Harga token makin mahal

• Berlawanan dengan ekspektasi bahwa biaya token LLM akan turun 10x setiap tahun, layanan langganan AI justru mengalami profitabilitas yang semakin memburuk
• Permintaan untuk model LLM terbaru selalu terkonsentrasi pada model teratas (SOTA, state-of-the-art), sehingga turunnya harga model “lama” tidak benar-benar menghasilkan penghematan biaya nyata
• Semakin tinggi performa model, semakin besar jumlah token yang dipakai secara eksponensial, sehingga penurunan harga per unit tertutup dan bahkan total biaya justru melonjak
• Eksperimen paket langganan tak terbatas (misalnya Claude Code $200/bulan) juga tidak berkelanjutan karena ledakan penggunaan token oleh heavy user
• Selain penagihan berbasis penggunaan, tidak ada model yang berkelanjutan dalam jangka panjang, tetapi penerapan nyatanya sulit karena persaingan startup dan resistensi konsumen
• Jika tidak beralih ke model pendapatan yang berkelanjutan, sebagian besar startup pada akhirnya akan menghadapi risiko bangkrut

---

Bisnis langganan AI: mengapa rugi justru membesar meski harga token turun

Ilusi turunnya harga LLM

• Para pendiri percaya pada playbook VC: “harga token akan turun 10x, jadi kalau bisa bertahan sebentar lagi, struktur bisnis akan berubah menjadi bermargin tinggi”, lalu pada tahap awal menjalankan produk langganan di level biaya pokok atau bahkan merugi
• Memang, seperti GPT-3.5, harga token model lama turun lebih dari 10x, tetapi permintaan dari pengguna dan pasar selalu tertuju pada model terbaru dengan performa terbaik (SOTA)
• Dalam praktiknya, setelah 18 bulan margin tidak membaik dan malah memburuk
• Penurunan harga model lama hanya terasa pada model yang sudah di luar perhatian pasar, seperti “koran kemarin”

Struktur harga dan permintaan model terbaru

• Model terbaru seperti GPT-4 dan Claude 3 Opus selalu dirilis dengan harga tinggi yang kurang lebih serupa, dan sekalipun model lama menjadi sangat murah, penggunaan nyatanya tetap minim
• Pengguna hanya menginginkan “performa terbaik”, dan “model lama yang murah” tak lebih dari mobil bekas tua di pasar otomotif
• Yang benar-benar diinginkan saat memakai AI adalah hasil terbaik, jadi sangat jarang ada kasus pengguna secara sukarela memakai model lama demi menghemat biaya
• Pada akhirnya, agar tetap kompetitif di pasar, perusahaan harus selalu menyediakan model terbaru yang paling mahal, dan karena itu biaya pokok terus terjaga tinggi
  • Ibarat harga mobil bekas era 90-an turun, tetapi konsumen tetap membeli mobil baru

Ledakan penggunaan token

• Seiring performa model meningkat, muncul fenomena jumlah token yang dikonsumsi oleh satu pekerjaan meningkat secara eksponensial
• Pekerjaan yang dulu selesai dengan 1.000 token kini bisa menghabiskan 100.000 token
• Dulu cukup dengan satu kalimat pertanyaan dan satu kalimat jawaban, tetapi sekarang AI berjalan terus selama 10–20 menit untuk riset kompleks, loop, atau orkestrasi, sambil mengonsumsi token dalam jumlah besar
• Karena AI dipakai untuk riset/analisis yang lebih mendalam, muncul pola seperti “sekali jalan 20 menit, berjalan terus 24 jam sehari”, sehingga rata-rata penggunaan harian per pengguna melonjak tajam
  • Misalnya, jika fitur deep research senilai $1 dipakai sekali saja setiap hari, biaya langganan $20 sudah tidak masuk akal secara unit ekonomi
• Penurunan harga per unit tertutup oleh kenaikan total konsumsi token, sehingga paket $20/bulan bahkan tidak mampu menanggung satu pekerjaan seharga $1 per hari

Kegagalan paket tak terbatas

• Anthropic melalui Claude Code dan lainnya mencoba berbagai cara penghematan biaya: paket tak terbatas $200/bulan, optimasi token otomatis, hingga pemanfaatan PC pengguna
• Namun sebagian power user mendekati 10 miliar token per bulan (setara 12.500 eksemplar “War and Peace”), karena pengguna memanfaatkan otomasi, pekerjaan berulang, dan loop untuk mendorong ledakan penggunaan token
  • “Penggunaan AI terlepas dari waktu manusia, API berjalan 24 jam dan memicu ledakan token”
• Pada akhirnya, meski ada inovasi engineering, paket itu tetap di-rollback
• Kesimpulannya: model langganan tak terbatas kini tidak mungkin dijalankan, karena persamaan ekonominya memang tidak masuk akal

