Pada 27 Januari 2025, sebuah lab riset asal Tiongkok yang nyaris tak dikenal investor menghapus nilai pasar Nvidia sebesar US$589 miliar hanya dalam satu sesi. Itu menjadi koreksi satu hari terbesar dalam sejarah pasar saham AS. Pemantiknya adalah DeepSeek, dan “dosa” utamanya adalah keterbukaan.
Bahkan Bitcoin (BTC) ikut goyah ketika pasar tiba-tiba menyadari satu hal sederhana: AI frontier tidak lagi dimonopoli segelintir lab tertutup.
Poin-Poin Kunci
- Model open weight mempublikasikan parameter terlatih yang bisa diunduh, dijalankan, dan diadaptasi siapa saja — berbeda dari AI open source penuh yang juga membuka data latih dan kode.
- Kesenjangan kualitas terukur antara model open dan closed terbaik di leaderboard publik menyusut dari 8% menjadi di bawah 2% dalam sekitar setahun, sementara harga inferensi ambruk ratusan kali lipat.
- Biaya penerapan yang murah, dorongan kedaulatan nasional, regulasi yang lebih ramah, dan ekosistem developer yang masif memberi momentum riil bagi open weight melawan pemain lama berbasis API-only.
Apa Sebenarnya Maksud AI Open Weight
Istilah ini sering dipakai longgar, padahal presisi penting. Open weight berarti pengembang merilis parameter akhir dari jaringan saraf terlatih — angka-angka yang menyandikan “pengetahuan” model. Anda bisa mengunduhnya, menjalankannya di infrastruktur sendiri, dan melakukan fine-tuning.
Open weight tidak identik dengan open source. Open Source Initiative pada 28 Oktober 2024 merilis Open Source AI Definition yang memasang standar jauh lebih tinggi. Untuk memenuhi definisi itu, sebuah rilis harus menyertakan: bobot, kode pelatihan, dan detail memadai soal data latih sehingga pihak kompeten dapat merekonstruksi sistemnya secara substansial.
Mayoritas model yang hari ini dipasarkan sebagai open source sejatinya tidak lolos uji tersebut. Llama milik Meta, Qwen milik Alibaba, dan DeepSeek sama-sama merilis bobot tanpa “resep” data lengkap.
Open Source Initiative sangat tegas membedakan keduanya, menyatakan bahwa bobot terbuka saja belum memberikan kebebasan seperti perangkat lunak open source. Celah inilah yang memicu tuduhan “open washing”: perusahaan mengklaim terbuka, sambil tetap menahan komponen kunci yang memungkinkan siapa saja mereplikasi karyanya.
Namun bagi mayoritas builder, bobot adalah hadiah utamanya. Dengan bobot, Anda bisa menyajikan model, mengecilkannya, melatih ulang, lalu mengemasnya ke produk. Praktisnya, tiap kategori rilis memberi Anda hal yang berbeda:
- Open weight: parameter terlatih, biasanya dengan lisensi yang mengizinkan penggunaan, modifikasi, dan sering kali komersialisasi.
- Open source penuh: bobot plus kode pelatihan dan dokumentasi data yang cukup rinci untuk membangun ulang model.
- Closed: tidak ada yang dapat diunduh, hanya akses terukur lewat antarmuka.
Kategori tengah inilah yang sedang meledak popularitasnya — dan yang membuat lab tertutup sulit tidur.
Baca Juga: Saham Nvidia Jatuh Hampir 5% Gara-gara Jaminan US$250 Miliar OpenAI yang Belum Ditandatangani
Bagaimana Ini Berbeda dari Model Bisnis OpenAI dan Anthropic
OpenAI dan Anthropic menjalankan strategi berkebalikan. Bobot terbaik mereka dikunci di pusat data sendiri dan hanya dijual melalui API. Anda mengirim prompt, menerima respons, tapi tak pernah menyentuh modelnya.
Pola ini punya logika komersial: melindungi investasi pelatihan, memastikan arus pendapatan berbasis langganan/usage, dan memberi keleluasaan lab untuk memperbaiki perilaku model atau memutus akses kapan saja.
