AI yang lebih murah lebih baik, dan perusahaan-perusahaan sedang menghitung untung-ruginya

Keputusan produk AI yang paling penting mungkin tidak lagi terjadi saat demo. Keputusan itu terjadi setelah demo, ketika spreadsheet dibuka dan seseorang bertanya mengapa setiap alur kerja membutuhkan model paling mahal di ruangan itu. Itulah twist strategi produk di balik argumen bahwa AI yang lebih murah lebih baik: adopsi enterprise bukan kontes kecantikan untuk kemampuan model. Ini adalah ujian margin, ujian tata kelola, dan semakin sering, ujian “cukup baik”.

Reuters menemukan baris anggaran di balik pilihan model

Global Banking & Finance Review, yang menerbitkan ulang analisis Reuters oleh Aditya Soni, melaporkan bahwa biaya AI yang melonjak sedang membentuk ulang cara bisnis memilih model. Laporan itu mengatakan model AI Silicon Valley yang kuat dan mahal telah diperlakukan sebagai sesuatu yang diperlukan oleh bisnis yang ingin bersiap untuk adopsi AI, tetapi semakin banyak CEO teknologi kini berpendapat bahwa opsi yang lebih murah sangat penting untuk penggunaan yang lebih luas.

Itu bukan sekadar urusan administrasi pengadaan. Itu mengubah persyaratan produk dari menggunakan model terkuat menjadi membuktikan bahwa model terkuat memang dibutuhkan. Analisis Reuters yang sama, sebagaimana diterbitkan ulang oleh Global Banking & Finance Review, menyebut Satya Nadella dari Microsoft, Nikesh Arora dari Palo Alto Networks, dan Brian Armstrong dari Coinbase Global sebagai beberapa eksekutif yang mengatakan bahwa model yang lebih kecil dan lebih murah dapat menangani sebagian besar kebutuhan perusahaan.

Ketika pandangan seperti itu datang dari para operator yang menjalankan bisnis yang sangat berbeda, lanskap persaingan mulai tergambar ulang. Vendor AI yang menang mungkin akan kurang mirip ruang pamer supercar dan lebih mirip perusahaan logistik, yang mengirim kendaraan yang tepat untuk pekerjaan tertentu, alih-alih truk pindahan untuk setiap amplop.

TechCrunch membingkai ujian bagi para pembangun

TechCrunch menyampaikan pertanyaan produk dengan jelas melalui judulnya yang bertanya apakah perusahaan teknologi bisa belajar mencintai model AI yang lebih murah. Bagi para founder, pertanyaan itu sebenarnya tentang arsitektur dan disiplin penetapan harga. Jika produk Anda secara default mengandalkan panggilan ke model paling mahal, setiap pelanggan baru dapat berubah menjadi negosiasi margin kotor dengan tagihan infrastruktur Anda sendiri.

Lapisan berikutnya adalah pemilihan model sebagai bagian dari permukaan produk. Pembeli tidak perlu melihat setiap keputusan routing, tetapi mereka memang perlu yakin bahwa sistem tidak membakar komputasi premium untuk pekerjaan rutin. Itu berarti lapisan yang dapat dipertahankan bukan hanya akses model. Lapisan itu adalah evaluasi, kontrol biaya, perilaku fallback, dan disiplin untuk mengatakan bahwa model yang lebih murah sudah cukup ketika alur kerja mendukungnya.

Fortinet menunjukkan mengapa murah tidak boleh berarti sembarangan

Kerangka adopsi AI Fortinet mendefinisikan adopsi sebagai integrasi kecerdasan buatan ke dalam fungsi bisnis inti untuk meningkatkan efisiensi, produktivitas, dan inovasi. Kerangka itu juga membedakan adopsi AI dari otomatisasi dan transformasi digital karena sistem AI dapat belajar, beradaptasi, dan membuat keputusan kompleks tanpa pemrograman eksplisit.

Perbedaan itu penting untuk model yang lebih murah karena enterprise tidak sekadar membeli tagihan yang lebih rendah. Mereka tetap menempatkan sistem pendukung keputusan lebih dekat ke alur kerja operasional. Fortinet juga mengatakan enterprise yang mengadopsi AI melaporkan peningkatan efisiensi operasional, pengurangan biaya, dan pertumbuhan pendapatan.

Bagian pengurangan biaya adalah titik kuncinya. Model yang sedikit kurang mengesankan dalam demo tetapi lebih murah untuk dijalankan dalam skala besar dapat lebih masuk akal bagi enterprise dibandingkan model spektakuler yang mengubah setiap peluncuran sukses menjadi masalah anggaran. Halaman harga ini adalah petualangan Choose Your Own Adventure di mana setiap akhir ceritanya mahal, kecuali tim produk membangun jalur yang lebih murah melalui labirin.

Realitas keras NCTech bertemu dengan siklus penjualan

Analisis AI enterprise 2026 dari NCTech mengatakan percakapan seputar AI telah semakin intens sementara Big Tech terus berinvestasi besar-besaran dalam infrastruktur AI dan pemerintah menyelenggarakan KTT AI global. Namun, analisis itu juga mengatakan bahwa realitas di dalam sebagian besar enterprise lebih terukur.

Realitas yang lebih terukur itulah yang memberi celah bagi AI yang lebih murah: pembeli tidak menolak kemampuan, pembeli meminta kecocokan. Ini adalah efek tingkat kedua yang perlu diperhatikan tim produk. Jika enterprise menstandarkan banyak alur kerja pada opsi yang lebih kecil, lebih murah, dan open-source, nilai bergeser dari sekadar menyebut nama model terbesar menjadi membuktikan model operasionalnya.

Deck penjualan perlu menjawab apa yang berjalan di mana, berapa biayanya, dan mengapa pelanggan tidak akan menyesal ketika penggunaan diperluas setelah pilot.

Hal yang perlu diperhatikan berikutnya

Reuters dan Global Banking & Finance Review telah memunculkan sinyal strategisnya: para eksekutif secara terbuka memvalidasi model yang lebih kecil dan lebih murah untuk sebagian besar kebutuhan perusahaan. Pertanyaan TechCrunch menunjuk ke perlombaan produk berikutnya, yaitu apakah perusahaan dapat membangun berdasarkan realitas itu alih-alih memperlakukan model yang lebih murah sebagai bangku cadangan tim junior varsity.

Perhatikan vendor AI yang akan bersaing dalam routing model, kontrol biaya yang transparan, dan paket enterprise yang membuat pilihan “cukup baik” terasa aman. Bagi para pembangun, langkah praktisnya sederhana: lakukan benchmark pada alur kerja, hitung margin berdasarkan harga, dan hanya bayar untuk kecerdasan ekstra ketika hasil pelanggan membuktikan bahwa kecerdasan itu memang perlu ada.