Meskipun volume penggunaan model AI domestik memimpin AS selama sembilan minggu, biaya aktualnya jauh lebih tinggi daripada paket GPT Codex dalam skenario pemrograman intensif. Zhipu mengalami kerugian lebih dari 3 miliar yuan pada 2025, sementara paket seperti Kimi mengalami pembatasan kuota dan pembatasan lalu lintas selama jam puncak. Penyebab utamanya adalah infrastruktur komputasi Tiongkok yang belum memadai (449 pusat data vs 5.427 di AS), sehingga tidak mampu menawarkan paket seharga Codex dengan nilai yang tinggi. Saat ini, pengembang harus menyeimbangkan tiga dimensi: kinerja, harga, dan stabilitas. Model domestik hanya mendekati model unggulan internasional pada sejumlah indikator kinerja tertentu, dan secara keseluruhan masih menghadapi tantangan populer tetapi kurang diminati.

Penulis artikel, sumber: FunTalk

Dalam sebulan terakhir, dunia AI di Silicon Valley tampaknya terus meluncurkan inovasi besar, dengan GPT-5.6, fable5, dan Grok-4.5 yang muncul berturut-turut.

Saat itu, komunitas pengembang dan programmer di dalam negeri serentak bergemuruh, dengan berbagai diskusi dan ulasan tentang model canggih seperti GPT-5.6 muncul bertubi-tubi.

Meskipun bulan ini muncul model domestik baru seperti Kimi-K3, secara keseluruhan, model besar domestik saat ini tetap berada dalam keadaan "dipuji tapi tidak banyak digunakan" di kalangan pengembang utama.

Berdasarkan data terbaru, dari segi penggunaan: Data OpenRouter dari 22 hingga 28 Juni menunjukkan bahwa model Tiongkok mencapai 2,039 triliun token dalam penggunaan mingguan, sementara model Amerika sebesar 425 miliar, dengan model Tiongkok unggul selama sembilan minggu berturut-turut.

Namun, sebaliknya, kinerja pendapatan dari enam startup AI domestik ini kurang memuaskan: laporan keuangan publik menunjukkan bahwa Zhipu memiliki pendapatan 724 juta yuan pada tahun 2025, tetapi kerugian mencapai lebih dari 3 miliar yuan; MiniMax sebesar 79 juta dolar AS (sekitar 570 juta yuan); empat perusahaan lainnya, seperti Yue Zhi An Mian, belum mengungkapkan pendapatan tahunan lengkap mereka.

Meskipun perusahaan terkemuka, pendapatan masih berada pada skala miliaran yuan.

Sebagai perbandingan, Anthropic, sebagai perusahaan puncak di bidang AI, ARR-nya telah mencapai sekitar $60 miliar hingga $70 miliar, didorong terutama oleh API B2B dan skenario AI Coding.

Ini menimbulkan pertanyaan tajam:

Mengapa model buatan dalam negeri yang disebut "murah" dan "volume pemanggilan tinggi" hingga kini tetap populer di ucapan tetapi tidak laris, dan masih sulit bersaing langsung dengan model unggulan luar negeri dalam skenario bernilai tinggi seperti AI Coding?

Baru-baru ini, setelah berdiskusi mendalam dengan beberapa pengembang utama, penulis menemukan sebuah fakta yang sangat tidak intuitif:

Model besar buatan dalam negeri, dalam beberapa hal, sebenarnya sangat "mahal".

Justru karena "mahal"nya hal ini, beberapa model lokal yang mencapai terobosan dalam kinerja sulit menunjukkan keunggulan sejati mereka.

01 Ilusi "harga rendah"

Ketika menyebut model besar buatan dalam negeri, banyak orang memikirkan perwakilan seperti DeepSeek dan Kimi, dan salah satu label yang paling terkait dengannya adalah harga rendah, murah;

Jika dilihat hanya dari harga per token, model lokal memiliki keunggulan signifikan dibandingkan model unggulan seperti GPT-5.6 dan Fable5. Sebagai contoh, GLM-5.2 memiliki biaya input/output sebesar $1,4/$4,4 per juta token, sedangkan DeepSeek-V4-Pro sebesar $0,435/$0,87; GPT-5.6 Sol seharga $5/$30, dan Claude Fable 5 seharga $10/$50.

