Biaya AI Perusahaan: Ukur Hasil, Bukan Sekadar Token

Sinyal utama

Masalah yang mengemuka bukan berarti seluruh perusahaan sedang mengalami ledakan biaya AI. Sinyal yang lebih dapat dipertanggungjawabkan adalah bahwa visibilitas biaya dan pembuktian nilai kini menjadi pekerjaan manajemen yang nyata.

Sinyal	Arti bagi pimpinan	Cakupan dan batasan
98 persen	Hampir seluruh responden pada pertanyaan terkait dalam State of FinOps 2026 sudah menangani belanja AI.	Komunitas FinOps global, N sama dengan 693. Sampel berasal dari komunitas profesi dan bukan gambaran seluruh perusahaan atau khusus Asia Tenggara.
61 persen	Mayoritas responden perusahaan besar di Amerika Serikat memperkirakan konsumsi token bulanan mereka akan melampaui 10 miliar pada 2028.	Deloitte menyurvei 515 pemimpin perusahaan dengan pendapatan tahunan di atas 500 juta dolar AS. Proyeksi responden bukan realisasi dan tidak dapat langsung dipindahkan ke Asia Tenggara.
29 persen	Estimasi pemborosan belanja cloud naik setelah lima tahun menurun, ketika pemakaian AI generatif juga meluas.	Flexera menyurvei lebih dari 750 pengambil keputusan dan pengguna cloud secara global. Angka pemborosan mencakup cloud secara umum, bukan AI saja.
Lima pemicu biaya	Instruksi sistem, konteks dan memori, pilihan model, panjang keluaran, serta pengulangan dan orkestrasi dapat melipatgandakan konsumsi.	Kerangka praktisi FinOps Foundation yang terbit 10 Mei 2026. Kerangka ini menjelaskan mekanisme biaya, bukan tolok ukur laporan keuangan.

Jawaban singkat

CEO perlu meminta satu angka yang bisa diuji untuk setiap penggunaan AI yang material, yaitu total biaya per hasil bisnis yang diterima. Hasil itu dapat berupa kasus pelanggan yang selesai, klaim yang lolos pemeriksaan, lead yang diterima tim penjualan, analisis yang dipakai dalam keputusan, atau cacat yang berhasil dicegah.

Biaya per token dan biaya per permintaan tetap penting bagi tim teknologi. Keduanya belum menjawab apakah keluaran AI akurat, diterima, dipakai untuk bertindak, serta layak secara ekonomi.

Pertanyaan yang perlu diputuskan

Apakah perusahaan perlu membatasi AI lewat anggaran token atau membiayainya berdasarkan hasil? Keduanya diperlukan, tetapi pengendalian biaya AI perusahaan harus berangkat dari ekonomi hasil.

Batas anggaran mencegah kejutan biaya. Ukuran hasil memastikan pengeluaran tersebut memang pantas diteruskan. Tanpa ukuran kedua, perusahaan dapat terlihat efisien dalam membeli komputasi, tetapi sibuk memproduksi keluaran yang tidak banyak berguna.

Isu ini tidak dapat diletakkan hanya di meja CIO. Tagihan AI dapat tersebar di langganan perangkat lunak, akun cloud, layanan data, infrastruktur internal, waktu engineer, proses pemeriksaan, serta fungsi risiko. Satu lembar invoice tidak pernah menceritakan seluruh posisi ekonomi.

Sudut pandang

AI menjadi mahal ketika perusahaan tidak bisa menghubungkan seluruh konsumsi dengan hasil yang diterima, bukan semata karena harga token tinggi atau rendah.

Dashboard yang paling menyesatkan adalah dashboard yang merayakan penurunan biaya per token, sementara jumlah pemakaian, pengulangan, keluaran yang ditolak, pemeriksaan manusia, dan penanganan pengecualian terus bertambah. Tim teknologi mungkin berhasil membeli kapasitas secara efisien. Bisnisnya belum tentu memiliki unit economics yang sehat.