Dilema yang dihadapi seluruh industri

• Jika tetap memaksakan model langganan, risiko memburuknya profitabilitas dan kolaps akan makin besar
• Semua perusahaan AI tahu bahwa usage-based pricing adalah satu-satunya jawaban, tetapi jika kompetitor berbasis langganan muncul, risiko pengguna pindah sangat tinggi
• Karena struktur “dilema narapidana”, semua pihak terdorong masuk ke kompetisi subsidi untuk power user
• Cursor, Replit, dan lainnya juga mengambil pendekatan “pertumbuhan dulu, profitabilitas urusan nanti”, tetapi pada akhirnya restrukturisasi karena masalah profitabilitas akan sulit dihindari

Tiga solusi yang realistis

• 1. Penagihan berbasis penggunaan
  • Jika sejak awal menerapkan model ekonomi yang jujur, perusahaan bisa merancang struktur pendapatan yang tidak melampaui biaya pokok. Dalam jangka panjang, ini satu-satunya model yang berkelanjutan
  • Namun, konsumen sangat tidak menyukai tarif terukur (metered billing), sehingga sulit menjadi sukses secara massal
• 2. Menargetkan pasar enterprise dengan biaya perpindahan yang tinggi
  • Melalui penjualan B2B ke pelanggan enterprise dengan switching cost tinggi (misalnya perusahaan besar, lembaga keuangan), begitu berhasil masuk, pembatalan nyaris mustahil dan marginnya tinggi
  • Bidang system of record (SOR, seperti CRM/ERP/EHR) adalah contoh sukses yang representatif (misalnya implementasi untuk 40 ribu engineer di Goldman Sachs)
• 3. Menciptakan nilai tambah lewat integrasi vertikal (Vertical Integration)
  • Seperti Replit, inference LLM itu sendiri disediakan sebagai ‘produk umpan’ yang merugi, lalu keuntungan dihasilkan dari berbagai layanan di atasnya seperti hosting, database, deployment, monitoring
  • Membangun struktur yang meningkatkan penggunaan AI lalu mengarah ke pasar infrastruktur
• Ke depan, harga token kemungkinan akan terus turun, tetapi ekspektasi pengguna dan jumlah penggunaannya juga akan meningkat secara eksponensial
• Perusahaan yang hanya bertahan pada strategi langganan-dan-pertumbuhan pada akhirnya berisiko menghadapi “pemakaman yang mahal”

Ringkasan

• Optimisme seperti “tahun depan token akan 10x lebih murah” saja tidak cukup untuk mempertahankan bisnis
  • Pengguna selalu menuntut ekspektasi dan volume penggunaan yang lebih tinggi
• Rumus perkembangan model = ledakan penggunaan = kenaikan biaya pokok kini benar-benar berlaku, dan pada akhirnya bisnis AI yang berkelanjutan harus beralih ke struktur baru melalui penagihan berbasis penggunaan, kontrak perusahaan besar, atau integrasi vertikal
  • Jika ingin mempertahankan bisnis, dibutuhkan pendekatan struktural baru seperti strategi 'neo-cloud'

[mhj5730]

Karena sulit untuk di-cache + otomatisasi yang memanfaatkan MCP, penggunaan tanpa batas benar-benar bisa mengarah ke penggunaan yang betul-betul tanpa batas. ..Seperti operator telekomunikasi yang tidak punya paket data unlimited, mungkin akan mengarah ke skema tarif seperti ~300 kali per hari, ~2000 kali per hari, dan seterusnya.. Rasanya juga bisa menuju model tarif seperti SMS zaman dulu.

[doolayer]

Seperti internet, meskipun jumlahnya sendiri tidak terbatas (walau dalam beberapa kasus ada tarif berbasis pemakaian), sepertinya akan bagus jika memakai cara membatasi kecepatan. Soal implementasi, seperti sekarang pun sudah ada metode pemrosesan batch, jadi sumber daya komputasi dan sumber daya yang sampai ke pengguna bisa dipisahkan. Pada akhirnya, jika dari sisi penyedia bisa mendapatkan prediktabilitas, dan pengguna juga bisa dijamin biaya serta kecepatan yang masuk akal, bukankah ini situasi win-win? Untuk sebagian pengguna yang memakai secara berlebihan, sepertinya perlu diarahkan ke model alokasi sumber daya khusus lewat kontrak terpisah.

