Kondisi AI Open Source pada Juli 2026

 (stateofopensource.ai)
2 poin oleh GN⁺ 4 jam lalu | 2 komentar | Bagikan ke WhatsApp
  • Model open weight telah mencapai tingkat yang setara dengan model tertutup dalam coding, mengikuti instruksi, dan pengetahuan umum, sementara biaya inferensi juga turun 50 kali lipat selama 36 bulan, sehingga pusat persaingan bergeser dari model itu sendiri ke agent harness
  • Pada pertengahan 2026, open weight menyumbang lebih dari separuh throughput token di OpenRouter dan lima model teratas semuanya juga model terbuka, tetapi dalam penalaran, pencarian konteks panjang, dan tugas agen masih tersisa kesenjangan kemampuan rata-rata 3,3% dibanding model tertutup
  • 79% developer yang menambahkan fitur AI menggunakan model terbuka, tetapi tingkat mencapai produksi hanya 51%, lebih rendah daripada 63% pada model tertutup, sehingga standardisasi, alat deployment, dan kepercayaan operasional tetap menjadi bottleneck utama
  • Ekosistem termasuk Databricks, Mistral AI, dan DeepSeek telah mengamankan pendapatan dan investasi berskala besar, dan self-hosting mengubah biaya berbasis pemakaian token menjadi biaya tetap, tetapi seiring turunnya harga model, profit bergeser ke lapisan atas seperti platform dan harness
  • Persaingan berikutnya akan bergantung pada siapa yang memiliki harness, memori, izin tulis, dan tata kelola; untuk mempertahankan keterbukaan, perlu dibangun harness netral dan standar izin yang portabel serta menghindari ketergantungan pada model, penyedia, atau negara tertentu

AI yang Dimiliki, Bukan Dipinjam

  • AI terbuka memungkinkan pengguna memiliki model dan data secara langsung di area yang sulit “dipinjam” melalui API tertutup, seperti bahasa dengan pasar kecil, layanan offline di lapangan, hardware sendiri, dan infrastruktur publik
    • Sebuah lembaga penyiaran Māori di bagian utara Selandia Baru melatih model suara te reo dengan lisensi yang memastikan data tetap berada di komunitas
    • PwC melakukan fine-tuning model terbuka dengan bahasa keuangan dan mengoperasikannya di hardware sendiri untuk ratusan klien tanpa membayar biaya per token
    • Para peneliti Lausanne bersama Red Cross membuat model medis terbuka yang disesuaikan dengan pedoman kemanusiaan dan menyiapkan uji klinis di negara mereka serta Tanzania
    • Petani di East Africa menjalankan model diagnosis penyakit singkong offline di ponsel mereka di ladang yang tidak terjangkau cloud
    • Konsorsium publik Switzerland melatih model nasional dengan superkomputer publik dan membuka weight, data, serta kode pelatihan semuanya
  • Sama seperti Mozilla muncul untuk mencegah satu perusahaan memonopoli gerbang web, AI juga membutuhkan kompetisi, interoperabilitas, dan kebebasan untuk meninggalkan pemasok
  • Tujuannya bukan memilih satu model, melainkan membangun struktur yang menghubungkan berbagai model dengan cara standar sehingga pemasok bisa diganti kapan saja

Kemampuan dan Penggunaan Open Weight

  • Di Chatbot Arena, kesenjangan antara model terbuka dan tertutup menyempit dari 8,04% menjadi 0,5% sejak Januari 2024, lalu kembali melebar menjadi 3,3% pada Maret 2026
    • Pada Agustus 2024, kesenjangan menyempit hingga 0,5%, dan pada Februari 2025 DeepSeek-R1 sempat menyamai model papan atas AS
    • Ketika model penalaran tertutup unggul, kesenjangan rata-rata kembali membesar, tetapi model terbuka sudah setara atau mendekati dalam coding, mengikuti instruksi, dan pengetahuan umum
    • Kesenjangan yang tersisa terkonsentrasi pada penalaran, pencarian konteks panjang, dan tugas agen
  • Harga inferensi per 1 juta token untuk model kelas GPT-4 turun 50 kali lipat dari 20 dolar menjadi 0,40 dolar selama 36 bulan
    • Stanford HAI mencatat harga kelas GPT-3.5 turun 280 kali lipat dalam 18 bulan
    • Epoch AI memperkirakan penurunan 9–900 kali lipat per tahun, sementara studi MIT pada November 2025 memperkirakan harga frontier yang disesuaikan dengan efek hardware turun 5–10 kali lipat per tahun
  • Porsi token open weight di OpenRouter meningkat dari tingkat yang nyaris tidak signifikan menjadi sekitar sepertiga pada akhir 2025, lalu lebih dari separuh pada pertengahan 2026
    • Ini adalah keunggulan berdasarkan throughput token, sementara berdasarkan jumlah permintaan, penyedia tertutup AS masih memimpin
    • Penggunaan model terbuka terkonsentrasi pada workload coding dan agen
  • Dalam sebulan terakhir, lima model teratas berdasarkan throughput OpenRouter semuanya adalah open weight
    • Urutannya adalah DeepSeek V4 Flash 18.4T, Xiaomi MiMo-V2.5 14.9T, Tencent Hy3 preview 14.8T, MiniMax M3 14.3T, dan Owl Alpha 11T yang sumbernya tidak diungkap
    • Di belakangnya menyusul Anthropic Claude Opus 4.7 9.02T, DeepSeek V4 Pro 8.55T, Claude Sonnet 4.6 7.33T, Claude Opus 4.8 6.18T, dan DeepSeek V3.2 4.31T
  • Pada pertengahan 2026, throughput token mingguan dari 9 model teratas sekitar 18T untuk buatan China dan sekitar 5,5T untuk buatan AS, lebih dari rasio 3 banding 1, dan developer yang melakukan routing berdasarkan biaya cenderung memilih open weight

