Tahun 2023, gap antara model closed terbaik dan model open weight terbaik masih signifikan. Tahun 2026, gap itu menyempit, di beberapa benchmark bahkan menghilang. Ini mengubah perhitungan untuk tim yang sedang memilih model.
Tulisan ini melihat tiga pemain utama di sisi open: Meta dengan Llama, DeepSeek, dan Mistral. Masing-masing punya strategi berbeda dan pasar target yang berbeda.
Llama: Strategi Distribusi Meta
Meta merilis Llama 1 awal 2023 sebagai model riset terbatas. Sejak Llama 2, lisensinya dibuka untuk penggunaan komersial dengan beberapa pembatasan. Llama 3 dan 4 melanjutkan tren ini, dengan benchmark yang semakin dekat ke Claude dan GPT.
Strategi Meta cukup jelas. Mereka tidak menjual akses model. Mereka memberikan model gratis supaya ekosistem pakai infrastruktur dan platform mereka (Meta AI, Reels, WhatsApp Business). Cost of training menjadi cost of distribution untuk produk consumer mereka.
Untuk tim Indonesia, Llama jadi pilihan menarik kalau Anda butuh kontrol penuh. Anda bisa fine-tune model di domain spesifik (bahasa daerah, regulasi lokal, terminologi industri Anda) tanpa bergantung pada provider eksternal. Banyak bank dan perusahaan asuransi di Asia Tenggara mengevaluasi Llama 4 untuk produksi internal mereka.
Trade-off-nya: Anda butuh infrastruktur sendiri atau cloud provider yang menyediakan Llama-as-a-service. Operasionalnya lebih kompleks dibanding panggil API GPT atau Claude.
DeepSeek: Disrupsi dari Cina
DeepSeek mengejutkan industri di awal 2025 ketika merilis V3 dan R1 dengan kapabilitas reasoning yang setara dengan o1 OpenAI, di harga jauh lebih murah. Yang lebih mengejutkan: bobot model dirilis open weight, dengan paper teknis yang detail.
Liang Wenfeng, founder DeepSeek dan High-Flyer Quant, akan tampil di panel hari ketiga Global AI Expo 2026. Posisinya menarik. Ia bukan researcher dari lab besar Barat, melainkan dari latar belakang quantitative finance yang kemudian membangun lab AI di Cina.
Kekuatan DeepSeek: efisiensi training. Mereka mendemonstrasikan bahwa model frontier bisa dilatih dengan compute jauh lebih sedikit dari yang sebelumnya diasumsikan, asalkan arsitektur dan data dirancang dengan hati-hati. Ini mengubah perhitungan banyak lab tentang berapa GPU yang sebenarnya mereka butuhkan.
Untuk tim Indonesia, DeepSeek menarik karena harga API mereka sangat kompetitif dan model open weights bisa di-host sendiri. Ada concern tentang data residency dan censorship di output (model dilatih dengan filter sesuai regulasi Cina), tapi versi open weights bisa di-fine-tune untuk meminimalisir ini.
Mistral: Pemain Eropa
Mistral AI dibentuk di Paris akhir 2023, didirikan oleh peneliti dari Meta dan DeepMind. Strategi mereka campuran: beberapa model dirilis open weight, beberapa hanya tersedia via API mereka. Mereka memposisikan diri sebagai alternatif Eropa untuk lab AI Amerika dan Cina.
Model mereka biasanya unggul di efisiensi dan kemampuan multibahasa. Mistral Large 3, model flagship mereka, kompetitif dengan GPT-4o dan Claude Sonnet di banyak task, dan secara khusus kuat di bahasa Eropa.
Untuk tim Indonesia, Mistral relevan kalau workload Anda menyangkut pasar Eropa atau kalau Anda ingin opsi yang tidak tergantung pada US-Cina. Mereka juga punya program enterprise on-premise yang cukup matang untuk regulated industries.
Pertanyaan untuk Tim Anda
Kalau Anda mengevaluasi open weights, beberapa pertanyaan yang membantu menentukan pilihan.
Apa task utama Anda? Kalau coding atau reasoning, DeepSeek R1 bisa unggul di rasio harga ke kualitas. Kalau general chat dan content, Llama 4 sering jadi default. Kalau multibahasa Eropa, Mistral.
Apa kapabilitas tim Anda untuk fine-tune dan deploy? Llama dan Mistral punya tooling open source yang lebih matang. DeepSeek lebih baru dan dokumentasinya berkembang cepat.
Apa concern Anda tentang governance? Llama datang dengan acceptable use policy dari Meta. DeepSeek tidak membatasi penggunaan tapi modelnya dilatih dengan filter Cina. Mistral relatif paling longgar.
Open atau Closed?
Pertanyaan ini sering jadi false binary. Banyak tim yang serius pakai keduanya. Closed model untuk task yang butuh kapabilitas tertinggi atau low maintenance. Open weight untuk task yang butuh kontrol penuh, fine-tuning agresif, atau on-premise.
Yang berubah dalam dua tahun terakhir bukan dominasi salah satu, melainkan kemampuan tim untuk memilih kombinasi yang tepat. Ekspo akan punya tiga panel yang membahas trade-off ini di hari kedua dan ketiga, dengan praktisi dari kedua sisi.
-md.jpg)