Ukuran yang perlu dibawa ke rapat pimpinan adalah:

Total biaya alur kerja AI dibagi jumlah hasil bisnis yang diterima

Angka tersebut wajib dibaca bersama mutu, risiko, kecepatan proses, dampak ke pelanggan, dan konsekuensi bagi tenaga kerja. Keluaran yang lebih murah tetapi memicu kerja ulang, masalah kepatuhan, atau keputusan pelanggan yang buruk bukanlah penghematan.

Cara menilai persoalannya

Mulailah dari satuan nilai bisnis, lalu telusuri seluruh biaya yang dibutuhkan untuk menghasilkannya. Urutan ini menjaga pengelolaan biaya AI tetap menjadi bagian dari operating model, bukan sekadar negosiasi vendor.

Langkahnya sebagai berikut:

1. Tentukan hasil bisnis yang akan diterima atau ditolak oleh seorang penanggung jawab.
2. Catat biaya, waktu, mutu, dan risiko proses sebelum memakai AI.
3. Petakan tindakan AI yang memberi kontribusi nyata pada hasil.
4. Ukur penggunaan model, konteks, retrieval, tools, penyimpanan, dan infrastruktur.
5. Masukkan biaya engineer, evaluasi, tata kelola, vendor, serta pemeriksaan manusia.
6. Pisahkan keluaran berguna dari pengulangan, sesi yang ditinggalkan, dan hasil yang gagal.
7. Bandingkan total biaya per hasil dengan kondisi awal.
8. Putuskan apakah investasi ditambah, desain diperbaiki, cakupan dipersempit, atau penggunaan dihentikan.

Pendekatan ini tidak menganggap opsi termurah selalu paling baik. Yang dicari adalah desain yang menghasilkan mutu layak dengan biaya yang dapat dipertanggungjawabkan.

Asumsi lama yang perlu ditinggalkan

Banyak perusahaan masih beranggapan bahwa biaya AI otomatis turun ketika harga model semakin murah. Anggapan itu mengabaikan pertumbuhan permintaan dan seluruh biaya di sekeliling model.

Saat harga satuan turun, tim biasanya menambah kasus penggunaan, memperpanjang konteks, memakai penalaran yang lebih dalam, membuka akses ke lebih banyak pengguna, dan memberikan tindakan yang lebih luas kepada AI agent. Satu permintaan pengguna dapat memicu beberapa panggilan model, akses ke tools, proses validasi, lalu pengulangan ketika hasil tidak memenuhi syarat.

Anggaran perangkat lunak konvensional sering mengikuti jumlah pengguna atau kapasitas kontrak. Konsumsi AI dapat meningkat mengikuti banyaknya tindakan, panjang konteks, intensitas penalaran, serta rumitnya orkestrasi. Tagihannya dapat berubah jauh sebelum siklus pengadaan berikutnya.

Kesimpulannya bukan bahwa pemakaian AI perlu direm sejak awal. Penurunan harga satuan justru menjadi kesempatan untuk memperbaiki struktur ekonominya, tetapi bukan alasan untuk berhenti mengukur.

Perubahan yang dibawa AI

AI mengubah sebagian belanja teknologi menjadi biaya operasi yang bergerak mengikuti pemakaian. Pada saat yang sama, mutu keluaran menentukan apakah biaya tersebut menghasilkan nilai atau hanya aktivitas.

Enam perubahan perlu diperhatikan:

1. Konsumsi mengikuti tindakan. Satu permintaan karyawan dapat menjalankan retrieval, beberapa model, tools, evaluasi, dan penyusunan jawaban akhir.
2. Pengulangan menjadi produksi tersembunyi. Panggilan yang gagal dan hasil yang ditolak tetap menghabiskan sumber daya.
3. Mutu model memengaruhi hasil akhir. Model murah dapat menambah kebutuhan pemeriksaan atau menurunkan jumlah keluaran yang bisa diterima.
4. Otonomi memperluas permukaan biaya. AI agent dapat bekerja secara berkelanjutan, memanggil layanan luar, dan menciptakan pekerjaan lanjutan.
5. Belanja tersebar ke banyak pos. Biaya muncul di cloud, SaaS, data, tenaga kerja, infrastruktur, dan jasa profesional.
6. Sebagian optimasi dapat diotomatisasi. Routing model, caching, notifikasi anggaran, penandaan pemakaian, dan deteksi anomali dapat mengurangi konsumsi yang tidak perlu.

