{"content_id":"5ns0jr5ogz","slug":"google-ai-strategy-inference-economics-and-monetization","locale":"id","schema_type":"Report","category":"trends","category_name":"Tren","title":"Strategi AI Google: Mengapa Distribusi dan Ekonomi Inferensi Lebih Penting daripada Persaingan Model","summary":"Sulit untuk menyimpulkan bahwa Google telah menyerah dalam persaingan kinerja model AI. Keunggulan Google terletak pada kemampuannya mendistribusikan Gemini melalui Search, Workspace, dan Cloud, menghubungkannya dengan pendapatan iklan, langganan, serta cloud, sekaligus menekan biaya inferensi dengan TPU miliknya sendiri.","sponsorship_disclosure":null,"affiliate_disclosure":null,"commerce_disclosure":null,"author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["Tolok ukur pemrograman dan penggunaan pada platform tertentu memang penting, tetapi tidak dapat sendirian menentukan pemenang di seluruh pasar AI.","Google, OpenAI, dan Anthropic sama-sama menanggung biaya inferensi saat menghasilkan respons AI serta memperoleh pendapatan dari API berbayar, langganan, dan sumber lainnya.","Kekuatan struktural Google adalah kemampuan distribusi berskala besar yang menghubungkan Search, Android, Chrome, Workspace, Cloud, dan TPU miliknya sendiri.","Meskipun iklan dapat ditampilkan di AI Overviews, tidak ada bukti bahwa pendapatan iklan otomatis meningkat seiring makin panjangnya jawaban.","Keberhasilan strategi harus dinilai bukan dari skor tolok ukur tertinggi, melainkan dari tingkat retensi pengguna, tingkat keberhasilan tugas, biaya per respons, dan perubahan pendapatan pencarian yang sudah ada."],"content_markdown":"Penjelasan bahwa “OpenAI dan Anthropic mengeluarkan biaya setiap kali memberikan jawaban, sedangkan Google menghasilkan uang dari iklan setiap kali memberikan jawaban” sering muncul dalam pembahasan tentang bisnis AI Google. Ungkapan ini menunjukkan dengan baik bahwa ketiga perusahaan tersebut memiliki titik awal yang berbeda, tetapi tidak boleh diterima sebagai fakta akuntansi.\n\nKetiga perusahaan sama-sama menanggung biaya komputasi saat menjalankan model, dan ketiganya sama-sama memperoleh pendapatan dari API, langganan, kontrak perusahaan, dan sebagainya. Perbedaan nyata Google bukanlah ada atau tidaknya biaya, melainkan **kemampuannya menghubungkan jaringan distribusi produk yang sudah ada, bisnis periklanan, Google Cloud, dan TPU miliknya sendiri ke dalam satu struktur ekonomi**.\n\n## Fakta dan interpretasi yang harus diluruskan terlebih dahulu\n\nKlaim yang diberikan mencampurkan model dari waktu yang berbeda, peringkat dinamis, dan informasi personalia yang belum dikonfirmasi. Jika digunakan begitu saja, hal ini akan membuat strategi Google ditafsirkan secara lebih sederhana daripada kenyataannya.\n\n| Klaim | Hal yang harus diperiksa | Interpretasi yang lebih akurat |\n|---|---|---|\n| Dalam survei tertentu, pangsa belanja coding Anthropic adalah 42% | Sampel, waktu survei, definisi “belanja”, dan kelompok perusahaan responden harus diperiksa | Survei dari satu VC dapat menunjukkan tren pembelian pada sampel perusahaan, tetapi bukan pangsa pasar AI coding global |\n| Gemini berada di luar 10 besar OpenRouter | Peringkat OpenRouter terus berubah berdasarkan periode, model, harga, promosi, dan permintaan routing | Itu merupakan sinyal penggunaan pada waktu tertentu, bukan tingkat adopsi pengembang secara keseluruhan atau peringkat pendapatan produk |\n| Peluncuran Gemini 1.5 Pro ditunda tanpa batas waktu | Gemini 1.5 Pro diumumkan pada Mei lalu, tetapi peluncurannya ditunda tanpa kepastian | Menggunakan uraian penundaan peluncuran pada masa lalu sebagai dasar strategi saat ini akan menimbulkan ketidaksesuaian kronologis |\n| Gemini 1.5 Flash adalah model terbaru Google | 1.5 Flash adalah nama produk dari generasi tertentu | Membandingkan model dari generasi berbeda secara langsung dengan model pesaing terbaru akan mendistorsi kesimpulan |\n| Noam Shazeer pindah ke OpenAI | Shazeer meninggalkan Google dan pindah ke OpenAI | Perpindahan talenta memang penting, tetapi perusahaan tujuan dan waktunya harus dibedakan secara akurat |\n| Pengunduran diri Jeff Dean dan John Jumper membuktikan perubahan strategi | Klaim personalia yang signifikan harus diverifikasi melalui pengumuman perusahaan atau catatan publik dari pihak terkait | Informasi personalia yang belum dikonfirmasi tidak boleh digunakan sebagai bukti strategi organisasi |\n| Sejak TPU generasi ke-6, TPU untuk pelatihan dan inferensi dipisahkan | Trillium adalah TPU yang digunakan untuk pelatihan dan inferensi, sedangkan Google kemudian mengumumkan Ironwood, TPU yang berfokus pada inferensi | Sejak TPU generasi ke-6, Google mulai merancang TPU untuk pelatihan dan inferensi secara terpisah dengan jelas |\n| Gemini Spark adalah agen unggulan Google | Nama produk resmi yang akurat dan status peluncurannya harus diperiksa | Produk resmi, proyek riset, dan nama sebelum pengumuman harus dibedakan |\n\nOleh karena itu, Google telah berhenti melakukan pengeluaran berlebihan demi memaksakan diri meraih posisi pertama dalam performa, dan berfokus pada **model mana yang harus diterapkan pada tugas tertentu untuk meningkatkan profitabilitas seluruh layanan**.\n\n## Alasan pentingnya performa AI coding dan keterbatasannya\n\nCoding merupakan bidang yang tepat untuk menilai kegunaan praktis model AI. Hal ini karena pekerjaan perangkat lunak membutuhkan interpretasi persyaratan, pembuatan kode, pelaksanaan pengujian, perbaikan kesalahan, pemanggilan alat, dan pengelolaan konteks jangka panjang secara bersamaan. Kemampuan semacam ini juga dapat dialihkan sebagian ke pekerjaan agen AI seperti pengoperasian browser atau pemrosesan dokumen.\n\nNamun, pernyataan bahwa “model yang paling baik dalam coding juga paling baik dalam semua pekerjaan” tidaklah berlaku. Tolok ukur coding mungkin tidak cukup mencerminkan unsur-unsur berikut.