Rangkuman Cepat
· Tim analis Nomura pada 13 Juli menunjukkan bahwa pasar LLM Tiongkok kini beralih dari sekadar perang harga menuju situasi di mana harga untuk model dasar lebih murah, sementara model canggih mengalami premium sekaligus.
· Keunggulan biaya DeepSeek berasal dari optimasi sistem seperti caching, penjadwalan, latensi, dan pemanfaatan perangkat keras; bobot model terbuka tidak otomatis berarti menyalin efisiensi operasional platform aslinya.
· Akselerator lokal sedang memperoleh lebih banyak peluang dalam inferensi dan deployment lokal, tetapi proyek perusahaan tetap harus diuji dengan ROI dalam 12 hingga 18 bulan.

Setelah tim internet Nomura Tiongkok pada 13 Juli berinteraksi dengan para ahli dari sebuah lab AI berbahasa Tionghoa, mereka memberikan penilaian yang lebih mendekati realitas komersial: pasar large model Tiongkok tidak melaju lurus menuju harga rendah, melainkan terbagi menjadi dua lapisan—model dasar terus menurunkan harga untuk merebut pengguna, sementara model canggih, deployment privat, dan layanan kustom perusahaan mempertahankan premium.

Lab tersebut telah menerapkan model dasar miliknya ke lebih dari 100 klien perusahaan, dan timnya juga termasuk pengguna awal akselerator lokal seperti Huawei Ascend. Sinyal inti yang dilepaskan dalam pertemuan ahli adalah bahwa meskipun kemampuan model makin mudah dibandingkan, yang benar-benar menentukan profit platform dan daya lekat pelanggan kini bergeser dari peringkat daftar ke biaya inferensi, efisiensi deployment, dan alur kerja perusahaan.

Ini bukan laporan riset terbuka Nomura, dan juga tidak mewakili statistik untuk seluruh industri. Namun, ini menawarkan sudut pandang observasi yang lebih dekat dengan kebutuhan pengadaan perusahaan: yang dibeli klien bukan hanya sebuah model, melainkan juga harus diperhitungkan harga chip, biaya per pemanggilan, integrasi sistem, keamanan data, serta seberapa cepat proyek bisa kembali modal.

Biaya rendah DeepSeek sulitnya ada pada optimasi sistem

DeepSeek adalah contoh paling khas dalam logika ini.

Pasar sering mengaitkan biaya DeepSeek yang rendah dengan model open source, tetapi bobot yang terbuka hanya menurunkan ambang penggunaan dan tidak otomatis menyalin efisiensi operasional platform aslinya. Yang benar-benar menentukan tagihan inferensi adalah hal-hal seperti tingkat keberhasilan caching, penjadwalan permintaan, strategi batch, kontrol latensi, dan pemanfaatan perangkat keras.

Laporan teknis DeepSeek-V3 yang mengungkap MLA, DeepSeekMoE, dan arsitektur lain, serta dokumen infrastrukturnya yang mencakup load balancing dan optimasi throughput, menunjukkan satu hal yang sama: menyelesaikan lebih banyak pemanggilan dengan memanfaatkan lebih sedikit perangkat keras.

Artinya, meskipun Tencent, Alibaba, ByteDance, dan platform lain bisa menerapkan bobot open source yang sama, belum tentu mereka dapat mencapai biaya yang setara dalam lingkungan bisnis nyata. Ketika pelanggan melakukan pemanggilan model dalam jangka panjang, perbedaan latensi beberapa milidetik, efisiensi caching beberapa poin persentase, dan pemanfaatan perangkat keras pada akhirnya bisa berubah menjadi selisih tagihan yang jelas.

Karena itu, tekanan kompetitif yang dibawa DeepSeek bukan hanya “model lebih murah”, melainkan memaksa seluruh industri menghitung ulang biaya aktual setiap token, setiap pemanggilan, dan setiap proses bisnis.

Model dasar untuk akuisisi, deployment mendalam untuk menghasilkan uang

Di pasar large model Tiongkok, perang harga mulai muncul secara berlapis.

Untuk model dasar yang ditujukan bagi pengembang dan kebutuhan ringan, tingkat komersialisasi terus meningkat, sementara tekanan agar harga tetap turun masih ada. Platform bisa memperbesar volume pemanggilan lewat harga rendah bahkan subsidi, sehingga model menjadi pintu masuk menuju layanan cloud dan ekosistem AI.

Namun ketika model masuk ke sistem seperti layanan pelanggan, risk control keuangan, repositori kode, ERP, CRM, atau sistem penjadwalan produksi, pembelian pelanggan tidak lagi hanya berupa sebuah API, melainkan sekumpulan sistem bisnis yang harus beroperasi secara stabil. Semakin dalam deployment, semakin tinggi biaya untuk mengganti pemasok karena harus memigrasikan data dari awal, mengubah proses, menguji keamanan, dan melatih karyawan; biaya perpindahan ikut meningkat.

Hal ini memungkinkan vendor model untuk menerapkan dua strategi penetapan harga sekaligus: menurunkan harga kemampuan dasar untuk akuisisi pengguna, sementara model canggih, solusi industri, deployment privat, dan pengiriman kustom menanggung tugas monetisasi.

