Cara Membeli ChatGPT untuk Perusahaan: Kerangka Keputusan 5 Langkah dari Lisensi 20 Dolar AS hingga Kustomisasi Perusahaan dan Penagihan Token

Catatan penulis: Berangkat dari kabar bahwa lebih dari separuh pendapatan OpenAI kini berasal dari bisnis perusahaan, artikel ini menggabungkan survei Harness dengan metrik “biaya per tugas yang berhasil” untuk menguraikan 5 langkah pengadaan AI dan cara mengelola biayanya.

Pada 4 November 2026, Presiden OpenAI Greg Brockman menyampaikan di konferensi teknologi WSJ bahwa lebih dari separuh pendapatan OpenAI sudah berasal dari bisnis perusahaan. Ia juga menjelaskan bahwa pendapatan dari bisnis konsumen masih tumbuh, tetapi bisnis perusahaan tumbuh lebih cepat. Pada saat yang sama, sejumlah survei industri menunjukkan bahwa tagihan AI perusahaan membengkak lebih cepat dari perkiraan.

Ini bukan artikel perbandingan harga paket ChatGPT biasa. Reuters dan TechCrunch sudah melaporkan pernyataan Brockman, sementara survei FinOps dari Harness menyajikan data tentang tagihan AI perusahaan yang tak terkendali. Bagi perusahaan, tantangan utamanya bukan lagi “model mana yang harus dibeli”, melainkan bagaimana mengelola banyak penyedia, biaya pemanggilan yang terus meningkat, dan biaya sebenarnya untuk setiap tugas secara bersamaan.

Manfaat utama: Setelah membaca artikel ini, Anda akan memahami beberapa skema penagihan untuk pengadaan ChatGPT di perusahaan, serta mendapatkan kerangka 5 langkah untuk pengadaan AI dan pengelolaan biaya, mulai dari menentukan tugas hingga mengevaluasi hasilnya.

Ringkasan informasi utama pengadaan ChatGPT untuk perusahaan

Berikut fakta-fakta utama dari perkembangan ini. Perlu dicatat, “lebih dari separuh pendapatan OpenAI berasal dari perusahaan” mengacu pada struktur pendapatan OpenAI sendiri. Angka ini berbeda dari pangsa pasar API perusahaan dalam laporan industri, jadi keduanya tidak bisa disamakan.

Tiga bentuk utama pengadaan ChatGPT untuk perusahaan

Berdasarkan harga yang dipublikasikan, ada tiga jalur utama pengadaan ChatGPT untuk perusahaan. ChatGPT Business ditujukan untuk tim beranggotakan 2–200 orang. Paket Standard setara dengan sekitar 20 dolar AS per orang per bulan jika dibayar tahunan, atau 25 dolar AS jika dibayar bulanan. Paket Premium menawarkan kuota penggunaan sekitar 5 kali lipat dari Standard. Sementara itu, untuk ChatGPT Enterprise, perusahaan perlu menghubungi tim penjualan untuk mendapatkan penawaran khusus. Paket ini mencakup SCIM, EKM, RBAC, residensi data, SLA, dan ketentuan hukum khusus, serta dapat menggunakan penagihan berbasis Credit atau Token.

Jalur ketiga adalah membeli akses API secara langsung berdasarkan Token. API dan langganan ChatGPT menggunakan dua sistem penagihan yang terpisah. Biaya API dihitung berdasarkan Token input, output, dan cache yang benar-benar digunakan; mode dan panjang konteks yang berbeda juga memengaruhi biaya akhir. Perlu dicatat, pada Oktober 2026, OpenAI menawarkan kredit API promosi kepada workspace Business yang memenuhi syarat. Namun, kredit tersebut dihitung terpisah dari kuota penggunaan ChatGPT. Ini juga menunjukkan bahwa lisensi pengguna dan API perlu dikelola secara terpisah dalam anggaran.

Mengapa pengadaan AI perusahaan sering melebihi anggaran?

Jika hanya melihat harga satuan, AI tampaknya tidak mahal. Namun, tagihan yang diterima perusahaan sering kali jauh dari perkiraan. Dalam laporan State of AI in FinOps 2026, Harness mensurvei 700 pimpinan dan praktisi bidang engineering pada Mei–Juni 2026. Survei ini mencakup Amerika Serikat, Inggris, Prancis, Jerman, dan India, dengan seluruh perusahaan responden memiliki lebih dari 1.000 karyawan.

