Kenapa AI China Begitu Murah? Mengupas Perang Harga

Apakah AI China murah karena negara yang membayarinya? Tidak. Subsidi memang ada, tetapi hampir tidak menjelaskan jurang harganya. Rilis DeepSeek V4.1-Flash pada September menjadikan contoh bandingnya luar biasa konkret: harga API resminya $0,15 per satu juta token masukan cache-miss dan $0,60 per satu juta token keluaran di luar jam sibuk, naik dua kali lipat menjadi $0,30 dan $1,20 pada jam sibuk, sementara bobot yang dapat diunduh mengusung lisensi MIT. Anda tidak bisa mencapai itu hanya dengan uang murah. Anda harus membangun dengan baik, mengaktifkan sebagian kecil dari model besar, dan menyajikannya di atas tumpukan yang lebih murah. Kemurahan ini nyata, sebagian besar struktural, dan berasal dari lima hal yang menumpuk. Hanya satu dari lima itu yang sementara.

Poin Utama- AI China murah karena lima alasan yang menumpuk, bukan sekadar subsidi: bobot terbuka, efisiensi sejati, perang harga, energi murah, dan talenta yang dalam.- Bobot terbuka menghapus margin API sepenuhnya. Anda meng-host sendiri, jadi tidak ada sewa per token kepada vendor.- Murah bukan berarti kecil atau usang. DeepSeek V4.1-Flash adalah model mixture-of-experts berparameter 552 miliar yang hanya mengaktifkan 8 miliar parameter per token saat membaca prompt, dengan jendela konteks 1 juta token dan visi bawaan.- Tidak semua model frontier China murah dengan cara yang sama. Harga API cache-miss resmi Kimi K3 adalah $3 untuk masukan dan $15 untuk keluaran per satu juta token, jadi arsitektur, penerapan, dan positioning komersial semuanya berperan.- Energi murah adalah pendorong paling struktural: pembangkitan surya bulanan China mencapai rekor 96 TWh pada April 2025, setara dengan satu bulan penuh keluaran nuklir AS.- Bagi pembeli, "cukup baik dengan biaya sepersekian" menulis ulang perhitungan bangun-atau-beli untuk sebagian besar beban kerja.

Pendorong yang paling membuat semua orang terpaku adalah perang harga, dan dari kelimanya justru itulah yang paling tidak menarik bagi saya. Saya menulis ini dari Hangzhou, tempat lab di balik DeepSeek dan Qwen sama-sama bermarkas, dan pembicaraan di sini jarang tentang siapa memangkas harga siapa bulan ini. Isinya tentang apa yang dibelikan oleh arsitektur berikutnya. Kalau Anda ingin argumen yang lebih luas, tulisan ini berada di bawah pilar saya tentang apakah China memenangkan perlombaan AI. Pertanyaan yang lebih sempit adalah yang praktis: mengapa biayanya begitu kecil, dan berapa besar dari itu yang bertahan setelah hiruk-pikuknya reda?

Pendorong 1: bobot terbuka mematikan margin API

Alasan terbesar justru yang paling membosankan. Model-model andalan China berbobot terbuka, jadi memang tidak ada margin API yang harus dibayar sejak awal. Per Agustus 2026, hitungan musim panas Hugging Face sendiri menempatkan Qwen, lini model Alibaba, pada sekitar 2,045 miliar unduhan Hub dalam tujuh bulan pertama 2026 saja dan 151.448 model turunan, sementara hitungan Alibaba sendiri mengklaim lebih dari 3 miliar unduhan dan 300.000 turunan lintas platform. Beberapa bulan sebelumnya, MIT Technology Review mencatat lebih dari 600 juta unduhan dan lebih dari 40% dari semua turunan Hugging Face baru. Anda mengunduh bobotnya lalu menjalankannya sendiri.

Ada baiknya kita presisi soal apa yang sebenarnya ditagihkan API tertutup kepada Anda. Komputasi, jelas. Tetapi juga margin penyedia, biaya menutup pengeluaran riset mereka, dan premi risiko yang diam-diam duduk di atas keduanya. Bobot terbuka meruntuhkan semua itu menjadi satu baris di tagihan Anda: biaya mentah perangkat keras tempat Anda menjalankan model.