Open source dan closed source juga tidak harus menjadi pilihan biner. Model open source bisa menarik pengembang dan memperbesar ekosistem, sementara model andalan closed source dan layanan API lebih cocok dijadikan pintu berbayar. Alibaba, selain terus memelihara ekosistem open source Qwen, juga menampung kebutuhan tingkat lebih tinggi melalui bentuk API seperti Plus dan Max Preview; ini mencerminkan model bisnis yang berlapis.

Akselerator lokal mencari peluang lebih dulu di pasar inferensi

Perubahan ini sedang diperkuat oleh pasokan perangkat keras.

Pemberitaan terbuka menunjukkan bahwa sebagian chip dan server Nvidia yang terbatas menghadapi tekanan harga karena penyempitan pasokan dan peningkatan kebutuhan pelanggan. Lebih tepatnya, tidak semua produk Nvidia sedang naik harga, tetapi biaya pengadaan dan ketersediaan untuk sebagian produk kelas atas atau yang terbatas sedang memengaruhi pilihan deployment perusahaan di Tiongkok.

Pelatihan menentukan batas kemampuan model, sedangkan inferensi menentukan tagihan operasional harian. Pelatihan kelas atas masih bergantung pada ekosistem perangkat lunak dan perangkat keras yang matang, tetapi untuk inferensi, deployment privat, dan skenario industri tertentu, pelanggan lebih bersedia menyeimbangkan performa, biaya, dan keamanan pasokan.

Jika akselerator lokal dapat menyediakan stabilitas dan efisiensi inferensi yang dapat diterima, deployment lokal dan deployment hybrid akan lebih mudah masuk daftar pengadaan. Pemerintah dan klien BUMN sangat menaruh perhatian pada keamanan data, kepatuhan, deployment yang terselenggara di lokasi, dan rantai pasok yang dapat dikontrol; ini memberikan skenario penggunaan yang lebih jelas bagi komputasi lokal seperti Huawei Ascend.

Namun, meningkatnya daya tarik biaya tidak berarti perangkat keras lokal sudah sepenuhnya menggantikan GPU kelas atas. Migrasi model menyangkut operator tingkat dasar, framework, caching, penjadwalan, dan alat deployment; akumulasi ekosistem pengembang dalam jangka panjang tetap menjadi perbedaan kunci. Akselerator lokal kemungkinan besar akan lebih dulu masuk dari inferensi dan deployment industri, lalu secara bertahap memperluas cakupan aplikasi.

Instansi pemerintah/BUMN harus aman, perusahaan swasta perlu balik modal 12 hingga 18 bulan

Logika pembayaran pelanggan perusahaan juga mengalami pemisahan.

Pemerintah dan BUMN lebih mengutamakan keamanan data, audit kepatuhan, deployment lokal, serta stabilitas pasokan jangka panjang. Persyaratan ini memperbesar peluang perangkat lunak dan perangkat keras lokal, tetapi juga berarti proyek perlu melewati siklus pengadaan, pengujian, dan penerimaan yang lebih panjang.

Perusahaan swasta justru lebih langsung menghitung imbal hasil investasi. Kalimat yang digunakan dalam pertemuan ahli menunjukkan bahwa banyak klien swasta berharap melihat ROI yang jelas dalam 12 hingga 18 bulan, termasuk untuk mengurangi tenaga layanan pelanggan, meningkatkan tingkat konversi penjualan, mempersingkat siklus pengembangan, atau menurunkan biaya operasional.

Layanan keuangan, produktivitas perkantoran, dan skenario pengkodean lebih mudah dikomersialkan lebih dulu, karena data padat, biaya tenaga kerja lebih tinggi, dan efeknya relatif lebih mudah diukur. Manufaktur, kesehatan, dan hukum juga memiliki kebutuhan, tetapi tetap perlu menangani perubahan proses, akurasi, kepatuhan, dan batas tanggung jawab; pilot yang berkembang menjadi deployment skala besar biasanya membutuhkan waktu lebih lama.

Ini juga berarti bahwa peringkat model di daftar sulit langsung berubah menjadi pendapatan perusahaan. Pada akhirnya, pelanggan bersedia membayar untuk apa yang bisa dipenuhi: apakah model dapat terhubung secara stabil ke bisnis nyata dan apakah dalam waktu terbatas dapat mewujudkan manfaat yang bisa dihitung.

Perang harga large model Tiongkok belum berakhir, tetapi cara kompetisinya sudah berubah. Model dasar akan terus menurunkan harga, sedangkan model canggih, deployment privat, dan layanan industri harus menanggung tekanan terhadap profit; akselerator lokal sedang mendapatkan lebih banyak peluang di pasar inferensi, dan DeepSeek juga menaikkan standar efisiensi biaya bagi seluruh industri.

Yang benar-benar sulit ditiru bukanlah bobot open source, melainkan rekayasa sistem yang tersembunyi di balik model tersebut. Siapa yang mampu menghubungkan chip, efisiensi inferensi, dan kemampuan pengiriman ke perusahaan, serta membantu pelanggan melihat kembali modal dalam 12 hingga 18 bulan, dialah yang paling mungkin mengubah arus pengguna berharga rendah menjadi pendapatan jangka panjang.

Klik untuk mengetahui lowongan pekerjaan di律动BlockBeats

Selamat bergabung dengan komunitas resmi律动 BlockBeats：

Grup langganan Telegram：https://t.me/theblockbeats

Grup Telegram：https://t.me/BlockBeats_App

Akun Twitter resmi：https://twitter.com/BlockBeatsAsia