DeepSeek Membawa Musim Semi bagi Pengusaha Aplikasi AI

Judul Asli: "DeepSeek Membawa Musim Semi bagi Pengusaha Aplikasi AI"
Penulis Asli: Dongcha Beating

Pada 31 Juli, versi resmi API DeepSeek V4-Flash diluncurkan untuk pengujian publik.

Setiap juta token input dikenakan biaya 1 yuan; setiap juta token output dikenakan biaya 2 yuan. Setelah cache berhasil, setiap juta token input hanya dikenakan biaya 0,02 yuan. Ini mendukung konteks 1 juta, mode pemikiran, pemanggilan alat, dan Responses API, dengan batas koneksi bersamaan per akun mencapai 2500.

DeepSeek juga akan menerapkan harga puncak dan lembah, di mana harga akan berlipat ganda pada jam sibuk. Meskipun demikian, harga tetap sangat terjangkau.

Menurut konversi kasar yang diberikan oleh DeepSeek, 1 karakter bahasa Mandarin menghabiskan sekitar 0,6 token. Satu juta token dapat membaca sekitar 1,67 juta karakter bahasa Mandarin. Dari segi biaya input, membaca sekitar 1,67 juta karakter bahasa Mandarin hanya memerlukan biaya satu yuan.

Selama setahun terakhir, industri model besar telah terbiasa dengan konteks yang lebih panjang, penalaran yang lebih kompleks, dan Agen yang semakin cakap. Setiap kali model diperbarui, diskusi selalu berfokus pada siapa yang melampaui siapa, seberapa banyak benchmark bergerak maju, dan seberapa jauh kita dari AGI.

Bagi pengusaha aplikasi AI, ada satu pertanyaan yang lebih mendesak:

Berapa biaya untuk menyelesaikan satu tugas?

Kemampuan model menentukan apa yang secara teori dapat dilakukan produk, sementara harga pemanggilan menentukan seberapa banyak kemampuan yang benar-benar dapat dimasukkan ke dalam produk oleh tim.

Siang ini, saya berbincang cukup lama dengan ChatGPT melalui suara. Saya mengatakan bahwa model bisnis yang berhasil dijalankan oleh aplikasi AI saat ini, secara sederhana, adalah menjual kembali token.

Ia beberapa kali mencoba membantu saya dengan istilah yang lebih sopan, seperti "ritel kemampuan penalaran" atau "pengemasan layanan cerdas". Saya bilang jangan coba-coba mengganti istilah untuk bisnis ini, menjual kembali adalah menjual kembali, meskipun terdengar tidak enak, itu tetap benar.

Aplikasi AI tampaknya menjadi arah kewirausahaan terbaru dalam beberapa tahun terakhir, tetapi pada dasarnya adalah bisnis yang sudah sangat tua:

Membeli, memproses, menetapkan harga, dan kemudian menjual barang.

Dan banyak perubahan industri sering kali dimulai dari penurunan harga beli yang tiba-tiba.

Aplikasi AI adalah bisnis menjual kembali token

Dulu, orang terbiasa memahami aplikasi AI melalui kerangka produk internet atau SaaS.

Setelah pengembangan perangkat lunak selesai, bisa didistribusikan kepada seribu orang, atau kepada satu juta orang. Menambahkan satu pengguna tentu akan menambah biaya bandwidth, penyimpanan, dan layanan, tetapi biaya ini biasanya akan terdistribusi seiring dengan peningkatan skala.

Aplikasi AI berbeda. Setiap kali pengguna menghasilkan satu gambar, menulis satu laporan, menyelesaikan satu kode, atau meminta Agen untuk melakukan satu langkah tambahan, perusahaan aplikasi harus memanggil model lagi. Setiap kali pengguna menekan tombol, pihak hulu harus mengenakan biaya lagi.

