Di balik tajuk utama yang gemerlap, industri AI bergulat dengan pertanyaan-pertanyaan mendasar tentang laju inovasi, keberlanjutan modal, dan jalur yang makin berbeda antara pengembang model dan pembangun aplikasi.
Titik Balik Sunyi Industri
Kecerdasan buatan telah tumbuh dengan kecepatan yang belum pernah terjadi sebelumnya selama tiga tahun terakhir. Sejak peluncuran ChatGPT, adopsi konsumen telah memecahkan rekor, raksasa dari OpenAI hingga Google telah mengumumkan model secara beruntun, dan perusahaan Fortune 500 telah menempatkan AI di inti proses bisnis mereka. Namun hari ini, di balik tajuk utama yang gemerlap, industri menghadapi pertanyaan yang secara mendasar berbeda:
Apakah inovasi sejati masih terus melaju dengan momentum yang kuat, atau kita sedang menyaksikan sebuah mesin raksasa menabrak batas-batas tak kasatmata?
Untuk menjawab pertanyaan ini dengan tepat, kita perlu melihat ekosistem melalui dua lensa yang berbeda:
Pasar primer: Perusahaan yang mengembangkan model fondasional seperti GPT-4, Claude, dan Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Pasar sekunder: Perusahaan yang mengambil model-model ini dan membangun solusi untuk masalah nyata pengguna: Perplexity, Cursor, Notion AI, Replit.
Meski kedua pasar berada dalam industri yang sama, dinamika, struktur biaya, profil risiko, dan ekspektasi pertumbuhan mereka pada dasarnya berbeda. Ketegangan yang kita saksikan hari ini justru berasal dari perbedaan ini.
Batas Alami Pengembangan Model Mulai Muncul
Empat faktor mendasar telah membentuk evolusi model bahasa besar selama lima tahun terakhir:
- Ukuran model (jumlah parameter)
- Data pelatihan (kualitas dan keragaman)
- Daya komputasi (kapasitas GPU/TPU)
- Teknik pelatihan (arsitektur transformer, mekanisme attention)
Dari 2018 hingga 2023, keempat faktor ini meningkat ke arah yang sama, menciptakan lompatan besar. Inilah cara kita berkembang dari GPT-2 ke GPT-4, dari BERT ke PaLM. Namun, kurva ini tidak akan terus berlanjut tanpa batas. Data pelatihan kini menjadi hambatan paling kritis bagi industri.
Kumpulan data buatan manusia yang berkualitas tinggi, beragam, dan orisinal itu terbatas. Anda melatih model dengan Wikipedia, Anda melatihnya dengan arXiv, Anda melatihnya dengan GitHub: lalu setelah itu apa? Biaya di ranah ini meningkat secara eksponensial karena isu hak cipta, perjanjian kepemilikan data, dan pembatasan akses. Anda membuat kesepakatan dengan Reddit, bernegosiasi dengan Stack Overflow, menghadapi gugatan dari The New York Times. Meningkatkan ukuran model masih memungkinkan secara teknis, tetapi sisi data menciptakan batas alami.
Inilah sebabnya industri mengalihkan fokusnya dari ukuran model ke efisiensi. Penalaran chain-of-thought, reinforcement learning from human feedback (RLHF), teknik sampling yang lebih efektif, arsitektur mixture-of-experts (MoE): semuanya merupakan bagian dari transformasi ini.
Perkembangan ini penting, tetapi tidak berkelanjutan jika berdiri sendiri. Sebab pada titik tertentu, peningkatan efisiensi juga akan mencapai titik jenuh. Industri mulai menyadari bahwa inovasi model fondasional telah memasuki fase yang lebih lambat dan lebih mahal.
Tekanan Arus Modal dan Kerapuhan yang Kian Meningkat
Seiring batas-batas teknologi makin terasa nyata, pertumbuhan di sisi modal pun membawa risiko yang jauh lebih besar.
Perusahaan model fondasional sedang membangun infrastruktur komputasi berskala masif dan mengajukan penawaran agresif dalam perebutan talenta. Pengeluaran ini terjadi sebelum basis pendapatan yang kuat benar-benar terbentuk. Biaya komputasi tahunan OpenAI mencapai miliaran dolar. Anthropic menerima investasi miliaran dari Microsoft. Google mengalokasikan anggaran terpisah untuk DeepMind.
Miliaran yang diinvestasikan ke pusat data, kontrak GPU multi-tahun, gaji yang sangat fantastis yang dibayarkan kepada nama-nama seperti Ilya Sutskever: semua ini secara dramatis membengkakkan pos pengeluaran perusahaan.
Gambaran ini menunjukkan bahwa pasar primer dibangun di atas model scaling yang secara ekonomi sangat rapuh. Struktur biaya inovasi model jauh melampaui laju pertumbuhan pendapatan.
Kenaikan Senyap Lapisan Aplikasi
Sementara pasar primer berada di bawah tekanan, pasar sekunder bergerak maju dengan kurva pertumbuhan yang relatif sehat. Perusahaan-perusahaan ini mengambil model fondasional dan mengubahnya menjadi use case nyata.