Sistem dapat menghitung penggunaan, memilih model yang sesuai, mengenali lonjakan, serta menghentikan proses saat batas terlampaui. Sistem tidak dapat menentukan nilai sebuah janji kepada pelanggan, harga yang layak untuk membangun kapabilitas strategis, atau konsekuensi dari keputusan yang salah. Bagian itu tetap menjadi tanggung jawab manusia dan pimpinan.

Hitung seluruh biaya AI perusahaan

Token hanya menangkap sebagian tagihan. Perusahaan perlu melihat satu alur kerja secara utuh sebelum menyimpulkan bahwa AI sudah efisien.

Setidaknya ada tujuh lapisan biaya:

1. Pemakaian model: Input, output, cached context, reasoning, pembuatan media, dan panggilan evaluasi.
2. Data dan retrieval: Penyimpanan, pencarian vektor, perbaikan kualitas data, lisensi, dan kontrol akses.
3. Tools dan orkestrasi: Platform agent, panggilan aplikasi eksternal, workflow engine, dan observability.
4. Infrastruktur: Cloud, GPU, jaringan, listrik, pendinginan, dan depresiasi jika aset dimiliki sendiri.
5. Engineer dan operasi: Product, platform, keamanan, evaluasi, respons insiden, serta pemeliharaan.
6. Pemeriksaan manusia dan adopsi: Quality assurance, penanganan pengecualian, pelatihan, perubahan cara kerja, dan kerja ulang.
7. Risiko dan kegagalan: Pemulihan pelanggan, respons regulator, perbaikan layanan, dan opportunity cost.

Perusahaan tidak harus membangun model alokasi yang rumit sejak hari pertama. Namun, batas perhitungan harus konsisten. Jika satu proyek memasukkan waktu pemeriksaan manusia dan proyek lain mengabaikannya, kedua angka biaya tidak bisa dibandingkan.

Tiga aturan kerja

Pengelolaan biaya AI membutuhkan tiga aturan: ukur seluruh alur kerja, kaitkan biaya dengan hasil yang diterima, lalu tambah pendanaan hanya ketika biaya per hasil tetap sehat dalam batas mutu dan risiko.

Aturan 1: Ukur biaya AI perusahaan sepanjang alur kerja

Catatan biaya harus mengikuti proses sejak permintaan masuk hingga hasil dinyatakan diterima. Visibilitas biaya AI perusahaan memerlukan tanda menurut unit bisnis, kasus penggunaan, model, lingkungan, dan pemiliknya.

Tanpa atribusi, perusahaan hanya melihat tagihan membesar tanpa tahu produk, tim, atau tindakan mana yang menyebabkannya. Mulailah dengan showback sebelum membangun chargeback. Tujuan awalnya adalah visibilitas dan akuntabilitas, bukan menambah rumit mekanisme tagihan internal.

Aturan 2: Tentukan hasil yang diterima

Penyebut dalam perhitungan harus berupa hasil yang bisa diuji oleh bisnis. Jumlah permintaan, prompt, pengguna, atau dokumen yang dihasilkan masih merupakan ukuran aktivitas.

Contohnya:

1. Kasus pelanggan selesai tanpa dibuka kembali.
2. Klaim disetujui setelah lolos pemeriksaan mutu.
3. Lead diterima tim penjualan dan berubah menjadi transaksi dalam periode tertentu.
4. Laporan digunakan sebagai dasar keputusan manajemen yang tercatat.
5. Perubahan perangkat lunak diterima setelah pengujian dan pemeriksaan keamanan.
6. Pengecualian pada forecast ditemukan cukup dini untuk mengubah tindakan.

Definisi hasil juga harus memuat alasan penolakan. Keluaran yang gagal dalam pemeriksaan mutu tetap masuk ke pembilang biaya, tetapi tidak boleh dihitung sebagai hasil yang diterima.

Aturan 3: Biayai hasil yang layak, bukan antusiasme

CEO dapat memperbesar penggunaan ketika biaya per hasil membaik dan mutu, risiko, pelanggan, serta dampak tenaga kerja tetap berada dalam batas.