Adopsi Tinggi dan Konversi Produksi Rendah

  • Dalam survei developer Mozilla·SlashData 2026, 79% developer yang menambahkan fitur AI menggunakan model terbuka, dan 71% menggunakan model tertutup
    • 29% hanya menggunakan model terbuka, dan 21% hanya menggunakan model tertutup
    • Separuhnya, 50%, menggunakan kedua jenis bersama-sama, sehingga bagi sebagian besar tim keduanya bukan pengganti penuh
  • Tingkat adopsi model terbuka paling tinggi di Greater China dan East Asia, masing-masing 89%, diikuti Western Europe 70% dan South America 66%
    • Satu-satunya wilayah dengan tingkat adopsi model tertutup lebih tinggi daripada model terbuka adalah Western Europe dan South America
  • Tingkat mencapai produksi berbeda: 51% untuk tim model terbuka dan 63% untuk tim model tertutup
    • Di perusahaan kecil, angkanya 54% untuk tertutup dan 53% untuk terbuka
    • Di perusahaan menengah, masing-masing 66% dan 55%, sementara di perusahaan dengan 1.001+ karyawan, 73% dan 57%
    • Seiring ukuran organisasi membesar, tingkat deployment model tertutup naik dari 54% menjadi 73%, tetapi model terbuka hampir tidak bergerak dari 53% menjadi 57%, sehingga resource perusahaan saja tidak menyelesaikan bottleneck deployment model terbuka
  • Perbedaan terbesar antara developer yang berhenti menggunakan model terbuka dan yang terus menggunakannya adalah kurangnya performa model +12 poin persentase, integrasi dengan sistem yang sudah ada +11 poin persentase, serta pemeliharaan dan pembaruan +10 poin persentase
    • Kekurangan dokumentasi, deployment/hosting/scaling, serta evaluasi/perbandingan model masing-masing +8 poin persentase
    • Fine-tuning/kustomisasi +4 poin persentase, sementara tidak ada perbedaan pada biaya infrastruktur maupun keamanan/privasi/kepatuhan regulasi, dan kurangnya dukungan profesional -2 poin persentase
    • Faktor yang menentukan penghentian penggunaan lebih terkonsentrasi pada integrasi, operasi, dan pemeliharaan daripada kemampuan model murni
  • Analisis regional terhadap 1.410 developer model terbuka saat ini atau sebelumnya menunjukkan hambatan keseluruhan berturut-turut adalah biaya infrastruktur/komputasi 27%, keamanan/privasi/kepatuhan regulasi 26%, pemeliharaan 24%, deployment/hosting/scaling 23%, dan kurangnya dukungan profesional 22%
    • Di South Asia, keamanan/kepatuhan regulasi 39% dan dukungan profesional 31% sangat tinggi
    • Satu-satunya wilayah dengan respons “tidak ada masalah besar” di atas 15% adalah North America 21% dan Greater China 16%
    • Sampel Oceania sebanyak 39 orang dan sampel Eastern Europe·CIS sebanyak 98 orang lebih kecil daripada ambang yang dapat dianggap andal

Kesenjangan Operasional dalam Stack AI Terbuka

  • Peta stack Mozilla pada Juni 2026 menilai 9 lapisan, 48 komponen, dan 1.361 proyek dengan skor 1–5 berdasarkan 10 kriteria kematangan
  • Kemampuannya sendiri tinggi, tetapi di hampir semua lapisan dan komponen, standardisasi dan kesiapan operasional perusahaan muncul sebagai yang paling rendah
  • Bottleneck umum stack terbuka bukanlah kualitas model, melainkan standardisasi dan kesiapan operasional perusahaan, sementara alat untuk deployment, integrasi, dukungan, dan tata kelola belum matang

