20 Jan 2025 · Ringkasan AI 24 Jam: Gemini Meledak di “Volume” tapi Harus Menang di Retensi, Zhipu Membuka Model “Hybrid Thinking” yang Mudah Dideploy, dan GTC 2026 Menegaskan Physical AI + Inference
Tiga kabar dari Google, Zhipu, dan NVIDIA hari ini mengarah pada satu pergeseran besar: AI masuk fase kedua. Yang diperebutkan bukan hanya “bisa atau tidak,” melainkan “bisa dipakai terus-menerus, stabil, terukur, dan murah untuk dioperasikan.” Distribusi menang di angka penggunaan, tapi pemenang jangka panjang ditentukan oleh kedalaman pemakaian, reliabilitas, dan kurva biaya inferensi.
1. Pemakaian Gemini melonjak; versi Enterprise meraih 8 juta langganan dan menjangkau 1.500 perusahaan, tetapi kedalaman penggunaan dan kepuasan masih jadi tantangan
Ulasan:
Gemini bukan sekadar model mandiri. Ia “menyusup” lewat integrasi ke Google Search, Gmail, Workspace, Chrome, hingga perangkat Samsung Galaxy—menciptakan adopsi yang terasa seperti tanpa usaha (“frictionless”). Google sudah membuktikan kekuatan distribusi dan touchpoint. Fase berikutnya adalah mengubah pola dari “coba-coba / pakai tipis” menjadi “tidak bisa lepas.”
8 juta kursi enterprise dan cakupan 1.500 perusahaan terlihat impresif, tapi umpan balik industri sering menunjukkan masalah klasik: mengakuisisi pengguna dalam skala besar relatif mudah, mengoperasikan pengalaman yang rapi dan memuaskan jauh lebih sulit. Perusahaan tidak hanya melihat kemampuan puncak, tetapi juga stabilitas produk, kontrol biaya, dan SLA enterprise yang konsisten.
Jadi metrik kunci bukan hanya jumlah seat, melainkan renewal rate, proporsi seat aktif, serta kecepatan ekspansi dari pilot tim kecil ke adopsi level perusahaan. Dari sisi “volume”, Gemini sudah sangat sukses—pertarungan berikutnya adalah “kedalaman dan retensi”.
2. Zhipu merilis dan meng-open-source GLM-4.7-Flash: model “hybrid thinking” 30B total parameter dengan 3B parameter aktif
Ulasan:
Zhipu melepas GLM-4.7-Flash sebagai “hybrid thinking” dengan total 30B tetapi hanya 3B yang aktif saat inferensi—pesannya jelas: menjadikan “reasoning yang cukup bagus” sebagai komponen enterprise yang lebih murah dan mudah dideploy, bukan sekadar mengejar model raksasa yang hanya nyaman di cloud.
Desain seperti ini biasanya menekan biaya komputasi dan kebutuhan VRAM ketika inferensi, sambil mempertahankan daya ekspresi model. Itu membuatnya cocok untuk edge, private cloud, atau web service dengan concurrency tinggi—tempat resource benar-benar terbatas.
Risikonya ada pada stabilitas routing dan mekanisme “thinking”: jika pada tugas kompleks model jadi “tidak cukup dalam” atau “tidak cukup presisi” secara inkonsisten, pengguna akan cepat merasakan batasnya.
Menariknya, Zhipu juga membuka API gratis dan memakai lisensi MIT (boleh untuk komersial), yang menurunkan hambatan adopsi bagi UKM dan developer independen—kontras dengan pendekatan closed dan berbayar.
3. NVIDIA mengonfirmasi GTC 2026 (16–19 Maret 2026, San Jose): Physical AI, AI Factories, dan Inference jadi tiga tema inti
Ulasan:
GTC 2026 menempatkan “Physical AI”, “AI Factories”, dan “Inference” sebagai tiga pilar utama—ini sinyal bahwa NVIDIA mendorong pergeseran dari “generasi konten” menuju “agen yang berinteraksi dengan dunia nyata”, dan terutama menuju industrialisasi inferensi.
Daftar peserta mencakup perusahaan otomotif/teknologi Tiongkok seperti Li Auto, Xiaomi, NIO, Great Wall, Alibaba, sekaligus Tesla, Disney, Johnson & Johnson, Stanford, Together AI, dan institusi global lain.
Bahkan tanpa melihat pengumuman produk, kerangka tema ini saja sudah menunjukkan taruhan NVIDIA: pertumbuhan berikutnya datang dari skala inferensi + pengiriman yang terindustrialisasi + aplikasi dunia fisik. Yang akan diuji pasar bukan jargon, melainkan angka: throughput inferensi, latency, efisiensi energi, TCO, dan apakah delivery bisa direplikasi lintas pelanggan. Kamu menantikan GTC tahun ini?
Penutup:
Gemini sudah menang besar di distribusi dan volume, tapi harus membuktikan retensi dan kedalaman penggunaan. Zhipu memilih jalur “deployable reasoning” lewat open source dan efisiensi. NVIDIA mempertegas bahwa pertumbuhan berikutnya ada pada inferensi skala industri dan Physical AI. Dalam fase berikutnya, pemenang mungkin ditentukan oleh productization + reliability + cost curve, bukan sekadar skor model. Menurutmu, jalur mana yang paling cepat “mengunci” pasar: distribusi ekosistem, open source yang mudah dideploy, atau platform inferensi industrial?
Bacaan lanjutan (72 jam terakhir):