Havedev
AI Tidak Hanya Butuh Model Lebih Pintar, AI Butuh Tagihan Listrik yang Masuk Akal
The Core Update
Unconventional AI, perusahaan yang dipimpin Naveen Rao, mantan kepala AI di Databricks, sedang mencoba menjawab salah satu masalah besar di balik pertumbuhan AI: konsumsi daya.
Perusahaan ini memperkenalkan model pertamanya, Un0, sebuah sistem image generation yang dibangun untuk menunjukkan bahwa arsitektur komputasi baru mereka bisa menjalankan kemampuan AI modern. Yang membuatnya menarik bukan hanya hasil gambarnya, tetapi cara model itu bekerja.
Alih-alih memakai pendekatan chip konvensional seperti banyak sistem AI hari ini, Unconventional AI mengembangkan arsitektur berbasis oscillator. Dalam versi saat ini, Un0 masih berjalan di atas simulasi software dari chip tersebut. Namun perusahaan mengatakan mereka akan merilis skema chip fisik dan membangun stack inference sendiri dari bawah.
Targetnya sangat agresif: inference AI dengan konsumsi daya hingga 1/1000 dari sistem konvensional.
Jika klaim ini benar-benar bisa dibuktikan di dunia nyata, dampaknya besar. Bukan hanya untuk perusahaan AI besar, tetapi juga untuk seluruh ekosistem yang mulai bergantung pada AI: aplikasi bisnis, customer support, content generation, analytics, automation, dan sistem internal.
Karena semakin banyak AI dipakai, semakin besar juga beban inference. Bukan hanya training model yang mahal. Menjawab prompt jutaan kali setiap hari juga membutuhkan energi, mesin, pendinginan, dan infrastruktur.
Di sinilah berita ini menjadi penting. Unconventional AI sedang mengatakan bahwa batas besar AI berikutnya mungkin bukan hanya data, talent, atau model yang lebih cerdas. Batasnya bisa jadi listrik.
The Reality Check
Klaim penghematan daya 1.000 kali tentu terdengar sangat menarik. Tetapi bisnis sebaiknya tidak langsung membaca berita seperti ini sebagai tanda bahwa biaya AI akan segera turun drastis dalam waktu dekat.
Masih ada jarak besar antara demo model, simulasi software, chip fisik, sistem produksi, dan layanan inference yang stabil. Banyak teknologi komputasi baru terlihat menjanjikan di paper, tetapi perjalanan menuju reliability, scalability, developer adoption, dan integrasi ekosistem biasanya panjang.
Un0 adalah awal yang penting, tetapi belum berarti arsitektur ini sudah siap menggantikan GPU di data center. Perusahaan masih perlu membuktikan banyak hal: performa di hardware nyata, biaya produksi chip, kemudahan menjalankan model, kompatibilitas dengan workflow AI yang sudah ada, serta stabilitas saat melayani beban inference besar.
Jadi, sikap yang sehat bukan skeptis total, tetapi juga bukan percaya terlalu cepat.
Berita ini lebih baik dibaca sebagai sinyal arah industri: AI tidak bisa terus tumbuh hanya dengan menambah lebih banyak server, lebih banyak GPU, dan lebih banyak data center. Pada titik tertentu, pertanyaannya bukan lagi “model apa yang paling pintar?” tetapi “apakah sistem ini layak dijalankan terus-menerus secara ekonomi?”
Ini penting untuk bisnis yang sedang mulai memakai AI.
Banyak perusahaan melihat AI dari sisi fitur. Bisa jawab pelanggan otomatis. Bisa membuat konten. Bisa meringkas dokumen. Bisa membantu sales. Bisa membaca data. Semua itu benar.
Tetapi setiap fitur AI punya biaya operasional. Ada biaya token, biaya inference, latency, monitoring, fallback ketika hasil salah, dan biaya integrasi ke proses kerja. Jika AI dipasang tanpa perhitungan, perusahaan bisa punya automation yang terlihat canggih tetapi sulit dipertahankan ketika volume naik.
Masalahnya tidak selalu terasa di awal. Saat penggunaan masih kecil, biaya AI terlihat wajar. Tetapi ketika customer support mulai memakai AI setiap hari, sales automation memproses ribuan lead, atau sistem internal menjalankan analisis berulang, biaya inference mulai menjadi bagian nyata dari operasional.
Di sinilah isu energi dan efisiensi menjadi lebih dari sekadar topik teknis.
Untuk perusahaan besar, efisiensi AI berarti biaya data center. Untuk bisnis menengah, efisiensi AI berarti biaya subscription, API, response time, dan kemampuan mempertahankan automation dalam jangka panjang. Untuk vendor teknologi, efisiensi AI berarti margin dan kemampuan memberikan layanan dengan harga yang masuk akal.