Anda tidak benar-benar merasakannya sampai melihat tagihan Anda sendiri bergerak. Ketika saya memindahkan beban kerja dari API frontier yang di-host ke model China terbuka di GPU saya sendiri, saya tidak sedang menegosiasikan tarif yang lebih baik; saya meniadakan tarifnya. Biaya per token bukan sekadar menyusut, ia berpindah kategori: kini Anda membayar listrik, bukan sewa.

Bobot terbuka juga menumpuk turun. Model berbobot terbuka China menyalip model AS dalam pangsa unduhan Hugging Face global selama 2025, dan laporan Musim Semi 2026 Hugging Face sendiri mencatat mereka pada 41% dari seluruh unduhan platform. Setiap turunan dan kuantisasi, setiap tutorial komunitas yang ditulis pukul dua pagi oleh seseorang yang hanya ingin benda itu jalan, membuat penerapan berikutnya lebih murah. API tertutup tidak memberi Anda satu pun dari itu. Anda hanya terus membayar sewa.

Model-model China terkemuka dirilis sebagai bobot terbuka, menghapus margin API dari biaya sepenuhnya. Per Agustus 2026, Qwen sendiri telah melampaui 2 miliar unduhan dan 151.448 turunan di Hugging Face, dan model berbobot terbuka China telah menyalip model AS dalam pangsa unduhan Hugging Face global, mencapai 41% dari seluruh unduhan platform pada musim semi 2026. Meng-host sendiri menggantikan tarif vendor per token dengan biaya perangkat keras mentah.

Kalau Anda ingin perbandingan langsungnya, saya membandingkan opsi-opsi utama di Qwen vs DeepSeek vs Llama.

Pendorong 2: efisiensi nyata, bukan sekadar subsidi

Di sinilah kisah subsidi berantakan. Sebagian besar keunggulan biaya adalah rekayasa yang sungguhan. V4.1-Flash punya tulang punggung 552 miliar parameter tetapi hanya mengaktifkan 8 miliar untuk setiap token saat membaca prompt, 16 miliar saat menghasilkan jawaban. V4 Pro jauh lebih besar, 1,6 triliun total dan 49 miliar aktif. Potret Maret 2026 dalam AI Index Stanford HAI sudah menunjukkan model terkemuka AS dan China berdekatan pada satu papan peringkat publik, tetapi ia mendahului V4, Qwen3.8, Kimi K3, GLM-5.2, dan MiniMax M3. Ia bukti tren, bukan peringkat terkini yang disesuaikan dengan harga.

Tuas yang paling jelas adalah arsitektur. Desain mixture-of-experts mengarahkan setiap token hanya melalui sebagian kecil parameter model, jadi Anda mendapat kapabilitas model raksasa dengan biaya inferensi model yang jauh lebih kecil. Beberapa model China terkemuka bersandar kuat pada ini. Ini pemangkasan biaya per token yang dipanggang ke dalam model, bukan ditempel belakangan.

Lalu ada kisah DeepSeek, sumber asal frasa "the DeepSeek moment". Saya akan memperlakukan angka biaya pelatihan utama itu sebagai yang dilaporkan, bukan diaudit. Angka pastinya diperdebatkan, dan siapa pun yang mengutipnya sampai tiga angka signifikan sedang menebak. Tetapi arahnya tidak diragukan: model kompetitif yang dibangun dengan sepersekian anggaran komputasi yang semua orang kira adalah harga tiket masuk.

Sudut efisiensi lebih penting daripada perdebatan subsidi karena satu alasan sederhana: efisiensi bisa dibawa ke mana-mana, subsidi tidak. Subsidi menopang harga di satu pasar selama uangnya mengalir. Kemenangan arsitektural, parameter aktif yang lebih sedikit per token atau resep pelatihan yang lebih baik, menurunkan lantai biaya sejati di mana saja, bagi siapa pun yang menirunya. Itu sebabnya rilis bobot terbuka dari model-model efisien ini adalah bagian yang berarti. Ia mengekspor keunggulan biaya, bukan sekadar produknya.