\n\n- Izin dan dependensi yang kompleks dalam repositori perusahaan nyata\n- Kerentanan keamanan dan masalah lisensi\n- Akumulasi kesalahan yang terjadi dalam pekerjaan panjang\n- Keterhubungan dengan data non-coding seperti email, dokumen, pencarian, dan video\n- Latensi respons, waktu aktif, dan cakupan ketersediaan menurut wilayah\n- Harga token input dan output serta diskon cache\n- Fitur pengelolaan, catatan audit, dan kebijakan retensi data\n\nDalam menilai pasar alat pengembangan, selain skor tolok ukur, perlu diperhatikan pula tingkat penyelesaian pekerjaan yang sebenarnya, waktu yang dibutuhkan pengembang untuk melakukan perbaikan, tingkat kegagalan, biaya, dan skala kontrak perusahaan.\n\n## Perbandingan struktur pendapatan Google dan perusahaan yang berfokus khusus pada AI\n\nGoogle, OpenAI, dan Anthropic sama-sama mengeluarkan uang untuk inferensi model. Perbedaannya terletak pada banyaknya jalur untuk memulihkan biaya tersebut dan dampaknya terhadap bisnis yang sudah ada.\n\n| Kategori | Google | Perusahaan yang berfokus pada AI seperti OpenAI·Anthropic |\n|---|---|---|\n| Jalur distribusi utama | Search, Android, Chrome, Workspace, YouTube, Google Cloud | Aplikasi sendiri, API, kontrak perusahaan, platform mitra |\n| Sumber pendapatan utama | Iklan pencarian dan video, biaya penggunaan Cloud, langganan Workspace dan AI, API | Langganan konsumen dan perusahaan, API, kontrak perusahaan dan kemitraan |\n| Infrastruktur | Memiliki TPU dan pusat data sendiri sekaligus memanfaatkan rantai pasokan eksternal | Ketergantungan terhadap mitra cloud dan semikonduktor relatif lebih tinggi |\n| Peluang dari penerapan AI | Dapat meningkatkan frekuensi penggunaan dan nilai layanan yang sudah ada | Dapat mengubah permintaan AI baru secara langsung menjadi pendapatan |\n| Risiko utama | Jawaban AI dapat menggerus klik pencarian dan ekonomi periklanan yang sudah ada | Biaya pelatihan dan inferensi yang tinggi, persaingan harga, serta ketergantungan pada jaringan distribusi |\n\nOpenAI dan Anthropic juga tidak hanya menanggung biaya setiap kali menghasilkan jawaban. API umumnya dikenai biaya berdasarkan penggunaan, sementara langganan berbayar dan kontrak perusahaan juga menghasilkan pendapatan. Sebaliknya, Google pun menanggung biaya inferensi ketika menyediakan respons AI kepada pengguna gratis.\n\nPada akhirnya, perbedaannya bukanlah “biaya versus pendapatan”, melainkan **ke layanan dan sumber pendapatan mana pengguna yang telah diperoleh dapat dihubungkan**.\n\n## Aset inti Google bukan hanya model\n\n### Jaringan distribusi produk\n\nGoogle tidak perlu mendistribusikan fitur Gemini hanya melalui aplikasi chatbot terpisah. Google dapat memasukkan fitur tersebut ke titik interaksi yang sudah memiliki pengguna, seperti Search, Gmail, Docs, Android, Chrome, dan Google Cloud. Hal ini mengurangi biaya akuisisi pelanggan yang diperlukan untuk memasang aplikasi baru dan membentuk kebiasaan.\n\nNamun, pemasangan secara bawaan tidak serta-merta berarti penggunaan berkelanjutan. Jika pengguna tidak memercayai hasilnya atau menilai fitur tersebut lebih lambat daripada cara kerja yang sudah ada, mereka dapat menonaktifkannya atau menggunakan layanan pesaing secara bersamaan.\n\n### Infrastruktur AI milik sendiri\n\nGoogle merancang TPU sendiri serta mengoperasikan pusat data, jaringan, model, dan layanan cloud secara terpadu. Integrasi vertikal ini memiliki keunggulan berupa kemampuan untuk mengoptimalkan perangkat keras dan perangkat lunak secara bersama-sama sesuai tugas tertentu.\n\nKhususnya dalam layanan berskala besar, pengurangan jumlah komputasi per respons, latensi, dan konsumsi daya dapat memberikan dampak yang lebih besar terhadap biaya keseluruhan dibandingkan sedikit peningkatan performa model. Namun, kesimpulan bahwa cip buatan sendiri selalu paling murah tidak dapat diambil sebelum mempertimbangkan tingkat utilisasi aktual, biaya pengembangan, depresiasi, dan harga GPU eksternal secara bersamaan.\n\n### Portofolio model dan routing\n\nMenggunakan model terbesar untuk setiap pertanyaan bukanlah pilihan yang ekonomis. Cara yang efisien adalah meminta model kecil menangani klasifikasi atau rangkuman sederhana, lalu mengirim hanya penalaran atau coding yang kompleks ke model yang lebih besar.\n\nKualitas strategi ini bergantung pada tiga unsur berikut.\n\n1. Apakah tingkat kesulitan permintaan diklasifikasikan secara akurat\n2. Apakah batas tugas yang dapat ditangani model kecil ditentukan secara aman\n3. Apakah kegagalan segera dialihkan ke model yang lebih kuat atau manusia\n\nOleh karena itu, menempatkan model kecil dan cepat di lini depan dapat dipandang sebagai strategi portofolio untuk mengelola lalu lintas berskala besar, bukan sebagai bukti bahwa pengembangan model teratas telah ditinggalkan.\n\n## Bagaimana pencarian AI terhubung dengan iklan\n\nGoogle dapat menggabungkan iklan ke hasil pencarian generatif seperti AI Overviews. Hal ini dimungkinkan karena sistem iklan pencarian yang sudah ada dapat dimanfaatkan jika niat komersial terdeteksi dalam pertanyaan pengguna dan tersedia iklan yang sesuai.\n\nNamun, tidak dapat disimpulkan bahwa “semakin panjang jawaban, semakin banyak ruang iklan dan semakin besar pula pendapatannya” karena alasan-alasan berikut.\n\n- Iklan ditentukan bukan oleh panjang jawaban, melainkan oleh niat pencarian, permintaan pengiklan, lelang, dan kebijakan penayangan.\n- Terlalu banyak iklan dapat menurunkan pengalaman pencarian dan kepercayaan.\n- Jika AI menyelesaikan pertanyaan sekaligus, pencarian lanjutan dan klik situs web oleh pengguna dapat berkurang.\n- Pertanyaan untuk mencari informasi mungkin memiliki niat komersial yang rendah sehingga nilai iklannya kecil.\n- Sekalipun pendapatan iklan dihasilkan, biaya inferensi tambahan dan biaya akuisisi lalu lintas harus dikurangkan.\n\nAlphabet mengungkapkan total pendapatan iklan dan pendapatan Cloud, tetapi tidak mengungkapkan secara terperinci pendapatan, biaya inferensi, dan laba operasional AI Overviews saja sebagai pos terpisah. Oleh karena itu, pihak eksternal tidak dapat memastikan “laba bersih per jawaban AI”.\n\n## Perspektif yang mudah terlewatkan: bukan pendapatan per respons, melainkan margin kontribusi\n\nDalam menilai strategi AI Google, satuan yang paling berguna bukanlah jumlah jawaban atau jumlah token itu sendiri, melainkan **margin kontribusi dari satu interaksi AI**.