Jika biaya membaik tetapi mutu turun, desain perlu diperbaiki. Jika mutu naik tetapi biaya tidak memiliki jalan yang masuk akal menuju kelayakan, batasi pemakaian pada keputusan yang memang layak membayar harga premium. Jika keduanya tidak membaik, hentikan.

Pembagian hak keputusan

CEO menetapkan pertanyaan nilai dan kondisi berhenti. Finance menguji struktur biaya dan manfaat, teknologi membangun instrumen, sedangkan pemilik bisnis tetap bertanggung jawab atas hasil.

1. CEO memutuskan: Nilai strategis, batas modal, selera risiko, serta kondisi untuk memperbesar atau menghentikan investasi.
2. Dewan mengawasi: Konsentrasi modal, risiko material, ketergantungan strategis, dan apakah klaim nilai dapat ditelusuri.
3. Pemilik bisnis bertanggung jawab: Definisi hasil, perubahan alur kerja, adopsi, mutu, dan realisasi manfaat.
4. CFO memvalidasi: Batas biaya penuh, baseline, logika alokasi, atribusi manfaat, dan ambang ekonomi.
5. CIO atau CTO memungkinkan: Arsitektur, routing model, telemetry, pilihan vendor, reliabilitas, dan portabilitas.
6. Product owner menginstrumentasi: Tag pemakaian, event hasil yang diterima, desain eksperimen, dan ritme perbaikan.
7. Pemilik kontrol melindungi: Keamanan, privasi, kewajiban hukum, evaluasi, respons insiden, dan pemulihan.
8. Procurement menguji: Struktur harga, komitmen, minimum spend, hak audit, dan syarat keluar.

CEO sebaiknya tidak menyetujui komitmen besar jika pemilik bisnis tidak menerima definisi hasil, finance tidak dapat menelusuri biaya penuh, atau platform tidak mampu menghentikan konsumsi yang tidak normal.

Pilihan dan konsekuensi

Perusahaan dapat mengendalikan AI melalui batas anggaran, efisiensi rekayasa, atau biaya per hasil. Model terkuat menggabungkan ketiganya, tetapi menempatkan ekonomi per hasil sebagai dasar keputusan pimpinan.

Pilihan	Kelebihan	Konsekuensi utama	Cocok digunakan
Batas token atau anggaran	Cepat mencegah kejutan biaya	Dapat memblokir permintaan bernilai dan menganggap konsumsi rendah sebagai keberhasilan	Pilot awal, ketidakpastian tinggi, atau penanganan insiden
Efisiensi rekayasa	Mengurangi pemborosan lewat routing, caching, pengendalian konteks, dan model yang lebih kecil	Berisiko mengoptimalkan alur kerja yang seharusnya tidak dilanjutkan	Kasus penggunaan terbukti tetapi desain teknisnya boros
Biaya per hasil yang diterima	Menghubungkan belanja dengan nilai bisnis dan akuntabilitas	Membutuhkan event bisnis, baseline, dan kerja lintas fungsi yang rapi	Alur kerja material yang bergerak dari pilot ke skala

Batas biaya adalah kontrol, bukan strategi. Efisiensi rekayasa adalah kapabilitas, bukan bukti nilai. Economics hasil menjadi dasar untuk memutuskan penggunaan modal.

Uji bukti selama 45 hari

Pilih satu alur kerja dengan volume tinggi, lalu hitung total biaya per hasil yang diterima selama 45 hari. Hindari memulai dari proyek dashboard perusahaan yang baru selesai setelah beberapa bulan.

Hari 1 sampai 10: Tetapkan dasar

1. Tunjuk satu pemilik bisnis.
2. Pilih satu hasil yang dapat diterima atau ditolak.
3. Catat baseline manusia dan teknologi.
4. Tentukan batas mutu, risiko, waktu proses, dan dampak pelanggan.
5. Pasang batas belanja sementara dan kondisi penghentian otomatis.