Hasilnya menunjukkan bahwa 67% organisasi responden menghabiskan lebih dari 250.000 dolar AS per bulan untuk AI, dan 20% sudah melampaui 1 juta dolar AS. Sebanyak 80% menyatakan total pengeluaran AI meningkat dalam enam bulan terakhir, sementara 78% memperkirakan pengeluaran akan terus naik. Yang lebih perlu diperhatikan adalah masalah yang terungkap dalam pengelolaan tagihan:

Perbandingan lain memperjelas masalahnya: 73% perusahaan sudah menetapkan kebijakan biaya AI, tetapi hanya 13% yang memiliki visibilitas biaya dasar. Dengan kata lain, kebijakan sudah tertulis, tetapi kemampuan pelaksanaan dan pemantauannya belum memadai. Perlu dicatat bahwa Harness sendiri adalah penyedia alat FinOps, dan sampelnya terbatas pada perusahaan dengan lebih dari 1.000 karyawan di lima negara. Jadi, temuan ini lebih cocok dijadikan acuan bagi perusahaan menengah dan besar, bukan sebagai kesimpulan statistik untuk seluruh industri.

Agent memutus hubungan antara konsumsi Token dan jumlah karyawan

Pengadaan SaaS tradisional dihitung berdasarkan jumlah pengguna, sehingga anggarannya relatif terkendali. Namun, Agent mengubah pola ini: analisis Menlo Ventures berdasarkan data OpenRouter menunjukkan bahwa Agent menyumbang sekitar 80% konsumsi Token di platform tersebut. Sejak melampaui lalu lintas yang digerakkan manusia pada Februari 2026, konsumsi ini tumbuh sekitar 37 kali lipat. Menlo juga menyebutkan bahwa Agent yang berjalan paralel dan terus bekerja di latar belakang menjadi salah satu penyebab utama pengeluaran perusahaan melampaui anggaran.

Data ini juga memiliki keterbatasan: pengguna OpenRouter cenderung berasal dari kalangan pengembang dan perusahaan rintisan, sehingga tidak dapat mewakili seluruh industri. Namun, trennya cukup jelas: konsumsi Token semakin bergantung pada jumlah tugas, tingkat paralelisme, dan durasi eksekusi, bukan hanya jumlah karyawan. Menurut laporan Axios, lebih dari 60% pengguna Codex menjalankan beberapa tugas secara bersamaan pada suatu waktu dalam sehari. Inilah salah satu akar masalah mengapa tagihan sulit diprediksi.

Mengapa pengadaan ChatGPT di perusahaan beralih ke multimodel

Banyak perusahaan awalnya hanya menggunakan satu penyedia, tetapi segera menyadari bahwa satu model sulit memenuhi semua kebutuhan. Dalam survei Harness, 69% perusahaan menggunakan OpenAI di lingkungan produksi, 58% menggunakan Azure OpenAI, 53% Google Vertex AI, 41% AWS Bedrock, dan 37% Anthropic. Persentase ini bisa tumpang tindih: artinya, “kebanyakan perusahaan menggunakan beberapa platform sekaligus”, bukan menunjukkan pangsa pasar dan tidak bisa dijumlahkan.

Preprint The Multi-Lab Enterprise yang diterbitkan di arXiv pada Juli 2026 menunjukkan pola serupa: di antara 2.000 perusahaan terbesar di dunia, 81% menggunakan tiga keluarga model atau lebih, dan 79% pernah melampaui anggaran AI. Bahkan perusahaan dengan praktik FinOps yang matang rata-rata mengalami kelebihan anggaran sebesar 30,9%. Namun, preprint ini belum melalui tinjauan sejawat, sehingga sebaiknya hanya digunakan sebagai referensi awal, bukan satu-satunya dasar pengambilan keputusan.

Pengadaan multimodel juga membawa tantangan yang nyata. Satuan penagihan, format tagihan, dan metode penghitungan penggunaan berbeda di setiap platform. Akibatnya, tim keuangan sulit mengelompokkan biaya berdasarkan departemen atau proyek, sementara tim teknis kesulitan membandingkan kinerja model dengan metrik yang sama. Di sinilah lapisan akses API terpadu berguna: menyatukan berbagai model dalam satu antarmuka dan satu laporan penggunaan.

