Ada sesuatu yang menarik terjadi di industri AI saat ini, dan ini relevan bagi siapa pun yang mengikuti tesis investasi di sektor teknologi. Bukan soal model terbaru yang paling canggih — melainkan soal seberapa cepat kapabilitas frontier itu menjadi murah.
Kalau kita plot model-model AI populer berdasarkan dua dimensi — capability (diukur dari Agent Index, composite benchmark untuk agentic tasks seperti tool use, multi-step execution, web search) dan cost per million tokens — polanya cukup jelas: model lebih mahal cenderung lebih capable. US models mendominasi kuadran kanan atas (high cost, high capability), sementara model-model dari China lebih padat di sisi kiri (lower cost). Tapi yang lebih menarik bukan posisi masing-masing titik, melainkan bagaimana Pareto frontier-nya bergerak.
Pareto frontier di sini artinya: untuk setiap level biaya, model mana yang paling capable? Setiap bulan sejak Maret 2026, frontier ini bergeser ke kiri atas — artinya performa yang sama bisa didapat dengan biaya lebih rendah, atau dengan biaya yang sama kamu dapat performa jauh lebih tinggi. Contoh konkretnya: GLM-5.2 di frontier Juni memiliki Agent Index 32.5 dengan blended cost $1.16 per million tokens. Dua bulan sebelumnya, Opus 4.7 dengan score serupa (33.5) dihargai $7. Dalam dua bulan, cost turun lebih dari 80% tanpa kehilangan performa yang berarti.
Yang paling mencolok adalah DeepSeek-V4-Flash-0731. Model ini hanya 284B parameter total (13B active, pakai arsitektur Mixture-of-Experts), tapi Agent Index-nya melompat dari 20.7 ke 35.4 — melampaui model-model yang jauh lebih besar seperti GLM-5.2 (744B) dan DeepSeek-V4-Pro (1.6T). Peningkatan ini bukan dari menambah ukuran model, tapi dari post-training yang lebih efisien. Ini penting: parameter count bukan satu-satunya penentu performa. Architecture dan post-training bisa menggeser frontier lebih jauh dari sekadar scaling.
Di sisi lain, Kimi-K3 dengan 2.8 triliun parameter adalah bukti bahwa China tidak lagi hanya bersaing di harga murah — mereka mulai hadir di dekat performance ceiling. Ini pergeseran kompetitif yang signifikan.
Tapi ada paradoks yang lebih menarik dari sekadar penurunan harga. Ketika cost per token turun drastis, apakah pengeluaran total ikut turun? Tidak. Justru sebaliknya. Ini adalah Jevons Paradox yang bekerja secara nyata: efisiensi yang lebih tinggi mendorong konsumsi yang lebih besar, bukan penghematan. Semakin murah dan capable model-model ini, semakin banyak use case yang terbuka — news tracking, market summarization, expense management, research automation — dan total spending justru meledak.
Dari perspektif investasi, ini adalah sinyal yang kuat. Jevons Paradox di AI berarti penurunan harga model tidak menekan revenue ekosistem AI secara keseluruhan. Sebaliknya, ia memperluas total addressable market secara agresif. Lebih banyak pengguna, lebih banyak use case, lebih banyak token yang dikonsumsi. Infrastruktur AI — cloud compute, data center, chip — justru bisa melihat demand yang lebih tinggi seiring frontier meluas ke bawah.
Kompetisi antara US dan Chinese labs yang semakin ketat juga mempercepat siklus ini. Premium frontier models terus mendorong performance ceiling lebih tinggi, sementara model efisien di bawahnya membuat agentic workflows ekonomis di skala besar. Bagi investor yang memantau sektor ini, pertanyaannya bukan lagi siapa yang punya model terkuat bulan depan — tapi siapa yang paling diuntungkan ketika jutaan pengguna mulai menjalankan AI agents secara terus-menerus, tanpa terlalu khawatir soal cost per token.