Pertengahan tahun 2026, indikator operasional utama industri AI, seperti pendapatan dan volume panggilan, tetap tumbuh pesat. Namun, setelah memecah struktur keuangan dan bisnis berbagai perusahaan, terlihat bahwa di balik set data pertumbuhan yang sama, model bisnisnya tidaklah seragam. Artikel ini merangkum empat paradoks struktural dalam model bisnis AI saat ini: biaya, hierarki, tanggung jawab, serta sumber terbuka vs tertutup. Keempat paradoks ini mengarah pada tren dasar yang sama: kecerdasan sedang dengan cepat menjadi komoditas, dan keuntungan hanya bertahan di beberapa segmen saja.
Paradoks Biaya: Token Semakin Murah, Tagihan Semakin Berat
Saat GPT-4 diluncurkan pada Maret 2023, harga input per juta Token adalah 30 dolar AS, harga output 60 dolar AS. Perusahaan yang menggunakannya untuk membangun sistem layanan pelanggan, biaya API dalam sebulan bisa melebihi gaji seluruh tim layanan pelanggan. Tiga tahun kemudian, harga untuk tingkat kecerdasan yang setara telah turun lebih dari 95%.
Secara logika, pengeluaran AI seharusnya menyusut, namun kenyataannya sebaliknya. Pada Maret 2026, volume panggilan Token global mingguan mencapai 20,4 triliun; volume panggilan harian di Tiongkok menembus 140 triliun, meningkat lebih dari seribu kali lipat sejak awal 2024. Fenomena ini konsisten dengan Paradox Jevons dalam ekonomi: semakin efisien mesin uap, semakin rendah konsumsi batu bara per unit, total konsumsi batu bara justru semakin besar. Penurunan harga per unit Token tidak membawa penurunan pada total tagihan.
Alasannya terletak pada perubahan struktur permintaan. Ketika harga cukup murah, banyak tugas yang sebelumnya tidak ekonomis mulai dimasukkan ke dalam cakupan pemrosesan AI, pengeluaran bulanan perusahaan meningkat dari 50 ribu dolar AS menjadi 500 ribu dolar AS, tetapi tugas yang diselesaikan juga sebelumnya tidak terbayangkan. Yang lebih krusial adalah migrasi paradigma penggunaan: interaksi dialogis di masa lalu dibatasi oleh waktu manusia, sementara Agen (agen cerdas) dapat berjalan 24 jam sehari, di belakang satu karyawan mungkin terdapat 10 Agen, volume penggunaan bisa puluhan kali lipat dari interaksi murni manusia. Penelitian menunjukkan bahwa konsumsi Token untuk tugas pemrograman agen sekitar seribu kali lipat dari tanya jawab biasa. Harga per unit turun satu orde magnitudo, total konsumsi mungkin naik dua orde magnitudo.
Distribusi biaya dalam rantai industri juga layak diperhatikan. Mengambil langganan Claude seharga 20 dolar AS per bulan sebagai contoh, setelah perusahaan model mengurangi biaya komputasi, saluran, dan operasional, ruang laba bersih relatif tipis; sementara keuntungan yang mengalir ke lapisan chip, terkadang tidak kalah dari perusahaan model. Pengguna membayar untuk kecerdasan, tetapi keuntungan justru banyak tertahan di hulu.
Menghadapi tekanan tagihan, industri mulai beralih dari menghemat harga per unit ke menghemat tugas: tugas sederhana dialihkan ke model kecil, menetapkan anggaran tugas untuk Agen untuk mencegah berjalan sia-sia; unit akuntansi juga berubah dari harga per juta Token menjadi total biaya untuk menyelesaikan suatu hal. Praktik menunjukkan bahwa dengan model dan volume penggunaan yang sama, perusahaan yang memiliki kemampuan dekomposisi tugas, verifikasi hasil, dan integrasi proses, efisiensi outputnya jauh lebih tinggi. Sementara itu, model subsidi juga mulai surut: Claude Code menghapus langganan harga rendah, Copilot berubah menjadi pembayaran berdasarkan volume. Efek Jevons tidak hilang: industri akhirnya menyadari, yang perlu dioptimalkan bukan daftar harga, tetapi tugas itu sendiri.
