---
title: "Strategi AI Google: Mengapa Distribusi dan Ekonomi Inferensi Lebih Penting daripada Persaingan Model"
locale: id
category: trends
category_name: "Tren"
translation_status: reviewed
license: cc_by
author: "injoys"
source_url: https://injoys.com/en/articles/google-ai-strategy-inference-economics-and-monetization
published_at: 2026-08-27T09:46:27+09:00
---

# Strategi AI Google: Mengapa Distribusi dan Ekonomi Inferensi Lebih Penting daripada Persaingan Model

> 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.

## 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.

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.

Ketiga 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**.

## Fakta dan interpretasi yang harus diluruskan terlebih dahulu

Klaim 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.

| Klaim | Hal yang harus diperiksa | Interpretasi yang lebih akurat |
|---|---|---|
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |

Oleh 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**.

## Alasan pentingnya performa AI coding dan keterbatasannya

Coding 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.

Namun, 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.

- Izin dan dependensi yang kompleks dalam repositori perusahaan nyata
- Kerentanan keamanan dan masalah lisensi
- Akumulasi kesalahan yang terjadi dalam pekerjaan panjang
- Keterhubungan dengan data non-coding seperti email, dokumen, pencarian, dan video
- Latensi respons, waktu aktif, dan cakupan ketersediaan menurut wilayah
- Harga token input dan output serta diskon cache
- Fitur pengelolaan, catatan audit, dan kebijakan retensi data

Dalam 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.

## Perbandingan struktur pendapatan Google dan perusahaan yang berfokus khusus pada AI

Google, 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.

| Kategori | Google | Perusahaan yang berfokus pada AI seperti OpenAI·Anthropic |
|---|---|---|
| Jalur distribusi utama | Search, Android, Chrome, Workspace, YouTube, Google Cloud | Aplikasi sendiri, API, kontrak perusahaan, platform mitra |
| Sumber pendapatan utama | Iklan pencarian dan video, biaya penggunaan Cloud, langganan Workspace dan AI, API | Langganan konsumen dan perusahaan, API, kontrak perusahaan dan kemitraan |
| Infrastruktur | Memiliki TPU dan pusat data sendiri sekaligus memanfaatkan rantai pasokan eksternal | Ketergantungan terhadap mitra cloud dan semikonduktor relatif lebih tinggi |
| Peluang dari penerapan AI | Dapat meningkatkan frekuensi penggunaan dan nilai layanan yang sudah ada | Dapat mengubah permintaan AI baru secara langsung menjadi pendapatan |
| 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 |

OpenAI 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.

Pada akhirnya, perbedaannya bukanlah “biaya versus pendapatan”, melainkan **ke layanan dan sumber pendapatan mana pengguna yang telah diperoleh dapat dihubungkan**.

## Aset inti Google bukan hanya model

### Jaringan distribusi produk

Google 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.

Namun, 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.

### Infrastruktur AI milik sendiri

Google 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.

Khususnya 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.

### Portofolio model dan routing

Menggunakan 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.

Kualitas strategi ini bergantung pada tiga unsur berikut.

1. Apakah tingkat kesulitan permintaan diklasifikasikan secara akurat
2. Apakah batas tugas yang dapat ditangani model kecil ditentukan secara aman
3. Apakah kegagalan segera dialihkan ke model yang lebih kuat atau manusia

Oleh 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.

## Bagaimana pencarian AI terhubung dengan iklan

Google 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.

Namun, tidak dapat disimpulkan bahwa “semakin panjang jawaban, semakin banyak ruang iklan dan semakin besar pula pendapatannya” karena alasan-alasan berikut.

- Iklan ditentukan bukan oleh panjang jawaban, melainkan oleh niat pencarian, permintaan pengiklan, lelang, dan kebijakan penayangan.
- Terlalu banyak iklan dapat menurunkan pengalaman pencarian dan kepercayaan.
- Jika AI menyelesaikan pertanyaan sekaligus, pencarian lanjutan dan klik situs web oleh pengguna dapat berkurang.
- Pertanyaan untuk mencari informasi mungkin memiliki niat komersial yang rendah sehingga nilai iklannya kecil.
- Sekalipun pendapatan iklan dihasilkan, biaya inferensi tambahan dan biaya akuisisi lalu lintas harus dikurangkan.

Alphabet 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”.

## Perspektif yang mudah terlewatkan: bukan pendapatan per respons, melainkan margin kontribusi

Dalam menilai strategi AI Google, satuan yang paling berguna bukanlah jumlah jawaban atau jumlah token itu sendiri, melainkan **margin kontribusi dari satu interaksi AI**.

Secara konseptual, margin kontribusi dapat dilihat sebagai berikut.

> Margin kontribusi interaksi AI = pendapatan tambahan dari iklan·langganan·cloud − biaya inferensi − biaya pencarian·pemanggilan alat − biaya penanganan keamanan − biaya akuisisi lalu lintas

Hal 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.

Selain 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.