Kinerja bisnis dan struktur biaya AI open source

  • AI open-weight telah tumbuh menjadi pasar komersial bernilai ratusan miliar dolar, dan model pendapatan yang telah terbukti ada lima: inferensi ter-hosting, platform enterprise, lisensi on-premises, layanan fine-tuning, dan alat harness
  • Perusahaan-perusahaan utama berkembang ke tahap investasi, pendapatan, dan IPO
    • Databricks telah melampaui pendapatan tahunan teranualisasi sebesar US$5,4 miliar dan berada pada tahap pra-IPO
    • DeepSeek mencatat annual recurring revenue (ARR) sekitar US$220 juta, pendanaan publik US$7,4 miliar, dan valuasi lebih dari US$50 miliar
    • Mistral AI tumbuh 20 kali lipat dalam 12 bulan hingga mencapai ARR sekitar US$400 juta, dengan pendanaan publik US$3,05 miliar dan valuasi sekitar US$14 miliar, serta juga menjalani negosiasi investasi di kisaran €20 miliar
    • Moonshot AI menggalang US$3,9 miliar; Reflection AI dan Cerebras masing-masing sekitar US$2,1 miliar; Cohere US$1,7 miliar; dan Together AI US$1,334 miliar
    • Baseten memperoleh pendanaan publik US$585 juta, Black Forest Labs US$450 juta, Hugging Face US$400 juta, Modular US$380 juta, Fireworks AI US$327 juta, Anyscale US$281 juta, LangChain US$260 juta, dan Stability AI US$230 juta
    • Zhipu AI dan MiniMax tidak mengungkap total pendanaan publik mereka, dan melantai di bursa melalui IPO Hong Kong pada 2026
    • Nvidia, Salesforce, AMD, Google, IBM, ASML, Tencent, CATL, dan Schwarz Group juga mendukung perusahaan di lapisan model, inferensi, dan alat
  • Cohere menjalankan bisnis enterprise dan on-premises serta merilis Command A+ sebagai open source pada Mei 2026, sementara LangChain mencatat lebih dari 126.000 star GitHub dan pangsa developer 60%
  • Pada penggunaan skala besar, penagihan token berbasis pemakaian dari model tertutup menimbulkan masalah anggaran
    • Ketika biaya token menghabiskan anggaran AI tahunan hanya dalam beberapa bulan, Microsoft membatalkan sebagian besar lisensi Claude Code hingga 30 Juni 2026 dan meninjau DeepSeek V4 yang di-hosting secara aman di Azure untuk workload Copilot yang berat
    • Uber menghabiskan seluruh anggaran coding AI 2026 dalam 4 bulan, lalu membatasi pengeluaran bulanan per alat dan per karyawan menjadi US$1.500
    • Stripe melayani model terbuka di vLLM untuk menangani 50 juta panggilan API per hari dengan sepertiga jumlah GPU sebelumnya dan memangkas biaya inferensi sebesar 73%
    • Self-hosting open-weight mengubah biaya operasional variabel yang dikendalikan pemasok menjadi biaya tetap yang dimiliki perusahaan
  • Pada Mei–September 2025 di OpenRouter, model terbuka menyumbang sekitar 20% penggunaan tetapi hanya mengambil sekitar 4% pendapatan di lapisan model
    • Untuk kapabilitas yang serupa, harga per panggilan model tertutup sekitar 6 kali lebih tinggi
    • Studi Nagle–Yue dari Linux Foundation memperkirakan potensi penghematan tahunan yang belum terealisasi akibat selisih harga ini sekitar US$24,8 miliar
    • Meski penggunaan model terbuka meningkat, jika lapisan model menjadi komoditas, keuntungan akan terkumpul di lapisan atas seperti platform dan harness

