Persaingan AI China Bergeser: Bukan Lagi Model Terbesar, tetapi Agen yang Bisa Dipakai Massal

China sedang menggeser fokus dalam persaingan kecerdasan buatan: dari siapa yang mampu melatih model fondasi paling besar, menjadi siapa yang dapat menjalankan agen AI secara massal untuk menyelesaikan pekerjaan nyata. Uji sesungguhnya bukan lagi hanya kecanggihan model, melainkan apakah sistem bisa cepat, hemat, andal, aman, dan layak dioperasikan terus-menerus.

Agen AI berbeda dari chatbot yang sekadar memberi satu jawaban. Dalam sebuah tugas, agen dapat mencari informasi, memanggil perangkat lunak lain, menjalankan beberapa langkah kerja, memeriksa hasilnya, lalu mengulang proses bila diperlukan. Karena itu, kebutuhan komputasi dan kerumitan operasionalnya jauh lebih besar.

Inferensi diperkirakan menjadi beban komputasi utama

Laporan China Telecom Research Institute memproyeksikan bahwa inferensi—proses ketika model terlatih merespons perintah atau mengerjakan langkah dalam sebuah tugas—akan mencakup 80% pasar daya komputasi China pada 2029. Porsi ini diproyeksikan melampaui kebutuhan untuk pelatihan model. Laporan tersebut juga memperkirakan agen AI dapat mendorong pertumbuhan kebutuhan komputasi tahunan hampir 10 kali lipat dalam dua hingga tiga tahun ke depan. 59

Konsumsi token tahunan China diproyeksikan mencapai 100 kuadriliun pada 2026 dan melampaui 35 kuintiliun pada 2030. Angka-angka ini adalah proyeksi, bukan realisasi yang sudah terjadi. Namun, arahnya jelas: menjalankan model berulang kali untuk melayani agen berpotensi menjadi sama strategisnya dengan melatih model itu sendiri. 6

Dari belanja modal pelatihan ke biaya operasi harian

Melatih model terdepan umumnya merupakan pengeluaran infrastruktur besar yang terkonsentrasi di awal. Sebaliknya, agen AI adalah layanan yang harus terus dioperasikan. Biayanya dapat terus muncul dari inferensi model, pengambilan data, jaringan, penyimpanan, pemantauan, serta peninjauan atau eskalasi ke manusia.

Artinya, agen yang terlihat pintar belum tentu menjadi produk yang layak secara bisnis. Jika terlalu mahal dijalankan, terlalu lambat untuk proses kerja, atau terlalu sering membuat kesalahan, nilainya cepat berkurang. Ukuran yang lebih penting adalah biaya dan mutu per tugas yang benar-benar selesai, bukan hanya skor benchmark model.

Bagi penyedia teknologi dan perusahaan pengguna, fokus operasionalnya mencakup:

• memakai model terkecil yang masih aman dan memadai untuk setiap tugas;
• mengarahkan pekerjaan ke model atau alat yang paling tepat;
• mengurangi komputasi berulang melalui caching dan sistem penyajian model yang efisien;
• menghubungkan agen dengan data tepercaya yang spesifik untuk tugasnya;
• menguji pemakaian alat dan alur kerja ujung ke ujung, bukan hanya jawaban model;
• memantau kegagalan, kontrol akses, dan jejak audit; serta
• memastikan manusia bisa mengambil alih pada keputusan atau tindakan berisiko tinggi.

Hal ini tidak berarti pelatihan model frontier kehilangan arti. Pelatihan tetap penting untuk kapabilitas, kemandirian teknologi, dan akses ke model canggih. Namun, ketika model yang mumpuni makin tersedia luas, pembeda yang lebih sulit justru bisa menjadi kemampuan menjalankan inferensi murah dan stabil yang tersambung ke sistem kerja nyata.

