Pada 27 Januari 2025, sebuah laboratorium Tiongkok yang nyaris tak dikenal di kalangan investor tiba-tiba menghapus nilai pasar Nvidia sebesar US$589 miliar hanya dalam satu sesi perdagangan. Itu menjadi kejatuhan satu hari terbesar dalam sejarah bursa saham AS. Pemantiknya adalah DeepSeek, dan “dosa”-nya adalah keterbukaan.
Bahkan Bitcoin (BTC) sempat goyah ketika pasar mulai mencerna satu pesan sederhana: AI frontier tidak lagi dimonopoli segelintir laboratorium tertutup.
Poin Utama
- Model open weight memublikasikan parameter terlatih untuk diunduh, dijalankan, dan diadaptasi siapa saja — berbeda dari open source penuh yang juga membuka kode pelatihan dan data.
- Kesenjangan kualitas terukur antara model open dan closed terbaik di leaderboard publik menyusut dari 8% menjadi di bawah 2% dalam sekitar setahun, sementara biaya inferensi turun ratusan kali lipat.
- Biaya implementasi yang murah, dorongan kedaulatan nasional, regulasi yang lebih ramah, dan ekosistem pengembang yang masif memberi momentum nyata bagi open weight melawan pemain API-only.
Apa Sebenarnya Makna Open Weight AI
Istilah ini kerap dipakai longgar, sehingga presisi penting. Open weight berarti pengembang merilis parameter akhir dari jaringan saraf yang sudah dilatih—angka-angka yang menyimpan apa yang “dipelajari” model. Anda bisa mengunduhnya, menjalankannya di infrastruktur sendiri, dan melakukan fine-tuning.
Open weight bukan identik dengan open source. Open Source Initiative pada 28 Oktober 2024 menerbitkan Open Source AI Definition yang menetapkan standar lebih tinggi. Untuk disebut open source, rilis harus menyertakan bobot model, kode pelatihan, serta detail memadai tentang data pelatihan agar pihak yang cakap bisa membangun ulang sistem tersebut secara substansial.
Mayoritas model yang hari ini dipasarkan sebagai open source sebenarnya tak lolos uji itu. Llama milik Meta, Qwen dari Alibaba, dan DeepSeek sama-sama merilis bobot tanpa “resep” data lengkap.
Open Source Initiative tegas membedakan keduanya, menyatakan bahwa bobot terbuka saja belum menghadirkan kebebasan sebagaimana perangkat lunak open source. Kesenjangan ini menyulut perdebatan soal “open washing”, ketika perusahaan mengklaim terbuka sambil menahan komponen penting yang memungkinkan siapa pun mereplikasi karya mereka.
Namun bagi sebagian besar pelaku, bobot model adalah harta karun. Dengan bobot, Anda bisa menyajikan model, mengecilkannya, melatih ulang, dan mendistribusikannya. Secara garis besar, tiap kategori rilis memberi Anda:
- Open weight: parameter terlatih, biasanya dengan lisensi yang mengizinkan penggunaan, modifikasi, dan sering kali komersialisasi.
- Open source penuh: bobot plus kode pelatihan serta dokumentasi data yang cukup untuk membangun ulang model.
- Closed: tidak ada yang bisa diunduh, akses sepenuhnya lewat antarmuka berbayar per pemakaian.
Kategori tengah inilah yang meledak popularitasnya—dan inilah yang membuat lab tertutup tak bisa tidur nyenyak.
Baca Juga: Nvidia Turun Hampir 5% Imbas Jaminan US$250 Miliar OpenAI yang Belum Ditandatangani
Bagaimana Ini Berbeda dari Model OpenAI dan Anthropic
OpenAI dan Anthropic menjalankan strategi kebalikan. Bobot terbaik mereka dikunci di dalam pusat data sendiri dan dijual lewat API. Anda kirim prompt, Anda terima respons—tanpa pernah menyentuh modelnya.
Secara bisnis, pendekatan ini logis. Investasi pelatihan terlindungi, arus pendapatan langganan terus mengalir, dan lab bisa setiap saat memperbaiki perilaku model atau mencabut akses.
Ada juga argumen keamanan. CEO Anthropic Dario Amodei menilai, begitu bobot dipublikasikan, pengembang kehilangan kemampuan untuk memperbarui pagar pengaman atau menarik kembali sistem yang berpotensi berbahaya.
Masalahnya adalah ketergantungan.
Jika model hanya hidup di server pihak lain, vendor yang menentukan harga, uptime, syarat pemakaian data, dan jadwal penghentian layanan. Produk Anda bergantung pada infrastruktur yang tidak Anda kuasai dan tak bisa Anda audit.
Meski selama bertahun-tahun mengusung riset terbuka, OpenAI tak merilis satu pun model bahasa terbuka sejak GPT-2 pada 2019 hingga 5 Agustus 2025. Dua model gpt-oss yang diluncurkan di bawah lisensi permisif Apache 2.0 terbaca sebagai pengakuan langsung terhadap tekanan yang kini diberikan model open weight. Perusahaan yang membangun bisnis API tertutup terpaksa menjawab kubu terbuka di “kandang” mereka sendiri.