Hari 11 sampai 25: Bangun instrumen

1. Tandai permintaan berdasarkan tim, kasus penggunaan, model, dan lingkungan.
2. Rekam token, retrieval, tools, pengulangan, serta evaluasi.
3. Pisahkan hasil yang diterima, ditolak, dan ditinggalkan.
4. Masukkan waktu pemeriksaan manusia, kerja ulang, dan dukungan.
5. Rekonsiliasi tagihan vendor dengan event di sistem internal.

Hari 26 sampai 45: Bandingkan dan putuskan

1. Hitung total biaya per hasil yang diterima.
2. Bandingkan dengan baseline dan nilai yang diharapkan.
3. Uji satu perubahan efisiensi, misalnya routing model atau pengurangan konteks.
4. Pastikan mutu dan risiko tetap dalam batas.
5. Putuskan untuk menambah investasi, memperbaiki desain, mempersempit cakupan, atau berhenti.

Kondisi berhasil: Biaya per hasil yang diterima membaik dibandingkan baseline, tanpa melanggar batas mutu, risiko, pelanggan, dan tenaga kerja.

Kondisi gagal: Tim mampu menghitung konsumsi, tetapi tidak dapat menghubungkannya dengan hasil yang diterima atau biaya alur kerja secara utuh.

Kondisi berhenti: Belanja melewati batas sementara, mutu jatuh di bawah standar, kontrol material gagal, atau pemilik bisnis tidak mampu memverifikasi nilai.

Hipotesis yang dapat diuji

Eksperimen pertama perlu mengurangi ketidakpastian atribusi nilai. Perusahaan belum seharusnya menjanjikan return ketika dasar pengukurannya belum ada.

1. Jika permintaan dan hasil yang diterima diberi tag dalam alur yang sama, finance dapat menghitung biaya per hasil yang cukup berguna dalam 30 hari.
2. Jika keluaran ditolak dan pengulangan ikut dihitung, biaya satuan yang dilaporkan akan lebih tinggi tetapi lebih berguna untuk keputusan dibandingkan biaya per permintaan.
3. Jika routing model diterapkan setelah baseline mutu tersedia, biaya per hasil dapat membaik tanpa menurunkan tingkat penerimaan.
4. Jika pemilik bisnis meninjau ukuran ini setiap minggu, permintaan bernilai rendah akan dihentikan lebih cepat daripada melalui rapat anggaran pusat saja.

Semua pernyataan tersebut adalah hipotesis untuk diuji, bukan janji hasil.

Ambang keputusan

Investasi dapat diperbesar jika perusahaan mampu menunjukkan empat hal sekaligus: hasil yang terverifikasi, batas biaya yang cukup lengkap, tren unit economics yang membaik, serta mutu dan risiko yang dapat diterima.

Gunakan pemeriksaan berikut:

1. Hasil yang diterima sudah didefinisikan dan dicatat.
2. Seorang pemilik bisnis dapat menolak keluaran.
3. Batas perhitungan memasukkan biaya material di luar model.
4. Pengulangan, pekerjaan yang ditinggalkan, dan kegagalan mutu tetap masuk ke pembilang.
5. Hasil dibandingkan dengan baseline yang nyata.
6. Batas mutu, risiko, pelanggan, dan tenaga kerja dinyatakan secara jelas.
7. Sistem mampu memberi peringatan, memperlambat, atau menghentikan konsumsi abnormal.
8. Keputusan pendanaan dicatat sebagai memperbesar, memperbaiki, mempersempit, atau menghentikan.

Jika lebih dari dua pemeriksaan gagal, jangan menyetujui komitmen besar. Pertahankan penggunaan di dalam eksperimen terkendali.

Implikasi bagi pengambil keputusan

Pengelolaan biaya AI adalah disiplin operating model, bukan sekadar pekerjaan merapikan anggaran oleh finance. Biaya AI perusahaan baru dapat dikendalikan jika bisnis, finance, product, teknologi, dan fungsi kontrol memakai satuan nilai yang sama.

Bagi CEO, pertanyaan utamanya adalah apakah perusahaan membeli aktivitas atau membangun kapabilitas yang secara nyata memperbaiki hasil bisnis.