Karena itu, inovasi seperti yang dikerjakan Unconventional AI layak diperhatikan. Bukan karena semua bisnis harus menunggu chip baru sebelum memakai AI, tetapi karena berita ini mengingatkan bahwa AI bukan sihir gratis. AI adalah infrastruktur yang memakai energi, biaya, dan keputusan desain.
The Havedev Way
Dari sudut pandang Havedev, pelajaran utama dari berita ini sederhana: jangan hanya bertanya “AI bisa melakukan apa?” tetapi juga “AI ini layak dijalankan berapa sering, untuk kebutuhan apa, dan dengan biaya seperti apa?”
Banyak bisnis mulai tertarik memakai AI untuk website, CRM, WhatsApp, support, dashboard, reporting, atau workflow internal. Itu arah yang masuk akal. AI memang bisa membantu banyak pekerjaan yang repetitif, lambat, atau terlalu bergantung pada orang tertentu.
Tetapi implementasi AI yang sehat sebaiknya dimulai dari proses, bukan dari rasa ingin mencoba model terbaru.
Sebelum memasang AI, bisnis perlu menjawab beberapa pertanyaan dasar:
- pekerjaan apa yang paling sering menghabiskan waktu tim?
- keputusan apa yang perlu dipercepat?
- data apa yang sudah tersedia dan cukup rapi?
- kapan AI boleh menjawab otomatis?
- kapan AI hanya boleh memberi saran?
- siapa yang memeriksa hasilnya?
- berapa volume penggunaan yang realistis setiap bulan?
- berapa biaya yang masih masuk akal jika volume naik?
Pertanyaan seperti ini terdengar kurang glamor dibanding membahas model terbaru. Tetapi justru di situlah nilai bisnisnya.
AI yang baik bukan hanya yang pintar menjawab. AI yang baik adalah AI yang ditempatkan di titik kerja yang tepat, dengan batas tanggung jawab yang jelas, biaya yang terkendali, dan hasil yang bisa diperiksa.
Untuk banyak bisnis, langkah awal tidak harus membangun sistem AI besar. Bisa mulai dari hal yang lebih dekat dengan operasional:
- merapikan form lead agar konteks pelanggan lebih jelas
- membuat template follow-up yang dibantu AI
- meringkas percakapan support sebelum diteruskan ke tim
- mengelompokkan inquiry berdasarkan kebutuhan
- membuat draft proposal dari data yang sudah ada
- membantu admin membaca dokumen atau laporan berulang
Pendekatan seperti ini lebih sehat karena AI masuk sebagai pendukung alur kerja, bukan sebagai dekorasi teknologi.
Berita tentang Unconventional AI menunjukkan bahwa industri sedang mencari cara agar AI lebih hemat dan scalable. Itu penting. Tetapi untuk bisnis hari ini, efisiensi juga bisa dimulai dari keputusan yang lebih sederhana: jangan memanggil AI untuk hal yang tidak perlu, jangan mengotomasi proses yang belum jelas, dan jangan membangun fitur AI tanpa menghitung frekuensi pemakaiannya.
Jika suatu pekerjaan cukup diselesaikan dengan aturan sederhana, gunakan aturan. Jika cukup dengan template, gunakan template. Jika membutuhkan pemahaman bahasa, variasi konteks, atau bantuan analisis, barulah AI menjadi kandidat yang kuat.
AI akan semakin murah dan efisien jika inovasi hardware seperti ini berhasil. Tetapi sampai saat itu terjadi, bisnis tetap perlu disiplin dalam memakai AI.
Bukan semua proses perlu AI. Bukan semua prompt perlu model paling mahal. Bukan semua automation perlu berjalan setiap saat.
Yang dibutuhkan adalah desain sistem yang tahu kapan harus memakai AI, kapan cukup memakai logic biasa, dan kapan harus melibatkan manusia.
Itulah cara melihat berita ini secara lebih praktis. Unconventional AI mungkin sedang membangun komputer jenis baru untuk masa depan inference. Tetapi pesan untuk bisnis hari ini sudah jelas: masa depan AI tidak hanya tentang kecerdasan. Masa depan AI juga tentang efisiensi.
Dan efisiensi selalu dimulai dari pertanyaan yang sangat sederhana: apakah pekerjaan ini benar-benar perlu dijalankan dengan AI, atau kita hanya sedang menambahkan biaya baru ke proses yang belum rapi?
Dapatkan Audit Teknis Gratis untuk meninjau peluang AI, automation, dan workflow digital yang paling masuk akal untuk bisnis Anda sebelum menambah tool atau biaya baru.
Sumber referensi berita: TechCrunch