Oleh karena itu, sebagian besar model bisnis dasar yang berhasil dijalankan oleh aplikasi AI murni sebenarnya sangat sederhana:

Membeli token dari perusahaan model, mengemas kemampuan model umum menjadi produk penulisan, pemrograman, desain, layanan pelanggan, video, atau Agen, dan kemudian menjualnya kepada pengguna melalui keanggotaan, poin, dan biaya per penggunaan.

Sebagai contoh, Poe saat meluncurkan API secara langsung menyatakan bahwa tujuan penetapan harga poin tambahan adalah untuk mengenakan biaya sesuai dengan harga yang dikenakan oleh pemasok model dasar kepadanya.

Pihak hulu mengenakan biaya berdasarkan model dan token, Poe mengonversinya menjadi poin di platform, dan kemudian menjualnya kepada pengguna bersama dengan akses tunggal, pembayaran, pengalihan model, dan antarmuka pengembangan.

Beberapa perusahaan akan mengatakan bahwa mereka tidak menjual token, tetapi menjual hasil. Perusahaan perangkat lunak layanan pelanggan Intercom menetapkan harga untuk AI layanan pelanggan Fin, yaitu 0,99 dolar untuk setiap hasil yang diselesaikan. Pengguna yang mengonfirmasi bahwa masalah telah teratasi, tidak memerlukan bantuan manusia lebih lanjut, atau Fin berhasil menyelesaikan satu alur kerja, semuanya dapat dihitung sebagai satu hasil.

Ini hanya mengganti label harga, biaya berdasarkan kursi, biaya berdasarkan tugas, biaya berdasarkan masalah yang berhasil diselesaikan, mengubah unit penetapan harga yang dilihat pengguna. Perusahaan aplikasi tetap harus memanggil model di belakang layar, tetap harus menghitung berapa banyak token yang diperlukan untuk menyelesaikan satu pengiriman.

Pelukis Dinasti Selatan Li Song pernah melukis sebuah karya berjudul "Gambar Anak-anak Bermain di Pasar". Seorang penjual barang membawa barang dagangannya berkeliling desa, dengan panci, mangkuk, benang, camilan, dan mainan semua tergantung di keranjangnya. Satu keranjang barang adalah sebuah toko serba ada bergerak, dan uang yang dihasilkan penjual berasal dari memilih barang, menyusun barang, dan mengantarkan barang.

Perusahaan aplikasi AI melakukan hal yang serupa. Pabrikan model memproduksi kecerdasan, perusahaan aplikasi memasukkan kecerdasan ke dalam skenario konkret. Yang dibeli dari dasar adalah token, dan yang dijual pada akhirnya adalah laporan, gambar desain, atau video.

Perusahaan model menjual kecerdasan, perusahaan aplikasi menjual penyelesaian.

Keuntungan dari bisnis ini terutama tergantung pada tiga perbedaan harga.

Perbedaan pertama adalah perbedaan harga pengadaan.

Model yang sama, biaya aktual yang diterima oleh tim yang berbeda mungkin tidak sama. Perusahaan dengan volume pemanggilan tinggi dapat menegosiasikan diskon, tim dengan kemampuan teknik yang kuat dapat memanfaatkan cache, pemrosesan asinkron, pemanggilan puncak dan lembah, serta pengalihan model untuk menekan biaya rata-rata lebih lanjut. Apa yang bisa diselesaikan orang lain dengan satu yuan, Anda bisa menyelesaikannya dengan lima jiao, dan sisa lima jiao adalah keuntungan.

Secara sederhana, meskipun sama-sama membeli, ada yang mendapatkan harga grosir, ada yang mendapatkan harga wisata.

Perbedaan kedua adalah perbedaan harga penggunaan.

Ada orang yang setelah membeli keanggotaan setiap hari memanfaatkan AI secara maksimal, dan ada yang saat mengisi ulang penuh semangat, tetapi setelah setengah bulan tidak menggunakan produk sama sekali. Selama rata-rata konsumsi seluruh kelompok pengguna lebih rendah dari perkiraan saat paket dirancang, kuota yang tidak terpakai akan menciptakan ruang untuk keuntungan.