Ada pula alasan keamanan. CEO Anthropic, Dario Amodei, berargumen bahwa ketika bobot dipublikasikan, pengembang kehilangan kemampuan memperbarui “pagar pengaman” atau menarik kembali sistem yang berbahaya.
Masalahnya adalah ketergantungan.
Jika model hanya hidup di server pihak lain, vendor yang menentukan harga, uptime, ketentuan data, hingga jadwal penghentian versi. Produk Anda bertumpu pada infrastruktur yang tidak Anda kuasai dan tidak bisa Anda audit.
Meski selama bertahun-tahun mengibarkan bendera riset terbuka, OpenAI tidak merilis satu pun model bahasa terbuka sejak GPT-2 pada 2019, hingga 5 Agustus 2025. Dua model gpt-oss yang diluncurkan dengan lisensi permisif Apache 2.0 itu terbaca sebagai konsesi langsung terhadap tekanan dari kubu open weight. Perusahaan yang membangun bisnis API tertutup terpaksa turun ke medan yang selama ini dikuasai kubu terbuka.
Baca Juga: OpenAI Cari Fasilitas Kredit US$250 Miliar dari Nvidia untuk Kampus Raksasa di Ohio
Sepuluh Alasan Open Weight Mengancam Model Terpusat
Tidak ada jaminan open weight akan menang total. Frontier masih dikuasai lab besar, dan risikonya nyata. Namun arah pergeseran selama tiga tahun terakhir konsisten: menjauh dari model tertutup dan terukur per panggilan.
Yang berubah adalah logika membayar mahal untuk “menyewa kotak hitam” makin sulit dipertahankan. Konvergensi terjadi sekaligus di ranah teknis, ekonomi, dan politik.
Berikut sepuluh alasan keseimbangan kekuatan mulai bergeser.
Kesenjangan Kualitas Nyaris Hilang
Fakta terpenting adalah konvergensi. Laporan AI Index 2025 dari Stanford mencatat selisih skor antara model closed terbaik dan model open terbaik di leaderboard Chatbot Arena menyempit dari 8% pada Januari 2024 menjadi 1,7% per Februari 2025.
Frontier juga makin ramai. Jarak antara peringkat pertama dan kesepuluh di leaderboard menyusut dari 11,9% menjadi 5,4% hanya dalam satu tahun.
Ketika opsi nomor dua menawarkan kualitas mendekati terbaik dengan biaya jauh lebih murah, sulit membenarkan premi harga untuk model tertutup. Ini menjadi persoalan pricing serius bagi bisnis yang bertumpu pada eksklusivitas.
Harga “Kecerdasan” Ambruk
Biaya jatuh lebih cepat daripada gap kualitas. Berdasarkan data Epoch AI dan Artificial Analysis, AI Index melaporkan biaya menjalankan kueri setara GPT-3.5 turun dari sekitar US$20 per sejuta token pada November 2022 menjadi US$0,07 pada Oktober 2024.
Itu setara penurunan sekitar 280 kali dalam waktu kurang dari dua tahun.
DeepSeek mendorong logika yang sama ke sisi pelatihan. Laporan teknis V3-nya mengklaim biaya run pelatihan final sekitar US$5,6 juta dengan 2.048 chip Nvidia H800, dibandingkan puluhan hingga ratusan juta dolar yang dihabiskan model sekelas di Barat. “Kecerdasan murah” lebih menguntungkan pihak yang bisa menyebarkannya luas, bukan yang paling ketat menjaganya.
Anda Memiliki Modelnya
Menyewa model tertutup berarti menerima semua aturan pemilik. Vendor bisa menaikkan harga, mengubah ketentuan, atau mematikan versi yang menjadi tulang punggung produk Anda.
Memiliki bobot menghapus leverage itu. Anda bisa “membekukan” versi, memakainya bertahun-tahun, dan berpindah penyedia infrastruktur tanpa harus menulis ulang tumpukan teknis.
Vendor lock-in bukan sekadar kekhawatiran teoretis. Ia muncul sebagai biaya pindah tinggi, migrasi terpaksa, dan struktur harga yang sulit Anda tawar. Kepemilikan bobot meredam semuanya, misalnya dengan:
- Membekukan versi model dan menjaga stabilitas selama dibutuhkan.