Data adopsi mengatakan ini berhasil. Model China menyalip model AS di dalam 10 besar OpenRouter pada akhir Februari 2026, mengambil sekitar 61% konsumsi token 10 besar, dan mencapai mayoritas platform penuh sekitar April 2026 pada peringkat OpenRouter. Token adalah kerja nyata, bukan siaran pers, dan para pengembang memindahkan milik mereka.

Sebagian besar keunggulan biaya adalah efisiensi sejati, bukan subsidi. DeepSeek V4.1-Flash mengaktifkan 8 miliar dari 552 miliar parameternya per token saat membaca prompt, dan harga API cache-miss resminya $0,15 per satu juta token masukan dan $0,60 per satu juta token keluaran di luar jam sibuk, berlipat ganda pada jam sibuk, dengan arsitektur pada kartu model. Desain mixture-of-experts menurunkan komputasi yang dipakai setiap token, bahkan ketika model penuhnya besar.

Pendorong 3: perang harga domestik

Sebagian kemurahan ini sama sekali tidak terpasang di dalam model. Ia ditempa oleh persaingan. Pasar domestiknya adalah arena baku hantam: Alibaba, DeepSeek, dan beberapa lainnya, semua bermodal kuat, semua memperebutkan pengembang yang sama. Pertarungan itu menyeret biaya API dan hosting turun di seluruh lini. Banyak dari kemurahan ini sesederhana pesaing yang saling membanting harga, dan itulah bagian yang tak pernah dihitung oleh kisah subsidi.

Mekanismenya cukup gamblang. Ketika semua orang menawarkan model berbobot terbuka yang sebanding, satu-satunya tuas yang tersisa adalah harga dan kemudahan. Tidak ada yang bisa memungut premi untuk kapabilitas yang ditandingi lab sebelah lalu diberikan cuma-cuma. Jadi lantai harga terus turun, dan penghematannya menjangkau siapa pun yang meng-host model-model ini, di dalam China maupun di luar.

Rilis bobot terbuka sebagian adalah senjata dalam pertarungan itu. Merilis bobot kuat secara gratis memenangkan mindshare, menyemai ekosistem, dan menutup kesempatan pesaing untuk memonetisasi. 151.448 turunan Hub milik Qwen sebagian adalah buah persis dari strategi itu, dan tak seorang pun yang terlibat di dalamnya akan menyebutnya amal.

Inilah pendorong yang paling tidak saya percayai, dan pembeli sebaiknya berencana untuk memudarnya. Perang harga tidak bertahan. Sebagian lab berkonsolidasi, sebagian gagal, dan para penyintas pada akhirnya akan mencoba menarik kembali margin. Yang menahan lantai tetap rendah adalah mereka tidak bisa membatalkan rilis bobot terbuka. Model yang sudah beredar tetap murah dijalankan, apa pun yang dilakukan pasar berikutnya.

Pasar AI domestik China sangat kompetitif, dan perang harga itu menekan biaya hosting dan API turun bagi semua orang, bukan hanya pembeli di dalam China. Rilis bobot terbuka gratis sebagian adalah senjata kompetitif, membantu membangun ekosistem seperti 151.448 turunan Hub milik Qwen. Perang harganya sementara; bobot terbuka yang dihasilkannya permanen.

Saya membandingkan para penyintas yang layak dijadikan fondasi di Qwen vs DeepSeek vs Llama.

Pendorong 4: energi murah dan skala manufaktur

Di bawah perangkat lunak duduk fisika, dan inilah pendorong paling struktural dari semuanya. Sebuah token yang disajikan, pada akhirnya, adalah sejumlah kecil listrik. Pembangkitan surya bulanan China mencapai rekor 96 TWh pada April 2025, setara dengan sekitar 65 TWh per bulan yang diperoleh AS dari nuklir, sekitar 775 TWh setahun. Daya yang lebih murah dan lebih berlimpah berarti lantai yang lebih rendah di bawah pelatihan maupun inferensi.