Sementara tagihan semakin berat, peningkatan efisiensi perusahaan seringkali tidak terlihat. Solow telah lama mencatat: komputer ada di mana-mana, kecuali dalam statistik produktivitas. Motor listrik adalah referensi yang sudah jadi: sudah ada sejak tahun 1880-an, namun pabrik-pabrik di Amerika Serikat butuh sekitar empat puluh tahun untuk mewujudkan efisiensinya, kebanyakan perusahaan hanya mengganti mesin uap dengan motor listrik, struktur transmisi tetap sama, padahal nilai listrik justru membutuhkan penataan ulang lini produksi.
Kondisi AI hari ini sama. Pendiri Databricks, Ghodsi, menceritakan sebuah kasus: sebuah konektor data biasanya membutuhkan pengembangan selama sembilan bulan, setelah memperkenalkan model besar, percobaan pertama hanya menghemat satu setengah bulan; sampai ada orang yang mendekomposisi dan mengerjakan ulang prosesnya, baru bisa memberikan hasil dalam satu kuartal. Kesimpulannya adalah, hambatannya bukan pada model, tetapi pada cara organisasi.
Karena itu, paradoks biaya memiliki dua lapisan: Paradox Jevons mengatakan, semakin murah token, semakin berat total tagihan; Paradox Solow mengatakan, tanpa mengubah proses, efisiensi tidak akan masuk ke dalam statistik. Yang pertama membutuhkan pengoptimalan tugas, yang kedua membutuhkan rekonstruksi proses.
Paradoks Hierarki: Aplikasi adalah Raja dan Aplikasi Sudah Mati
Konsensus di era internet seluler adalah aplikasi adalah raja: siapa yang menguasai waktu pengguna, siapa yang berpeluang memonetisasi melalui iklan dan rekomendasi, frekuensi tinggi mengalahkan frekuensi rendah, jumlah pembukaan sama dengan nilai.
Gelombang AI kali ini mengalami pembalikan. Jensen Huang pernah menyatakan secara terbuka bahwa nilai ekonomi pada akhirnya akan terwujud di lapisan aplikasi, aplikasi yang sukses akan menarik seluruh industri. Berdasarkan logika ini, dana seharusnya terkonsentrasi di lapisan aplikasi. Namun, pada musim panas 2026, penilaian utama di pasar primer adalah aplikasi sudah mati: evolusi model dasar terlalu cepat, aplikasi yang terlalu tipis sewaktu-waktu bisa tertutupi oleh ekstensi alami kemampuan model. Modal pertama-tama mengalir ke model dan infrastruktur, lapisan aplikasi masih ada yang mendapatkan pendanaan, tetapi jauh dari dianggap sebagai hal yang wajar seperti gelombang sebelumnya.
Buku besar industri sampai batas tertentu mendukung pilihan modal. Memecah berdasarkan tumpukan industri, saat pendapatan tahunan ekosistem AI generatif sekitar 4 triliun dolar AS, lapisan chip mengambil sekitar tujuh puluh persen pendapatan dan hampir delapan puluh persen laba kotor; pendapatan lapisan aplikasi sekitar 60 miliar dolar AS, margin laba kotor kebanyakan antara 0-30%, sementara perusahaan chip seperti NVIDIA bisa mencapai margin laba kotor sekitar tujuh puluh persen. Struktur segitiga siku-siku di mana lapisan aplikasi mendominasi porsi terbesar di era komputasi awan, dalam industri AI berbalik terbalik.
Di dalam lapisan model juga terjadi diferensiasi. Perusahaan yang cenderung ke API perusahaan, mengandalkan volume penggunaan pelanggan yang ada seperti bola salju, pendapatannya melonjak sementara margin laba kotor inferensi bisa membaik dari kerugian mendalam hingga sekitar tujuh puluh persen; sementara perusahaan yang menanggung beban pengguna gratis yang besar, kinerja operasionalnya jauh di bawah judul pendapatan. Surplus tidak terdistribusi merata di seluruh lapisan model, tetapi terkonsentrasi pada beberapa rute dengan retensi tinggi dan margin laba kotor tinggi. Dinginnya modal terhadap aplikasi, selain bias kognitif, juga memiliki dasar keuangan.
