Tokenomika: Mengapa Sulit Memonetisasi AI
ORBITINDONESIA.COM - Jika Anda pernah menggunakan versi gratis ChatGPT atau pesaing AI-nya, Anda jelas mendapatkan keuntungan besar.
Perusahaan seperti Microsoft, Google, dan Anthropic telah menginvestasikan ratusan miliar dolar untuk mengembangkan Large Language Models (LLM)—teknologi di balik layanan-layanan tersebut.
Jadi, memanfaatkan ChatGPT, Claude, atau Gemini untuk membantu menyusun pidato atau merencanakan liburan adalah penawaran yang sangat menguntungkan.
Namun, tentu saja, perusahaan-perusahaan tersebut ingin mengembalikan modal investasi mereka; karenanya, mereka menawarkan versi berbayar dari AI mereka yang dilengkapi fitur tambahan untuk tugas-tugas seperti pemrograman (*coding*) atau penagihan (*billing*).
Sementara itu, perusahaan pihak ketiga sedang membangun dan menjual layanan berbasis agen AI—yang biasanya menggunakan LLM—yang dilatih untuk melakukan tugas-tugas spesifik.
Namun, menentukan harga untuk layanan-layanan tersebut ternyata sangat sulit.
"Mencoba mengikat seseorang pada model biaya untuk 12 bulan, dua tahun, atau tiga tahun ke depan itu sebenarnya tidak masuk akal, karena kita tidak tahu apa yang akan terjadi," ujar Simon Gooch dari Saviynt, sebuah perusahaan manajemen identitas yang sedang mengintegrasikan AI berbasis agen (*agentic AI*) ke dalam layanannya.
Hal ini disebabkan oleh dinamika ekonomi yang berubah cepat terkait token—unit dasar pembentuk LLM dan AI berbasis agen.
Saat pengguna meminta LLM (seperti ChatGPT atau Claude dari Anthropic) untuk menjawab pertanyaan, membuat kode perangkat lunak, atau mengotomatisasi proses, perintah (*prompt*) tersebut dipecah menjadi potongan-potongan matematis yang disebut token, yang kemudian dapat diproses oleh model tersebut.
Respons dari LLM juga berupa token, yang kemudian diubah kembali menjadi teks, kode perangkat lunak, atau serangkaian perintah untuk menjalankan otomatisasi proses.
Masalahnya, proses ini tidak sepenuhnya dapat diprediksi.
Variasi kecil pada perintah dapat menghasilkan jawaban yang berbeda. Perintah yang sama tidak selalu menghasilkan jawaban yang sama. Model yang berbeda pun akan memberikan jawaban yang berbeda pula.
Di sisi lain, dalam sistem berbasis agen, perusahaan menggunakan beberapa agen AI secara bersamaan untuk mengambil keputusan dan melakukan tindakan, yang semakin meningkatkan penggunaan token sekaligus ketidakpastian hasilnya.
Meskipun biaya per token—atau kredit yang digunakan untuk membayarnya—telah turun drastis dalam beberapa tahun terakhir menurut analisis Goldman Sachs, jumlah token yang dikonsumsi oleh dunia bisnis maupun konsumen justru melonjak tajam. Bank tersebut memprediksi bahwa konsumsi token akan meningkat 24 kali lipat antara tahun 2026 dan 2030, mencapai 120 kuadriliun token per bulan, seiring beralihnya perusahaan ke penggunaan agen AI.
Namun, baik perusahaan maupun individu yang menggunakan sistem AI sering kali kurang memahami seberapa banyak token yang sebenarnya mereka habiskan—hingga akhirnya kuota mereka habis atau mereka menerima tagihan bulanan.
Bahkan Microsoft dilaporkan telah membatasi penggunaan sejumlah alat pemrograman pihak ketiga oleh para insinyurnya, sementara Uber kabarnya telah menghabiskan anggaran token pemrograman AI untuk satu tahun penuh hanya dalam hitungan bulan pada awal tahun ini.
Will Venters, profesor madya bidang Inovasi Digital dan Sistem Informasi di London School of Economics, mengatakan bahwa perusahaan bisa saja kewalahan saat bereksperimen atau menerapkan AI secara internal, karena staf terus menghabiskan token dalam jumlah besar.