\n\nSecara konseptual, margin kontribusi dapat dilihat sebagai berikut.\n\n\u003e Margin kontribusi interaksi AI = pendapatan tambahan dari iklan·langganan·cloud − biaya inferensi − biaya pencarian·pemanggilan alat − biaya penanganan keamanan − biaya akuisisi lalu lintas\n\nHal ini harus mencerminkan bukan hanya pendapatan langsung, tetapi juga kanibalisasi bisnis yang sudah ada. Jika jawaban AI menciptakan pencarian baru, dampaknya positif. Namun, jika jawaban tersebut menggantikan klik iklan yang semula akan terjadi, dampak bersihnya dapat menjadi kecil.\n\nSelain itu, memperpanjang respons model bukanlah strategi pendapatan. Respons panjang meningkatkan biaya token output dan latensi. Secara ekonomi, menyelesaikan masalah pengguna secara akurat dengan komputasi yang lebih sedikit dan hanya menyediakan koneksi komersial pada saat diperlukan dapat lebih menguntungkan.\n\n## Indikator utama untuk menilai strategi Google\n\nAgar perusahaan dapat melacak keberhasilan atau kegagalan strategi melalui materi publik dan perubahan produk, indikator berikut harus diamati secara terpisah.\n\n| Bidang | Indikator yang diamati | Hal yang perlu diperhatikan dalam interpretasi |\n|---|---|---|\n| Kualitas model | Tingkat keberhasilan tugas, evaluasi coding·penalaran, tingkat halusinasi | Jangan bergantung pada satu tolok ukur dan angka yang dilaporkan sendiri |\n| Adopsi pengguna | Pengguna aktif bulanan·harian, tingkat kunjungan kembali, tingkat konversi berbayar | Bedakan pengguna dengan aplikasi prainstal dan pengguna yang benar-benar memakai secara berulang |\n| Efisiensi ekonomi | Biaya inferensi per permintaan, latensi, tingkat cache hit, tingkat utilisasi | Harga token publik tidak sama dengan biaya internal |\n| Bisnis pencarian | Proporsi kueri yang mencakup hasil AI, konversi iklan, frekuensi pencarian | Pendapatan mandiri fitur AI mungkin tidak diungkapkan |\n| Cloud | Kontrak terkait AI, penggunaan API, sisa nilai kontrak, laba operasional | Bedakan pertumbuhan Cloud secara keseluruhan dan kontribusi AI |\n| Ekosistem pengembang | Penggunaan API, dukungan framework, kasus penerapan perusahaan | Peringkat pada satu platform tidak mewakili seluruh pasar |\n| Talenta dan riset | Makalah utama, kecepatan penerapan pada produk, retensi peneliti | Jangan memperluas pengunduran diri individu menjadi keruntuhan seluruh kapabilitas riset |\n\n## Kondisi yang membedakan optimisme dan pesimisme\n\n### Kondisi yang memungkinkan strategi berhasil\n\n- Gemini mempertahankan kualitas yang dalam praktiknya cukup sebanding dengan model pesaing.\n- Keterhubungan antarproduk Google mengurangi waktu kerja pengguna secara nyata.\n- Model kecil dan TPU milik sendiri menurunkan biaya per respons.\n- Pencarian AI menciptakan kueri komersial baru tanpa merusak pendapatan iklan yang sudah ada.\n- Fitur AI pada Cloud dan Workspace dikonversi menjadi kontrak berbayar.\n\n### Kondisi yang dapat menyebabkan strategi gagal\n\n- Kesenjangan kualitas dalam coding dan tugas agen semakin besar sehingga pengembang dan perusahaan memilih model lain sebagai pilihan utama.\n- Jawaban AI mengurangi pendapatan pencarian yang sudah ada tanpa menghasilkan pendapatan baru yang memadai.\n- Integrasi produk menimbulkan masalah privasi, pengelolaan izin, dan kepercayaan.\n- Biaya untuk mengoreksi kesalahan model murah menjadi lebih besar daripada penghematan biaya inferensi.\n- Ekosistem talenta riset dan pengembang melemah sehingga daya saing model dalam jangka panjang menurun.\n\n## Kesimpulan\n\nGoogle telah berhenti melakukan pengeluaran berlebihan demi memaksakan diri meraih posisi pertama untuk model berperforma terbaik dan beralih ke pendekatan yang berfokus pada efektivitas biaya. Interpretasi yang lebih meyakinkan adalah bahwa Google mengoptimalkan **penerapan berskala besar, routing model, infrastruktur milik sendiri, serta monetisasi iklan·langganan·cloud** secara bersamaan dengan persaingan performa model.\n\nSelain itu, kerangka bahwa “OpenAI dan Anthropic merugi semakin banyak mereka menjawab, sedangkan Google menghasilkan uang semakin banyak menjawab” terlalu sederhana. Semua pelaku bisnis menanggung biaya inferensi, dan pemenang sebenarnya kemungkinan besar bukan perusahaan yang menghasilkan jawaban paling panjang, melainkan perusahaan yang mampu menyelesaikan pekerjaan pengguna secara andal sambil mempertahankan margin kontribusi per respons dan kepercayaan jangka panjang.","content_html":"\u003cp\u003ePenjelasan bahwa “OpenAI dan Anthropic mengeluarkan biaya setiap kali memberikan jawaban, sedangkan Google menghasilkan uang dari iklan setiap kali memberikan jawaban” sering muncul dalam pembahasan tentang bisnis AI Google. Ungkapan ini menunjukkan dengan baik bahwa ketiga perusahaan tersebut memiliki titik awal yang berbeda, tetapi tidak boleh diterima sebagai fakta akuntansi.\u003c/p\u003e\n\u003cp\u003eKetiga perusahaan sama-sama menanggung biaya komputasi saat menjalankan model, dan ketiganya sama-sama memperoleh pendapatan dari API, langganan, kontrak perusahaan, dan sebagainya. Perbedaan nyata Google bukanlah ada atau tidaknya biaya, melainkan \u003cstrong\u003ekemampuannya menghubungkan jaringan distribusi produk yang sudah ada, bisnis periklanan, Google Cloud, dan TPU miliknya sendiri ke dalam satu struktur ekonomi\u003c/strong\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#fakta-dan-interpretasi-yang-harus-diluruskan-terlebih-dahulu\" class=\"anchor\" id=\"fakta-dan-interpretasi-yang-harus-diluruskan-terlebih-dahulu\"\u003e\u003c/a\u003eFakta dan interpretasi yang harus diluruskan terlebih dahulu\u003c/h2\u003e\n\u003cp\u003eKlaim yang diberikan mencampurkan model dari waktu yang berbeda, peringkat dinamis, dan informasi personalia yang belum dikonfirmasi. Jika digunakan begitu saja, hal ini akan membuat strategi Google ditafsirkan secara lebih sederhana daripada kenyataannya.