Kompetisi produk AI bukan lagi durasi tinggal pengguna, tetapi apakah pengguna bersedia mempercayakan tugas penting kepadanya. ChatBot umum dan Agen umum kemungkinan besar adalah medan tempur utama perusahaan model papan atas, peluang bagi perusahaan rintisan untuk bersaing langsung terbatas; arah yang masih bisa berdiri adalah memasukkan kecerdasan ke dalam skenario konkret, mengerjakan ulang produk sesuai cara terjadinya masalah yang sebenarnya. Pengguna tidak akan bertahan karena produk terhubung ke model tertentu, tetapi karena produk memahami materi, mengingat konteks, dan melanjutkan layanan. Harvey telah mendalami bidang hukum selama bertahun-tahun, akumulasi catatan pemeriksaan dan data preseden hukumnya, bukan sesuatu yang bisa direplikasi dengan investasi jangka pendek.
Dari sini bisa didapatkan kriteria penilaian yang sederhana: setiap kali model dasar ditingkatkan satu generasi, apakah nilai produk bertambah besar atau kecil? Yang mengecil, kemungkinan besar adalah kemasan kemampuan model; yang membesar, biasanya memiliki konteks privat, alur bisnis, kemampuan pengiriman lengkap, atau saluran. Segmen pemenuhan nilai tidak hilang, hanya standar keberhasilannya yang berubah: siapa yang bisa, ketika model menjadi lebih kuat, membuat dirinya menjadi bagian yang lebih sulit digantikan.
Paradoks Tanggung Jawab: Keuntungan Mengikuti Distribusi Tanggung Jawab
Pertama, lihat dua set data. Pendapatan Tahunan Berulang (ARR) Anthropic meningkat dari sekitar 1 miliar dolar AS pada Desember 2024 menjadi lebih dari 47 miliar dolar AS pada Mei 2026, tumbuh lebih dari empat puluh kali lipat dalam satu setengah tahun. OpenAI menyatakan secara resmi: ARR 2023 sebesar 2 miliar dolar AS, 2024 sebesar 6 miliar dolar AS, 2025 lebih dari 20 miliar dolar AS, dan pada akhir Februari 2026 telah melampaui 25 miliar dolar AS.
Tapi pertumbuhan tinggi hanya membuktikan keberadaan permintaan, tidak bisa membuktikan keuntungan bisa dipertahankan. Meski sama-sama berada dalam pertumbuhan tinggi, margin laba kotor infrastruktur inferensi Anthropic meningkat dari 38% setahun lalu menjadi di atas 70%; sementara OpenAI dalam pembaruan dokumen internal November 2025, menunda titik arus kas bebas menjadi positif hingga sekitar tahun 2030. Meski berada dalam industri AI yang sama, pertumbuhan kedua jenis perusahaan ini sudah menunjukkan perbedaan. Terhadap diferensiasi ini, ada tiga penjelasan utama di pasar, masing-masing memiliki sebagian kebenaran, tetapi juga melewatkan segmen kunci.
Penjelasan pertama adalah waktu bisa menyelesaikan segalanya: biaya inferensi turun satu orde magnitudo per tahun, tagihan komputasi yang saat ini menekan margin laba kotor, mungkin dalam dua tiga tahun ke depan tidak lagi menjadi masalah. Komputasi awan, penyimpanan, bandwidth semuanya melewati jalur awal membakar uang untuk skala, dan keuntungan muncul secara alami setelah kurva biaya rata. Namun penjelasan ini sulit menjawab fakta: dua tahun ketika biaya turun paling cepat, justru adalah dua tahun ketika diferensiasi keuntungan paling jelas. Jika penurunan biaya adalah obatnya, keuntungan industri seharusnya membaik secara keseluruhan, bukan setengah membaik, setengah memburuk. Alasannya, penurunan biaya bersifat universal, semua produsen mendapat manfaat bersamaan, dan juga secara bersamaan memberikan manfaat tersebut kepada pengguna melalui penurunan harga. Menggantungkan keuntungan pada deflasi biaya, sama dengan mengakui diri tidak memiliki kekuatan penetapan harga.