- Perplexity: Mendesain ulang pengalaman pencarian
- Cursor & Replit: Mentransformasi proses coding
- Notion AI: Menjadikan alat produktivitas lebih cerdas
- Dvina: Terhubung ke 120+ aplikasi untuk mengelola seluruh kehidupan digital dari satu lapisan cerdas
Keunggulan perusahaan-perusahaan ini adalah kedekatannya dengan pengguna. Nilai nyata muncul langsung dalam pengalaman pengguna. Pencarian, coding, pembuatan konten, produktivitas, pemrosesan informasi: semua area ini menawarkan model pendapatan yang skalabel dan mudah dipahami.
Inilah sebabnya banyak produsen model fondasional mulai bergeser ke lapisan aplikasi. OpenAI mengubah ChatGPT menjadi sebuah produk, Anthropic menjadikan Claude sebagai penawaran untuk konsumen, Google mengintegrasikan Gemini. Strategi integrasi vertikal pun menyebar dengan cepat.
Namun strategi ini menimbulkan efek samping: biaya akuisisi melonjak tajam, valuasi pasar sekunder menggelembung. Fakta bahwa pasar sekunder: satu-satunya area yang mampu menghasilkan pendapatan: telah menjadi begitu mahal semakin memperbesar risiko modal di sektor ini.
Siklus Historis dan Faktor Pembeda Hari Ini
Kecerdasan buatan pernah mengalami dua kemerosotan besar di masa lalu: akhir 1970-an dan awal 1990-an. Kesamaan periode-periode tersebut adalah ekspektasi tinggi, laju inovasi yang rendah, dan minat investasi yang menguap.
Situasi hari ini berbeda. Inovasi teknis terus berlanjut, tetapi laju terobosan melambat. Sementara itu, arus modal tumbuh pada skala yang belum pernah terjadi sebelumnya. Sam Altman membahas dana komputasi senilai $7 trillion, Elon Musk menggelontorkan miliaran ke xAI.
Karena itu, apa yang sedang kita alami bukanlah "AI winter" klasik. Ini lebih merupakan periode kerapuhan berbasis alokasi modal: valuasi menggelembung, biaya melaju cepat, tetapi laju inovasi tidak memenuhi ekspektasi.
Era Baru: Bukan Model yang Lebih Besar, Melainkan Pendekatan yang Lebih Cerdas yang Akan Menang
Perbedaan paling krusial saat ini adalah ini: yang penting sekarang bukanlah menghasilkan model yang semakin masif dengan menambahkan lebih banyak parameter.
Transformasi nyata akan terjadi di area-area berikut:
- Meningkatkan efisiensi parameter
- Mencapai kualitas yang lebih tinggi dengan model yang lebih kecil
- Mengembangkan teknik pelatihan baru
- Menggunakan data secara lebih strategis dan efektif
- Mengurangi biaya pelatihan secara drastis
Salah satu contoh terbaru yang paling mencolok adalah DeepSeek. Startup asal Tiongkok ini mengembangkan model dengan performa setara GPT-4, tetapi dengan biaya pelatihan yang jauh lebih rendah. Arsitektur mixture-of-experts, optimisasi parameter, teknik pelatihan yang berfokus pada efisiensi. Pasar bereaksi keras.
Setelah pengumuman DeepSeek, kapitalisasi pasar NVIDIA turun $600 miliar dalam satu hari. Ini menunjukkan bahwa investor kini tidak hanya mencermati perlombaan menuju model yang lebih besar, tetapi juga perlombaan menuju efisiensi dan inovasi arsitektural.
Namun, ini pun masih belum cukup. Jika sektor ini ingin mengalami lompatan yang benar-benar nyata, hal itu akan datang melalui paradigma arsitektur baru. Sesuatu yang melampaui arsitektur transformer. Mungkin komputasi neuromorfik, mungkin model hibrida, atau mungkin kerangka pembelajaran yang sepenuhnya berbeda.
Transformasi radikal semacam ini biasanya tidak datang dari perusahaan besar. Mereka bergerak hati-hati karena tekanan skala, biaya infrastruktur, dan manajemen risiko korporat. Terobosan nyata sering kali muncul dari startup kecil yang agresif, toleran terhadap risiko, dan ambisius.
Ekosistem AI saat ini kemungkinan sedang menunggu disrupsi semacam itu.
Kesimpulan: Bukan Sumber Daya, Melainkan Pendekatan yang Akan Menang
Sektor AI saat ini berayun di antara dua ketegangan: di satu sisi, strategi penskalaan model yang mendekati batasnya; di sisi lain, risiko modal yang terus meningkat dan pasar aplikasi yang nilainya naik dengan cepat.
Gambaran ini menunjukkan bahwa masalah mendasarnya kini adalah pendekatan, bukan kapasitas. Pemenang di masa depan bukanlah mereka yang membangun model yang lebih besar, melainkan mereka yang membangun metode yang lebih cerdas. Efisiensi, desain arsitektur baru, dan teknik pelatihan yang dioptimalkan kini menjadi garis pemisah yang sesungguhnya di sektor ini.
Yang akan menentukan di masa depan adalah kualitas pendekatan, bukan kekuatan sumber daya. Dan kemungkinan bahwa startup visioner, alih-alih perusahaan besar, akan memulai pergeseran pendekatan ini cukup tinggi.