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eKlaim\u003c/th\u003e\n\u003cth\u003eHal yang harus diperiksa\u003c/th\u003e\n\u003cth\u003eInterpretasi yang lebih akurat\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Klaim\"\u003eDalam survei tertentu, pangsa belanja coding Anthropic adalah 42%\u003c/td\u003e\n\u003ctd data-label=\"Hal yang harus diperiksa\"\u003eSampel, waktu survei, definisi “belanja”, dan kelompok perusahaan responden harus diperiksa\u003c/td\u003e\n\u003ctd data-label=\"Interpretasi yang lebih akurat\"\u003eSurvei dari satu VC dapat menunjukkan tren pembelian pada sampel perusahaan, tetapi bukan pangsa pasar AI coding global\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Klaim\"\u003eGemini berada di luar 10 besar OpenRouter\u003c/td\u003e\n\u003ctd data-label=\"Hal yang harus diperiksa\"\u003ePeringkat OpenRouter terus berubah berdasarkan periode, model, harga, promosi, dan permintaan routing\u003c/td\u003e\n\u003ctd data-label=\"Interpretasi yang lebih akurat\"\u003eItu merupakan sinyal penggunaan pada waktu tertentu, bukan tingkat adopsi pengembang secara keseluruhan atau peringkat pendapatan produk\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Klaim\"\u003ePeluncuran Gemini 1.5 Pro ditunda tanpa batas waktu\u003c/td\u003e\n\u003ctd data-label=\"Hal yang harus diperiksa\"\u003eGemini 1.5 Pro diumumkan pada Mei lalu, tetapi peluncurannya ditunda tanpa kepastian\u003c/td\u003e\n\u003ctd data-label=\"Interpretasi yang lebih akurat\"\u003eMenggunakan uraian penundaan peluncuran pada masa lalu sebagai dasar strategi saat ini akan menimbulkan ketidaksesuaian kronologis\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Klaim\"\u003eGemini 1.5 Flash adalah model terbaru Google\u003c/td\u003e\n\u003ctd data-label=\"Hal yang harus diperiksa\"\u003e1.5 Flash adalah nama produk dari generasi tertentu\u003c/td\u003e\n\u003ctd data-label=\"Interpretasi yang lebih akurat\"\u003eMembandingkan model dari generasi berbeda secara langsung dengan model pesaing terbaru akan mendistorsi kesimpulan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Klaim\"\u003eNoam Shazeer pindah ke OpenAI\u003c/td\u003e\n\u003ctd data-label=\"Hal yang harus diperiksa\"\u003eShazeer meninggalkan Google dan pindah ke OpenAI\u003c/td\u003e\n\u003ctd data-label=\"Interpretasi yang lebih akurat\"\u003ePerpindahan talenta memang penting, tetapi perusahaan tujuan dan waktunya harus dibedakan secara akurat\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Klaim\"\u003ePengunduran diri Jeff Dean dan John Jumper membuktikan perubahan strategi\u003c/td\u003e\n\u003ctd data-label=\"Hal yang harus diperiksa\"\u003eKlaim personalia yang signifikan harus diverifikasi melalui pengumuman perusahaan atau catatan publik dari pihak terkait\u003c/td\u003e\n\u003ctd data-label=\"Interpretasi yang lebih akurat\"\u003eInformasi personalia yang belum dikonfirmasi tidak boleh digunakan sebagai bukti strategi organisasi\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Klaim\"\u003eSejak TPU generasi ke-6, TPU untuk pelatihan dan inferensi dipisahkan\u003c/td\u003e\n\u003ctd data-label=\"Hal yang harus diperiksa\"\u003eTrillium adalah TPU yang digunakan untuk pelatihan dan inferensi, sedangkan Google kemudian mengumumkan Ironwood, TPU yang berfokus pada inferensi\u003c/td\u003e\n\u003ctd data-label=\"Interpretasi yang lebih akurat\"\u003eSejak TPU generasi ke-6, Google mulai merancang TPU untuk pelatihan dan inferensi secara terpisah dengan jelas\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Klaim\"\u003eGemini Spark adalah agen unggulan Google\u003c/td\u003e\n\u003ctd data-label=\"Hal yang harus diperiksa\"\u003eNama produk resmi yang akurat dan status peluncurannya harus diperiksa\u003c/td\u003e\n\u003ctd data-label=\"Interpretasi yang lebih akurat\"\u003eProduk resmi, proyek riset, dan nama sebelum pengumuman harus dibedakan\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eOleh karena itu, Google telah berhenti melakukan pengeluaran berlebihan demi memaksakan diri meraih posisi pertama dalam performa, dan berfokus pada \u003cstrong\u003emodel mana yang harus diterapkan pada tugas tertentu untuk meningkatkan profitabilitas seluruh layanan\u003c/strong\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#alasan-pentingnya-performa-ai-coding-dan-keterbatasannya\" class=\"anchor\" id=\"alasan-pentingnya-performa-ai-coding-dan-keterbatasannya\"\u003e\u003c/a\u003eAlasan pentingnya performa AI coding dan keterbatasannya\u003c/h2\u003e\n\u003cp\u003eCoding merupakan bidang yang tepat untuk menilai kegunaan praktis model AI. Hal ini karena pekerjaan perangkat lunak membutuhkan interpretasi persyaratan, pembuatan kode, pelaksanaan pengujian, perbaikan kesalahan, pemanggilan alat, dan pengelolaan konteks jangka panjang secara bersamaan. Kemampuan semacam ini juga dapat dialihkan sebagian ke pekerjaan agen AI seperti pengoperasian browser atau pemrosesan dokumen.\u003c/p\u003e\n\u003cp\u003eNamun, pernyataan bahwa “model yang paling baik dalam coding juga paling baik dalam semua pekerjaan” tidaklah berlaku. Tolok ukur coding mungkin tidak cukup mencerminkan unsur-unsur berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eIzin dan dependensi yang kompleks dalam repositori perusahaan nyata\u003c/li\u003e\n\u003cli\u003eKerentanan keamanan dan masalah lisensi\u003c/li\u003e\n\u003cli\u003eAkumulasi kesalahan yang terjadi dalam pekerjaan panjang\u003c/li\u003e\n\u003cli\u003eKeterhubungan dengan data non-coding seperti email, dokumen, pencarian, dan video\u003c/li\u003e\n\u003cli\u003eLatensi respons, waktu aktif, dan cakupan ketersediaan menurut wilayah\u003c/li\u003e\n\u003cli\u003eHarga token input dan output serta diskon cache\u003c/li\u003e\n\u003cli\u003eFitur pengelolaan, catatan audit, dan kebijakan retensi data\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eDalam menilai pasar alat pengembangan, selain skor tolok ukur, perlu diperhatikan pula tingkat penyelesaian pekerjaan yang sebenarnya, waktu yang dibutuhkan pengembang untuk melakukan perbaikan, tingkat kegagalan, biaya, dan skala kontrak perusahaan.