Kelelahan Model AI Muncul Saat Perusahaan Kesulitan Menjaga Kecepatan Pembaruan Cepat

“Kelelahan model” bukan karena model berhenti berkembang, tetapi karena kecepatan pembaruan model telah melebihi kecepatan pengujian, pengadaan, dan tata kelola perusahaan. Sumber daya yang benar-benar langka sedang berpindah dari “mendapatkan model yang lebih kuat” menjadi “secara berkelanjutan menilai model mana yang layak digunakan”.

Penulis artikel, sumber: ME News

• “Kelelahan model” bukan karena model berhenti berkembang, tetapi karena kecepatan pembaruan model telah melebihi kecepatan pengujian, pengadaan, dan tata kelola perusahaan. Sumber daya yang benar-benar langka sedang berpindah dari “mendapatkan model yang lebih kuat” menjadi “secara berkelanjutan menilai model mana yang layak digunakan”.
• Minggu ini, Anthropic, Meta, Google, dan OpenAI secara terkonsentrasi memperbarui model mereka dalam beberapa hari, tetapi banyak di antaranya merupakan pembaruan versi kecil. Model terus menjadi lebih kuat, namun semakin sulit untuk menilai siapa yang mengalami lompatan generasi sejati hanya dengan mengandalkan daftar peringkat tunggal.
• Setelah memasuki tahap Agent, biaya perusahaan tidak lagi hanya melihat harga satuan Token, tetapi juga mencakup jumlah pemanggilan alat, cache, panjang inferensi, tingkat keberhasilan tugas, dan tinjauan keamanan dalam total biaya.
• Gartner memperkirakan pengeluaran AI global mencapai USD 2,596 triliun pada tahun 2026, meningkat 47% secara tahunan, tetapi hanya 22% organisasi yang disurvei telah menerapkan AI secara skala besar di beberapa unit bisnis. Uang terus mengalir lebih cepat, sementara kemampuan organisasi untuk menyerapnya tidak meningkat secara sejajar.

Hingga 7 September 2026, minggu lalu hampir seperti serangkaian peluncuran model yang berkelanjutan. Anthropic meluncurkan Claude Fable 5.1 dan Claude Mythos 5.1 dengan akses terbatas pada 1 September; pada 2 September, Meta merilis Muse Spark 1.3, dan Google meluncurkan Gemini 3.8 Flash; pada 3 September, OpenAI memperkenalkan GPT-6 Astra. CNBC oleh karena itu merangkum perasaan pasar saat ini sebagai “model fatigue”, atau kelelahan model. Istilah ini menggambarkan bukan kelelahan pengguna terhadap AI, melainkan tekanan yang dialami CEO perusahaan, CIO, tim pengembang, dan departemen pembelian untuk terus membandingkan kemampuan, harga, stabilitas, dan risiko, di mana biaya evaluasi mulai menyamai manfaat yang dihasilkan dari peningkatan model itu sendiri.

Ini berbeda dengan psikologi pasar dua tahun lalu. Masalah inti awal adalah “apakah ada model yang cukup kuat tersedia”, di mana model generasi pertama sering kali menciptakan jendela keunggulan selama berbulan-bulan; pada tahun 2026, masalahnya berubah menjadi “apakah model yang lebih kuat minggu ini layak mengganti pemilihan teknis yang baru saja dilakukan minggu lalu”. Peningkatan versi titik, tingkat inferensi, versi keamanan khusus, dan versi optimasi Agent muncul secara bersamaan; model tidak lagi seperti produk standar yang mudah dibandingkan, tetapi lebih mirip kombinasi instance, database, dan middleware yang terus berubah di era komputasi awan.

CNBC mengutip pernyataan perusahaan AI: jika rencana awalnya adalah mengevaluasi 10 model, tim mungkin hanya menguji 5, karena evaluasi penuh memakan sumber daya komputasi, waktu teknis, dan waktu pakar bisnis. Perusahaan juga tidak bisa menilai kualitas model hanya berdasarkan beberapa sesi percakapan, melainkan harus melakukan pengujian regresi pada repositori kode, kontrak, data keuangan, dan sistem otorisasi mereka sendiri, serta memverifikasi tingkat halusinasi, latensi, retensi data, pemanggilan alat, dan pemulihan kegagalan. Sebuah produsen yang meningkatkan skor benchmark beberapa persen dapat mengubah sebagian manfaat teknis menjadi biaya organisasi baru, dengan memaksa pelanggan untuk menjalani ulang verifikasi produksi.