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 bahwa open weight akan menjadi pemenang mutlak. Frontier masih dikuasai lab besar, dan risikonya nyata. Namun arah pergeseran selama tiga tahun terakhir konsisten—dan berlawanan dengan model tertutup berbayar per pemakaian.
Alasan membayar mahal untuk “menyewa” kotak hitam kian sulit dipertahankan. Konvergensinya bersifat teknis, ekonomis, sekaligus politis.
Berikut sepuluh alasan keseimbangan kekuatan bergeser.
Kesenjangan Kualitas Hampir Hilang
Fakta terpenting adalah konvergensi. AI Index 2025 dari Stanford mencatat selisih skor antara model closed terbaik dan open terbaik di leaderboard Chatbot Arena turun dari 8% pada Januari 2024 menjadi 1,7% pada Februari 2025.
Frontier juga makin padat. Jarak antara peringkat pertama dan kesepuluh menyempit dari 11,9% menjadi 5,4% hanya dalam setahun.
Saat opsi nomor dua menawarkan harga jauh lebih murah dibanding nomor satu, premi untuk akses closed menjadi sulit dibenarkan. Ini persoalan harga bagi siapa pun yang menggantungkan bisnis pada eksklusivitas.
Harga “Kecerdasan” Runtuh
Biaya jatuh bahkan lebih cepat daripada kesenjangan kualitas. Berdasarkan data Epoch AI dan Artificial Analysis, AI Index melaporkan biaya menjalankan kueri setingkat 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 kurang dari dua tahun.
DeepSeek mendorong logika serupa ke sisi pelatihan. Laporan teknis V3 mengklaim biaya training final sekitar US$5,6 juta dengan 2.048 chip Nvidia H800—dibandingkan puluhan hingga ratusan juta dolar untuk model sebanding di Barat. Kecerdasan yang murah menguntungkan pihak yang bisa mendistribusikannya luas, bukan yang menjaganya paling rapat.
Anda Menguasai Modelnya
Menyewa model tertutup berarti menerima semua aturan “tuan tanah”. Vendor bebas menaikkan harga, mengubah syarat, atau mempensiunkan versi yang menjadi tulang punggung produk Anda.
Menguasai bobot menghapus daya tawar itu. Anda bisa “membekukan” satu versi, menjalankannya bertahun-tahun, dan berpindah penyedia infrastruktur tanpa menulis ulang fondasi sistem.
Vendor lock-in bukan kekhawatiran abstrak. Ia muncul dalam bentuk biaya pindah yang tinggi, migrasi paksa, dan harga yang tak bisa Anda tawar. Memiliki bobot model meredakan semuanya:
- Membekukan satu versi model dan mempertahankannya stabil selama diperlukan.
- Berpindah antar cloud provider, atau kembali ke data center sendiri, tanpa rekayasa ulang besar.
- Menghindari penghentian layanan mendadak yang bisa melumpuhkan produk live dalam semalam.
Bahkan lisensi terbuka yang tergolong dermawan tetap menyimpan klausul yang perlu dicermati. Ketentuan lisensi Llama milik Meta, misalnya, mewajibkan perusahaan dengan lebih dari 700 juta pengguna aktif bulanan meneken perjanjian terpisah—alasan mengapa kalangan puritan menolak menyebut Llama sebagai open source sejati.
Privasi dan Kedaulatan Data
Sebagian data secara hukum tak boleh meninggalkan gedung. Rumah sakit, bank, dan lembaga pemerintah sering kali dilarang mengirimkan data sensitif ke API pihak ketiga.
Open weight menjawab dengan memindahkan model ke tempat data berada. Anda bisa menjalankan inferensi on-premises atau di cloud privat, sehingga data sensitif tak pernah melintasi batas vendor.
Satu atribut ini saja sudah membuka pintu yang tertutup bagi API terpusat. Untuk implementasi yang diatur ketat, kontrol on-prem kerap menjadi faktor penentu.
Negara-negara Membangun Model Mereka Sendiri
Kekhawatiran soal kedaulatan teknologi kini berskala global. Pemerintah makin melihat ketergantungan pada segelintir API asal 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. Technology Innovation Institute di Abu Dhabi sejak 2023 konsisten mengembangkan keluarga Falcon yang terbuka, dan banyak negara lain menyusul dengan proyek nasional masing-masing.
Polanya berulang di berbagai kawasan:
- Swiss merilis Apertus dengan bobot, data, dan kode yang semuanya publik.
- UEA menggulirkan Falcon secara bertahap dengan ketentuan lisensi permisif.
- Prancis, India, Jepang, dan Korea Selatan mendanai program model atau infrastruktur komputasi domestik.
Anda tidak bisa membangun AI berdaulat di atas model yang hanya boleh disewa. Open weight menjadi prasyarat, menjadikan pemerintah sponsor alami kubu terbuka.