Bagi CFO, prioritasnya adalah menyepakati batas biaya dan atribusi hasil sebelum perusahaan menandatangani komitmen besar.

Bagi CIO dan CTO, tanggung jawabnya mencakup telemetry, arsitektur, routing model, reliabilitas, serta kemampuan menghentikan pemakaian abnormal.

Bagi pemimpin bisnis, kewajibannya adalah menetapkan hasil yang diterima dan mengubah alur kerja. Tim teknologi tidak dapat menggantikan kepemilikan nilai bisnis.

Bagi dewan, pertanyaan pengawasannya adalah apakah manajemen dapat menelusuri belanja AI yang material sampai ke hasil, lengkap dengan asumsi, batasan, dan risiko konsentrasi.

Pertanyaan yang sering diajukan

Daftar bukti

Sumber	Tanggal	Klaim yang digunakan	Batasan
State of FinOps 2026	Laporan 2026, diakses 5 September 2026	Sebanyak 98 persen responden pada pertanyaan terkait sudah menangani belanja AI; AI cost management menjadi keterampilan yang paling dibutuhkan.	Survei komunitas profesi global dengan total 1.192 responden. Pertanyaan pengelolaan AI memiliki N sama dengan 693. Tidak mewakili seluruh perusahaan atau Asia Tenggara.
FinOps Foundation, Token Economics	10 Mei 2026	Konsumsi token perlu diukur dan dihubungkan dengan hasil bisnis; token hanya menangkap sebagian struktur biaya.	Kerangka praktisi dan sintesis industri. Sejumlah contoh mengacu pada sumber pihak ketiga.
Survei infrastruktur AI Deloitte	30 Maret 2026	Sebanyak 61 persen responden memperkirakan konsumsi bulanan di atas 10 miliar token pada 2028; pertumbuhan token juga dapat menandakan desain yang tidak efisien.	Survei terhadap 515 pemimpin perusahaan di Amerika Serikat dengan pendapatan tahunan di atas 500 juta dolar AS. Proyeksi bukan realisasi.
Deloitte, dinamika belanja token AI	19 Januari 2026	Model total cost lama perlu diperbarui; monitoring, forecasting, pengendalian belanja, dan keselarasan pimpinan diperlukan.	Analisis Deloitte, bukan tolok ukur Asia Tenggara.
Flexera, State of the Cloud 2026	18 Maret 2026	Estimasi pemborosan cloud naik menjadi 29 persen; penggunaan AI generatif mencapai 81 persen di kalangan responden.	Survei global terhadap lebih dari 750 pengambil keputusan dan pengguna cloud. Pemborosan cloud tidak sama dengan pemborosan AI.

Catatan sumber

Bukti ditinjau pada 5 September 2026. Rujukan global dan Amerika Serikat dipakai untuk menjelaskan mekanisme biaya dan arah perubahan. Data tersebut tidak digunakan untuk memperkirakan tingkat adopsi, belanja, atau pemborosan AI di Indonesia maupun Asia Tenggara.

Bacaan lanjutan

1. Investasi Data Center AI: Kapan Perusahaan Perlu Bangun Sendiri?
2. Transformasi Digital: Siapa yang Bertanggung Jawab atas Nilai Bisnis?
3. Kebijakan AI Perusahaan: Diizinkan, Dibatasi, atau Dilarang?
4. Kerangka Keputusan CEO

Tentang penulis

Antovany Reza menulis CEO Decision Lab, sebuah platform keputusan independen bagi pemimpin yang ingin mengubah AI dan transformasi digital menjadi nilai bisnis, kualitas pertimbangan yang lebih kuat, dan eksekusi yang akuntabel.

Undangan berdiskusi

Jika perusahaan Anda sedang membawa alur kerja AI dari pilot menuju operasi, pertanyaan yang berguna bukan hanya berapa biayanya. Pertanyaan yang lebih menentukan adalah apakah perusahaan dapat menyebut hasil yang diterima, menelusuri seluruh biaya, dan menghentikan penggunaan ketika biaya dan hasil tidak lagi seimbang.

Diskusikan keputusan eksekutif

Versi bahasa

Read in English: AI Cost Management

Bagikan Decision Brief ini