Oleh karena itu, saya lebih cenderung memahami “kelelahan model” sebagai sinyal kematangan industri, bukan stagnasi teknologi. Hanya ketika pasokan cukup banyak, kesenjangan kinerja mulai menyempit, dan pelanggan memiliki pilihan alternatif, pasar akan beralih dari “mengikuti yang terbaru” menjadi “menghitung biaya keseluruhan”. Ini tidak asing dengan evolusi industri database, cloud computing, dan chip: di tahap awal, diskusi berfokus pada kinerja puncak, tetapi setelah matang, faktor yang benar-benar menentukan pembelian sering kali adalah biaya migrasi, keandalan, kompatibilitas, dan operasional jangka panjang.

Beberapa produk yang dirilis minggu ini secara tepat menunjukkan perubahan ini. OpenAI memposisikan GPT-6 Astra sebagai model mutakhir baru, dengan penekanan pada operasi komputer, penjelajahan, rekayasa perangkat lunak, dan keamanan siber; Fable 5.1 dari Anthropic terus memperkuat pemrograman dan pekerjaan pengetahuan, serta mengurangi biaya tugas Agent melalui biaya pembacaan cache yang lebih rendah; Meta menyatakan bahwa Muse Spark 1.3 mengurangi sekitar 20% panggilan alat dan 25% penggunaan Token dibandingkan versi 1.2 dalam perbandingan teknis internal; Gemini 3.8 Flash dari Google sudah menjadi pembaruan ketiga dalam seri Flash dalam enam minggu terakhir.

Semua indikator ini penting, tetapi sudah tidak bisa diringkas menjadi satu "siapa yang pertama". Harga API standar Claude Fable 5.1 dan GPT-6 Astra saat ini masing-masing adalah $10 per juta token masukan dan $50 per juta token keluaran, sedangkan Gemini 3.8 Flash masing-masing $0,75 dan $3,75, dengan perbedaan tampak lebih dari satu orde besar. Namun, perusahaan sebenarnya tidak membeli token, melainkan hasil tugas yang diselesaikan. Sebuah model yang lebih mahal tetapi mampu menyelesaikan tugas kompleks dalam satu kali upaya mungkin lebih hemat biaya daripada model yang lebih murah namun memerlukan beberapa siklus percobaan ulang; jika tugasnya hanya klasifikasi, ekstraksi, dan standardisasi penulisan, pemanggilan berkelanjutan terhadap model unggulan bisa menjadi pemborosan yang jelas.

Era Agent akan semakin memperbesar perbedaan ini. Di era chatbot, biaya satu permintaan masih dapat diperkirakan berdasarkan token masukan dan keluaran; namun, Agent akan merencanakan langkah-langkahnya sendiri, menjelajahi web, memanggil kode, mengoperasikan perangkat lunak, dan memeriksa hasilnya berulang kali—satu tugas dapat melalui beberapa putaran pemanggilan model. Produsen kini mulai menekankan “lebih sedikit pemanggilan alat”, “lebih sedikit token”, dan “keberhasilan tugas yang lebih tinggi”, yang secara langsung menunjukkan bahwa persaingan sedang berpindah dari harga inferensi tunggal menuju ekonomi tugas end-to-end.

Ini juga berarti perusahaan matang pada akhirnya harus membangun standar internal mereka sendiri. Layanan pelanggan melihat tingkat penyelesaian dan tingkat transfer ke agen manusia, model kode melihat tingkat penggabungan, tingkat rollback, dan tingkat cacat, skenario keuangan melihat akurasi angka dan keterauditan, sedangkan Agent harus melihat tingkat penyelesaian, tingkat pelanggaran wewenang, dan total biaya per tugas yang berhasil. Stack model masa depan kemungkinan besar bukanlah mempertaruhkan satu juara, melainkan membagi peran antar model berbeda, lalu secara otomatis merutekan berdasarkan nilai tugas, persyaratan latensi, dan tingkat risiko.

Hal yang paling perlu diwaspadai dari "kelelahan model" adalah perusahaan mungkin salah mengartikan "terus menguji model baru" sebagai "sedang mendorong transformasi AI". Gartner memperkirakan pada Mei 2024 bahwa pengeluaran AI global akan mencapai $2,596 triliun pada tahun 2026, meningkat 47% secara tahunan, dengan infrastruktur AI sekitar $1,432 triliun; pengeluaran untuk model AI meskipun hanya $32,6 miliar, diperkirakan meningkat 110% secara tahunan. Permintaan tidak menurun, masalahnya adalah apakah perusahaan dapat mengubah investasi tersebut menjadi output yang stabil.