Kedaulatan negara dan kemungkinan keluar dari pemasok

  • Dengan lebih dari 70 strategi AI nasional yang telah diterapkan, fokus kebijakan bergeser dari apakah sebuah negara memiliki strategi nasional menjadi lapisan mana dalam stack yang dapat dimiliki
  • Kasus ketika perintah ekspor dari suatu pemerintah membuat Anthropic memblokir akses warga negara asing di seluruh dunia tiga hari setelah peluncuran Claude Fable 5 pada Juni 2026 memperlihatkan cakupan kontrol pemasok
    • Karena kepatuhan selektif tidak memungkinkan, pada Jumat pukul 17.21 model untuk semua subjek terkait dihentikan, dan pengguna yang bergantung pada model tersebut terdampak tanpa peringatan sebelumnya
    • Pemasok dapat mematikan model yang di-hosting, tetapi tidak dapat mematikan dari jarak jauh salinan weight yang berjalan pada perangkat yang dimiliki pengguna
    • Bagi perusahaan, weight yang disimpan di disk adalah sarana mitigasi risiko; bagi negara, itu menciptakan perbedaan antara kebijakan independen dan izin eksternal
  • Ketergantungan pada pemasok di era cloud sudah menunjukkan biaya keluar yang tinggi
    • Biaya mengeluarkan 1 PB dari AWS S3 adalah US$90.000–120.000
    • 80% perusahaan sedang memindahkan workload kembali ke lingkungan mereka sendiri
    • 37signals keluar dari cloud dan menurunkan biaya tahunan dari US$3,2 juta menjadi kurang dari US$1 juta
    • Biaya cloud GEICO 2,5 kali lebih tinggi dari rencana
    • Sistem yang dibangun di atas API proprietari juga harus menerima perubahan harga apa adanya dan sulit keluar dengan bersih, sehingga open-weight memberikan hak untuk meninggalkan pemasok
  • Pada Maret 2026, unduhan kumulatif di Hugging Face mencapai Alibaba Qwen 942 juta dan Meta Llama 476 juta, menjadikan Tiongkok sumber open-weight terbesar
    • Pada Februari 2026, Qwen diunduh lebih banyak daripada gabungan 8 organisasi berikutnya
    • Porsi token model open-weight Tiongkok di OpenRouter meningkat dari kurang dari 2% pada akhir 2024 menjadi lebih dari 45% trafik mingguan pada April 2026, dan pada 10 model teratas berdasarkan penggunaan porsinya sekitar 61%
    • DeepSeek memiliki lebih dari 26.000 akun perusahaan dan masuk dalam stack 58% startup AI baru pada 2025, tetapi sedikitnya 8 yurisdiksi membatasi layanan ter-hostingnya
    • Perusahaan menjalankan dua keputusan secara paralel: melarang aplikasi ter-hosting, tetapi tetap memakai weight dengan self-hosting atau melalui endpoint Barat
  • Penyebaran open source Tiongkok adalah kebijakan yang termasuk dalam AI Plus Initiative State Council pada Agustus 2025 dan Five-Year Plan nasional pada Maret 2026
    • Weight publik juga berperan merespons kontrol ekspor semikonduktor sekaligus mendistribusikan beban inferensi ke hardware lokal pengguna di seluruh dunia
    • Di Global South ada permintaan untuk keluar dari monopoli teknologi AS dan mendiversifikasi pemasok, sementara di wilayah lain biaya menjadi motivasi utama

Agent harness yang menjadi lapisan persaingan baru

  • Seperti browser dulu menjadi user agent web terbuka yang bernegosiasi dengan server atas nama pengguna, agent harness di atas model menangani orkestrasi, tool, memori, sandbox, dan izin
  • Stack harness terdiri dari beberapa lapisan, dari model hingga pengguna dan tata kelola
    • Lapisan kontrol: LangGraph, CrewAI, AutoGen, dan LlamaIndex mengubah model menjadi agent melalui loop berulang antara penalaran dan tindakan
    • Lapisan koneksi: MCP menangani tool dan konteks, A2A menangani komunikasi antar-agent, sementara Mem0, Letta, dan Zep menangani memori
    • Lapisan tindakan: E2B, Daytona, dan Modal menyediakan sandbox dan eksekusi, sementara izin dan identitas masih menjadi area penulisan yang belum terselesaikan
    • Lapisan evaluasi dan observabilitas: Langfuse dan Phoenix melacak hasil eksekusi serta perilaku
    • Lapisan pengguna dan pembayaran: AG-UI dan A2UI menangani antarmuka, sementara x402, AP2, dan UCP menangani pembayaran dan pengukuran pemakaian
    • Lapisan tata kelola: Meta-harness, Omnigent, OPA, dan Agent governance toolkit menyatukan kebijakan berbasis status, registry, lineage, anggaran, dan pembatalan di berbagai harness
  • Pada tahun pertamanya, MCP mencapai 97 juta unduhan SDK bulanan dan lebih dari 10.000 server aktif, tumbuh 4.750% selama 16 bulan, dan pada Desember 2025 didonasikan ke Agentic AI Foundation milik Linux Foundation
    • Di kalangan perusahaan, hanya sekitar 21% yang memiliki tata kelola agent yang matang, sehingga kecepatan adopsi melampaui sistem kontrolnya

  • Integrasi vertikal model dan harness

    • Di Terminal-Bench 2.0 pada Mei 2026, harness pihak ketiga mencatat 79,8% dengan bobot Anthropic yang sama, unggul 21,8 poin persentase dari Claude Code yang mencatat 58,0%
    • Delapan minggu kemudian, di Terminal-Bench 2.1, peringkat berbalik ketika lab menginternalisasi harness
    • Kombinasi Codex CLI dan GPT-5.5 mencatat 83,4%, sementara kombinasi Claude Code dan Claude 5 Fable mencatat 83,1%
    • Harness independen teratas yang menggunakan Fable 5 yang sama mencatat 80,4%, sehingga selisih di posisi teratas menyempit menjadi sekitar 3 poin persentase
    • Pada semua model yang dapat dibandingkan, harness milik lab mengungguli harness independen
    • Mengoptimalkan model dan harness bersama-sama meningkatkan performa, tetapi performa turun saat diganti ke model lain, sehingga ketergantungan muncul sebagai produk samping optimisasi
    • Model terbuka tidak memiliki harness pihak pertama untuk menandingi ini, sehingga tidak muncul di jajaran teratas verifikasi resmi Terminal-Bench 2.1
    • Jika dibandingkan pada harness netral, Claude Opus 4.8 mencatat 71,9% dengan biaya 2,41 dolar per tugas, Opus 4.7 mencatat 68,5% dengan biaya 1,98 dolar, dan model terbuka GLM 5.2 mencatat 67,8% dengan biaya 0,43 dolar
    • Model terbuka sedikit di bawah Opus 4.7 dan tertinggal sekitar 4 poin persentase dari Opus 4.8, tetapi biayanya sekitar seperlima
    • Data penggunaan nyata yang muncul dari harness milik lab menciptakan data flywheel yang kembali ke model berikutnya, dan jika stack internal memiliki harness tersebut, data yang sama dapat dimiliki langsung