[GN⁺]

Opini Hacker News

• Dari kutipan di artikel, konsumen disebut tidak suka penagihan berbasis pemakaian (metered billing), dan lebih memilih membayar lebih untuk paket tak terbatas daripada menerima tagihan mengejutkan dalam jumlah besar. Namun kenyataannya lebih kompleks. Di Amazon, saat Anda merasa sudah memprediksi biaya, sering kali tiba-tiba muncul tagihan besar. Alasannya karena tidak ada cara untuk mengatur "tolong matikan otomatis jika melebihi X dolar per bulan". Struktur semacam "surprise net 30" ini selalu terasa seperti biaya yang bisa diprediksi, tetapi pada akhirnya tetap berujung pada biaya tambahan yang tak terduga. Namun, jika model bayar sesuai pemakaian memungkinkan pengguna memahami pemakaian mereka dengan jelas dan menetapkan batas maksimum untuk mencegah pembengkakan anggaran, justru itu bisa menjadi pendekatan yang baik. Dari sudut pandang perusahaan AI, cukup sediakan diagram batang "token yang sudah dipakai / total token", penggunaan token per respons, jumlah perkiraan respons sebelum melewati batas, dan sebagainya agar pengguna bisa mengelola anggaran. Yang penting, jangan pernah memberi tagihan mendadak. Namun perusahaan cenderung menyembunyikan informasi token dan dolar ini, mirip seperti situs judi yang tidak menghubungkan "corporate bucks" langsung ke USD.

  • Untuk layanan B2B sebagai infrastruktur (AWS dan sejenisnya), saya rasa model bayar sesuai pemakaian memang cocok. Saat perusahaan bertumbuh, penggunaan infrastruktur dan biayanya naik secara proporsional sehingga bisa diprediksi, dan infrastruktur setelah disetel hampir tidak perlu dipikirkan lagi. Tetapi dalam konteks AI sebagai alat kerja/tool, model bayar sesuai pemakaian menjadi hambatan besar. Dalam situasi seperti ini, penagihan per pemakaian malah menekan penggunaan produk itu sendiri, dan menimbulkan kelelahan besar karena setiap kali memakai kita harus menganalisis apakah hasilnya sepadan dengan biayanya. Jika dipakai untuk pekerjaan, mungkin juga harus terus meminta persetujuan manajer. Tool yang bertujuan meningkatkan produktivitas seharusnya tidak menciptakan hambatan seperti ini. Hampir tidak ada orang yang mau 250 kali berpikir, "apakah tindakan ini bernilai $3?" Kalau bayar sesuai pemakaian, orang jadi memilih untuk tidak menggunakannya.

  • Saya kesal karena perusahaan menyembunyikan informasi konversi token ke dolar. Saya sedang mencoba trial agen Copilot GitHub, dan penagihannya benar-benar tidak transparan. Istilah "permintaan premium" terus muncul, tetapi di dashboard saya tidak ada cara untuk melihat pemakaian dan batas secara real-time. Jika klik pembahasan tentang permintaan premium di UI, saya hanya diarahkan ke dokumentasi, tetapi tidak ada panduan yang jelas menuju batas aktual atau dashboard biaya.

  • Di Amazon (AWS), masalahnya bahkan lebih parah. Berbeda dengan godaan AWS yang katanya "lebih murah", perpindahan hanya masuk akal jika benar-benar lebih murah daripada alternatifnya. Namun banyak perusahaan tidak mau menghabiskan waktu developer untuk mengubah infrastruktur. Biaya peluangnya besar, dan ada risiko pada pendapatan, waktu pengembangan, persaingan, dan sebagainya, sehingga kalau efek investasinya tidak sangat besar, itu dianggap pemborosan waktu developer. Jika ternyata struktur infrastruktur itu malah menjadi lebih mahal daripada alternatif, waktu developer sudah terlanjur dihabiskan sehingga kerugian itu mau tak mau harus ditanggung. Untuk saat ini, pada skema harga berbasis token, unsur beban perpindahan/biaya peluang seperti ini belum terlalu terasa, karena masih mudah kembali ke cara lama. Tapi saya kira ke depan struktur ini akan berubah.

