Setelah dua tahun menikmati gelombang adopsi Artificial Intelligence (AI) yang masif, banyak perusahaan global mulai menghadapi tantangan baru: biaya penggunaan AI yang terus meningkat. Lonjakan biaya token, AI agents, cloud computing, GPU, dan infrastruktur data center mendorong perusahaan mengubah strategi dari ekspansi AI tanpa batas menuju pendekatan yang lebih selektif dan berorientasi pada profitabilitas. Tren ini diperkirakan akan memengaruhi industri perbankan, fintech, dan digital banking yang selama ini menjadi salah satu sektor paling agresif dalam mengadopsi teknologi AI.
DIGI-HIGHLIGHTS:
■ Setelah fase adopsi besar-besaran, perusahaan mulai mengevaluasi penggunaan AI karena biaya token, AI agents, GPU, dan cloud computing terus meningkat.
■ Fenomena “tokenmaxxing” menunjukkan bahwa penggunaan AI tanpa kontrol dapat menghasilkan biaya yang bahkan melampaui biaya tenaga kerja manusia.
■ Industri perbankan diperkirakan akan beralih ke strategi AI yang lebih selektif dengan fokus pada efisiensi operasional, fraud detection, customer experience, dan profitabilitas.
Artificial Intelligence (AI) selama dua tahun terakhir menjadi simbol transformasi digital yang menjanjikan efisiensi, produktivitas, dan pertumbuhan bisnis. Namun setelah gelombang investasi besar-besaran, banyak perusahaan kini mulai menghadapi pertanyaan yang lebih mendasar: apakah manfaat AI sebanding dengan biaya yang harus dikeluarkan?
Kenaikan biaya penggunaan AI mulai memicu evaluasi di berbagai perusahaan global, termasuk sektor keuangan yang menjadi salah satu pengguna teknologi AI terbesar saat ini.
Dunia Korporasi Mulai Memasuki Fase Realistis AI
Ketika ChatGPT memicu ledakan adopsi Generative AI pada 2023, banyak perusahaan berlomba mengintegrasikan AI ke berbagai lini bisnis. Mulai dari layanan pelanggan, pemasaran, pengembangan perangkat lunak, analisis data, hingga pengambilan keputusan strategis. Namun setelah fase eksperimen dan ekspansi berlangsung selama beberapa tahun, perusahaan kini mulai menghadapi konsekuensi finansial dari penggunaan AI dalam skala besar.
Biaya token, kapasitas komputasi, AI agents, cloud infrastructure, hingga kebutuhan GPU terus meningkat seiring semakin kompleksnya penggunaan AI dalam operasional sehari-hari.
Kondisi tersebut memunculkan tren baru di kalangan korporasi global, dimana fokus tidak lagi pada seberapa banyak AI digunakan, melainkan seberapa besar nilai bisnis yang dihasilkan.
Namun situasinya mulai berbalik. Kalimat tersebut menggambarkan perubahan besar dalam industri AI global. Jika sebelumnya perusahaan berlomba mengadopsi AI sebanyak mungkin, kini perhatian mulai bergeser pada efisiensi penggunaan dan pengendalian biaya.
Era “Kecerdasan Bersubsidi” Mulai Berakhir
Selama beberapa tahun terakhir, banyak perusahaan AI menjalankan strategi pertumbuhan agresif yang didukung modal investor dalam jumlah besar.
Kondisi ini memungkinkan pelanggan menikmati layanan AI dengan biaya relatif rendah dibanding biaya sebenarnya yang dibutuhkan untuk menjalankan model AI.
Kevin Simback dari Delphi Labs menyebut periode tersebut sebagai era “subsidized intelligence” atau kecerdasan yang secara tidak langsung disubsidi investor.
Namun ketika investor mulai menuntut profitabilitas yang lebih jelas, perusahaan AI seperti OpenAI, Anthropic, dan berbagai penyedia model AI lainnya menghadapi tekanan untuk meningkatkan monetisasi layanan mereka.
Akibatnya, biaya penggunaan AI mulai naik dan dibebankan secara lebih realistis kepada pelanggan.
Perubahan tersebut menandai transisi industri AI dari fase pertumbuhan menuju fase keberlanjutan bisnis.
AI Agents Mendorong Lonjakan Pengeluaran
Salah satu sumber kenaikan biaya terbesar berasal dari penggunaan AI agents. Berbeda dengan chatbot tradisional yang hanya menjawab pertanyaan, AI agents mampu menjalankan serangkaian tugas secara otomatis seperti menyusun laporan, membuat kode program, melakukan analisis data, mengelola dokumen, hingga mengambil keputusan berbasis aturan tertentu.