Regulator Mulai Berpihak pada Keterbukaan
Kebijakan publik turut bergeser mendukung keterbukaan. Pada 23 Juli 2025, Gedung Putih menerbitkan “America's AI Action Plan” dengan satu bagian khusus berjudul “Encourage Open-Source and Open-Weight AI”.
Eropa mendorong arah serupa melalui desain regulasi, meski dengan nuansa berbeda. EU AI Act memberi keringanan dokumentasi tertentu bagi penyedia model general-purpose yang gratis dan open source, sepanjang model tersebut tidak diklasifikasi sebagai risiko sistemik.
Insentif sekarang condong ke arah merilis, bukan mengunci—setidaknya untuk model di bawah frontier terdepan. Ketika negara dengan ekonomi dan ambisi AI terbesar secara aktif mendorong open weight, asumsi keunggulan default model tertutup ikut tergerus.
Ekosistem Pengembang Menjadi Flywheel
Skala melahirkan skala. Hugging Face tumbuh menjadi 13 juta pengguna dengan lebih dari dua juta model publik dan 500.000 dataset publik sepanjang 2025.
Lomba unduhan menggambarkan dinamika ini. 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 terbuka yang paling banyak di-fork.
Setiap fine-tune, adapter, dan proses kuantisasi yang dibangun di atas model terbuka memperlebar keunggulan kompetitifnya. Model berbasis API tertutup tidak bisa menangkap efek pengganda dari kerja komunitas, karena tak seorang pun bisa benar‑benar membangun di atas model yang tidak bisa mereka “pegang”.
Bisa Jalan di Laptop Anda
Bobot terbuka berpadu dengan perangkat keras sehari-hari lewat rantai alat yang murah. Kuantisasi mengompresi model ke presisi yang lebih rendah agar muat di memori yang terbatas, sementara teknik seperti LoRA memungkinkan fine-tuning tanpa harus melatih ulang seluruh model.
Runtime lokal yang membuat ini arus utama. Ollama, llama.cpp, dan vLLM kini memungkinkan pengembang menjalankan model mumpuni hanya dengan satu GPU konsumen atau bahkan sebuah laptop.
Model yang bisa Anda jalankan di mesin seharga US$2.000 adalah model yang tidak bisa dimatikan sepihak dari jarak jauh. Kemandirian seperti itu mustahil ditawarkan oleh model berbayar berbasis metered API.
Bisa Diaudit dan Dipahami
Apa yang tak terlihat tak bisa diaudit. API tertutup hanya mengembalikan keluaran, tanpa celah untuk memeriksa bagaimana keputusan dihasilkan.
Bobot terbuka memungkinkan peneliti membedah model secara langsung, mempelajari pola kegagalannya, dan menguji aspek keamanannya secara terbuka. Transparansi inilah yang membuat kubu model terbuka berargumen bahwa model mereka justru lebih mudah, bukan lebih sulit, dibuat dapat dipercaya dalam jangka panjang.
Bagi sektor-sektor yang diatur ketat dan wajib menjelaskan dasar setiap keputusan, visibilitas seperti ini bukan sekadar nilai tambah. Sering kali itu merupakan kewajiban hukum.
Frontir Terdesentralisasi
Alasan terbaru muncul di persimpangan AI dan kripto. Jika bobotnya terbuka, komputasi untuk melatih dan melayaninya tidak harus tinggal di pusat data satu perusahaan.
Proyek seperti Prime Intellect telah melatih model di atas perangkat keras terdistribusi secara global, dengan skema verifikasi untuk memastikan mesin jarak jauh benar-benar mengerjakan tugas yang mereka klaim. Bittensor mengoperasikan pasar jasa kecerdasan mesin berbasis token, dihargai dalam token TAO (TAO).
Catatan jujurnya, pelatihan terdesentralisasi hari ini masih lebih lambat dan lebih mahal daripada kluster terpusat. Namun kombinasi bobot terbuka dengan komputasi terverifikasi dan ditokenisasi menghadirkan vektor kompetitif baru yang tidak bisa ditiru laboratorium tertutup.
Juga Baca: Pixel 11 Akan Lebih Mahal, Dan Google Menyalahkan Pusat Data AI
Putusan Akhir
Bobot terbuka tidak akan menghapus laboratorium tertutup. Lini terdepan masih dikuasai mereka yang membakar dana terbesar untuk komputasi, rilis terbuka tetap tertinggal beberapa bulan dari model tertutup terbaik, dan bobot publik membawa risiko penyalahgunaan yang mustahil ditarik kembali setelah beredar.
Namun “mengungguli” bukan berarti “menghapus”. Ini tentang menggeser pusat gravitasi, dan pergeseran itu sudah berlangsung.
Kesenjangan kualitas makin tipis, harga kecerdasan makin mendekati nol, dan pemerintah, pengembang, serta regulator terus memilih model yang bisa mereka pegang sendiri. AI terpusat akan terus menjual kemudahan di lapisan paling atas. Sisanya perlahan tapi pasti bergerak ke arah bobot yang bisa mereka miliki.
Baca Selanjutnya: Apple Kehilangan Kendali Atas Harga Memori dan Konsumen Menanggung Selisihnya