## Indikator utama untuk menilai strategi Google

Agar perusahaan dapat melacak keberhasilan atau kegagalan strategi melalui materi publik dan perubahan produk, indikator berikut harus diamati secara terpisah.

| Bidang | Indikator yang diamati | Hal yang perlu diperhatikan dalam interpretasi |
|---|---|---|
| Kualitas model | Tingkat keberhasilan tugas, evaluasi coding·penalaran, tingkat halusinasi | Jangan bergantung pada satu tolok ukur dan angka yang dilaporkan sendiri |
| 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 |
| Efisiensi ekonomi | Biaya inferensi per permintaan, latensi, tingkat cache hit, tingkat utilisasi | Harga token publik tidak sama dengan biaya internal |
| Bisnis pencarian | Proporsi kueri yang mencakup hasil AI, konversi iklan, frekuensi pencarian | Pendapatan mandiri fitur AI mungkin tidak diungkapkan |
| Cloud | Kontrak terkait AI, penggunaan API, sisa nilai kontrak, laba operasional | Bedakan pertumbuhan Cloud secara keseluruhan dan kontribusi AI |
| Ekosistem pengembang | Penggunaan API, dukungan framework, kasus penerapan perusahaan | Peringkat pada satu platform tidak mewakili seluruh pasar |
| Talenta dan riset | Makalah utama, kecepatan penerapan pada produk, retensi peneliti | Jangan memperluas pengunduran diri individu menjadi keruntuhan seluruh kapabilitas riset |

## Kondisi yang membedakan optimisme dan pesimisme

### Kondisi yang memungkinkan strategi berhasil

- Gemini mempertahankan kualitas yang dalam praktiknya cukup sebanding dengan model pesaing.
- Keterhubungan antarproduk Google mengurangi waktu kerja pengguna secara nyata.
- Model kecil dan TPU milik sendiri menurunkan biaya per respons.
- Pencarian AI menciptakan kueri komersial baru tanpa merusak pendapatan iklan yang sudah ada.
- Fitur AI pada Cloud dan Workspace dikonversi menjadi kontrak berbayar.

### Kondisi yang dapat menyebabkan strategi gagal

- Kesenjangan kualitas dalam coding dan tugas agen semakin besar sehingga pengembang dan perusahaan memilih model lain sebagai pilihan utama.
- Jawaban AI mengurangi pendapatan pencarian yang sudah ada tanpa menghasilkan pendapatan baru yang memadai.
- Integrasi produk menimbulkan masalah privasi, pengelolaan izin, dan kepercayaan.
- Biaya untuk mengoreksi kesalahan model murah menjadi lebih besar daripada penghematan biaya inferensi.
- Ekosistem talenta riset dan pengembang melemah sehingga daya saing model dalam jangka panjang menurun.

## Kesimpulan

Google 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.

Selain 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.

## FAQ

### Apakah Google telah menyerah untuk menjadi nomor satu dalam kinerja model AI?
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.

### Apakah OpenAI dan Anthropic mengalami kerugian setiap kali AI memberikan jawaban?
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.

### Apakah Google memperoleh lebih banyak pendapatan iklan jika jawaban AI lebih panjang?
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.

### Apakah pangsa pengeluaran AI untuk pengodean sebesar 42% berarti pangsa pasar secara keseluruhan?
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.

### Dapatkah peringkat OpenRouter digunakan untuk menentukan model AI terbaik?
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.

### Mengapa TPU milik Google sendiri penting dalam persaingan AI?
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.

### Apa metrik terpenting untuk menilai keberhasilan atau kegagalan strategi AI Google?
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

- [Alphabet 2024 Form 10-K](https://www.sec.gov/Archives/edgar/data/1652044/000165204425000014/goog-20241231.htm)
- [Alphabet Investor Relations](https://abc.xyz/investor/)
- [Gemini Developer API pricing](https://ai.google.dev/gemini-api/docs/pricing)
- [Google Cloud TPU](https://cloud.google.com/tpu)
- [OpenAI API Pricing](https://openai.com/api/pricing/)
- [Anthropic Claude pricing](https://docs.anthropic.com/en/docs/about-claude/pricing)
- [OpenRouter Rankings](https://openrouter.ai/rankings)
- [Menlo Ventures 2024: The State of Generative AI in the Enterprise](https://menlovc.com/2024-the-state-of-generative-ai-in-the-enterprise/)
- [Google Marketing Live 2024](https://blog.google/products/ads-commerce/google-marketing-live-2024/)

## Images

![Teknisi mengoperasikan dasbor layar sentuh pada rak server di pusat data](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIzMjAsInB1ciI6ImJsb2JfaWQifX0=--c3585fef83432d19cf74a2e15f0a910865bd4791/ai-38725e98.webp)
![Infografik yang menghubungkan model AI pusat dengan aplikasi, cip, server, layanan, dan metrik biaya](https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6MTIzMjYsInB1ciI6ImJsb2JfaWQifX0=--5290fcf0f549cd08d0e82e32bcc31d34b7b97d8e/ai-c29a6939.webp)