Perbandingan cara pengadaan ChatGPT untuk perusahaan

Cost per Successful Task: Harga per Token Bukan Biaya Sebenarnya

Kesalahan paling umum saat perusahaan membandingkan harga adalah hanya melihat tarif per satu juta Token. Bayangkan dua model: model A lebih murah per panggilan, tetapi membutuhkan beberapa kali percobaan ulang untuk menyelesaikan tugas. Kualitas keluarannya juga tidak stabil sehingga perlu banyak pemeriksaan manual. Model B lebih mahal per panggilan, tetapi lebih sering berhasil dalam satu percobaan dan membutuhkan waktu peninjauan lebih singkat. Pada akhirnya, biaya model A per hasil yang diserahkan justru bisa lebih tinggi.

Karena itu, metrik pengadaan yang lebih bermakna adalah Cost per Successful Task (biaya aktual per tugas yang berhasil). Metrik ini menjumlahkan biaya model, alat, percobaan ulang, dan peninjauan manual, lalu membaginya dengan jumlah tugas yang benar-benar berhasil diselesaikan dan diserahkan. Model termurah tidak otomatis menjadi pilihan terbaik. Yang penting adalah model mana yang memiliki biaya keseluruhan lebih rendah untuk tugas Anda.

Hal ini sangat terlihat dalam penggunaan Agent. Axios pernah melaporkan kasus profesor Stanford Graduate School of Business, Andrew Hall, yang menggunakan Claude Code untuk memperbarui makalah lama. Agent tersebut mampu mengumpulkan data, melakukan analisis, dan membuat grafik, tetapi pemeriksaan manual setelahnya menemukan kesalahan pada data dan kode. Biaya pengawasan manusia memang nyata; mengabaikannya akan membuat perkiraan total biaya AI jauh lebih rendah daripada kenyataannya.

Gambar di atas menunjukkan pola yang umum, bukan kesimpulan dari pengujian dua model tertentu. Untuk evaluasi nyata, sebaiknya jalankan berbagai model pada kumpulan sampel bisnis yang sama, lalu hitung biayanya berdasarkan komponen dalam tabel di atas. Melalui platform dengan antarmuka terpadu seperti APIYI apiyi.com, Anda dapat berganti model dengan kode yang sama sehingga mengurangi pekerjaan teknis untuk pengujian perbandingan.

Cara menghitung biaya per tugas untuk pengadaan ChatGPT perusahaan

Contoh berikut menunjukkan cara mencatat penggunaan Token pada setiap pemanggilan. Data ini menjadi dasar untuk menghitung biaya per tugas yang berhasil (Cost per Successful Task):

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

resp = client.chat.completions.create(
    model="your-model-id",  # Gunakan ID model sesuai daftar model di platform
    messages=[{"role": "user", "content": "总结这份合同的关键风险条款"}]
)
print(resp.choices[0].message.content)
print("输入 Token:", resp.usage.prompt_tokens, "输出 Token:", resp.usage.completion_tokens)

import openai
from collections import defaultdict

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # Antarmuka terpadu; cukup ubah parameter model untuk beralih model
)

# Isi harga satuan sesuai model yang dibeli, dalam dolar AS / juta Token
PRICE = {
    "model-a-id": {"input": 0.0, "output": 0.0},
    "model-b-id": {"input": 0.0, "output": 0.0},
}
REVIEW_COST_PER_MIN = 0.0  # Biaya peninjauan manual per menit, dihitung dari biaya tenaga kerja perusahaan

ledger = defaultdict(lambda: {"cost": 0.0, "tasks": 0, "success": 0})

def run_task(dept: str, model: str, prompt: str, validator, max_retry: int = 2):
    """Jalankan tugas, catat biaya model dan percobaan ulang, lalu kembalikan status keberhasilan"""
    key = (dept, model)
    ledger[key]["tasks"] += 1
    for _ in range(max_retry + 1):
        resp = client.chat.completions.create(
            model=model,
            messages=[{"role": "user", "content": prompt}],
        )
        u = resp.usage
        p = PRICE[model]
        ledger[key]["cost"] += (u.prompt_tokens * p["input"]
                                + u.completion_tokens * p["output"]) / 1_000_000
        if validator(resp.choices[0].message.content):
            ledger[key]["success"] += 1
            return True
    return False

def add_review(dept: str, model: str, minutes: float):
    """Tambahkan biaya peninjauan manual berdasarkan durasinya"""
    ledger[(dept, model)]["cost"] += minutes * REVIEW_COST_PER_MIN

def report():
    for (dept, model), d in ledger.items():
        cpst = d["cost"] / d["success"] if d["success"] else float("inf")
        rate = d["success"] / d["tasks"] if d["tasks"] else 0
        print(f"{dept} | {model} | 成功率 {rate:.0%} | 每个成功任务成本 ${cpst:.4f}")

🚀 Saran untuk mulai: Sebelum menandatangani kontrak tahunan, lakukan pengukuran skala kecil selama dua hingga empat minggu menggunakan sampel bisnis nyata. Daftar di APIYI apiyi.com untuk mendapatkan kredit uji coba gratis. Satu kunci API dapat digunakan untuk memanggil model populer seperti OpenAI, Claude, dan Gemini, sehingga biaya per tugas dari berbagai model bisa dibandingkan dalam satu laporan penggunaan.