  • Izin penulisan yang belum terselesaikan

    • Operasi baca seperti mengambil dokumen, melakukan kueri database, atau melihat daftar jadwal dapat dibatalkan dan hasilnya relatif kecil, sehingga dapat diizinkan secara default
    • Operasi tulis seperti mengirim pesan, mengeksekusi anggaran, mengubah record, atau menjalankan transaksi berbiaya besar atau tidak dapat dibatalkan, sehingga konfirmasi, ambang persetujuan, batas biaya, dan fungsi pembatalan harus menjadi fokus
    • Ada sekitar 12 framework, 10 harness, dan 3 protokol peer, tetapi belum ada model izin penulisan portabel yang mencakup host MCP, peer A2A, pemanggilan tool langsung, dan batas framework
    • Spesifikasi MCP 2025-11-25 memindahkan autentikasi ke OAuth 2.1 dan A2A v1.0 menstandarkan Agent Card bertanda tangan, tetapi keduanya berhenti pada autentikasi identitas
    • Memverifikasi identitas tetap tidak menentukan apa yang boleh dijalankan oleh agent
    • Model ancaman MCP dari CoSAI menggolongkan kelelahan persetujuan, ketika pengguna tanpa banyak berpikir mengizinkan sebagian besar permintaan persetujuan, sebagai ancaman tingkat teratas
    • Meta-harness seperti Omnigent open source dari Databricks melacak status sesi dan mengontrol penulisan berikutnya, alih-alih sekadar filter prompt pada masing-masing agent
    • Setelah mengunduh paket yang belum diverifikasi, jika mencoba melakukan push kode, sistem dapat meminta persetujuan manusia
    • Batas biaya yang menjeda sesi setelah membelanjakan jumlah yang ditetapkan juga dapat diterapkan
    • Lapisan yang mengontrol area penulisan di atas berbagai harness adalah titik terbentuknya model izin yang berkelanjutan

  • Keamanan dan keunggulan tersisa dari model tertutup

    • Filtering, monitoring, dan pembatalan bukan fungsi dari bobot yang tertutup, melainkan fungsi dari lapisan layanan dan harness, dan juga dapat diterapkan pada model terbuka yang di-host sendiri
    • Pada 2025, kerentanan izin CVSS 9.3–9.4 juga terjadi di sistem tertutup Anthropic, Microsoft, ServiceNow, dan Salesforce
    • Setelah meninjau apakah pemerintah AS harus membatasi open weights, NTIA merekomendasikan monitoring alih-alih pembatasan
    • Sistem tertutup masih unggul di empat area
      • Harness terintegrasi dan data flywheel di belakangnya
      • Selisih antara 89% multi-needle retrieval Gemini 3 dalam pencarian konteks panjang 1 juta token dan 41% milik DeepSeek V4-Pro
      • Kepatuhan siap pakai yang menyediakan SOC 2, HIPAA, dan tanpa retensi data secara default
      • Pihak kontrak yang dapat dimintai pertanggungjawaban oleh pelanggan
    • Kepatuhan dan tanggung jawab adalah masalah kontrak, harness terintegrasi adalah masalah tool, dan fidelitas konteks panjang adalah masalah model yang harus diselesaikan langsung oleh lab terbuka