Penjelasan kedua adalah adanya parit pertahanan di lapisan aplikasi: produk layanan pelanggan, tiket kerja tertanam dalam sistem klien, akumulasi data dan biaya migrasi membentuk pertahanan. Penilaian ini berlaku lima tahun lalu, tetapi daya tarik inti alat AI generasi baru justru adalah biaya migrasi mendekati nol — tidak mengganti sistem klien, tetapi langsung mengambil alih proses yang ada. Adapun akumulasi data, satu lompatan besar kemampuan model dasar, bisa membuat basis pengetahuan industri yang terakumulasi selama bertahun-tahun turun nilainya drastis. Kasus yang paling ilustratif adalah Intercom: mereka meluncurkan Fin, membayar berdasarkan masalah yang benar-benar diselesaikan, 0,99 dolar AS per tiket, tidak dikenai biaya jika tidak terselesaikan. Ini sampai batas tertentu menunjukkan bahwa model lama menjual alat layanan pelanggan berdasarkan kursi sudah sulit dipertahankan.
Penjelasan ketiga adalah penagihan berdasarkan hasil tidak bisa dilakukan: apakah tiket kerja terselesaikan, apakah konversi penjualan harus dikreditkan ke AI, atribusi sulit dijelaskan. Karena itu, penagihan berdasarkan token, berdasarkan kursi adalah hal biasa, penagihan berdasarkan hasil hanyalah eksperimen tepi. Masalah atribusi memang ada, tetapi lebih mungkin menjadi sumber kekuatan penetapan harga daripada hambatan: justru karena atribusi sulit dicapai, produsen yang bisa mewujudkan atribusi di bidang tertentu, sama saja menjadikan kemampuan atribusi itu sendiri sebagai penghalang. Dan atribusi di beberapa bidang secara alami jelas, apakah tiket kerja terselesaikan, apakah penagihan utang kembali, apakah klaim asuransi diselesaikan, semuanya bisa ditulis dalam kontrak untuk diverifikasi. Bidang dengan atribusi tidak nyata tidak ditagih berdasarkan hasil, bidang dengan atribusi jelas ditagih berdasarkan hasil, berbagai mode penagihan akan hidup berdampingan dalam waktu lama.
Setelah mengecualikan ketiga penjelasan di atas, satu-satunya variabel struktural yang tersisa adalah: seberapa besar cakupan dan seberapa kuat kendali tanggung jawab yang bersedia diambil produsen untuk hasil tersebut. Semakin berat tanggung jawab, semakin tinggi margin laba kotor, dan semakin besar sumber anggarannya. Menjual berdasarkan Token memperebutkan anggaran TI, menjual berdasarkan hasil masuk ke anggaran sumber daya manusia: biaya sumber daya manusia satu departemen sepuluh ribu dolar AS per bulan, jika AI bisa menyelesaikan hasil yang setara dengan satu ribu dolar AS, ruang penetapan harga akan sangat berbeda.
Ini juga menjawab pertanyaan lain: mengapa bisnis yang paling mudah mendapatkan volume paling sulit mempertahankan keuntungan. Bisnis seperti layanan pelanggan, deskripsi produk, suara ke tiket kerja volumenya besar, mudah didemonstrasikan, mudah ditandatangani, tetapi juga justru adalah bisnis dengan kandungan tanggung jawab terendah, paling mudah langsung dicakup oleh model dasar. Sebaliknya, bidang-bidang seperti hukum, kesehatan yang frekuensinya rendah, regulasinya kuat, biaya kesalahan tinggi, pengirimannya berat, siklus penjualannya panjang, narasinya tidak seksi, tetapi menjual proses, data, dan tanggung jawab, peningkatan model sekali tidak bisa menghapusnya. Harvey memilih bidang hukum bukan kebetulan.
Karena itu, menilai posisi sebuah perusahaan AI, daripada fokus pada pertumbuhan dan kemampuan model, lebih baik menjawab dua pertanyaan: untuk bagian hasil mana mereka berani bertanggung jawab, dan apakah atribusi bagian hasil ini cukup kokoh. Yang pertama adalah kemauan, yang kedua adalah kemampuan, jika salah satu tidak ada maka tidak bisa mendapatkan premi hasil. Standar ini tidak menjamin penilaian yang akurat, teknologi atribusi masih berada di tahap awal, perubahan kebiasaan pembelian perusahaan juga lebih lambat dari perkiraan optimis. Namun dari segi arah, keuntungan kemungkinan besar tidak mengalir ke perusahaan dengan pertumbuhan tercepat, tetapi mengalir ke perusahaan yang berani bertanggung jawab, dan mampu bertanggung jawab.