Inilah masukan yang tak bisa ditandingi rilis model mana pun. Jika daya Anda lebih murah dan jaringan listrik Anda tumbuh lebih cepat, setiap lapisan tumpukan menjadi lebih murah sekaligus: proses pelatihan, penyajian inferensi, gedung tempat rak-rak itu berdiri. Ini keunggulan yang senyap dan menumpuk, bukan yang jadi berita utama, dan mungkin itulah sebabnya ia paling jarang dibahas tetapi paling berarti.

Skala manufaktur menumpuk di atasnya. Basis industri yang membuat perangkat keras murah juga membuat pembangunan pusat data murah. China bukan hanya menjalankan model dengan daya murah, ia juga membangun rak, pendingin, dan fasilitasnya dengan biaya rantai pasok dalam negeri. Itu keunggulan belanja modal, dan ia mengalir langsung ke harga sebuah token.

Dari kelimanya, inilah yang masih saya perkirakan benar lima tahun lagi. Anda bisa meniru sebuah arsitektur dalam satu kuartal dan mengakhiri perang harga dalam setahun. Melipatgandakan pembangkitan nasional butuh waktu jauh lebih lama, dan basis manufaktur dalam negeri tidak bisa disulap sama sekali. Kalau saya membangun rencana jangka panjang di atas satu pendorong di sini, pendorong itu adalah yang ini, karena inilah yang paling sulit dibalikkan oleh siapa pun.

Pendorong biaya yang paling struktural adalah energi. Keluaran surya bulanan China mencapai rekor 96 TWh pada April 2025, setara dengan satu bulan penuh pembangkitan nuklir AS (sekitar 65 TWh). Daya yang lebih murah menurunkan lantai biaya untuk pelatihan dan inferensi sekaligus, dan skala manufaktur membuat pembangunan pusat data lebih murah juga. Keunggulan inilah yang paling sulit dibalikkan.

Saya membahas kisah jaringan listrik lebih dalam di keunggulan energi AI China.

Pendorong 5: kumpulan talenta yang dalam

Pendorong terakhir adalah manusia, dan angka pasokannya mencolok: China mendidik 38% peneliti AI papan atas dunia, diukur dari penulis NeurIPS 2024, naik dari 27% pada 2017. Kumpulan insinyur elite yang dalam dan terjangkau persis itulah yang Anda butuhkan untuk mengejar lonjakan efisiensi yang membuat model murah dijalankan.

Pekerjaan efisiensi padat karya dengan cara yang khas. Memeras biaya keluar dari sebuah model, entah lewat arsitektur yang lebih baik, pelatihan yang lebih cerdas, atau optimasi agresif, butuh banyak peneliti terampil yang beriterasi cepat. Negara dengan pasokan domestik yang dalam bisa mengerahkan lebih banyak orang cakap pada masalah itu, dengan biaya lebih rendah, dibanding negara yang mengimpor spesialis langka. Kumpulan talenta menyuapi Pendorong 2 secara langsung.

Ketika saya membaca laporan teknis di balik model-model ini, yang menonjol bukan satu terobosan tunggal. Melainkan volume rekayasa yang cermat dan bertahap. Puluhan optimasi kecil yang hanya pernah terselesaikan kalau Anda punya cukup banyak tangan untuk mengerjakannya. Itu kisah kedalaman talenta, dan itu bagian besar dari mengapa efisiensinya terus membaik dari rilis ke rilis.

Satu catatan yang tak akan saya lewatkan: sebagian besar peneliti elite didikan China secara historis bekerja di luar negeri, jadi ini bukan keunggulan tuan rumah yang bersih. Tetapi trennya menanjak, 27% menjadi 38% dalam tujuh tahun, dan jajaran lab kelas dunia yang tumbuh di tanah air memberi talenta itu tempat untuk berlabuh.