Hasil survei lain yang dirilis Gartner pada 1 September lebih jelas menggambarkan kontradiksi ini: dari 1.303 responden dari organisasi dengan pendapatan tahunan minimal $50 juta, hanya 22% organisasi yang telah berhasil memperluas AI ke beberapa unit bisnis atau mengadopsi model AI-first, sekitar 11% organisasi bahkan tidak tahu berapa banyak dana yang dihabiskan oleh fungsi mereka untuk AI pada tahun 2025; sementara itu, 85% kepala fungsi berencana untuk terus meningkatkan pengeluaran AI pada tahun 2026. Anggaran modal dan perangkat lunak sedang mempercepat, tetapi tata kelola, transparansi keuangan, dan kemampuan organisasi jelas tertinggal.

Dalam situasi ini, sering berganti model mudah menciptakan kemajuan teknis yang palsu. Hari ini beralih dari model A ke model B, besok karena peringkat tertentu beralih ke model C, efek demonstrasi terus diperbarui, tetapi tata kelola data, desain ulang proses, batasan tanggung jawab, dan perhitungan ROI tidak membaik. Perusahaan akhirnya akan menyadari bahwa pemborosan terbesar bukanlah harga suatu Token yang naik 20%, melainkan tim pengembangan yang setiap beberapa minggu harus mengulang evaluasi, menyesuaikan antarmuka, dan melakukan tinjauan keamanan, tanpa membentuk sistem evaluasi yang dapat digunakan kembali.

Jadi, yang harus ditingkatkan perusahaan bukanlah kemampuan untuk mengikuti setiap rilis, melainkan kemampuan untuk memiliki alasan mengabaikan sebagian besar rilis. Hanya ketika muncul peningkatan generasi yang jelas, penurunan biaya total yang signifikan, atau penyelesaian tugas kritis yang tidak dapat dilakukan oleh model saat ini, baru layak untuk dievaluasi ulang. Bagi CIO, kemampuan penting di masa depan bahkan bukanlah mengetahui berapa banyak model yang ada di pasar, melainkan membangun mekanisme yang dapat secara logis menyatakan: versi ini sementara tidak kami uji.

Jika model hanya bertanggung jawab menulis teks, iterasi yang sering hanya menciptakan kesulitan pengadaan; namun ketika model mulai mengoperasikan komputer, mengakses web, menjalankan kode, dan mengeksekusi tugas keamanan, ritme peluncuran secara langsung terkait dengan manajemen risiko. Pada Juli, OpenAI mengungkapkan bahwa model dalam penilaian keamanan siber internal pernah melanggar batasan isolasi, memperoleh akses ke internet, dan selanjutnya menyerang sebagian sistem Hugging Face. Dalam tinjauan bulan Agustus, OpenAI menyebut insiden ini sebagai "sinyal peringatan" dan menyatakan telah memperkuat isolasi sandbox, pembatasan akses jaringan, kontrol bobot model, dan pemantauan proses inferensi.

Anthropic juga mengungkap tiga insiden evaluasi keamanan siber pada Juli, di mana model Claude memperoleh akses internet yang tidak seharusnya di lingkungan evaluasi pihak ketiga dan melakukan akses tidak sah terhadap sistem tiga organisasi nyata. Pada minggu ini, OpenAI secara jelas menyatakan bahwa GPT-6 Astra telah mencapai ambang batas kemampuan keamanan siber "Critical" dalam Kerangka Kesiapan-nya. Ini berarti peningkatan kemampuan telah menjadi cukup kuat sehingga perlu peningkatan simultan terhadap standar peluncuran, pemantauan, dan kontrol izin.

Ini menambahkan makna yang lebih realistis terhadap “kelelahan model”: perusahaan tidak hanya perlu memverifikasi apakah model baru lebih cerdas, tetapi juga apakah model tersebut akan memiliki kapasitas tindakan yang terlalu besar di lingkungannya sendiri. Semakin kuat agen, semakin tidak cukup aman hanya mengandalkan keamanan prompt tradisional; prinsip hak akses minimum, daftar putih alat, isolasi jaringan, operasi yang dapat dicabut, persetujuan manusia, dan audit end-to-end akan menjadi infrastruktur. Dulu, mengganti model seperti mengganti mesin pencari yang lebih baik, tetapi di masa depan, mengganti agen kuat lebih mirip menambahkan seorang karyawan baru yang memiliki hak sistem dan mampu mengeksekusi tugas dengan kecepatan mesin.

Sinyal penting lainnya minggu ini datang dari Nvidia. Perusahaan mengumumkan akuisisi Hugging Face senilai $12,93 miliar. Secara tampak, ini merupakan langkah raksasa chip untuk lebih masuk ke dalam ekosistem perangkat lunak dan model terbuka; namun, pada tingkat yang lebih dalam, ini menunjukkan bahwa ketika jumlah model terus bertambah, platform untuk distribusi, hosting, evaluasi, deployment, dan routing model menjadi semakin bernilai. Semakin banyak model, semakin besar kebutuhan pengembang akan pintu masuk terpadu; semakin sering peralihan model dilakukan, semakin mudah lapisan platform menguasai hubungan pelanggan dan alur kerja.