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#perbandingan-struktur-pendapatan-google-dan-perusahaan-yang-berfokus-khusus-pada-ai\" class=\"anchor\" id=\"perbandingan-struktur-pendapatan-google-dan-perusahaan-yang-berfokus-khusus-pada-ai\"\u003e\u003c/a\u003ePerbandingan struktur pendapatan Google dan perusahaan yang berfokus khusus pada AI\u003c/h2\u003e\n\u003cp\u003eGoogle, OpenAI, dan Anthropic sama-sama mengeluarkan uang untuk inferensi model. Perbedaannya terletak pada banyaknya jalur untuk memulihkan biaya tersebut dan dampaknya terhadap bisnis yang sudah ada.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eKategori\u003c/th\u003e\n\u003cth\u003eGoogle\u003c/th\u003e\n\u003cth\u003ePerusahaan yang berfokus pada AI seperti OpenAI·Anthropic\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003eJalur distribusi utama\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eSearch, Android, Chrome, Workspace, YouTube, Google Cloud\u003c/td\u003e\n\u003ctd data-label=\"Perusahaan yang berfokus pada AI seperti OpenAI·Anthropic\"\u003eAplikasi sendiri, API, kontrak perusahaan, platform mitra\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003eSumber pendapatan utama\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eIklan pencarian dan video, biaya penggunaan Cloud, langganan Workspace dan AI, API\u003c/td\u003e\n\u003ctd data-label=\"Perusahaan yang berfokus pada AI seperti OpenAI·Anthropic\"\u003eLangganan konsumen dan perusahaan, API, kontrak perusahaan dan kemitraan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003eInfrastruktur\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eMemiliki TPU dan pusat data sendiri sekaligus memanfaatkan rantai pasokan eksternal\u003c/td\u003e\n\u003ctd data-label=\"Perusahaan yang berfokus pada AI seperti OpenAI·Anthropic\"\u003eKetergantungan terhadap mitra cloud dan semikonduktor relatif lebih tinggi\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003ePeluang dari penerapan AI\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eDapat meningkatkan frekuensi penggunaan dan nilai layanan yang sudah ada\u003c/td\u003e\n\u003ctd data-label=\"Perusahaan yang berfokus pada AI seperti OpenAI·Anthropic\"\u003eDapat mengubah permintaan AI baru secara langsung menjadi pendapatan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Kategori\"\u003eRisiko utama\u003c/td\u003e\n\u003ctd data-label=\"Google\"\u003eJawaban AI dapat menggerus klik pencarian dan ekonomi periklanan yang sudah ada\u003c/td\u003e\n\u003ctd data-label=\"Perusahaan yang berfokus pada AI seperti OpenAI·Anthropic\"\u003eBiaya pelatihan dan inferensi yang tinggi, persaingan harga, serta ketergantungan pada jaringan distribusi\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eOpenAI dan Anthropic juga tidak hanya menanggung biaya setiap kali menghasilkan jawaban. API umumnya dikenai biaya berdasarkan penggunaan, sementara langganan berbayar dan kontrak perusahaan juga menghasilkan pendapatan. Sebaliknya, Google pun menanggung biaya inferensi ketika menyediakan respons AI kepada pengguna gratis.\u003c/p\u003e\n\u003cp\u003ePada akhirnya, perbedaannya bukanlah “biaya versus pendapatan”, melainkan \u003cstrong\u003eke layanan dan sumber pendapatan mana pengguna yang telah diperoleh dapat dihubungkan\u003c/strong\u003e.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#aset-inti-google-bukan-hanya-model\" class=\"anchor\" id=\"aset-inti-google-bukan-hanya-model\"\u003e\u003c/a\u003eAset inti Google bukan hanya model\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#jaringan-distribusi-produk\" class=\"anchor\" id=\"jaringan-distribusi-produk\"\u003e\u003c/a\u003eJaringan distribusi produk\u003c/h3\u003e\n\u003cp\u003eGoogle tidak perlu mendistribusikan fitur Gemini hanya melalui aplikasi chatbot terpisah. Google dapat memasukkan fitur tersebut ke titik interaksi yang sudah memiliki pengguna, seperti Search, Gmail, Docs, Android, Chrome, dan Google Cloud. Hal ini mengurangi biaya akuisisi pelanggan yang diperlukan untuk memasang aplikasi baru dan membentuk kebiasaan.\u003c/p\u003e\n\u003cp\u003eNamun, pemasangan secara bawaan tidak serta-merta berarti penggunaan berkelanjutan. Jika pengguna tidak memercayai hasilnya atau menilai fitur tersebut lebih lambat daripada cara kerja yang sudah ada, mereka dapat menonaktifkannya atau menggunakan layanan pesaing secara bersamaan.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#infrastruktur-ai-milik-sendiri\" class=\"anchor\" id=\"infrastruktur-ai-milik-sendiri\"\u003e\u003c/a\u003eInfrastruktur AI milik sendiri\u003c/h3\u003e\n\u003cp\u003eGoogle merancang TPU sendiri serta mengoperasikan pusat data, jaringan, model, dan layanan cloud secara terpadu. Integrasi vertikal ini memiliki keunggulan berupa kemampuan untuk mengoptimalkan perangkat keras dan perangkat lunak secara bersama-sama sesuai tugas tertentu.\u003c/p\u003e\n\u003cp\u003eKhususnya dalam layanan berskala besar, pengurangan jumlah komputasi per respons, latensi, dan konsumsi daya dapat memberikan dampak yang lebih besar terhadap biaya keseluruhan dibandingkan sedikit peningkatan performa model. Namun, kesimpulan bahwa cip buatan sendiri selalu paling murah tidak dapat diambil sebelum mempertimbangkan tingkat utilisasi aktual, biaya pengembangan, depresiasi, dan harga GPU eksternal secara bersamaan.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#portofolio-model-dan-routing\" class=\"anchor\" id=\"portofolio-model-dan-routing\"\u003e\u003c/a\u003ePortofolio model dan routing\u003c/h3\u003e\n\u003cp\u003eMenggunakan model terbesar untuk setiap pertanyaan bukanlah pilihan yang ekonomis. Cara yang efisien adalah meminta model kecil menangani klasifikasi atau rangkuman sederhana, lalu mengirim hanya penalaran atau coding yang kompleks ke model yang lebih besar.\u003c/p\u003e\n\u003cp\u003eKualitas strategi ini bergantung pada tiga unsur berikut.