakah kamu memasukkannya ke dalam pekerjaan yang sebenarnya.
Seberapa besar jurang ini, satu set data dari OpenAI bisa jadi referensi:
10% perusahaan yang paling dalam penggunaannya, token yang dihasilkan per pengguna aktif, adalah 8,3 kali lipat perusahaan tipikal. Jarak ini di Januari baru 2,6 kali lipat.
Setengah tahun, jarak melebar lebih dari tiga kali lipat dari sebelumnya.
Yang memperlebar jarak bukan model, tapi kelengkapannya.
Dalam statistik yang sama, pengguna aktif di perusahaan puncak 21% menggunakan plugin setiap minggu, perusahaan tipikal hanya 9%; tingkat adopsi skill 19% vs 3%. Di dalam OpenAI sendiri, angka ini adalah 95%.
Kemas beberapa hal yang biasa kamu lakukan menjadi satu set skill yang dapat digunakan kembali, agen cerdas tidak perlu lagi mencari tahu dari awal setiap kali.
Beberapa kali pencarian lebih sedikit, beberapa kali pengulangan lebih sedikit, yang dihemat adalah uang.
Token Dihabiskan, Siapa yang Menerima?
Tapi, seakurat apa pun perhitungannya, tidak berarti pekerjaan ini bisa dipercayakan sepenuhnya.
Lonjakan lalu lintas agen cerdas, tidak berarti AI semuanya bertindak mandiri. Banyak tugas masih dimulai manusia, di tengahnya sering kali masih tersangkut persetujuan manual.
Seorang pengembang yang melayani klien sektor jasa di komentar post asli Peter menyebutkan, bos-bos yang dilayaninya tidak pernah berpikir untuk melepaskan kendali sepenuhnya, pembelian, pengiriman, tanda tangan, setiap langkah harus kembali ke manusia.
Tapi masalahnya, kembali ke manusia belum tentu benar-benar menemukan orangnya.
Seorang praktisi lain mengatakan, agen cerdas mereka menghapus 18 video di akun iklan, baru diketahui sehari kemudian.
Ini bukan kesalahan model yang keterlaluan, tapi tidak ada yang benar-benar melihat langkah itu.
Pengeluaran token bisa naik 14 kali lipat dalam setengah tahun, tapi tenaga pengecekan tidak bisa naik sebanyak itu. Ini mungkin catatan yang paling mudah diabaikan, juga paling mahal dalam pertumbuhan kali ini.
Analisis, riset, draf awal, rencana, tindakan eksekusi berulang semuanya akan berlebihan ke depannya.
Yang benar-benar langka adalah verifikasi, penilaian, dan keputusan apa yang layak dilakukan.
AI sudah menjadi konsumen utama token, tapi sampai hari ini, dia belum bisa menandatangani untukmu.
Di masa depan, masalah sebenarnya bukan lagi apakah kamu menggunakan AI.
Tapi, siapa yang akan memeriksa pekerjaan yang AI lakukan untukmu, siapa yang akan memutuskan langkah selanjutnya.
Referensi:
https://www.linkedin.com/posts/peterjameswalker_february-6th-2026-potentially-the-last-share-7493029881841344512-IK89/
https://the-decoder.com/ai-is-becoming-ais-biggest-customer-as-agentic-token-usage-jumps-14x-on-openrouter/
https://openai.com/signals/enterprise-data/
https://www.a16z.news/p/charts-of-the-week-winds-of-thematic
https://www.ey.com/en_us/insights/ai/agentic-ai-token-costs
Artikel ini dari akun WeChat "Xin Zhi Yuan", penulis: ASI Revelation; editor: Yuan Yu