Lima investasi untuk mempertahankan keterbukaan

  • Membangun harness terbuka: Perlu membuat harness serbaguna atau khusus industri yang dirancang bersama dengan open weights, seperti Codex dan GPT-5.5
    • Masa untuk membangunnya adalah sebelum lab tertutup sepenuhnya menggabungkan model dan harness menjadi satu produk sewaan
  • Kepemilikan memori: Semakin harga bobot mendekati nol, model menjadi komponen yang dapat diganti, sementara memori dengan konteks terakumulasi menjadi aset yang tumbuh secara majemuk
    • Ini harus disimpan di balik firewall sendiri dalam format portabel yang hanya dapat ditambahkan, dan setelah akses berakhir, konteks selama bertahun-tahun tidak dapat dipulihkan
  • Menyelesaikan izin portabel: Diperlukan standar yang membedakan penulisan yang boleh berjalan tanpa pengawasan, memerlukan persetujuan manusia, atau dilarang, di seluruh MCP, A2A, pemanggilan tool langsung, dan batas framework
    • Jika standar terbuka tidak muncul saat kebijakan penulisan berbasis status dari meta-harness sedang terbentuk, platform tertutup akan menetapkan aturannya
  • Keluar dari model bayar sesuai pemakaian: Bandingkan model tertutup dan terbuka secara langsung, siapkan model kedua di belakang antarmuka terbuka, dan host sendiri beban kerja yang dapat diprediksi
    • Harga awal diperkirakan berakhir sekitar 2027–2028, setelah penyedia IPO dan diskon habis, sehingga sumber pasokan ganda perlu disiapkan saat perpindahan masih mudah dan murah
  • Menjadikan banyak penyedia sebagai default: Jika ekosistem terkonsentrasi pada satu penyedia terbuka, sulit untuk menganggapnya sebagai sumber daya bersama
    • Sebanyak 47 negara membatasi pemrosesan data di luar negeri dan lebih dari 70 strategi nasional sedang berlaku
    • Eropa berinvestasi di EUROPA, Kanada menyiapkan 890 juta dolar, dan India menetapkan 38.231 GPU
    • Jika pendanaan publik tidak menopang pengembangan jangka panjang, ekosistem terbuka juga dapat mengerucut ke satu sumber

Sinyal yang Perlu Terus Dipantau

  • Kapabilitas dan adopsi: perlu melacak kesenjangan kapabilitas 3,3%, apakah kemampuan coding sudah setara, kesenjangan reasoning dan agent, serta porsi token agent coding di OpenRouter
    • Jika porsi token terbuka stagnan dan kesenjangan reasoning membesar, tren saat ini akan berbalik
  • Harness: poin kuncinya adalah kesenjangan Terminal-Bench antara harness milik lab riset dan harness independen, tata kelola MCP dan A2A di bawah AAIF, serta spesifikasi izin portabel yang belum ada
    • Jika keunggulan harness lab riset membesar atau platform tertutup lebih dulu menetapkan standar izin, lapisan terbuka akan melemah
  • Struktur pasar: perlu melihat secara bersamaan ARR, investasi, IPO Zhipu dan MiniMax dari lab terbuka, titik balik harga berbasis pemakaian pada 2027–2028, serta investasi komputasi kedaulatan nasional
    • Jika pendanaan negara terputus atau keekonomian lab terbuka gagal diskalakan, pembentukan pasar yang berkelanjutan akan sulit
  • Kepercayaan dan keamanan: perlu melacak kapabilitas penyalahgunaan open weight, kemudahan menghapus fine-tuning keamanan, CSAM sintetis dan gambar intim non-konsensual (NCII), serta kebijakan NTIA yang memilih pemantauan alih-alih pembatasan
    • Insiden penyalahgunaan besar atau pergeseran kebijakan yang berfokus pada pembatasan dapat mengubah lingkungan distribusi terbuka
  • Ketika pihak yang bertanggung jawab atas keterbukaan, portabilitas, dan distribusi luas dalam proses pengambilan keputusan AI memperoleh posisi yang setara, pasar akan bergeser dari struktur menyewa model ke struktur memilikinya secara langsung

Bacaan terkait

2 komentar

 
shakespeares 2 jam lalu

Sepertinya pindah lagi ke Loop Engineering.
 
GN⁺ 4 jam lalu
Pendapat Hacker News

  • Model terbuka mungkin bisa menjatuhkan Anthropic dan OpenAI. Penyedia cloud raksasa dapat mengoperasikan model tanpa biaya lisensi, dan Apple dapat mengecilkan model agar berjalan langsung di perangkat
    Model mutakhir adalah keunggulan kompetitif sekaligus beban. Biaya pelatihannya sangat besar, tetapi jika pengembangan berhenti, model akan dilupakan, dan pemasaran akhirnya bergantung pada keyakinan bahwa tiap model berbeda secara signifikan. Kini patut dipertanyakan apakah ada perbedaan besar antar-model, dan menurut saya kunci untuk membuat model yang acak dan berhalusinasi menjadi deterministik serta berguna adalah framework eksekusi