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eApakah tingkat kesulitan permintaan diklasifikasikan secara akurat\u003c/li\u003e\n\u003cli\u003eApakah batas tugas yang dapat ditangani model kecil ditentukan secara aman\u003c/li\u003e\n\u003cli\u003eApakah kegagalan segera dialihkan ke model yang lebih kuat atau manusia\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eOleh karena itu, menempatkan model kecil dan cepat di lini depan dapat dipandang sebagai strategi portofolio untuk mengelola lalu lintas berskala besar, bukan sebagai bukti bahwa pengembangan model teratas telah ditinggalkan.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#bagaimana-pencarian-ai-terhubung-dengan-iklan\" class=\"anchor\" id=\"bagaimana-pencarian-ai-terhubung-dengan-iklan\"\u003e\u003c/a\u003eBagaimana pencarian AI terhubung dengan iklan\u003c/h2\u003e\n\u003cp\u003eGoogle dapat menggabungkan iklan ke hasil pencarian generatif seperti AI Overviews. Hal ini dimungkinkan karena sistem iklan pencarian yang sudah ada dapat dimanfaatkan jika niat komersial terdeteksi dalam pertanyaan pengguna dan tersedia iklan yang sesuai.\u003c/p\u003e\n\u003cp\u003eNamun, tidak dapat disimpulkan bahwa “semakin panjang jawaban, semakin banyak ruang iklan dan semakin besar pula pendapatannya” karena alasan-alasan berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eIklan ditentukan bukan oleh panjang jawaban, melainkan oleh niat pencarian, permintaan pengiklan, lelang, dan kebijakan penayangan.\u003c/li\u003e\n\u003cli\u003eTerlalu banyak iklan dapat menurunkan pengalaman pencarian dan kepercayaan.\u003c/li\u003e\n\u003cli\u003eJika AI menyelesaikan pertanyaan sekaligus, pencarian lanjutan dan klik situs web oleh pengguna dapat berkurang.\u003c/li\u003e\n\u003cli\u003ePertanyaan untuk mencari informasi mungkin memiliki niat komersial yang rendah sehingga nilai iklannya kecil.\u003c/li\u003e\n\u003cli\u003eSekalipun pendapatan iklan dihasilkan, biaya inferensi tambahan dan biaya akuisisi lalu lintas harus dikurangkan.\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eAlphabet mengungkapkan total pendapatan iklan dan pendapatan Cloud, tetapi tidak mengungkapkan secara terperinci pendapatan, biaya inferensi, dan laba operasional AI Overviews saja sebagai pos terpisah. Oleh karena itu, pihak eksternal tidak dapat memastikan “laba bersih per jawaban AI”.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#perspektif-yang-mudah-terlewatkan-bukan-pendapatan-per-respons-melainkan-margin-kontribusi\" class=\"anchor\" id=\"perspektif-yang-mudah-terlewatkan-bukan-pendapatan-per-respons-melainkan-margin-kontribusi\"\u003e\u003c/a\u003ePerspektif yang mudah terlewatkan: bukan pendapatan per respons, melainkan margin kontribusi\u003c/h2\u003e\n\u003cp\u003eDalam menilai strategi AI Google, satuan yang paling berguna bukanlah jumlah jawaban atau jumlah token itu sendiri, melainkan \u003cstrong\u003emargin kontribusi dari satu interaksi AI\u003c/strong\u003e.\u003c/p\u003e\n\u003cp\u003eSecara konseptual, margin kontribusi dapat dilihat sebagai berikut.\u003c/p\u003e\n\u003cblockquote\u003e\n\u003cp\u003eMargin kontribusi interaksi AI = pendapatan tambahan dari iklan·langganan·cloud − biaya inferensi − biaya pencarian·pemanggilan alat − biaya penanganan keamanan − biaya akuisisi lalu lintas\u003c/p\u003e\n\u003c/blockquote\u003e\n\u003cp\u003eHal ini harus mencerminkan bukan hanya pendapatan langsung, tetapi juga kanibalisasi bisnis yang sudah ada. Jika jawaban AI menciptakan pencarian baru, dampaknya positif. Namun, jika jawaban tersebut menggantikan klik iklan yang semula akan terjadi, dampak bersihnya dapat menjadi kecil.\u003c/p\u003e\n\u003cp\u003eSelain itu, memperpanjang respons model bukanlah strategi pendapatan. Respons panjang meningkatkan biaya token output dan latensi. Secara ekonomi, menyelesaikan masalah pengguna secara akurat dengan komputasi yang lebih sedikit dan hanya menyediakan koneksi komersial pada saat diperlukan dapat lebih menguntungkan.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#indikator-utama-untuk-menilai-strategi-google\" class=\"anchor\" id=\"indikator-utama-untuk-menilai-strategi-google\"\u003e\u003c/a\u003eIndikator utama untuk menilai strategi Google\u003c/h2\u003e\n\u003cp\u003eAgar perusahaan dapat melacak keberhasilan atau kegagalan strategi melalui materi publik dan perubahan produk, indikator berikut harus diamati secara terpisah.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eBidang\u003c/th\u003e\n\u003cth\u003eIndikator yang diamati\u003c/th\u003e\n\u003cth\u003eHal yang perlu diperhatikan dalam interpretasi\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bidang\"\u003eKualitas model\u003c/td\u003e\n\u003ctd data-label=\"Indikator yang diamati\"\u003eTingkat keberhasilan tugas, evaluasi coding·penalaran, tingkat halusinasi\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan dalam interpretasi\"\u003eJangan bergantung pada satu tolok ukur dan angka yang dilaporkan sendiri\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bidang\"\u003eAdopsi pengguna\u003c/td\u003e\n\u003ctd data-label=\"Indikator yang diamati\"\u003ePengguna aktif bulanan·harian, tingkat kunjungan kembali, tingkat konversi berbayar\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan dalam interpretasi\"\u003eBedakan pengguna dengan aplikasi prainstal dan pengguna yang benar-benar memakai secara berulang\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bidang\"\u003eEfisiensi ekonomi\u003c/td\u003e\n\u003ctd data-label=\"Indikator yang diamati\"\u003eBiaya inferensi per permintaan, latensi, tingkat cache hit, tingkat utilisasi\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan dalam interpretasi\"\u003eHarga token publik tidak sama dengan biaya internal\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bidang\"\u003eBisnis pencarian\u003c/td\u003e\n\u003ctd data-label=\"Indikator yang diamati\"\u003eProporsi kueri yang mencakup hasil AI, konversi iklan, frekuensi pencarian\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan dalam interpretasi\"\u003ePendapatan mandiri fitur AI mungkin tidak diungkapkan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bidang\"\u003eCloud\u003c/td\u003e\n\u003ctd