Paradoks Sumber Terbuka vs Tertutup: Sumber Terbuka Mendapatkan Lalu Lintas, Tertutup Memenangkan Pendapatan
Hanya melihat volume penggunaan, sumber terbuka sudah memiliki keunggulan. Lima model dengan lalu lintas terbanyak di platform OpenRouter semuanya adalah model berbobot terbuka; dalam hal tingkat adopsi pengembang, sumber terbuka 79%, tertutup 71%. Model Tiongkok adalah kekuatan utama ekspansi sumber terbuka gelombang ini, pangsa di platform ini meningkat dari kurang dari 2% setahun lalu menjadi di atas 45% pada April 2026, pangsa volume Token di sepuluh model teratas mencapai 61%.
Hanya melihat pendapatan, keunggulan tertutup juga jelas. Survei a16z terhadap CIO perusahaan Global 2000 menunjukkan: proporsi pengeluaran perusahaan untuk model sumber terbuka turun dari 19% tahun lalu menjadi 11% tahun ini, tertutup 89%, rata-rata anggaran model besar per perusahaan sekitar 7 juta dolar AS per tahun. Di dalam platform OpenRouter juga terdapat struktur yang sama: Anthropic dengan pangsa Token 12% mendapatkan pangsa jumlah 46%.
Perbedaan kinerja hanya satu digit, harga 5-20 kali lebih murah, mengapa perusahaan masih memilih tertutup? Karena yang dibeli perusahaan tidak pernah hanya kecerdasan itu sendiri, tetapi juga termasuk keandalan, dukungan teknis, jaminan kepatuhan, serta subjek tanggung jawab jika terjadi masalah. Cukup dan berani digunakan untuk bisnis inti adalah dua hal yang berbeda. Detail lain dalam survei yang perlu diperhatikan: Total Biaya Kepemilikan (TCO) sumber terbuka dan tertutup sedang konvergen, kecepatan penurunan harga tertutup lebih cepat daripada kecepatan sumber terbuka membangun kepercayaan. Karena itu, penyebaran hybrid menjadi hal biasa: eksperimen dan skenario tepi menggunakan sumber terbuka, jalur kunci menggunakan tertutup.
Perubahan yang lebih dalam adalah, kubu sumber terbuka sendiri juga tidak bergantung pada model untuk menghasilkan keuntungan. Motivasi sumber terbuka produsen yang berbeda tidak sama. Ada yang bertujuan ekosistem platform, menggunakan bobot terbuka untuk mendapatkan pintu masuk pengembang dan suara dalam standar industri, disubsidi oleh bisnis utama yang sudah ada; ada yang menjadikan model sumber terbuka sebagai saluran akuisisi pelanggan untuk bisnis awan, menarik pengembang ke awan, sehingga mendorong pertumbuhan pendapatan awan yang berkelanjutan. Lapisan model sedang cepat menjadi komoditas, kolam keuntungan bermigrasi ke kedua ujung: komputasi di hulu, penyusunan, data, dan layanan di hilir.
Kesulitan kubu tertutup adalah, premi mereka sangat terkait dengan perbedaan generasi kemampuan, setiap kali sumber terbuka mendekati satu langkah, kekuatan penetapan harga berdasarkan token melonggar satu bagian. Tapi kelangkaan tidak hilang, hanya berlapis: model terdepan masih langka, kecerdasan yang cukup sedang menjadi komoditas. Karena itu, menilai posisi sebuah perusahaan, masalahnya bukan pada pilihannya sumber terbuka atau tertutup, tetapi pada apa yang diandalkannya untuk mendapatkan pendapatan, dan apakah pendapatannya bertambah atau berkurang ketika sumber terbuka maju selangkah lagi.
Artikel ini dari akun WeChat publik "Tencent Research Institute" (ID: cyberlawrc), penulis: Liu Qiong