Ini mirip dengan logika paket tahunan gym atau paket data ponsel.

Namun, ada satu masalah yang perlu diperhatikan. Jika pengadaan hulu cukup fleksibel, semakin sedikit pengguna menggunakan, semakin besar keuntungan. Jika perusahaan telah menandatangani paket tahunan yang kaku, sisa token yang masih tergeletak di akun bukanlah keuntungan, hanya barang yang tidak terjual di gudang.

Token yang tidak digunakan oleh pengguna disebut akumulasi, barang yang tidak dapat dijual oleh perusahaan disebut barang yang tertekan.

Perbedaan ketiga adalah perbedaan harga produk.

Dengan menghabiskan satu juta token, ada produk yang hanya menghasilkan teks yang perlu dimodifikasi oleh pengguna selama berjam-jam; ada produk yang sudah menyelesaikan pengorganisasian data, pembuatan konten, verifikasi fakta, penyesuaian format, dan ekspor akhir. Uang yang dikeluarkan di bawah mungkin hampir sama, tetapi harga yang bersedia dibayar pengguna sangat berbeda.

Nilai sebenarnya dari sebuah aplikasi AI tergantung pada hal ini. Pengadaan menentukan apakah bisnis ini dapat berdiri, produk menentukan seberapa berharga bisnis ini.

Token yang dijual kembali hanyalah dasar, produk adalah alasan perbedaan harga.

Manajer Produk, Awalnya Menjadi Akuntan

Masalahnya adalah, aplikasi AI perlu terus membeli, sehingga masalah produk dengan mudah berubah menjadi masalah biaya.

Dalam petunjuk penggunaan resmi Manus, sudah dapat dilihat bagaimana biaya ini membentuk produk. Manus mengurangi poin langganan bulanan berdasarkan kompleksitas tugas dan sumber daya yang diperlukan. Meskipun sama-sama bertanya kepada AI, petunjuk resmi menyarankan untuk menggunakan mode Chat untuk pertanyaan sederhana, tanpa perlu mengaktifkan Agen mandiri secara penuh; untuk tugas yang kompleks, sebaiknya memeriksa hasil sementara terlebih dahulu, agar Agen tidak terus melanjutkan dengan arah yang salah, yang hanya akan menghabiskan lebih banyak poin.

Saran-saran ini tentu saja masuk akal. Namun, ini juga mengungkapkan sisi paling merepotkan dari produk Agen, semakin proaktif model, semakin sulit bagi perusahaan aplikasi untuk memprediksi biaya.

Robot percakapan yang menjawab sekali dan berhenti masih cukup mudah untuk dihitung. Agen akan membagi tugas sendiri, mencari berulang kali, membuka halaman web, memanggil alat, dan kemudian memutuskan langkah selanjutnya berdasarkan hasil sementara. Pengguna hanya memberikan satu instruksi, tetapi di belakang layar mungkin sudah terjadi puluhan pemanggilan model.

Oleh karena itu, produk mulai mengajarkan pengguna bagaimana mengurangi pekerjaan Agen. Yang ditakutkan adalah, setelah lama menghitung, akuntan mulai mengambil alih produk. Apakah suatu fitur harus diluncurkan, tim pertama kali mempertimbangkan bukan apakah pengguna membutuhkannya, tetapi berapa biaya per tugas. Model sudah memiliki kemampuan yang lebih kuat, tetapi aplikasi tidak berani memberikan semua kemampuan ini kepada pengguna.

Perusahaan tentu perlu mengontrol biaya. Tidak ada perusahaan startup yang dapat menggunakan model termahal sebagai air keran untuk digunakan pengguna sesuka hati.

Beberapa produk memasukkan model yang lebih baik ke dalam paket harga tinggi, sementara pengguna biasa mendapatkan versi yang dibatasi. Kemampuan model tidak hilang, hanya setelah menghitung biaya, dibagikan kepada orang yang berbeda.

