Perubahan benefit GrabUnlimited memisahkan diskon GrabBike dari paket lintas layanan, tetapi Grab menyebutnya bukan semata akibat komisi 8%.
Hedra.ID, California - Persaingan model AI sering terlihat seperti perlombaan mencari satu model paling pintar. Model yang meraih skor tertinggi dalam benchmark, yaitu serangkaian pengujian kemampuan, biasanya dianggap sebagai pilihan terbaik. Kesan yang sama muncul ketika sebuah model mampu menulis kode lebih rumit atau menyelesaikan penalaran panjang.
Cara pandang itu masuk akal ketika satu-satunya ukuran adalah kemampuan maksimal. Masalahnya, sebagian besar pekerjaan yang diberikan kepada AI tidak selalu membutuhkan kemampuan setinggi itu.
Merangkum dokumen, mengambil informasi dari formulir, mengelompokkan pesan, menerjemahkan teks pendek, atau menjawab pertanyaan rutin berbeda dari mengerjakan riset kompleks. Menggunakan model paling canggih untuk seluruh tugas tersebut seperti memakai komputer berperforma tinggi untuk pekerjaan yang sebenarnya dapat diselesaikan perangkat biasa.
Google memperkenalkan Gemini 3.6 Flash dan Gemini 3.5 Flash-Lite Selasa (21/7/2026) lalu. Keduanya ditempatkan sebagai model yang mencoba menyeimbangkan kemampuan dan efisiensi. Posisi itu berbeda dari model flagship atau model utama dengan kemampuan tertinggi, yang biasanya ditujukan untuk pekerjaan lebih berat.
Menurut Google, Gemini 3.6 Flash menggunakan lebih sedikit token keluaran dibandingkan generasi Flash sebelumnya dalam pengujian yang dikutip perusahaan. Token merupakan potongan teks yang diproses atau dihasilkan model. Model tersebut juga ditawarkan dengan harga lebih rendah untuk setiap token keluaran. Sementara itu, Gemini 3.5 Flash-Lite lebih diarahkan pada kecepatan, biaya rendah, dan pemrosesan permintaan dalam jumlah besar.
Angka-angka itu tetap perlu diperlakukan sebagai klaim dan hasil pengujian perusahaan. Informasi tersebut belum membuktikan bahwa model ringan selalu lebih baik dalam setiap situasi.
Namun, pengumuman itu memperlihatkan perubahan penting dalam cara menilai model AI. Nilai sebuah model tidak lagi hanya ditentukan oleh kemampuan terbaiknya, tetapi juga oleh sumber daya yang dibutuhkan untuk menghasilkan setiap jawaban.
Sebuah model mungkin sangat unggul dalam tugas penalaran yang sulit. Keunggulan itu tidak banyak berarti apabila sebagian besar pekerjaan yang diterimanya hanya berupa pengambilan data sederhana atau penyusunan jawaban singkat.
Bagi pengguna biasa, perbedaan biaya antarmodel mungkin tidak terlihat. Pengguna mengetik pertanyaan, lalu menerima jawaban. Di balik proses itu, setiap permintaan menggunakan kapasitas komputasi, memproses token, dan membutuhkan waktu untuk menghasilkan respons.
Dampaknya baru terasa ketika satu permintaan berubah menjadi ribuan atau jutaan permintaan. Sistem layanan pelanggan, pencarian produk, pemrosesan dokumen, atau agen AI dapat memanggil model berkali-kali dalam satu alur kerja. Satu tugas pengguna bisa melibatkan pencarian informasi, pembacaan beberapa dokumen, pemeriksaan hasil, dan penyusunan jawaban akhir.
Dalam situasi seperti itu, harga, jumlah token, waktu respons, dan penggunaan alat menjadi bagian penting dari perhitungan. Model yang kemampuannya sedikit lebih rendah tetapi sudah cukup akurat dapat lebih berguna apabila bekerja lebih cepat dan membutuhkan biaya lebih kecil.
Penghematan yang terlihat kecil pada satu permintaan bisa menjadi besar ketika sistem digunakan terus-menerus. Kecepatan juga tidak hanya menentukan berapa lama pengguna harus menunggu. Pada penggunaan berskala besar, model yang dapat memproses lebih banyak permintaan dalam waktu yang sama membantu mengurangi antrean dan menjalankan lebih banyak pekerjaan secara bersamaan.
Karena itu, benchmark kemampuan hanya menjawab sebagian pertanyaan. Benchmark dapat menunjukkan seberapa baik model menangani jenis soal tertentu, tetapi tidak otomatis menjelaskan biaya penggunaannya, waktu yang dibutuhkan untuk menghasilkan jawaban, atau apakah kemampuan tambahannya benar-benar diperlukan.
Model ringan dan model flagship tidak harus diperlakukan sebagai dua pilihan yang saling meniadakan. Keduanya dapat menjalankan fungsi berbeda dalam satu sistem.
Model ringan dapat menangani tugas rutin, menyaring permintaan awal, mengambil data, atau menilai apakah sebuah pekerjaan membutuhkan penalaran lebih dalam. Model yang lebih kuat kemudian digunakan hanya untuk bagian yang benar-benar sulit, seperti analisis kompleks, pemrograman dengan banyak ketergantungan, atau pekerjaan yang membutuhkan konteks lebih luas.
Pendekatan berlapis seperti ini membuat model yang lebih mahal tidak digunakan pada setiap langkah. Model tercanggih tetap tersedia, tetapi tidak harus menangani seluruh pekerjaan.
Meski begitu, tugas yang terlihat sederhana belum tentu berisiko rendah. Ringkasan dokumen hukum, jawaban kesehatan, pemeriksaan keamanan, atau informasi keuangan tidak seharusnya diserahkan kepada model lebih ringan hanya demi menghemat biaya tanpa pengujian yang memadai.
Harga dan kecepatan tidak menggantikan kebutuhan akan akurasi, pengawasan, dan pemeriksaan manusia. Model ringan baru berguna ketika kemampuannya memang cukup untuk tugas yang diberikan dan risiko kesalahannya sudah dipahami.
Karena itu, pertanyaan yang lebih berguna bukan model mana yang paling pintar secara umum. Pertanyaannya adalah kemampuan minimum apa yang dibutuhkan agar sebuah pekerjaan dapat diselesaikan dengan cukup baik, cepat, dan konsisten.
Model AI ringan menjadi lebih bernilai ketika kemampuannya sesuai dengan pekerjaan yang paling sering dilakukan. Model paling canggih tetap penting untuk kasus yang membutuhkan kemampuan maksimal. Keduanya baru benar-benar berguna ketika pemilihan model mengikuti kebutuhan pekerjaan, bukan sekadar posisi dalam perlombaan benchmark.