Namun, sebenarnya kesan “harga murah” ini adalah kesalahpahaman jangka panjang dari orang luar.

Terutama dalam skenario pemrograman intensif, harga satuan model besar buatan domestik tidak hanya tidak unggul, bahkan justru beberapa kali lebih mahal daripada GPT dan Claude yang memiliki paket.

Li Guang (nama samaran) adalah seorang peneliti di bidang AI yang, karena kebutuhan pekerjaannya, menghabiskan puluhan miliar token setiap hari dalam skenario AI Coding. Dengan konsumsi sebesar ini, jika menggunakan model besar lokal seperti GLM-5.2, biaya keseluruhan akan menjadi sangat mengerikan.

Laporan token yang ditampilkan oleh Li Guang

Pada hari percakapan tersebut, Token yang dikonsumsi Li Guang hampir mencapai 4 miliar. Jika ia menggunakan GLM-5.2, perkiraan biayanya adalah: (86,39 juta input biasa × 1,4 dolar + 3,38 miliar input cache × 0,26 dolar + 19,06 juta output dan inferensi × 4,4 dolar) sekitar 1.084 dolar, dengan asumsi 1 dolar = 7,2 yuan, setara dengan sekitar 7.800 yuan Cina.

Alasan mengapa Li Guang bisa begitu bebas membakar Token adalah karena ia telah membuka paket CodeX GPT,

Berikut penjelasan singkat mengenai bentuk paket CodeX: secara sederhana, paket ini dirancang khusus untuk skenario pemrograman; secara ketat, bukan benar-benar tanpa batas, melainkan mengintegrasikan Codex ke dalam langganan ChatGPT: Plus seharga $20/bulan, Pro mulai dari $100/bulan, dengan kuota sekitar 5 hingga 20 kali lipat dari Plus; setelah mencapai batas, pengguna dapat membeli Credits untuk terus menggunakan layanan.

Demikian pula, Claude Code dari Anthropic menawarkan paket serupa, yaitu: Claude Pro seharga $20/bulan, Max 5x dan Max 20x masing-masing seharga $100 dan $200/bulan; kuota per 5 jam dan mingguan untuk antarmuka web Claude dan Claude Code dibagikan, dan setelah kuota habis, pengguna dapat melanjutkan penggunaan dengan harga API.

Di bawah paket ini, biaya Token yang besar justru menjadi seimbang.

Bagi pengembang di dalam negeri, mengonsumsi puluhan hingga ratusan miliar token per hari dalam skenario AI Coding yang intensif adalah hal yang umum.

Xiao Liu juga merupakan pengembang berat AI Coding, yang menghabiskan sekitar 300 yuan RMB per minggu di Codex, bahkan tanpa penggantian biaya dari perusahaan.

Namun bahkan dengan biaya seperti ini, dibandingkan model lokal, tetap jauh lebih "murah", karena dengan 300 yuan yang sama, Anda tidak bisa membeli jumlah token setara GLM 5.2.

Tagihan Token Xiao Liu

Menurut pengembang di dalam negeri, paket Codex dari GPT adalah token termurah yang bisa dibeli saat ini, jauh lebih murah daripada Zhipu atau Kimi—ini mungkin terasa tidak intuitif, tetapi fakta nya adalah model lokal sama sekali tidak bisa bersaing dalam hal nilai harga di skenario coding intensif.

Perlu ditekankan bahwa Codex bukan paket tanpa batas dalam arti sebenarnya; jika dihitung berdasarkan paket tertinggi senilai $200, perkiraan kuotanya sekitar 2 miliar per minggu.

Namun, karena sebagian pengembang menggunakan model melalui cara-cara seperti "stasiun perantara", biaya aktual beberapa model jauh lebih rendah daripada saluran resmi, sehingga terkadang memungkinkan untuk membeli lebih banyak Token dengan harga lebih murah, yang menyebabkan fenomena di mana 300 unit dapat membeli 12 miliar Token.