    • Itu akhir yang masuk akal, tetapi model berbobot terbuka dari perusahaan Tiongkok tampaknya lebih merupakan taktik untuk mengatasi posisi kurang menguntungkan dalam mengakses pasar Barat daripada pilihan prinsipil
      Jika kondisi pasar berubah, mereka bisa kembali menutupnya seperti Meta, dan jika biaya pelatihan terus meningkat, keberlanjutan finansial strategi bobot terbuka juga patut dipertanyakan
    • Model terbuka pun kemungkinan besar tetap memiliki biaya pelatihan yang sangat besar, hanya relatif lebih kecil. Insentif untuk menghasilkan lebih banyak performa dengan komputasi lebih sedikit sangat kuat, dan efisiensi bisa ditingkatkan dengan memanfaatkan distilasi model mutakhir
      Meski begitu, organisasi besar harus mengerahkan dana dan sumber daya komputasi yang sangat besar sambil mengorbankan pendapatan, dan kemurahan hati semacam ini sulit bertahan selamanya. Kuncinya adalah mana yang runtuh lebih dulu: model bisnis model mutakhir, atau investasi gratis dari para pengejar cepat
    • ROI dibanding biaya token untuk semua model patut diragukan, tetapi biaya yang sudah dikeluarkan adalah sunk cost
      Situasinya tampak seperti akan gagal jika tidak mencapai superinteligensi yang mampu memperbaiki diri. Jika superinteligensi tercapai, model mutakhir akan melaju lebih dulu dengan pertumbuhan eksponensial yang lebih cepat; jika tidak, para pengejar cepat akan mengalahkan investasi besar itu dan daya pertahanannya pun hilang. Ini mirip situasi di semikonduktor ketika GaAs tidak mampu mengejar silikon yang menunggangi Moore's Law, dan hak cipta juga sulit ditegakkan
    • Untuk sementara, saya memperkirakan model open source tidak akan praktis karena biaya hardware. Pengembang hobi dan pengguna antusias akan terus memanfaatkannya, tetapi perusahaan model mutakhir yang memiliki akses ke hardware kemungkinan besar akan mendominasi pasar hampir sepenuhnya
    • Saya ragu apakah biaya pelatihan model mutakhir benar-benar sebesar itu. GLM 5.2 dilatih dengan sekitar 30 triliun token, yakni sekitar (10^{25}) FLOPs
      Bahkan jika memakai B300 dengan harga tinggi 5 dolar per jam dan MFU 50%, biayanya sekitar 15 juta dolar. Memang ada risiko kegagalan pelatihan dan biaya pelatihan lanjutan, tetapi dibandingkan dengan pengeluaran inferensi setelahnya, skalanya tidak seabsurd itu

  • Tepat 4 bulan lalu, pangsa pasar OpenRouter adalah 60% model tertutup dan 40% model terbuka, tetapi sekarang berbalik menjadi 63% model terbuka. Pada 19 Maret, total throughput model terbuka adalah 888 miliar token, dan kemarin menjadi 4,19 triliun token, tumbuh sekitar 5 kali lipat dalam 4 bulan
    Saya juga membuat dashboard yang diperbarui setiap hari berdasarkan data OpenRouter: https://dirac.run/labs-market-share

    • Sulit memahami keseluruhan pasar hanya dari OpenRouter. Pengguna model OpenAI, Anthropic, dan Google kemungkinan besar langsung memakai API masing-masing perusahaan, sehingga tidak masuk dalam statistik itu
      Meski begitu, pertumbuhan penggunaan model terbuka di OpenRouter sangat menarik
    • Saya juga ingin melihat klasifikasi performa dan biaya bersama statistik per model, dan ternyata sudah ada yang menyediakannya: https://artificialanalysis.ai/
    • Angka yang menarik, tetapi saya rasa makin banyak penggunaan berpindah ke produk langganan, sehingga tidak tertangkap oleh metrik ini. Baik untuk penggunaan pribadi maupun perusahaan, saya sendiri benar-benar sudah beralih seperti itu
    • Saya tidak tahu alasan memakai OpenRouter jika menggunakan Claude
    • Jika nanti melihat ke belakang, saya rasa angka ini akan dianggap sebagai salah satu sinyal awal kejatuhan model tertutup
      Jika tidak setuju, saya ingin tahu pertahanan apa yang dimiliki perusahaan-perusahaan ini. Melihat pengeluaran besar OpenAI dan Anthropic, saya frustrasi karena sama sekali tidak menemukan daya pertahanan yang nyata

  • Tentu saja tulisan ini memiliki gaya yang dihasilkan LLM: https://www.pangram.com/history/29a71663-e6b2-4db6-87bd-b943...
    Saya penasaran mengapa para eksekutif mau mencantumkan nama mereka pada tulisan seperti ini. Mungkin mereka menganggapnya sebagai kelanjutan alami dari kebiasaan menandatangani naskah yang ditulis asisten atau siaran pers dari tim PR
    Menurut saya akan baik bagi budaya komunitas jika HN menjalankan Pangram secara otomatis untuk tulisan yang berfokus pada teks, setidaknya yang masuk halaman depan. Secara pribadi saya memakai plugin browser, tetapi dari komentar-komentar terlihat ada orang yang tidak menyadari apakah sesuatu dibuat oleh AI atau tidak

    • Jika khawatir soal biaya, Pangram bisa dijalankan otomatis hanya untuk tulisan yang melewati jumlah upvote tertentu atau masuk halaman depan
      Lebih baik situs agregator konten mengotomatiskan pemeriksaan AI daripada pembaca masing-masing memeriksa secara sporadis. Baru-baru ini saya juga menerapkan pemeriksaan otomatis Pangram di Manifund, dan setahu saya LessWrong sudah memakai fitur ini cukup lama
    • Itu akan sangat membantu situs, tetapi Pangram terkenal tidak akurat