  • Struktur harga Amazon terasa sangat ambigu dan rumit. Misalnya, kadang tidak ada cara untuk tahu kenapa biaya database terus naik-turun.

  • Untuk proses yang terdefinisi dengan baik, model bayar sesuai pemakaian memang sangat berguna. Hal yang saya sukai dari AWS adalah biaya bisa disejajarkan dengan bisnis yang nyata. Dulu ini sulit, dan banyak masalah politik internal. Ada kasus sales langsung meyakinkan eksekutif soal perlunya perangkat, lalu kita jadi ikut menanggung peralatan jaringan yang sebenarnya tidak diinginkan sama sekali. Tetapi dari sudut pandang pengguna, pengelolaan biaya yang sangat rinci seperti ini tidak baik. Sebab pengguna jadi terus dinilai dengan berbagai metrik yang tidak berhubungan langsung dengan produktivitas. Saat magang di era 90-an, untuk satu panggilan telepon jarak jauh saja saya harus melewati birokrasi. Pemberi persetujuan akan menilai apakah panggilan 20 menit itu layak, dan kalau melewati batas saya harus menanggung biayanya sendiri. Pengalaman yang tidak menyenangkan. Untuk AI yang ditujukan ke pengguna, tarif tetap adalah jawaban yang benar. Jika produktivitas saya naik 20% dan saya memakai ChatGPT Pro seharga $200 per bulan, itu bernilai $16k per tahun. Investasi yang sangat murah.

• Klaim-klaim di artikel ini terasa tidak logis bagi saya. Saya sulit setuju dengan pernyataan "begitu model terbaru keluar, 99% permintaan langsung pindah ke sana". Justru Sonnet 4 digunakan lebih banyak daripada Opus 4; pada praktiknya banyak pengguna memakai model yang lebih murah dan biasa-biasa saja, bukan model dengan performa tertinggi. Karena alasan seperti kegunaan, kecepatan, keakraban, dan lainnya, berbagai model non-SOTA juga dipakai berdampingan. Lihat ranking model: https://openrouter.ai/rankings. Lalu penjelasan soal beralih dari Opus ke Sonnet, atau ke Haiku saat beban berat, digambarkan seperti autoscaling, tetapi saya rasa perilaku itu tidak akan tertanam di dalam bobot model itu sendiri. Secara umum, masalah pricing dalam tulisan ini terlihat seperti pengulangan isu yang sudah ada sejak era cloud hosting — banyak pengguna cukup puas memakai layanan berlangganan bulanan meskipun performanya lebih rendah, sementara sebagian pengguna API (heavy user/perusahaan) membayar sesuai pemakaian. Struktur ini sudah cukup terbukti menguntungkan. Sebagian besar startup AI adalah B2B, bukan B2C.

  • Saya sangat setuju bahwa sekarang perdebatan tentang "model terbaik itu yang mana" menjadi makin ramai. Kadang saya memakai Mistral sebagai LLM utama, dan dibandingkan dengan ChatGPT/Gemini/Claude saya tidak merasakan perbedaan besar dalam penggunaan nyata. Dan kecepatannya jauh lebih tinggi. Persaingan LLM komersial sudah sampai di titik di mana peningkatan hasil dibanding biaya tidak terlalu besar. Kasus seperti Deepseek menunjukkan bahwa biaya bisa turun sambil kualitas juga naik. Saya rasa perang harga akan segera dimulai dengan serius. Mungkin karena itu pendekatan Mixture of Experts atau persaingan model yang terspesialisasi mulai menonjol. Arahnya tampak menuju biaya lebih rendah dan presisi lebih tinggi.

• Cerita bahwa "Claude Code awalnya menawarkan unlimited $200/mo lalu di-rollback" itu tidak benar. Nama plannya sendiri adalah paket 20x, dan sejak awal sudah ada batas yang jelas seperti batas sesi 5 jam dan batas 50 sesi per bulan (meski tidak dipaksakan secara ketat). Saya sendiri hampir tidak pernah merasa kekurangan saat memakainya, malah masih merasa batasnya tinggi. Jadi mengatakan yang sebenarnya sama sekali tidak merusak argumennya.

  • Benar, paket Max sejak awal tidak pernah dijelaskan sebagai unlimited. Saya terlalu sering melihat dan mendengar kesalahpahaman ini. Karena terus diulang, sekarang orang jadi menganggapnya benar-benar tak terbatas.