data-label=\"Indikator yang diamati\"\u003eKontrak terkait AI, penggunaan API, sisa nilai kontrak, laba operasional\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan dalam interpretasi\"\u003eBedakan pertumbuhan Cloud secara keseluruhan dan kontribusi AI\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bidang\"\u003eEkosistem pengembang\u003c/td\u003e\n\u003ctd data-label=\"Indikator yang diamati\"\u003ePenggunaan API, dukungan framework, kasus penerapan perusahaan\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan dalam interpretasi\"\u003ePeringkat pada satu platform tidak mewakili seluruh pasar\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Bidang\"\u003eTalenta dan riset\u003c/td\u003e\n\u003ctd data-label=\"Indikator yang diamati\"\u003eMakalah utama, kecepatan penerapan pada produk, retensi peneliti\u003c/td\u003e\n\u003ctd data-label=\"Hal yang perlu diperhatikan dalam interpretasi\"\u003eJangan memperluas pengunduran diri individu menjadi keruntuhan seluruh kapabilitas riset\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003ch2\u003e\n\u003ca href=\"#kondisi-yang-membedakan-optimisme-dan-pesimisme\" class=\"anchor\" id=\"kondisi-yang-membedakan-optimisme-dan-pesimisme\"\u003e\u003c/a\u003eKondisi yang membedakan optimisme dan pesimisme\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#kondisi-yang-memungkinkan-strategi-berhasil\" class=\"anchor\" id=\"kondisi-yang-memungkinkan-strategi-berhasil\"\u003e\u003c/a\u003eKondisi yang memungkinkan strategi berhasil\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eGemini mempertahankan kualitas yang dalam praktiknya cukup sebanding dengan model pesaing.\u003c/li\u003e\n\u003cli\u003eKeterhubungan antarproduk Google mengurangi waktu kerja pengguna secara nyata.\u003c/li\u003e\n\u003cli\u003eModel kecil dan TPU milik sendiri menurunkan biaya per respons.\u003c/li\u003e\n\u003cli\u003ePencarian AI menciptakan kueri komersial baru tanpa merusak pendapatan iklan yang sudah ada.\u003c/li\u003e\n\u003cli\u003eFitur AI pada Cloud dan Workspace dikonversi menjadi kontrak berbayar.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch3\u003e\n\u003ca href=\"#kondisi-yang-dapat-menyebabkan-strategi-gagal\" class=\"anchor\" id=\"kondisi-yang-dapat-menyebabkan-strategi-gagal\"\u003e\u003c/a\u003eKondisi yang dapat menyebabkan strategi gagal\u003c/h3\u003e\n\u003cul\u003e\n\u003cli\u003eKesenjangan kualitas dalam coding dan tugas agen semakin besar sehingga pengembang dan perusahaan memilih model lain sebagai pilihan utama.\u003c/li\u003e\n\u003cli\u003eJawaban AI mengurangi pendapatan pencarian yang sudah ada tanpa menghasilkan pendapatan baru yang memadai.\u003c/li\u003e\n\u003cli\u003eIntegrasi produk menimbulkan masalah privasi, pengelolaan izin, dan kepercayaan.\u003c/li\u003e\n\u003cli\u003eBiaya untuk mengoreksi kesalahan model murah menjadi lebih besar daripada penghematan biaya inferensi.\u003c/li\u003e\n\u003cli\u003eEkosistem talenta riset dan pengembang melemah sehingga daya saing model dalam jangka panjang menurun.\u003c/li\u003e\n\u003c/ul\u003e\n\u003ch2\u003e\n\u003ca href=\"#kesimpulan\" class=\"anchor\" id=\"kesimpulan\"\u003e\u003c/a\u003eKesimpulan\u003c/h2\u003e\n\u003cp\u003eGoogle telah berhenti melakukan pengeluaran berlebihan demi memaksakan diri meraih posisi pertama untuk model berperforma terbaik dan beralih ke pendekatan yang berfokus pada efektivitas biaya. Interpretasi yang lebih meyakinkan adalah bahwa Google mengoptimalkan \u003cstrong\u003epenerapan berskala besar, routing model, infrastruktur milik sendiri, serta monetisasi iklan·langganan·cloud\u003c/strong\u003e secara bersamaan dengan persaingan performa model.\u003c/p\u003e\n\u003cp\u003eSelain itu, kerangka bahwa “OpenAI dan Anthropic merugi semakin banyak mereka menjawab, sedangkan Google menghasilkan uang semakin banyak menjawab” terlalu sederhana. Semua pelaku bisnis menanggung biaya inferensi, dan pemenang sebenarnya kemungkinan besar bukan perusahaan yang menghasilkan jawaban paling panjang, melainkan perusahaan yang mampu menyelesaikan pekerjaan pengguna secara andal sambil mempertahankan margin kontribusi per respons dan kepercayaan jangka panjang.\u003c/p\u003e\n","tags":["AI","Semikonduktor","AI generatif","Pusat data AI","Agen AI","Strategi teknologi"],"faqs":[{"question":"Apakah Google telah menyerah untuk menjadi nomor satu dalam kinerja model AI?","answer":"Sulit untuk menyimpulkan bahwa Google telah menyerah hanya berdasarkan jajaran produk yang diumumkan. Google mengembangkan model besar sekaligus mengoptimalkan kualitas dan biaya dengan memanfaatkan model kecil, perutean model, TPU miliknya sendiri, serta integrasi produk."},{"question":"Apakah OpenAI dan Anthropic mengalami kerugian setiap kali AI memberikan jawaban?","answer":"Setiap respons memang menimbulkan biaya inferensi, tetapi API berbayar juga menghasilkan pendapatan berdasarkan penggunaan. Karena ada pula langganan dan kontrak perusahaan, anggapan bahwa setiap jawaban selalu menimbulkan kerugian tidaklah tepat. Profitabilitas sebenarnya bergantung pada harga, biaya, volume penggunaan, dan struktur kontrak."},{"question":"Apakah Google memperoleh lebih banyak pendapatan iklan jika jawaban AI lebih panjang?","answer":"Hal itu tidak dapat dipastikan. Penayangan iklan lebih dipengaruhi oleh niat komersial pengguna, permintaan pengiklan, lelang, dan kebijakan produk daripada panjang jawaban. Jawaban yang panjang juga dapat meningkatkan biaya token keluaran dan waktu latensi."},{"question":"Apakah pangsa pengeluaran AI untuk pengodean sebesar 42% berarti pangsa pasar secara keseluruhan?","answer":"Tidak. Angka dari survei VC tertentu mencerminkan perusahaan yang berpartisipasi dalam survei tersebut dan cakupan pengeluaran yang telah ditentukan. Angka itu tidak boleh ditafsirkan sebagai pangsa pasar global yang mencakup penggunaan konsumen, alat gratis, seluruh lalu lintas API, dan pasar di setiap wilayah."