  • Materi presentasi ini menyakitkan untuk dibaca. Ada terlalu banyak chart yang nyaris tidak terhubung dengan teks di sekitarnya, dan terlihat seperti materi presentasi CTO yang dibayangkan LLM. Namun karena tampilannya seperti slide CTO, tampaknya mereka menganggapnya ‘HIGH IMPACT’
    Akan jauh lebih baik jika CTO Mozilla menjelaskan sendiri analisisnya dengan jelas

  • Saya secara umum mendukung penyebaran model terbuka, jadi ingin menanggapinya serius, tetapi sulit karena jejak tulisan AI terlalu jelas. Tampaknya mereka memecat orang yang dulu menulis artikel seperti ini
    Ini bukan sekadar ejekan; menurut saya gaya AI yang mudah dikenali membuat sebagian pembaca langsung pergi, sehingga justru merusak argumen tulisan dan menjadi kontraproduktif

    • Membaca frasa “Parity reached. The contest is one layer up.” membuat saya mual
    • Mungkin karena sudah muak dengan gaya AI, tulisan seperti ini terlihat tidak autentik

  • “Mozilla ada karena satu perusahaan mencoba memonopoli gerbang utama web, dan komunitas terbuka bangkit untuk menghentikannya,” tetapi melihat pangsa pasar Firefox saat ini, gerbang utama web pada praktiknya dimiliki oleh Google dan Apple
    Masa depan di mana segelintir model terbuka menahan penyimpangan ekosistem lainnya mungkin saja sudah cukup, tetapi tulisan ini tampaknya tidak mengajukan argumen semacam itu

    • Ini narasi yang terlalu memilih hanya bagian yang menguntungkan. Satu perusahaan menguasai gerbang utama web, perusahaan lain menyalahgunakan posisi pasarnya untuk mendorong browser gratis, dan Mozilla bangkit kembali dari abu perusahaan pertama
      Setelah itu, perusahaan lain lagi menggunakan posisi pasarnya untuk menyebarkan browser gratis dan meruntuhkan pangsa Firefox, tetapi terus membayar Mozilla agar tidak terlihat seperti monopoli
    • Alasan nyata Mozilla tetap bertahan adalah karena Google membayar miliaran dolar agar tetap menjadi mesin pencari default

  • Menarik melihat Mozilla melakukan segala macam hal untuk mengejar tren terbaru, tetapi tidak membuat browser privasi yang benar-benar layak untuk developer dan power user

    • Fitur AI Chatbot Firefox hanya menawarkan Mistral sebagai satu-satunya penyedia model terbuka, dan sama sekali tidak menyediakan opsi menjalankan secara lokal. Ucapan dan tindakan tidak sejalan
    • Mozilla menerima 500 juta dolar setiap tahun sebagai imbalan untuk mempertahankan apa yang sudah dilakukannya sekarang dan membiarkan pangsa Firefox tertahan di di bawah 5% di desktop serta sekitar 0% di mobile
    • Meski begitu, mereka menyediakan semua kode sumber agar proyek-proyek tersebut bisa berkembang, dan ekosistem tersendiri seperti Librefox, Iceweasel, Reynard juga sudah terbentuk
    • Dulu saya juga berpikir demikian, tetapi saya merasa Firefox telah cukup maju pada 2026
      Saya juga mulai sepakat dengan strategi AI Mozilla. Alih-alih membuat model sendiri atau menjual konten AI berkualitas rendah, mereka membangun lapisan kompatibilitas open source, jadi pendekatannya tidak terasa tidak realistis
      Saya tidak ingin dunia di mana AI tersubordinasi secara vertikal, dan jika Mozilla benar-benar bisa mereplikasi strategi masa lalunya untuk AI open source, itu akan menguntungkan semua orang
    • Firefox sendiri adalah browser serbaguna, dan untuk menjangkau pasar yang luas, pilihan itu mungkin lebih baik. Developer lain membuat browser untuk power user dengan engine Firefox
      Belakangan ini saya sangat menyukai Zen, tetapi setelah menggunakannya selama dua bulan pun fitur tab yang dipin masih agak membingungkan: https://zen-browser.app/

  • Versi PDF lebih nyaman dibaca: https://stateofopensource.ai/state-of-open-source-ai-2026.pd...

  • Sayang sekali tidak terlihat komunitas sama sekali di sekitar model yang benar-benar terbuka, yang membuka data sumber dan metodologi pelatihan bersama-sama sehingga benar-benar bisa direproduksi jika memiliki sumber daya. Makna istilah “terbuka” dibiarkan terkikis secara mengejutkan

  • Desain dan tata letaknya membuat bacaan sulit tanpa perlu, tetapi fakta bahwa biaya inferensi turun hampir 50 kali lipat benar-benar mengesankan. Melihat rilis Kimi K3, model terbuka sudah mendekati level mutakhir
    AI open source berkembang jauh lebih cepat daripada yang diperkirakan Anthropic dan OpenAI