• Masalah besar secara realistis adalah saat ini kita memakai model tanpa pembedaan untuk segala hal — seperti memukul nyamuk dengan meriam dengan memasukkan model general-purpose spesifikasi tertinggi ke semua masalah. Tidak semua masalah membutuhkan model SOTA. Ke depannya, layanan yang kita gunakan akan bergerak ke arah "bundling" beberapa model, dan grafik pemakaian yang jauh lebih efisien akan muncul.

  • Sampai sekarang belum ada model yang cukup bisa dipercaya untuk diserahkan sepenuhnya pada tugas-tugas penting. Bahkan model dengan performa terbaik pun kadang bertingkah aneh. Otak saya selalu bisa mengerjakan tugas sendiri tanpa perlu memikirkan cara mendelegasikannya, jadi saya hanya menyerahkan ke AI kalau memang ada "keuntungan yang pasti". Saya lebih mengandalkan hal yang memang saya kuasai. Perusahaan AI mengiklankan performa terbaiknya, tetapi bagi pengguna metrik yang penting adalah "momen terburuk" AI. Itulah alasan SOTA selalu dibutuhkan. AI akan dinilai dari "momen terburuknya" — sebaik apa pun performanya, satu kesalahan bisa jadi fatal, sama seperti manusia bisa dipecat karena kesalahan terburuknya. Yang penting bukan performa di kasus sempurna (lingkungan lab), melainkan apa yang terjadi saat rusak di penggunaan nyata. Bagian ini tergambar dengan baik dalam tulisan tersebut.

  • Sampai sekarang tugas-tugas yang paling sulit masih belum terselesaikan, dan tidak banyak pekerjaan yang bisa menerima jawaban dengan akurasi rendah. Untuk beberapa pekerjaan pipeline teks mungkin masih oke, tetapi hampir semua penggunaan yang menghadap pengguna menuntut kualitas tinggi.

  • Banyak orang melewatkan bagian ini. Model GPU 7b dan 32b juga sudah bekerja cukup baik untuk banyak tugas. Dan itu bisa berjalan di hardware lama. Saat ini kita masih berada pada fase hype ketika performa LLM secara keseluruhan terus naik, jadi seiring waktu peningkatan model besar akan melambat dan pilihan-pilihan yang lebih realistis akan mulai dipilih.

  • Mencoba berbagai model itu bernilai. Sistem chatbot sederhana yang baru saya buat belakangan ini memakai 5 model berbeda tergantung situasinya. Menukar dan mencampur model dengan beragam cara menghasilkan perbedaan besar pada biaya, pengalaman pengguna, dan kualitas.

  • Jika ada opsi di mana Claude Opus membimbing Sonnet, saya akan memakainya untuk hampir semua percakapan. Kalau harus melakukannya secara manual, itu merepotkan dan memutus alur, jadi akhirnya saya terus memakai Opus saja. Berkat pemrosesan paralel, biaya input rendah, jadi saya rasa prompt yang besar pun tidak terlalu membebani.

• Saya berharap ada perusahaan AI yang membuat sistem di mana tugas bisa didelegasikan ke model yang lebih "tumpul" untuk pekerjaan sederhana. Tugas kompleks memang membutuhkan model setingkat Opus, tetapi di dalamnya sebenarnya ada sangat banyak pekerjaan yang cukup ditangani 3.5 Sonnet. Opus bisa membedakan pekerjaan sederhana dan bagian sulit, lalu yang mudah dibagi ke beberapa 3.5 Sonnet. Ide ini terasa terlalu jelas sampai saya kira semua orang pasti sudah membuatnya.

  • Claude code memang otomatis memakai dua model, Sonnet dan Haiku. Saat sesi berakhir, ia menampilkan berbagai statistik seperti token dan biaya. Mungkin ada juga cara untuk melihat informasi seperti ini saat sesi masih berjalan.

  • Misalnya, bagaimana kalau di prompt diminta mengeluarkan "level model yang direkomendasikan" skala 1–10 untuk setiap subtask?