Lama kelamaan, industri mengalami pembalikan yang aneh.

Pengguna membeli aplikasi AI, berharap model dapat memahami lebih banyak, berpikir lebih dalam, dan menyelesaikan lebih banyak pekerjaan. Perusahaan aplikasi, untuk menjaga biaya, justru harus membuat model membaca lebih sedikit, berpikir lebih sedikit, dan melakukan lebih sedikit.

Produk menjual kecerdasan, tetapi tindakan paling terampil tim adalah mengurangi kecerdasan.

Dan ketika harga hulu naik, perusahaan aplikasi harus mengurangi kuota; pesaing yang mendapatkan biaya lebih rendah, biaya keanggotaan di pasar segera akan turun; model murah baru muncul, pengalihan dan paket lama harus dihancurkan dan dihitung ulang. Perusahaan aplikasi tampaknya menguasai produk, tetapi variabel terpenting selalu berada di tangan hulu.

Selama dua tahun terakhir, pengusaha aplikasi AI mungkin tidak kekurangan ide. Mereka lebih kekurangan kecerdasan yang cukup kuat, cukup murah, yang dapat dengan aman dimasukkan ke dalam produk.

DeepSeek Mengurangi "Biaya Kecerdasan"

Nilai DeepSeek, pertama-tama, terletak pada kenyataan bahwa itu bukan model yang dibuat semata-mata untuk menurunkan harga. Ia memiliki konteks 1 juta, mendukung mode pemikiran dan pemanggilan alat.

Saat merilis versi pratinjau pada bulan April, DeepSeek menyatakan bahwa kemampuan penalarannya mendekati V4-Pro, dengan kinerja yang serupa dalam tugas Agen sederhana. Versi resmi yang diperbarui pada 31 Juli tidak mengubah struktur dan skala model, tetapi lebih pada pelatihan ulang, dan banyak hasil benchmark Agen telah melampaui versi pratinjau V4-Pro.

Ini sangat penting.