Kebijakan Beijing menekankan penyebaran aplikasi

Sinyal kebijakan China mendukung pergeseran dari model mandiri menuju penerapan yang bisa diulang lintas sektor. Rencana AI plus software dari Kementerian Perindustrian dan Teknologi Informasi China (MIIT) menargetkan alat pemrograman berbasis AI digunakan oleh lebih dari 20.000 perusahaan perangkat lunak besar pada 2028. Rencana itu juga mencakup 100 aplikasi percontohan perangkat lunak berbasis agen di sektor-sektor utama dan sedikitnya lima proyek sumber terbuka berkualitas tinggi. 3

Untuk 2030, arah yang dituju adalah ekosistem perangkat lunak yang lebih cerdas dan aman, termasuk peningkatan cerdas pada sistem perangkat lunak kritis. 37 Rencana MIIT lain di bidang AI dan informasi-komunikasi menargetkan lebih dari 30 skenario bernilai tinggi pada 2028, aplikasi representatif, serta agen khusus. Rencana tersebut juga mengaitkan penerapan AI dengan penguatan infrastruktur jaringan dan komputasi. 17

Inisiatif bersama MIIT dan Administrasi Data Nasional juga secara eksplisit mendorong skenario AI bernilai tinggi yang spesifik industri, kumpulan data khusus, serta model atau agen khusus untuk kasus yang membutuhkan perencanaan dan eksekusi otonom. Program itu turut meminta pengembangan data evaluasi dan sistem penilaian yang disesuaikan bagi model dan agen industri. 18

Secara keseluruhan, pendekatan ini mengarah pada penyebaran luas: membangun skenario yang dapat dipakai ulang, data, perangkat lunak, dan contoh penerapan yang dapat diadopsi oleh banyak sektor. Peluangnya adalah percepatan adopsi. Risikonya, keberhasilan hanya dihitung dari banyaknya proyek percontohan, bukan dari apakah sistem benar-benar aman, ekonomis, dan bertahan dalam operasi jangka panjang.

Skala belanja memperbesar taruhannya

Pelaporan yang merujuk analisis China Telecom Research Institute memperkirakan perusahaan teknologi China akan membelanjakan hampir 600 miliar yuan untuk AI tahun ini. Karena definisi “belanja AI” di berbagai laporan publik dapat berbeda, angka agregat itu sebaiknya dipandang sebagai estimasi, bukan ukuran yang sepenuhnya terstandardisasi. 9

Di tingkat nasional, China memperkirakan sektor-sektor terkait AI akan melampaui 10 triliun yuan pada akhir periode Rencana Lima Tahun 2026–2030. 45 Dalam kerangka ini, agen AI tidak diposisikan semata-mata sebagai layanan cloud, tetapi sebagai lapisan pendukung modernisasi industri, pengembangan perangkat lunak, telekomunikasi, dan layanan konsumen.

Eropa membangun kapasitas, tetapi penerapan tetap penentu

Uni Eropa juga mengambil langkah di sisi infrastruktur. Komisi Eropa membuka tender untuk membangun hingga tujuh AI Gigafactories, dengan dukungan hingga €10 miliar dari dana Uni Eropa dan pemerintah nasional. Inisiatif itu diharapkan menarik sedikitnya €20 miliar investasi swasta. 50

Program tersebut penting bagi kapasitas komputasi dan kedaulatan teknologi Eropa. Namun, membangun komputasi saja tidak otomatis menjawab tantangan penerapan. Nilai kompetitif infrastruktur tersebut akan bergantung pada apakah ia menghasilkan inferensi yang mudah diakses dan terjangkau, data domain yang berguna, integrasi perangkat lunak, serta aplikasi yang tepercaya bagi organisasi di Eropa.

Pemenang berikutnya: yang mampu mengubah komputasi menjadi pekerjaan nyata

Dorongan China terhadap agen AI mencerminkan perubahan yang lebih luas secara global. Keunggulan AI akan makin bergantung pada kemampuan mengubah daya komputasi menjadi pekerjaan yang berguna, dapat diaudit, dan berkelanjutan dalam skala besar.

Chip dan listrik tetap penting. Tetapi efisiensi inferensi, akses data, integrasi alur kerja, pengamanan sistem, evaluasi, dan akuntabilitas manusia akan sama menentukan. Proyeksi 80% untuk inferensi bukanlah kepastian, melainkan petunjuk arah. Meski begitu, pesannya tegas: ketika AI berpindah dari demo ke operasi sehari-hari, pemenangnya mungkin bukan pihak yang menjalankan pelatihan model terbesar, melainkan pihak yang bisa menjalankan agen AI dengan cukup andal dan cukup murah agar benar-benar menjadi bagian dari pekerjaan rutin. 56