Sebenarnya, model lokal tidak pernah tidak merilis paket serupa, tetapi jika diteliti lebih dalam, paket semacam ini memiliki banyak batasan dalam hal kuota dibandingkan dengan Codex.

02 Rasa Sakit Penetapan Harga Lokal

Saat ini, situasi harga model besar buatan dalam negeri dapat digambarkan dengan satu kalimat:

Kamu mengira kamu masuk ke tempat prasmanan, tapi ternyata penjual tetap mengenakan biaya per kilogram.

Sebagai contoh, dalam hal paket, Kimi dan GLM-5.2 di domestik tersedia dalam empat tingkatan harga: 49, 99, 199, dan 699 yuan, dengan kuota yang diperbarui setiap minggu; untuk GLM Coding Plan, versi Lite, Pro, dan Max masing-masing memberikan sekitar 80, 400, dan 1600 Prompt setiap 5 jam, atau sekitar 400, 2000, dan 8000 Prompt per minggu, dan pada jam sibuk GLM-5.2 kuota akan dipotong tiga kali lipat.

Dengan contoh Qoder dari Alibaba, menurut teman penulis yang bekerja di operasional pelanggan B, A Mi (nama samaran): “Qoder dulu merupakan AI IDE terbaik di Tiongkok, sayangnya harga barunya sendiri menghilangkan keunggulannya.”

Untuk paket: Qoder CN Personal Pro dan Pro+ masing-masing Rp59 dan Rp169/bulan, mencakup 2.000 dan 6.000 Credits; versi Teams dan VPC masing-masing Rp99 dan Rp199/posisi/bulan, keduanya mencakup 3.000 Credits, dengan versi VPC mulai dari 50 posisi.

Setelah mereka menggabungkan Lingma dan menyesuaikan harga tahun ini, menurut yang saya ketahui, setidaknya dua puluh hingga tiga puluh perusahaan memutuskan untuk tidak memperpanjang langganan mereka,” kata A Mi kemudian.

Menurut pengujian A Mi, paket Qoder Enterprise Edition 199 habis dalam 3 hari berdasarkan cara penggunaannya; jika digunakan oleh pengembang berat, diperkirakan akan habis dalam satu hari.

Demikian pula, dalam hal paket, GLM-5.2 juga membuat pengguna domestik merasa campur aduk perasaan.

Menurut pengembang Xiao Wei: "Paket GLM-5.2 kira-kira sama saja dengan tidak ada paket sama sekali; bahkan jika ada paket, tetap ada pembatasan lalu lintas saat jam sibuk, dan masih ada praktik 'menikam' pengguna."

Menurut laporan 36Kr: Paket GLM-5.2 sebelumnya lebih sulit didapat daripada tiket konser, diperbarui tepat pukul 10:00 setiap pagi, dan keberhasilan membeli sepenuhnya bergantung pada kecepatan tangan Anda.

Pada Januari 2026, Zhipu mengumumkan bahwa karena kekurangan daya komputasi, jumlah penjualan harian langsung dipotong menjadi 20% dari jumlah sebelumnya, dengan kuota dilepaskan setiap hari pukul 10:00 pagi dan habis dalam beberapa menit.

Pada akhirnya, kehematan model lokal dalam hal paket dan harga pada dasarnya disebabkan oleh keterbatasan daya komputasi.

Berdasarkan data dari Akademi Informasi dan Teknologi Tiongkok 2025 dan Kementerian Industri dan Teknologi Informasi, Tiongkok memiliki 449 pusat data yang ada, sementara Amerika Serikat memiliki 5.427. Dalam hal total daya komputasi, Tiongkok sebesar 1.053 EFLOPS, sedangkan Amerika Serikat sebesar 2.400.

Namun, kuncinya di sini adalah: di antara 2.400 EFLOPS AS, proporsi GPU high-end sangat tinggi; di dalam daya komputasi Tiongkok, sebagian besar adalah chip domestik seperti Huawei Ascend dan Cambricon, yang masih memiliki kesenjangan generasi dalam kinerja per kartu dibandingkan H100.