Model murah sebelumnya juga ada. Masalahnya, meskipun harga murah, barang tidak bisa selalu berupa barang cacat. Apa yang benar-benar dibutuhkan dalam aplikasi AI adalah kecerdasan yang stabil di bawah harga satuan yang wajar.
Setidaknya dari apa yang dipublikasikan oleh DeepSeek tentang Agent dan benchmark kode, V4-Flash telah melewati garis "cukup" untuk banyak tugas frekuensi tinggi, dengan harga yang cukup rendah sehingga tim berani memanggilnya secara frekuensi tinggi.
Bagi sebagian besar pengguna biasa, model besar mungkin sudah melewati titik kritis.
Orang biasa tidak peduli dengan benchmark. Mereka jarang memperhatikan apakah sebuah model unggul tiga poin atau lima poin dalam suatu tes, mereka hanya peduli apakah hal yang ada di tangan mereka dapat diselesaikan dengan baik. Ketika model sudah dapat membaca bahan, melakukan inferensi, mengatur alat, dan memberikan hasil, tentu ada nilai dalam meningkatkan kemampuan lebih lanjut. Namun, apakah nilai ini masih dapat mendukung harga yang berlipat ganda, perlu dihitung kembali.
Dulu, perusahaan model mengatakan bahwa mereka lebih kuat, dan harga yang lebih mahal tampaknya wajar. Namun sekarang alasan ini tidak bisa dipertahankan, di mana letak mahalnya, kemampuan tambahan apa yang menyelesaikan masalah, dan berapa banyak pengguna yang benar-benar membutuhkannya, semua harus dibahas dengan baik.
DeepSeek tidak membuat semua model menjadi murah, tetapi menjadikan model mahal sebagai sesuatu yang perlu dijelaskan kepada pengguna.
Apa yang benar-benar ditembus oleh Pinduoduo di awal bukan hanya harga barang. Mereka membuat konsumen melihat untuk pertama kalinya bahwa banyak barang sehari-hari ternyata bisa dijual dengan harga semurah itu. Premium merek, biaya saluran, dan perantara yang sebelumnya dianggap wajar, tiba-tiba perlu mencari alasan keberadaannya.
Pinduoduo menembus psikologi harga barang.
DeepSeek menembus psikologi harga kecerdasan.
### Pengusaha Akhirnya Bisa Fokus pada Produk
Bagi industri aplikasi AI, hal terpenting selanjutnya adalah pengusaha akhirnya bisa mengalihkan perhatian dari hulu kembali ke hilir.
Dulu, model besar diperbarui terlalu cepat, perusahaan aplikasi mudah terjebak. Hari ini menghubungkan konteks yang lebih panjang, besok mengganti model inferensi baru, lusa menampilkan kemampuan Agent di halaman utama. Produk tampak selalu diperbarui, tetapi jalurnya bukan yang mereka tentukan sendiri. Apa pun yang dirilis oleh produsen model, perusahaan aplikasi hanya menampilkan apa yang mereka tawarkan.
Kondisi hulu yang makmur, hilir yang bingung.
Sekarang, model dasar memiliki kesempatan untuk menjadi bahan produksi yang relatif stabil. Tim tidak perlu berputar di sekitar daftar model setiap hari, dan tidak perlu menganggap "menghubungkan model terbaru" sebagai kemajuan produk yang paling penting.
Setelah model stabil, produk akhirnya tidak memiliki alasan lagi.
Model dapat menyelesaikan satu tugas, itu hanya titik awal. Yang perlu dilakukan produk adalah memasukkan tugas ke dalam proses nyata, menangani izin, data, kolaborasi, audit, dan kegagalan, sehingga pengguna tidak perlu mengajarkan AI bagaimana bekerja setiap kali. Hal-hal ini tidak se-seksi parameter model, dan sulit untuk masuk ke benchmark. Namun, apakah pengguna bersedia membayar lagi di bulan kedua, sering kali tergantung pada detail-detail ini.
Nilai aplikasi AI tidak terletak pada menampilkan model di depan pengguna, tetapi pada membuat model menghilang dalam pekerjaan.
Ketika pengguna tidak lagi perlu memilih model, tidak lagi perlu mempelajari kata kunci, dan tidak perlu peduli berapa banyak putaran inferensi yang dipanggil di balik tugas ini, aplikasi baru benar-benar menyelesaikan pekerjaannya.
Sampai di sini, persaingan perusahaan aplikasi bukan lagi siapa yang pertama mendapatkan model, tetapi siapa yang lebih memahami suatu pekerjaan, siapa yang dapat mengubah aturan yang tidak bisa ditulis dalam manual menjadi bagian dari produk.
Model dapat menjadi lebih kuat dalam semalam, tetapi pemahaman industri tidak bisa. API dapat diakses oleh semua orang, tetapi satu set cara kerja yang benar-benar diterima oleh pengguna sulit untuk ditiru.