Kemampuan tersebut memang meningkatkan produktivitas. Namun di sisi lain, AI agents mengonsumsi kapasitas komputasi dan token jauh lebih besar dibanding penggunaan chatbot biasa.
Semakin kompleks tugas yang dijalankan, semakin tinggi biaya yang harus ditanggung perusahaan. Fenomena ini mulai memunculkan kekhawatiran baru di kalangan manajemen perusahaan mengenai efektivitas penggunaan AI dalam jangka panjang.
Fenomena “Tokenmaxxing” Mulai Menjadi Sorotan
Di sejumlah perusahaan teknologi muncul istilah baru yang dikenal sebagai “tokenmaxxing”, yaitu penggunaan AI secara berlebihan tanpa memperhitungkan dampak biaya dan nilai bisnis yang dihasilkan.
Praktik ini muncul ketika karyawan menggunakan AI untuk hampir seluruh aktivitas kerja tanpa mempertimbangkan efisiensi.
Akibatnya, konsumsi token meningkat tajam dan menghasilkan tagihan yang jauh lebih besar dari perkiraan awal.
Jack Gold dari J.Gold Associates mengungkapkan bahwa dalam beberapa kasus biaya penggunaan AI bahkan melampaui biaya tenaga kerja manusia.
“Dalam beberapa kasus, biaya token yang digunakan bahkan melampaui biaya tenaga kerja karyawan hanya dalam satu hingga dua bulan penggunaan, semata-mata karena AI digunakan secara berlebihan,” katanya seperti dikutip The Straits Times.
Temuan tersebut mulai mengubah cara perusahaan memandang AI. Pertanyaan yang kini muncul bukan lagi apakah perusahaan harus menggunakan AI, melainkan bagaimana menggunakan AI secara efektif dan ekonomis.
Meta dan Uber Mulai Mengubah Pendekatan
Perubahan sikap terhadap AI mulai terlihat di sejumlah perusahaan teknologi besar.
Meta yang sebelumnya mendorong penggunaan AI secara luas kini mulai lebih berhati-hati dalam mengukur manfaat bisnis yang dihasilkan.
Chief Technology Officer Meta, Andrew Bosworth, menegaskan bahwa AI seharusnya digunakan untuk menghasilkan nilai nyata, bukan sekadar mengikuti tren teknologi. “Tidak seorang pun seharusnya menggunakan AI hanya demi mengikuti tren atau sekadar menggunakannya,” katanya.
Pandangan serupa juga muncul di Uber.
Manajemen perusahaan mulai mempertanyakan apakah peningkatan pengeluaran AI benar-benar menghasilkan produktivitas yang sepadan. Perkembangan tersebut menunjukkan bahwa perusahaan teknologi kini memasuki fase baru yang lebih fokus pada pengukuran ROI atau Return on Investment AI.
Perusahaan Mulai Beralih ke Model AI yang Lebih Murah
Untuk mengendalikan biaya, banyak organisasi mulai mencari alternatif yang lebih efisien.
Salah satu strategi yang berkembang adalah penggunaan model AI yang lebih kecil dan spesifik dibanding Large Language Model (LLM) berukuran besar.
Model AI yang dirancang untuk kebutuhan tertentu sering kali mampu menghasilkan kualitas yang memadai dengan biaya yang jauh lebih rendah. Adrian Balfour dari Enverso menjelaskan bahwa perbedaan biaya antara model besar dan model kecil sangat signifikan.
“Model AI berukuran besar dapat menelan biaya sekitar US$15 per satu juta token. Namun biaya tersebut bisa turun hingga sekitar lima sen jika menggunakan model yang lebih kecil,” ujarnya.
Tren ini diperkirakan akan mempercepat munculnya AI vertikal atau AI khusus industri, termasuk untuk sektor perbankan, asuransi, kesehatan, dan manufaktur.
Industri Perbankan Menghadapi Tantangan yang Sama
Bagi industri perbankan, lonjakan biaya AI menjadi isu yang semakin relevan. Dalam beberapa tahun terakhir, bank-bank global dan bank digital mengintegrasikan AI untuk berbagai kebutuhan seperti fraud detection, credit scoring, anti-money laundering, customer service, personalisasi layanan, hingga manajemen risiko.
Namun meningkatnya biaya komputasi dapat mendorong bank melakukan evaluasi terhadap seluruh portofolio proyek AI yang dijalankan.
Bank kemungkinan akan lebih fokus pada penggunaan AI yang mampu menghasilkan efisiensi operasional yang terukur dan meningkatkan profitabilitas.
Bank-bank digital di seluruh dunia mulai mengalihkan fokus implementasi AI dari eksperimen menuju efisiensi operasional yang terukur dan menghasilkan profitabilitas.