"Orang-orang merasa sangat sulit mengelola biaya tersebut... hasilnya tidak dapat diprediksi secara pasti, sehingga nilainya pun tidak dapat dipastikan sebelumnya," ujarnya.
Perusahaan pun mulai mencari cara untuk menyiasati hal ini.
Oliver King-Smith, pendiri perusahaan perangkat lunak teknik smartR AI, mengatakan bahwa organisasi yang lebih kecil "bisa bergerak di bawah radar dan menggunakan akun pribadi dengan biaya tetap (flat fee), yang saya yakin tidak disukai oleh vendor-vendor besar."
Namun, ia menambahkan: "Situasi ini pasti akan berakhir suatu saat nanti, karena perusahaan-perusahaan besar tersebut mengalami kerugian akibat penggunaan akun-akun semacam itu."
Begitu platform AI besar mulai mendapat tekanan dari pemegang saham untuk mencetak laba, ia memprediksi: "Mereka akan mulai memperketat aturan."
King-Smith mengatakan perusahaan juga sebaiknya mempertimbangkan dengan lebih cermat model AI mana yang akan digunakan.
Perusahaan juga perlu jauh lebih presisi dalam menyusun prompt (instruksi) mereka, kata Rob Steele, CFO di perusahaan perangkat lunak akuntansi asal Inggris, iplicit.
"Anda tentu tidak akan menyuruh anggota keluarga berbelanja kebutuhan mingguan tanpa memberikan instruksi rinci mengenai apa saja yang Anda harapkan ada di dalam keranjang belanjaan itu, bukan?"
Situasi bisa menjadi sulit dikendalikan ketika perusahaan mengintegrasikan AI ke dalam produk yang akan diluncurkan kepada ribuan pengguna, ungkap Venters.
Biaya AI bisa membengkak drastis. Sebagai contoh, para manajer mungkin menyadari bahwa mereka membutuhkan token tidak hanya untuk pengembangan perangkat lunak inti, tetapi juga untuk tugas-tugas lain seperti pengujian, keamanan, atau penerapan mekanisme pembatas (*guardrails*). "Hal ini terutama sulit ketika kita mencermati proses-proses yang bersifat agenik," ujar Ventners.
Pengerahan lebih banyak agen AI dapat dilakukan hanya dengan sekali klik, sedangkan penambahan tenaga kerja manusia akan melibatkan pembahasan cermat mengenai jumlah personel dan proses perekrutan, ungkapnya.
Venters menunjukkan bahwa meskipun biaya token mungkin sulit diprediksi, pada akhirnya perusahaan bisa jadi memperoleh nilai lebih dari penggunaan token tersebut bersama AI.
"Ini tidak persis sama dengan kalkulator," ujarnya. "Semakin banyak input yang Anda berikan, semakin tinggi biayanya, namun hasilnya mungkin juga akan semakin baik."
Namun, perusahaan tetap perlu membebankan biaya tersebut kepada pelanggan mereka sendiri.
"Belum ada yang benar-benar menemukan solusinya," kata Bill Peterson, direktur senior pemasaran produk di Sumo Logic.
Ia menjelaskan bahwa perusahaan perangkat lunak tersebut sedang memperkenalkan layanan keamanan baru berbasis agentic AI, namun masih mendiskusikan skema penetapan harganya dengan pelanggan korporat.
"Kami masih melakukan diskusi yang cukup menarik mengenai hal ini secara internal," ujarnya dengan nada sedikit jenaka.
Menurutnya, beberapa opsi yang bisa diambil antara lain menaikkan harga secara menyeluruh, menerapkan pembayaran berdasarkan hasil, atau mengenakan biaya untuk "paket" penanganan insiden.
Akan tetapi, struktur harga apa pun yang dipilih bisa saja berubah total jika penyedia model bahasa besar (*large language model*) mengubah strategi penetapan harga mereka sendiri.
"Anda berhadapan dengan sistem harga variabel yang berubah setiap beberapa bulan," katanya. "Pelanggan tidak menyukai hal itu. Bukan begitu cara orang menyusun anggaran."
(Sumber: BBC) ***