Untuk mengatasi permintaan daya komputasi yang terus meningkat, mulai Maret 2026, Zhipu, Alibaba Cloud, Tencent Cloud, dan Baidu secara bersama-sama menaikkan harga token, dengan kenaikan antara 5% hingga 460%.

Secara jelas, “harga rendah” dan “perang harga” model lokal sudah menjadi masa lalu.

Bukan karena model lokal tidak ingin melakukan buffet, tetapi karena sudah dihitung: dengan biaya komputasi saat ini dan status kerugian, menawarkan langganan bulanan berarti mempertaruhkan biaya bulanan tetap bahwa pengguna tidak akan membanjiri sistem. Mengingat cara penggunaan para pengembang dan programmer di dalam negeri yang bisa menghabiskan puluhan hingga ratusan miliar Token dalam sehari, model bisnis semacam ini akan segera melewati garis biaya.

Sedangkan paket pemrograman dari OpenAI dan Anthropic menjual ke pelanggan perusahaan berkekayaan tinggi—klien besar seperti Cursor dan GitHub Copilot dapat memberikan pendapatan sebesar $1,4 miliar per tahun kepada Anthropic.

Dengan dukungan daya komputasi tinggi, model bisnis ini pada dasarnya menukar "biaya bulanan tetap" dengan "pelanggan jangka panjang", memiliki kualitas pelanggan tinggi, ARPU juga relatif tinggi, dan biaya dapat dibagi rata.

Sebaliknya, meskipun di dalam negeri ada raksasa cloud seperti Alibaba, masalahnya: Margin EBITA disesuaikan Alibaba Cloud untuk FY2026 hanya 7,5%. Meskipun Grup Cloud Intelligence mengalami pertumbuhan pendapatan cepat, labanya tidak terlalu tinggi.

Selain itu, penyedia cloud tradisional berani menjual "server cloud tanpa batas" karena pengguna tidak memuat penuh 24 jam sehari. Sebuah ECS, utilitas CPU sebenarnya mungkin hanya 10%, sehingga penyedia cloud dapat menjual melebihi kapasitas satu mesin fisik kepada sepuluh orang.

Namun, inferensi model besar berbeda: setiap token yang masuk harus benar-benar memakan daya komputasi GPU. Jika pengguna terus-menerus mengakses selama 24 jam, biaya tetap untuk memori HBM, inti GPU, dan listrik penyedia cloud semuanya merupakan pengeluaran kaku, tanpa ruang untuk penjualan berlebih.

03 Segitiga Emas Model

Selain faktor harga, alasan bagi pengembang domestik untuk memilih Codex dan Claude Code adalah kinerja pemrogramannya yang kuat.

Namun, dalam hal kinerja, model lokal juga tidak seburuk yang dibayangkan oleh beberapa stereotip.

Setelah berbicara dengan beberapa pengembang, penulis menemukan pandangan yang cukup umum: model besar buatan dalam negeri, terutama model terbaru seperti GLM-5.2, sudah dapat mengambil alih beberapa tugas pendukung dan sekunder, seperti melakukan pengujian dan memperbaiki bug.

Namun, untuk tugas asinkron yang lebih kompleks dan berdurasi panjang, model lokal saat ini masih memiliki kesenjangan signifikan dibandingkan model unggulan seperti GPT dan Claude.

Pengembang Xiao Zhang, pada Maret tahun ini pernah menggunakan model domestik untuk pemrograman, membandingkan GLM, Qwen, dan GPT untuk tugas yang sama; hanya GPT yang berhasil menyelesaikan tugas tersebut dan memenuhi persyaratan halaman, yaitu proyek perbandingan konten multi-level dan multi-kolom serta pembuatan hasil.

Sementara pengembang lain, Xiao Wei, menyatakan bahwa berdasarkan pengalamannya, kinerja Kimi 2.7 dan Doubao 2.1 Pro juga cukup baik, tetapi secara keseluruhan masih berada satu tingkat di bawah (termasuk generasi kedua), namun secara keseluruhan masih melampaui Claude Sonnet 4.6.

Saat ini, konsensus umum di kalangan pengembang adalah bahwa GLM-5.2 adalah model domestik pertama yang mencapai level Opus.