- Bebas berpindah antar penyedia cloud, atau kembali ke on-prem, tanpa rekayasa ulang besar.
- Menghindari deprecation mendadak yang bisa melumpuhkan produk live dalam semalam.
Bahkan lisensi open weight yang “murah hati” biasanya tetap punya syarat khusus. Lisensi Llama dari Meta, misalnya, mewajibkan perusahaan dengan lebih dari 700 juta pengguna aktif bulanan untuk bernegosiasi kontrak terpisah — salah satu alasan banyak kalangan enggan menyebut Llama sebagai open source sejati.
Privasi dan Kedaulatan Data
Ada jenis data yang secara hukum tak boleh meninggalkan gedung. Rumah sakit, bank, hingga lembaga pemerintah sering kali dilarang mengirimkan data sensitif ke API pihak ketiga.
Open weight mengatasi ini dengan membalik arsitektur: model dibawa ke data, bukan sebaliknya. Inferensi bisa dijalankan on-premises atau dalam private cloud, sehingga data sensitif tak pernah melintasi batas kepemilikan vendor.
Satu karakteristik ini saja membuka banyak pintu yang mustahil dibuka model API tertutup. Dalam banyak deployment teregulasi, kendali on-prem menjadi faktor penentu.
Negara Mulai Membangun Model Sendiri
Kecemasan soal kedaulatan teknologi kini bersifat global. Pemerintah kian melihat ketergantungan pada segelintir API dari AS atau Tiongkok sebagai risiko strategis.
Pada 2 September 2025, EPFL, ETH Zurich, dan Swiss National Supercomputing Centre merilis Apertus, model sepenuhnya terbuka yang dilatih dengan 15 triliun token dalam lebih dari 1.000 bahasa. Di Abu Dhabi, Technology Innovation Institute sejak 2023 mengembangkan keluarga Falcon yang terbuka, dan banyak negara lain mengikuti dengan inisiatif nasional mereka sendiri.
Polanya berulang di berbagai kawasan:
- Swiss merilis Apertus dengan bobot, data, dan kode yang sepenuhnya publik.
- Uni Emirat Arab meluncurkan Falcon secara bertahap dengan syarat lisensi longgar.
- Prancis, India, Jepang, dan Korea Selatan mendanai program model atau infrastruktur komputasi domestik.
Anda tak bisa membangun AI berdaulat di atas model yang hanya boleh disewa. Open weight adalah prasyarat, menjadikan pemerintah sponsor alami bagi kubu terbuka.
Regulator Mulai Memihak Keterbukaan
Kebijakan publik juga mulai mendorong model terbuka. Pada 23 Juli 2025, Gedung Putih menerbitkan dokumen “America’s AI Action Plan”, dengan satu bagian khusus berjudul “Encourage Open-Source and Open-Weight AI”.
Eropa bergerak ke arah serupa, meski dengan nuansa berbeda. EU AI Act memberikan keringanan sebagian kewajiban dokumentasi bagi penyedia model general-purpose yang gratis dan open source, selama model tidak diklasifikasi sebagai risiko sistemik.
Insentif regulasi kini banyak yang mengarah ke rilis terbuka, bukan penguncian penuh — setidaknya untuk model di bawah frontier. Ketika negara dengan porsi terbesar dalam perlombaan AI secara eksplisit mendorong open weight, asumsi keunggulan default model tertutup mulai runtuh.
Ekosistem Developer Menjadi Flywheel
Skala melahirkan skala. Hugging Face tumbuh menjadi 13 juta pengguna, lebih dari dua juta model publik, dan lebih dari 500.000 dataset publik sepanjang 2025.
Lomba unduhan menggambarkan dinamika ini dengan jelas. Meta menyatakan Llama menembus satu miliar unduhan per 18 Maret 2025, naik dari 650 juta pada awal Desember 2024, sementara Qwen milik Alibaba mencapai 700… … juta unduhan kumulatif di Hugging Face per Januari 2026 dan melahirkan lebih dari 180.000 versi turunan, sekaligus menyalip Llama sebagai keluarga model open-source yang paling banyak di-fork.