},{"question":"Dapatkah peringkat OpenRouter digunakan untuk menentukan model AI terbaik?","answer":"Peringkat OpenRouter merupakan sinyal berguna yang menunjukkan volume penggunaan atau tren pilihan pada platform tersebut. Namun, karena peringkat itu mencerminkan harga, promosi, ketersediaan model, dan komposisi pengguna, peringkat tersebut tidak sama dengan pasar pengembang secara keseluruhan atau peringkat kinerja yang objektif."},{"question":"Mengapa TPU milik Google sendiri penting dalam persaingan AI?","answer":"Google dapat mengoptimalkan model, perangkat keras, jaringan, dan pusat data secara terpadu. Dalam permintaan berskala besar, sedikit pengurangan jumlah komputasi dan waktu latensi per respons saja dapat menghasilkan perbedaan biaya yang besar. Namun, keunggulan biaya yang sebenarnya hanya dapat dinilai setelah tingkat utilisasi serta biaya pengembangan dan operasional turut diperiksa."},{"question":"Apa metrik terpenting untuk menilai keberhasilan atau kegagalan strategi AI Google?","answer":"Alih-alih hanya melihat satu tolok ukur, perlu dipertimbangkan secara bersamaan tingkat keberhasilan tugas nyata, tingkat penggunaan berulang, tingkat konversi berbayar, biaya inferensi per permintaan, pertumbuhan Cloud, serta dampak pencarian AI terhadap pendapatan iklan yang sudah ada. Selama Alphabet tidak mengungkapkan laba untuk setiap fitur AI secara terpisah, penilaian pihak luar memiliki keterbatasan karena hanya berupa estimasi."}],"sources":[{"url":"https://www.sec.gov/Archives/edgar/data/1652044/000165204425000014/goog-20241231.htm","title":"Alphabet 2024 Form 10-K","type":"source"},{"url":"https://abc.xyz/investor/","title":"Alphabet Investor Relations","type":"source"},{"url":"https://ai.google.dev/gemini-api/docs/pricing","title":"Gemini Developer API pricing","type":"data_point"},{"url":"https://cloud.google.com/tpu","title":"Google Cloud TPU","type":"source"},{"url":"https://openai.com/api/pricing/","title":"OpenAI API Pricing","type":"data_point"},{"url":"https://docs.anthropic.com/en/docs/about-claude/pricing","title":"Anthropic Claude pricing","type":"data_point"},{"url":"https://openrouter.ai/rankings","title":"OpenRouter Rankings","type":"data_point"},{"url":"https://menlovc.com/2024-the-state-of-generative-ai-in-the-enterprise/","title":"Menlo Ventures 2024: The State of Generative AI in the Enterprise","type":"data_point"},{"url":"https://blog.google/products/ads-commerce/google-marketing-live-2024/","title":"Google Marketing Live 2024","type":"source"}],"images":[{"id":914,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIzMjAsInB1ciI6ImJsb2JfaWQifX0=--c3585fef83432d19cf74a2e15f0a910865bd4791/ai-38725e98.webp","is_representative":true,"generation_method":"ai_photo","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"데이터센터에서 서버 랙의 터치스크린 대시보드를 조작하는 엔지니어","caption":"엔지니어가 서버 연결과 성능 지표를 확인하며 AI 인프라를 관리하고 있다.","description":null},"en":{"alt":"Engineer operating a touchscreen dashboard on a server rack in a data center","caption":"An engineer monitors server connections and performance metrics for AI infrastructure.","description":null},"ja":{"alt":"データセンターでサーバーラックのタッチ画面を操作するエンジニア","caption":"エンジニアが接続状況と性能指標を確認しながらAIインフラを管理している。","description":null},"es":{"alt":"Ingeniero usando un panel táctil en un rack de servidores de un centro de datos","caption":"Un ingeniero supervisa las conexiones y el rendimiento de la infraestructura de IA.","description":null},"id":{"alt":"Teknisi mengoperasikan dasbor layar sentuh pada rak server di pusat data","caption":"Seorang teknisi memantau koneksi dan kinerja server untuk infrastruktur AI.","description":null},"pt":{"alt":"Engenheiro operando painel touchscreen em rack de servidores de um data center","caption":"Um engenheiro monitora conexões e métricas de desempenho da infraestrutura de IA.","description":null},"zh-hant":{"alt":"工程師在資料中心操作伺服器機櫃上的觸控式儀表板","caption":"工程師查看伺服器連線與效能指標，以管理 AI 基礎設施。","description":null},"de":{"alt":"Techniker bedient ein Touchscreen-Dashboard an einem Serverschrank im Rechenzentrum","caption":"Ein Techniker überwacht Verbindungen und Leistungsdaten der KI-Infrastruktur.","description":null}}},{"id":915,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIzMjYsInB1ciI6ImJsb2JfaWQifX0=--5290fcf0f549cd08d0e82e32bcc31d34b7b97d8e/ai-c29a6939.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"중앙 AI 모델이 웹·모바일 서비스와 서버, 반도체, 비용 분석 대시보드에 연결된 인포그래픽","caption":"AI 유통망과 추론 인프라, 비용 효율의 관계를 시각화한 도표다.","description":null},"en":{"alt":"Infographic linking a central AI model to apps, chips, servers, services, and cost dashboards","caption":"The graphic visualizes how AI distribution, inference infrastructure, and cost efficiency connect.","description":null},"ja":{"alt":"中央のAIモデルとアプリ、半導体、サーバー、各種サービス、コスト指標を結ぶ図","caption":"AIの流通網、推論基盤、コスト効率の関係を可視化している。","description":null},"es":{"alt":"Infografía que conecta un modelo de IA con aplicaciones, chips, servidores, servicios y métricas de costes","caption":"El gráfico muestra la relación entre distribución de IA, infraestructura de inferencia y eficiencia de costes.","description":null},"id":{"alt":"Infografik yang menghubungkan model AI pusat dengan aplikasi, cip, server, layanan, dan metrik biaya","caption":"Grafik ini memvisualkan hubungan distribusi AI, infrastruktur inferensi, dan efisiensi biaya.","description":null},"pt":{"alt":"Infográfico ligando um modelo central de IA a aplicativos, chips, servidores, serviços e métricas de custos","caption":"O gráfico mostra a relação entre distribuição de IA, infraestrutura de inferência e eficiência de custos.","description":null},"zh-hant":{"alt":"中央 AI 模型連接應用程式、晶片、伺服器、各類服務與成本分析儀表板的資訊圖","caption":"圖表呈現 AI 分發、推論基礎設施與成本效益之間的關係。","description":null},"de":{"alt":"Infografik zur Verbindung eines zentralen KI-Modells mit Apps, Chips, Servern, Diensten und Kostenkennzahlen","caption":"Die Grafik veranschaulicht das Zusammenspiel von KI-Vertrieb, Inferenzinfrastruktur und Kosteneffizienz.","description":null}}}],"published_at":"2026-08-27T09:46:27+09:00","updated_at":"2026-08-27T09:46:27+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/google-ai-strategy-inference-economics-and-monetization"}