Ia tersedia dan memiliki tempat dalam menjalankan tugas asinkron yang nyata, kompleks, dan berjangka panjang.

Meskipun dalam banyak aspek, seperti pengetahuan dunia, masih ada kesenjangan besar dibandingkan model Opus asli, hal ini tidak menghalanginya menjadi tingkat baru untuk model buatan dalam negeri.

Namun kenyataannya: ini baru saja muncul, sejumlah "siswa unggulan" justru ditarik mundur oleh faktor-faktor lain yang tidak terkait kinerja.

Secara khusus, faktor-faktor seperti efisiensi cache yang rendah dan tetap adanya pembatasan lalu lintas selama jam sibuk membuat pengalaman pengembang menjadi buruk.

Ini membawa kita ke dimensi lain dalam perbandingan model saat ini: stabilitas.

Dalam pengalaman pengembang dan programmer di garis depan, pemilihan model sudah bukan lagi sekadar perbandingan kinerja, melainkan—

Segitiga emas kinerja-harga-stabilitas.

Dalam ketiga dimensi ini, model lokal hanya berhasil meraih sebagian indikator pada dimensi pertama.

Baru-baru ini, Kimi di dalam negeri meluncurkan model unggulan terbarunya, K3: model unggulan berbobot terbuka dengan 2,8 triliun parameter, multi-modal asli, dan konteks 1 juta Token, yang fokus pada pemrograman jangka panjang, pekerjaan pengetahuan, dan penalaran mendalam.

Dalam berbagai evaluasi, indeks kecerdasannya di Artificial Analysis adalah 57 poin, menempati peringkat ketiga global; memimpin peringkat pemrograman antarmuka Arena dengan 1679 poin, bahkan ada desas-desus bahwa performanya sudah sebanding dengan Claude Fable 5.

Namun, di balik skor dan peringkat yang cemerlang, yang paling diperhatikan oleh pengembang tetaplah satu kata: nilai untuk uang.

Setelah peluncuran K3, banyak pengembang menyatakan bahwa Kimi masih sangat mahal, tidak memiliki nilai dibandingkan Codex, dan kuota tidak mencukupi. Hanya melihat harga API, K3 juga tidak bisa disebut "murah meriah": biaya per juta Token untuk cache/input/output masing-masing adalah 2/20/100 yuan; GPT-5.6 Sol seharga 0,5/5/30 dolar, K3 memang lebih rendah dari Sol, tetapi jelas lebih tinggi daripada GPT-5.6 Luna yang harganya 0,1/1/6 dolar.

Selama penggunaan K3, pengembang menyatakan juga mengalami putusnya koneksi API, bahkan hingga putus sepanjang pagi.

Saat ini, pengembang domestik bukan tidak mau membayar untuk model lokal, tetapi model lokal saat ini karena keterbatasan daya komputasi dan biaya tinggi, tidak mampu membuka paket seharga Codex yang bernilai tinggi, sehingga hanya bisa membuka paket "Pakai Sebanyak Mungkin" yang tampaknya seperti prasmanan, tetapi sebenarnya terbatas (mirip dengan Coding Plan dari Zhipu).

Namun, pengalaman paket tidak stabil dan nilai bagi uangnya tidak jelas, sehingga pengguna sulit bertahan setelah mencoba. Pada dasarnya, ini adalah pilihan rasional pengguna mengingat biaya infrastruktur daya komputasi saat ini masih tinggi.

Ini semua bukan berarti kami ingin memperkuat semangat orang lain dan melemahkan semangat kami sendiri, tetapi hanya ingin menyoroti sebuah risiko.

Saat ini, model lokal sedang mengejar GPT dan Claude dengan sangat menekankan kinerja, tetapi perjalanan model besar lokal dari pengembangan hingga penerapan jauh melebihi sekadar mendaki gunung kinerja.

Yang kita butuhkan adalah menunggu, hingga basis daya komputasi lokal diproduksi secara massal, dan di bidang teknologi, harga, serta stabilitas, terbentuk sinergi yang kuat—maka produk kami akan mampu memenuhi harapan pengguna.