• Selama 1–2 tahun terakhir saya membayar API secara langsung dan memakai frontend open source (LibreChat dan sejenisnya) untuk mengakses berbagai model. Untuk penggunaan sesekali, ini sangat cocok, sampai-sampai isi ulang $10 setiap beberapa bulan saja sudah cukup. Karena jumlah token yang saya pakai jauh lebih sedikit daripada kebanyakan paket berlangganan, saya menilai cara ini jauh lebih murah. Tapi setelah mulai mencoba berbagai tool seperti Claude Code, token saya terkuras jauh lebih cepat dari yang terlihat. Kemarin saya menghabiskan token senilai $5 hanya dalam 15 menit. Saya tahu tool coding sangat berbeda dari sekadar bertanya sederhana ke LLM, tetapi saya tidak menyangka bedanya akan sebesar ini. Lebih mengejutkan lagi karena sebagian besar konsumsi token itu tidak terlalu terlihat secara kasatmata (tersembunyi di balik context yang terus membesar atau orkestrasi tool).

  • Fenomena ini terjadi karena Claude Code memakai context yang jauh lebih luas dan pemrosesan berulang jauh lebih banyak daripada biasanya.

  • Dengan $20 di API Deepseek saya bisa cukup hampir setahun penuh (saya tidak peduli itu perusahaan China). Memang lambat, tetapi untuk model Deepseek yang di-host secara independen saya malah merasa kualitasnya lebih baik (berdasarkan pengalaman saya). Saya tidak memakai hal-hal seperti agent.

• Saya keberatan dengan klaim bahwa "99% permintaan selalu terkonsentrasi di model paling mutakhir". Frontier yang sesungguhnya bukan hanya pada 'kemampuan', tetapi pada 'kemampuan dibanding harga'. Model spesifikasi tertinggi tidak menguasai 99% pangsa; malah kebalikannya. Menurut statistik OpenRouter, pangsa Claude Opus 4 ada di kisaran 1%, sedangkan yang paling populer adalah Sonnet 4 dengan 18% pengguna. Selain itu, Gemini Flash 2.0 dan 2.5 yang lebih murah juga banyak dipakai. Harganya bahkan lebih rendah daripada Sonnet 4.

  • Betul. Saya setuju dengan poin besar artikelnya, tetapi klaim bahwa Opus dipakai lebih banyak daripada Sonnet itu salah. Di grafik bahkan tercantum "Claude 3.5 Opus", model yang tidak pernah ada. Setelah 3.5 Sonnet dirilis, 3 Opus hampir dilupakan, dan baru belakangan model mahal seperti Opus 4 muncul lagi, tetapi tetap saja dibanding Sonnet 4 proporsi pengguna API-nya tidak besar.

• Saya penasaran kenapa di San Francisco orang tidak memakai huruf kapital dan tanda baca. Dan saya juga tidak paham kenapa orang-orang Silicon Valley begitu terobsesi pada pertumbuhan eksponensial palsu. Sebenarnya tampak lebih jelas bahwa kemajuan AI bukan benar-benar eksponensial, melainkan hanya karena sumber daya yang dimasukkan jauh lebih besar dibanding beberapa tahun lalu.

  • Saya jadi bertanya-tanya apakah gaya tulisan unik seperti ini dimaksudkan untuk menunjukkan bahwa ini bukan tulisan LLM.

  • Tidak sanggup menerima bahwa bahasa berubah secara alami? / bercanda. Mungkin memang harus hidup dengan cara lama.

  • Kalau pergi ke Tenderloin atau Mission Street di San Francisco, apa benar Anda bisa ditembak hanya karena tidak memakai huruf kapital dan tanda baca? (bercanda)

• Tulisan ini melewatkan permainan "kursi musik" dalam proses perebutan wilayah. Seperti kasus Uber, jika modal ventura dipakai untuk merebut pangsa pasar dan menanggung kerugian selama bertahun-tahun, lalu berhasil menancapkan posisi dalam benak pelanggan, setelah itu meskipun muncul pesaing yang lebih murah dan baru, posisi itu tidak mudah digoyahkan. Bisnisnya lalu mapan, dan bahkan setelah IPO pun bisa mempertahankan harga saham yang sehat meskipun tentu tidak luar biasa.

• Tulisan ini seolah menggambarkan bahwa tidak ada yang benar-benar membayar harga pay-as-you-go, padahal pada kenyataannya pelanggan API (yakni hampir semua pelanggan perusahaan) memang sudah semuanya membayar dengan model bayar sesuai pemakaian.

[laeyoung]

"Saya penasaran kenapa di San Francisco mereka tidak memakai huruf kapital dan tanda baca"

Setelah masuk ke isi tulisan, ternyata memang benar begitu. Yang menarik, ada kalimat yang memakai titik, ada juga yang tidak, jadi campur aduk begitu; kira-kira apa alasannya? Mungkin ada yang tahu? Saya penasaran 🤔