Kumpulan talenta China yang dalam menyuapi mesin efisiensi. Negara ini mendidik 38% peneliti AI papan atas dunia, naik dari 27% pada 2017. Pekerjaan model pemangkas biaya padat karya, jadi kumpulan insinyur yang besar dan cakap persis itulah yang membuat lab China terus menurunkan biaya nyata per token, rilis demi rilis.

Penilaian ilustratif dan arah, bukan nilai terukur yang presisi. Posisi mencerminkan pola yang dilaporkan: model berbobot terbuka China mengelompok di kuadran berkapabilitas tinggi dan berbiaya rendah, dengan frontier tertutup teratas AS masih paling tinggi pada kapabilitas tetapi dengan biaya lebih tinggi. Konteks jurang kapabilitas: Stanford HAI AI Index 2026.

Apa artinya bagi keputusan pembelian Anda

Inilah titik di mana topik ini berhenti menjadi trivia dan mulai mengubah keputusan. Ketika model dengan jendela konteks 1 juta token ditawarkan dengan harga DeepSeek V4.1-Flash, perhitungan bangun-atau-beli berbalik untuk banyak beban kerja rutin. Anda tidak lagi membayar premi besar secara default. Anda sedang memutuskan apakah model yang lebih mahal menghasilkan pekerjaan yang cukup lebih baik pada evaluasi Anda sendiri untuk membenarkannya.

Petakan ke pekerjaan sebenarnya. Peringkasan, ekstraksi, klasifikasi, penyusunan draf, perutean: tak satu pun memerlukan model terbaik tunggal di Bumi. Mereka butuh yang andal, cukup murah sampai tak perlu dipikirkan lagi, dan berjalan di tempat yang Anda kendalikan. Model China berbobot terbuka mengenai sasaran itu, dan karena Anda meng-host-nya sendiri, biaya berulangnya adalah perangkat keras, bukan meteran per token yang ikut membengkak seiring kesuksesan Anda.

Dalam tumpukan saya sendiri, kemurahan ini diam-diam telah mengubah proyek mana yang bahkan layak dicoba. Beban kerja yang dulu akan saya singkirkan karena terlalu mahal dijalankan dalam skala di API frontier kini terjangkau dengan mudah pada model terbuka yang saya host sendiri. Murah bukan hanya menghemat uang pada pekerjaan yang sudah Anda lakukan. Ia membuat pekerjaan baru menjadi layak, dan efek tingkat kedua itulah yang akan saya jadikan landasan rencana.

Semua itu bukan alasan untuk melewatkan uji tuntas. Provenans, tata kelola data, perilaku sensor, lisensi: semuanya perlu diperiksa sebelum apa pun menyentuh produksi. Murah adalah alasan untuk mengevaluasi sesuatu dengan benar, bukan untuk meloloskannya begitu saja. Yang Anda butuhkan adalah keputusan terstruktur. Beban kerja mana, kualitas apa yang ia toleransi, dan apa kata penilaian risiko tentang model spesifik yang Anda bidik.

Ketika model terbuka yang cakap berharga sepersekian dari banyak API frontier, bangun-atau-beli berbalik untuk beban kerja rutin. DeepSeek V4.1-Flash memadukan jendela konteks 1 juta token dengan harga resmi $0,15 per satu juta token masukan cache-miss dan $0,60 per satu juta token keluaran di luar jam sibuk, berlipat ganda pada jam sibuk. Meng-host sendiri menggantikan meteran vendor dengan biaya perangkat keras dan operasional, setelah penilaian risiko yang layak.

Untuk kerangka lengkapnya, lihat Apakah DeepSeek aman untuk enterprise?, lalu bandingkan opsi-opsi utama di Qwen vs DeepSeek vs Llama.

FAQ

Kenapa AI China begitu murah, dalam satu kalimat? Bobot terbuka menghapus margin API, arsitektur efisien memangkas biaya per token, perang harga menyeret harga turun, energi murah menurunkan lantai biaya, dan kumpulan talenta yang dalam menjaga semuanya terus membaik. Subsidi adalah faktor kecil, bukan yang utama.

