TECHAI Mulai Pindah Fokus: Dari Kejar Ukuran Model ke Efisiensi dan Lokalisasi
Ada pola menarik yang muncul dari beberapa pengumuman industri AI dalam sepekan terakhir. Kalau dua tahun belakangan narasi utamanya adalah siapa yang punya model paling besar dengan parameter paling banyak, sekarang arahnya mulai bergeser ke dua hal yang lebih praktis: seberapa efisien model itu jalan, dan seberapa cocok model itu dipakai untuk konteks lokal tertentu.
Google jadi salah satu yang paling vokal soal efisiensi. Menurut pengumuman resmi di Google Blog, mereka baru merilis Gemini 3.6 Flash, varian yang dirancang khusus buat alur kerja agen otomatis dengan latensi rendah. Yang menarik bukan cuma soal kecepatan, tapi klaim penghematan output token yang signifikan tanpa mengorbankan kemampuan analisis pada jendela konteks besar. Ini penting karena agen AI biasanya nggak cuma sekali panggil model terus selesai — mereka bisa melakukan puluhan bahkan ratusan pemanggilan berantai untuk menyelesaikan satu tugas. Kalau tiap panggilan boros token, biaya menjalankan agen otonom bisa membengkak cepat. Jadi optimasi macam ini sebenarnya jawaban langsung atas keluhan yang selama ini muncul dari pengembang yang membangun sistem agentic.
Di saat bersamaan, Moonshot AI dari Tiongkok merilis Kimi K3, model bahasa baru yang menurut peluncurannya mengandalkan arsitektur sparsitas untuk memproses jutaan token sekaligus. Pendekatan sparse ini pada dasarnya cara untuk membuat model raksasa tetap efisien secara komputasi — nggak semua bagian model aktif di setiap perhitungan, jadi bisa menangani skala besar tanpa biaya inferensi yang meledak. Moonshot secara terang-terangan memposisikan Kimi K3 sebagai penantang model-model tertutup papan atas asal Amerika Serikat, yang artinya persaingan open-source dari Tiongkok makin serius menyasar bukan cuma soal kemampuan mentah, tapi juga soal siapa yang bisa menawarkan performa setara dengan ongkos operasional lebih rendah.
Jadi dua kabar ini sebenarnya cerita yang sama dari dua arah: baik Google maupun Moonshot sama-sama menyadari bahwa titik perlombaan berikutnya bukan cuma "model paling pintar", melainkan "model paling murah dijalankan pada skala tinggi". Ini masuk akal kalau melihat ke mana arah adopsi AI sekarang — makin banyak perusahaan yang menjalankan agen AI secara terus-menerus di latar belakang, bukan cuma dipakai sesekali lewat chat.
Lokalisasi lewat kolaborasi riset
Sementara efisiensi jadi fokus di sisi model, ada tren lain yang jalan paralel: investasi ke riset AI yang disesuaikan dengan kebutuhan regional. NVIDIA dan KAIST mengumumkan pembangunan pusat riset gabungan senilai ratusan juta dolar di Seoul, seperti disampaikan lewat blog resmi NVIDIA. Yang membedakan inisiatif ini dari sekadar pendanaan riset biasa adalah tujuannya yang eksplisit: bukan cuma mengembangkan model generik, tapi merancang agen AI yang benar-benar memahami konteks industri domestik Korea Selatan, sambil sekaligus membina talenta periset lokal.
Ini menunjukkan pergeseran cara berpikir soal ekspansi AI global. Alih-alih menganggap satu model besar bisa "one size fits all" untuk seluruh dunia, perusahaan-perusahaan besar mulai berinvestasi pada pusat riset regional yang punya pemahaman bahasa, regulasi, dan kultur bisnis setempat. Buat NVIDIA, ini juga cara memperkuat posisi mereka di rantai pasok AI Asia Timur, kawasan yang sudah jadi rumah bagi banyak industri manufaktur dan elektronik yang berpotensi besar mengadopsi agen AI industrial.
Kalau digabungkan, tiga kabar ini menggambarkan peta jalan yang lebih matang buat industri AI menjelang paruh kedua 2026: efisiensi model jadi prasyarat teknis supaya agen otonom bisa dijalankan secara ekonomis dalam skala besar, sementara lokalisasi lewat kolaborasi riset jadi strategi supaya adopsi AI benar-benar nyambung dengan kebutuhan industri di masing-masing wilayah, bukan sekadar model global yang dipaksakan cocok di mana saja.
Foto sampul: Tara Winstead / Pexels