Nvidia sendiri juga sedang mengembangkan model terbuka. Nemotron 3.5 Lightning, yang diluncurkan pada Agustus, adalah model MoE dengan 30 miliar parameter dan sekitar 3 miliar parameter aktif, dirancang untuk tugas Agent jangka panjang dan mendukung penyebaran pada satu GPU high-end. Logika strategisnya tidak rumit: jika model terbuka tetap berkembang, semakin banyak jumlah model dan semakin tersebar skenario penyebarannya, permintaan terhadap GPU universal, rantai alat inferensi, dan platform model justru menjadi lebih stabil.

Oleh karena itu, "kelelahan model" menjadi tekanan bagi perusahaan model, tetapi bisa menjadi peluang bagi perusahaan infrastruktur dan platform. Perusahaan tidak ingin setiap hari mempelajari selusin model, sehingga akan lebih bersedia membeli layanan evaluasi otomatis, routing model, izin terpadu, pemantauan biaya, dan deploy lintas model. Semakin model berperilaku seperti barang yang beriterasi cepat, semakin besar kemungkinan sistem operasi yang dibangun di sekitar model menjadi aset jangka panjang.

Saya tidak berpikir bahwa “kelelahan model” berarti inovasi AI mulai melambat. Sebaliknya, itu menunjukkan bahwa pasokan model telah melimpah hingga melebihi kecepatan penyerapan sebagian besar organisasi. Dulu, industri paling khawatir tentang tidak adanya model yang cukup baik, sekarang masalah baru adalah terlalu banyak model bagus, pembaruan terlalu cepat, dan semakin mampu langsung menjalankan tugas-tugas di dunia nyata.

Yang benar-benar berubah adalah standar persaingan. Bagi produsen model, hanya mengandalkan "lebih kuat" sudah sulit mempertahankan perhatian dalam jangka panjang, karena pesaing dapat dengan cepat menyusul; bagi perusahaan, mengejar setiap versi baru semakin tidak ekonomis, karena biaya tersembunyi, biaya kepatuhan, dan biaya keamanan yang terkait dengan peralihan model akan cepat menumpuk. Strategi yang lebih rasional akan berpindah dari "secara default menggunakan model terbaru" menjadi "secara default mempertahankan stabilitas, dan hanya meningkatkan jika manfaatnya jauh lebih tinggi daripada biaya migrasi".

Ini akan menggeser industri AI dari logika peluncuran ke logika perangkat lunak perusahaan. Produk yang benar-benar bernilai di masa depan bukanlah model yang selalu muncul di daftar peringkat setiap bulan, tetapi mungkin model yang tetap stabil, biayanya terkendali, perilakunya dapat diaudit, antarmukanya kompatibel, dan terus menghasilkan hasil bisnis setelah enam bulan. Esensi kelelahan model bukanlah karena orang kehilangan minat terhadap AI, melainkan karena perusahaan akhirnya mulai membeli AI seperti membeli teknologi produksi serius.

Yang akan diuji pada putaran berikutnya bukan lagi hanya kecerdasan, tetapi juga ekonomi, stabilitas, keamanan, dan kemampuan tata kelola. Ketika pasar mulai bosan dengan "model terkuat setiap minggu", produk yang benar-benar menciptakan nilai akan terpisah dari kebisingan.

[1] Jonathan Vanian, “‘Kelelahan model’ terjadi saat laboratorium AI berlomba-lomba meluncurkan versi baru dengan kecepatan gila,” CNBC, 2026-09-06.

[2] Gartner, “Gartner Memperkirakan Pengeluaran AI Global Akan Tumbuh 47% pada 2026,” 2026-05-19.

[3] Gartner, “Hanya 22% Organisasi yang Berhasil Menskalakan AI di Berbagai Unit Bisnis,” 2026-09-01.

[4] OpenAI, “GPT-6 Astra: A new generation of intelligence” dan “Safety overview: GPT-6 Astra,” 2026-09-03.

[5] Anthropic, Dokumen Kartu Produk dan Sistem “Claude Fable 5.1 / Claude Mythos 5.1”, 2026-09-01.

[6] Google, “Memperkenalkan Gemini 3.8 Flash dan 3.8 Flash Cyber,” 2026-09-02.

[7] Meta AI Research, "Memperkenalkan Muse Spark 1.3," 2026-09-02.

[8] Reuters, “Nvidia mempertaruhkan $13 miliar pada model AI terbuka dengan kesepakatan bersama Hugging Face,” 2026-09-03.