Kenapa DeepSeek begitu murah? Dua alasan menumpuk. Ia merilis bobot berlisensi MIT yang dapat diunduh, jadi tidak ada margin API wajib kalau Anda meng-host sendiri, dan model mixture-of-experts-nya hanya mengaktifkan sebagian kecil dari total parameternya per token. V4.1-Flash mengaktifkan 8 miliar dari 552 miliar parameter saat membaca prompt; V4 Pro mengaktifkan 49 miliar dari 1,6 triliun, menurut kartu model resmi. Perlakukan berita utama biaya pelatihan historis sebagai yang dilaporkan, bukan diaudit, tetapi arsitektur inferensi saat ini dan harga API yang dipublikasikan bersifat konkret.

Apakah model AI China lebih murah daripada OpenAI? Sebagian iya, sering kali secara substansial, tetapi nama keluarganya saja tidak cukup. DeepSeek V4.1-Flash sangat murah pada API resminya, sementara Kimi K3 dihargai jauh lebih tinggi. Meng-host sendiri menghilangkan harga vendor per token tetapi menggantinya dengan perangkat keras, energi, dan operasi. Bandingkan total biaya pada beban kerja persisnya alih-alih mengutip kelipatan universal.

Apakah AI China yang murah berkualitas lebih rendah? Harga saja tidak bisa memberi tahu Anda. Keluarga model China terkemuka kini mencakup model konteks panjang dan multimodal yang raksasa, tetapi kekuatan mereka berbeda-beda dan tabel tolok ukur penyedia bukan perbandingan yang netral. DeepSeek V4.1-Flash luar biasa murah; Kimi K3 secara nyata lebih mahal, $3 per satu juta token masukan cache-miss dan $15 per satu juta token keluaran. Uji model persisnya pada beban kerja Anda.

Apakah AI China akan tetap semurah ini? Sebagian besar, ya, karena alasan struktural. Perang harga bersifat sementara dan mungkin mereda, tetapi bobot terbuka, arsitektur efisien, dan energi murah tidak mudah dibalikkan. Begitu sebuah model kuat dirilis secara terbuka, ia tetap murah dijalankan selamanya, apa pun yang dilakukan pasar berikutnya. Saya akan merencanakan dengan asumsi murah terus berlanjut.

Kesimpulan akhir

AI China murah karena lima alasan yang menumpuk, dan "ini semua subsidi" hampir tidak menjelaskan satu pun di antaranya. Bobot terbuka menghapus margin API. Efisiensi sejati, maksudnya mixture-of-experts dan kisah DeepSeek, menurunkan biaya nyata per token. Perang harga domestik menyeret harga turun lebih jauh. Energi murah dan skala manufaktur menetapkan lantai yang rendah. Kumpulan talenta yang dalam menjaga efisiensinya terus membaik. Perang harga adalah bagian yang memudar. Sisanya struktural.

Rilis-rilis terkini juga membunuh versi malas dari argumen ini. "AI China murah" bukan satu harga. DeepSeek V4.1-Flash dihargai untuk menjadi infrastruktur. Kimi K3 dihargai seperti model agentic premium. Bobot terbuka Qwen3.8 mendarat pada Agustus di bawah lisensi khusus, sementara Qwen3.8-Max yang di-host terikat pada paket token. Bandingkan checkpoint persisnya, lisensinya, jalur penyajiannya, dan kualitas tugas yang terukur, bukan bendera di labnya.

Bagi bisnis Anda, intinya gamblang. Sebagian model cakap termurah adalah buatan China dan dapat diunduh, sementara model frontier China lainnya adalah layanan premium atau proyek hosting mandiri yang raksasa. Jadi saya tidak akan menjadikannya default secara membabi buta, tetapi checkpoint persisnya layak dilirik dengan serius, karena perhitungan bangun-atau-beli benar-benar telah berubah.

Kalau Anda ingin konteks strategisnya, mulailah dengan apakah China memenangkan perlombaan AI. Ketika Anda siap bertindak, Apakah DeepSeek aman untuk enterprise? adalah tempat tulisan ini beralih ke keputusan yang sesungguhnya.