Tren tersebut diperkirakan akan semakin terlihat pada 2026 hingga 2030 ketika tekanan profitabilitas dan efisiensi semakin besar di industri jasa keuangan.
Infrastruktur AI Masih Menjadi Tantangan
Selain biaya penggunaan, perusahaan juga menghadapi tekanan dari sisi infrastruktur.
Permintaan terhadap GPU, pusat data, listrik, dan layanan cloud terus meningkat seiring pertumbuhan penggunaan AI global.
Kondisi tersebut membuat biaya operasional AI berpotensi tetap tinggi dalam beberapa tahun ke depan. Banyak analis menilai bahwa industri AI sedang memasuki fase normalisasi, di mana perusahaan mulai membedakan antara proyek AI yang benar-benar menghasilkan nilai bisnis dengan proyek yang hanya mengikuti tren.
Pada akhirnya, keberhasilan implementasi AI tidak lagi ditentukan oleh seberapa banyak teknologi digunakan. Fase berikutnya dari ekonomi AI tidak akan ditentukan oleh siapa yang paling banyak menggunakan AI, melainkan oleh siapa yang paling efektif mengubah AI menjadi nilai bisnis yang nyata.
Pernyataan tersebut mencerminkan arah baru transformasi digital global yang semakin menekankan efisiensi, produktivitas, dan profitabilitas sebagai ukuran utama keberhasilan AI. ●
DIGI-INSIGHTS:
Gelombang kedua transformasi AI tampaknya tidak lagi ditentukan oleh kemampuan perusahaan mengadopsi teknologi baru, melainkan oleh kemampuan mengendalikan biaya dan menghasilkan nilai ekonomi yang nyata. Fenomena ini mirip dengan evolusi internet dan cloud computing pada dekade sebelumnya, ketika fase euforia akhirnya digantikan oleh tuntutan profitabilitas dan efisiensi.
Bagi industri perbankan, perkembangan tersebut berpotensi mengubah arah investasi teknologi dalam beberapa tahun ke depan. Bank kemungkinan tidak lagi mengejar implementasi AI secara luas, tetapi lebih fokus pada use case yang memiliki dampak langsung terhadap pengurangan biaya operasional, peningkatan pendapatan, mitigasi fraud, dan penguatan manajemen risiko. Dengan kata lain, AI akan semakin diperlakukan sebagai aset bisnis, bukan sekadar proyek inovasi.
Perubahan ini juga membuka peluang bagi munculnya model AI khusus industri keuangan. Dibanding menggunakan model generatif besar yang mahal, bank dapat mengembangkan atau mengadopsi AI yang lebih kecil, lebih spesifik, dan lebih sesuai dengan kebutuhan regulasi serta tata kelola data. Dalam jangka panjang, pemenang di era AI bukan hanya perusahaan yang memiliki teknologi paling canggih, melainkan organisasi yang paling efektif mengubah AI menjadi efisiensi, profitabilitas, dan keunggulan kompetitif yang berkelanjutan. ●
DIGIONARY:
● AI Agent: Sistem AI yang mampu menjalankan tugas secara mandiri.
● Anthropic: Perusahaan pengembang model AI Claude.
● Artificial Intelligence: Teknologi yang memungkinkan mesin melakukan tugas yang membutuhkan kecerdasan manusia.
● Cloud Computing: Layanan komputasi berbasis internet.
● Credit Scoring: Penilaian risiko kredit menggunakan data dan analitik.
● Customer Experience: Pengalaman pelanggan saat menggunakan layanan perusahaan.
● Data Center: Fasilitas penyimpanan dan pengolahan data digital.
● Fraud Detection: Sistem pendeteksian aktivitas penipuan.
● Generative AI: AI yang dapat menghasilkan teks, gambar, suara, atau konten baru.
● GPU: Prosesor khusus yang digunakan untuk komputasi AI.
● Large Language Model: Model AI bahasa berukuran besar.
● OpenAI: Perusahaan pengembang ChatGPT.
● Return on Investment (ROI): Ukuran keuntungan yang diperoleh dari suatu investasi.
● Token: Unit perhitungan penggunaan model AI.
● Tokenmaxxing: Penggunaan AI secara berlebihan yang menyebabkan lonjakan biaya.
#ArtificialIntelligence #AI #GenerativeAI #OpenAI #Anthropic #DigitalBanking #BankDigital #Fintech #AIAgent #DataCenter #CloudComputing #GPU #TokenEconomy #AIInvestment #FraudDetection #CustomerExperience #FinancialServices #DigitalTransformation #BusinessStrategy #Technology