Setiap fine-tune, adapter, dan proses kuantisasi yang dibangun di atas model terbuka makin memperlebar “parit” kompetitifnya. API tertutup tidak bisa menangkap efek penggandaan dari kerja komunitas tersebut, karena tak seorang pun bisa benar-benar membangun di atas model yang tidak bisa mereka pegang.
Bisa Jalan di Laptop Anda
Bobot terbuka bertemu perangkat keras rumahan lewat rantai alat yang murah. Kuantisasi mengompresi model ke presisi yang lebih rendah agar muat di memori yang lebih kecil, sementara teknik seperti LoRA memungkinkannya di-fine-tune tanpa perlu melatih ulang keseluruhan model.
Runtime lokal membuat ini jadi arus utama. Ollama, llama.cpp, dan vLLM kini memungkinkan pengembang menjalankan model yang mumpuni hanya dengan satu GPU konsumen atau bahkan sebuah laptop.
Model yang bisa dijalankan di mesin senilai US$2.000 adalah model yang tidak bisa dimatikan sepihak dari jarak jauh. Kemandirian inilah yang mustahil ditawarkan oleh model berbasis API terukur.
Dapat Diaudit dan Ditafsirkan
Anda tidak bisa mengaudit apa yang tidak bisa Anda lihat. API tertutup hanya mengembalikan output tanpa memberi cara untuk mengupas mekanisme di baliknya.
Bobot terbuka memungkinkan peneliti menguji model secara langsung, mempelajari pola kegagalannya, dan menguji keamanannya secara terbuka. Transparansi inilah yang menjadi alasan kubu open-source berargumen bahwa model mereka justru lebih mudah, bukan lebih sulit, dibuat kian andal seiring waktu.
Bagi sektor-sektor teregulasi yang wajib menjelaskan dasar sebuah keputusan, visibilitas seperti ini bukan bonus tambahan. Sering kali, itu adalah kewajiban hukum.
Garis Depan Desentralisasi
Alasan terbaru berada di persimpangan AI dan kripto. Jika bobot model terbuka, komputasi untuk melatih dan menjalankannya tidak harus berada di satu pusat data milik satu perusahaan.
Proyek seperti Prime Intellect telah melatih model di atas infrastruktur hardware terdistribusi secara global, dengan skema untuk memverifikasi bahwa mesin-mesin jauh tersebut benar-benar menjalankan pekerjaan yang mereka klaim. Bittensor mengoperasikan pasar kecerdasan mesin berbasis token, dengan harga dalam token TAO (TAO).
Catatan jujurnya: pelatihan terdesentralisasi hari ini masih lebih lambat dan lebih mahal dibanding kluster terpusat. Namun kombinasi bobot terbuka dengan komputasi terverifikasi dan ditokenisasi menciptakan vektor persaingan baru yang tidak bisa begitu saja ditiru oleh laboratorium tertutup.
Juga Baca: Pixel 11 Akan Lebih Mahal, Dan Google Bilang Pusat Data AI Jadi Penyebabnya
Kesimpulan
Bobot terbuka tidak akan menghapus laboratorium tertutup. Lini terdepan masih diuntungkan oleh siapa yang paling banyak membakar dana untuk komputasi, rilis open-source tetap tertinggal beberapa bulan dari model tertutup terbaik, dan bobot publik membawa risiko penyalahgunaan yang tak bisa “ditarik kembali” setelah beredar.
Namun “mengalahkan” bukan berarti “menghapus.” Artinya menggeser pusat gravitasi, dan pergeseran itu sudah berlangsung.
Kesenjangan kualitas kini tipis, harga “kecerdasan” mendekati nol, dan pemerintah, pengembang, serta regulator berulang kali memilih model yang bisa mereka genggam sendiri. AI terpusat akan terus menjual kemudahan di lapisan paling premium. Sementara itu, sisa pasar perlahan tapi pasti bergerak menuju bobot model yang bisa dimiliki.
Baca Berikutnya: Apple Kehilangan Kendali Atas Harga Memori Dan Konsumen Menanggung Selisihnya