Ini juga memberi banyak bisnis yang sebelumnya tampak tidak cukup besar, kemungkinan untuk berdiri.
Kewirausahaan AI tidak harus dimulai dari "gerbang generasi berikutnya", dan tidak semua perusahaan harus membuat super Agent yang melayani seluruh umat manusia. Ini bisa hanya menyelesaikan satu masalah dalam permintaan perdagangan luar negeri, hanya melayani satu set proses untuk toko ritel, atau hanya menghemat satu bagian pekerjaan berulang untuk jenis profesional tertentu.
Pasar tidak perlu cukup besar untuk menampung semua orang. Selama masalahnya cukup spesifik, pengiriman cukup stabil, dan nilai yang diterima pengguna lebih tinggi dari harga yang dibayar, bisnis ini dapat bertahan hidup terlebih dahulu.
Dulu, ketika model terlalu mahal, pasar kecil sulit untuk mendukung satu produk lengkap. Tim harus mengejar skala pengguna yang lebih besar, harga per pelanggan yang lebih tinggi, dan kecepatan pendanaan yang lebih cepat, untuk menutupi biaya inferensi yang terus meningkat. Banyak proyek kewirausahaan belum menemukan pengguna yang sebenarnya, sudah terpaksa menceritakan kisah yang terlalu besar.
Sekarang, cerita bisa sedikit lebih kecil.
Tim kecil dapat terlebih dahulu melayani sekelompok kecil orang, menyelesaikan satu hal dengan baik, lalu perlahan-lahan berkembang.
Ini sangat mirip dengan banyak "toko tua berusia seratus tahun" saat ini. Saat membuka pintu, tidak ada yang berpikir untuk menguasai satu jalan, tetapi hanya ingin melayani beberapa meja tamu di depan pintu dengan baik. Makanan yang disajikan enak, harga wajar, tamu akan datang lagi, bisnis akan berjalan dengan sendirinya.
Industri model besar suka berbicara tentang skala, parameter, dan akhir. Namun, kewirausahaan aplikasi pada akhirnya harus kembali ke logika sederhana ini.
Siapa yang Anda layani, apa yang Anda selesaikan untuk mereka, dan mengapa tidak bisa berpindah ke tempat lain, ketiga pertanyaan ini, DeepSeek tidak akan menjawab untuk pengusaha.
Ia hanya membuat tim tidak perlu lagi menghabiskan sebagian besar waktu mereka untuk bernegosiasi dengan hulu, dan juga memberi tim kecil yang tidak memiliki kemampuan untuk melatih model besar, dan tidak memenuhi syarat untuk mendapatkan harga khusus, kesempatan untuk mendapatkan tiket masuk yang relatif adil.
Dulu, model itu sendiri adalah penghalang. Sekarang, model dapat dibeli oleh siapa saja, perbedaannya terletak pada apa yang akan dilakukan. Hal yang benar-benar langka akan secara bertahap beralih ke pengguna, data, proses, dan kepercayaan. Siapa yang lebih dekat dengan pekerjaan nyata, siapa yang memiliki lebih banyak peluang.
Setelah DeepSeek menurunkan ambang kecerdasan, aplikasi AI akhirnya berubah dari perlombaan model menjadi bisnis produk.
Chao Cuo dari Dinasti Han Barat pernah menulis dalam "Diskusi tentang Harga Padi": "Mahalnya lima biji padi dan murahnya emas dan permata."
Selama beberapa tahun terakhir, model besar lebih mirip emas dan permata. Parameter semakin besar, peringkat semakin tinggi, dipamerkan di bawah cahaya konferensi pers, semua orang dapat melihat nilainya yang berharga, tetapi sangat sedikit yang benar-benar dapat menggunakannya dalam pekerjaan sehari-hari.
Apa yang harus dilakukan di lapisan aplikasi adalah mengubah emas dan permata menjadi biji-bijian.
DeepSeek tidak membuatkan makanan untuk pengusaha, ia hanya menurunkan harga beras.
Siapa yang bisa membuka restoran, tergantung pada keterampilan masing-masing.

**-**END-

Konten ini disediakan hanya untuk tujuan informasi umum dan bukan merupakan nasihat keuangan, investasi, hukum, atau pajak. Setiap acara, reward, promosi online, atau informasi terkait yang disebutkan di sini tidak boleh dianggap sebagai rekomendasi, ajakan, atau undangan untuk membeli, menjual, memperdagangkan, atau melakukan transaksi aset kripto apa pun. Aset kripto sangat fluktuatif dan dapat mengakibatkan kerugian. Ketersediaan layanan, produk, dan acara terkait WEEX dapat berbeda-beda di setiap wilayah. Anda bertanggung jawab untuk memastikan bahwa partisipasi Anda sesuai dengan hukum dan peraturan setempat yang berlaku.