Kerangka keputusan 5 langkah untuk pengadaan ChatGPT di perusahaan

Untuk menerapkan pembahasan sebelumnya, pengadaan AI di perusahaan bisa dilakukan dalam lima langkah. Setiap langkah memiliki hasil yang jelas agar anggaran tidak lepas kendali akibat keputusan “beli dulu, pikirkan nanti”.

Penjelasan langkah: dari tugas hingga evaluasi hasil

Langkah pertama dan kelima paling sering dilewati, padahal keduanya menentukan apakah pengadaan tersebut benar-benar bermanfaat. Alur dalam kasus Credit Saison bisa dijadikan referensi: perusahaan ini lebih dulu menguji coba ChatGPT Enterprise selama lebih dari satu bulan dengan 315 orang, lalu memutuskan penerapan untuk seluruh karyawan berdasarkan hasilnya. Perusahaan melaporkan ROI uji coba sebesar 954%, dengan penghematan sekitar 14 jam per peserta setiap bulan. Namun, angka ini berasal dari studi kasus pelanggan yang diterbitkan OpenAI dan data yang dilaporkan perusahaan sendiri, bukan hasil audit independen, apalagi rata-rata industri.

Langkah ketiga biasanya bukan pilihan tunggal. Kombinasi yang umum adalah menggunakan lisensi Business atau Enterprise untuk pekerja berbasis pengetahuan, sementara tim pengembangan dan proses otomatisasi memakai API dengan biaya berdasarkan penggunaan. Langkah keempat perlu mencakup beberapa kemampuan yang dirangkum dalam survei Harness:

• Alokasi biaya: pisahkan pengeluaran AI berdasarkan departemen, tim, dan proyek agar jelas siapa yang bertanggung jawab atas biaya
• Statistik terpadu: gabungkan tagihan dari berbagai vendor dengan dasar perhitungan yang sama
• Peringatan anggaran: tetapkan ambang penggunaan agar masalah terdeteksi sebelum anggaran terlampaui, bukan pada akhir bulan
• Deteksi anomali: segera temukan konsumsi Token yang tidak wajar dan perulangan tak terbatas pada Agent
• Penyesuaian model: gunakan model ringan untuk tugas sederhana dan panggil model yang lebih canggih untuk tugas kompleks
• Jejak audit: simpan log pemanggilan, hasil tugas, dan catatan audit

Analisis Dampak Pengadaan ChatGPT bagi Perusahaan dan Industri

Dampak bagi Pemimpin Teknologi Perusahaan

• Model anggaran perlu disusun ulang: Agent membuat konsumsi Token tidak lagi bergantung pada jumlah pengguna. Anggaran berdasarkan jumlah orang akan cenderung meremehkan pengeluaran
• Metrik evaluasi perlu diperbarui: Beralih dari membandingkan harga per Token ke membandingkan biaya per tugas yang berhasil diselesaikan
• Arsitektur perlu mendukung pergantian penyedia: Penggunaan beberapa model sudah menjadi hal biasa, sehingga kode bisnis sebaiknya tidak terlalu terikat pada SDK satu penyedia

Dampak bagi Tim Pengadaan AI dan Keuangan

• Skema pengadaan makin kompleks: Lisensi pengguna, Credits, Token, platform cloud, dan layanan mitra bisa digunakan secara bersamaan
• Perlu ada penanggung jawab biaya: Dalam survei Harness, lebih dari separuh organisasi belum memiliki penanggung jawab yang jelas
• Ada posisi tawar baru dalam negosiasi kontrak: Data penggunaan yang jelas menjadi dasar untuk menegosiasikan diskon volume dan skema penagihan Token

Dampak bagi Industri

Lebih dari separuh pendapatan OpenAI berasal dari pelanggan perusahaan. Ini menunjukkan bahwa pasar perusahaan semakin menjadi fokus utama penyedia Model Bahasa Besar, dengan keamanan tingkat perusahaan, penempatan data, dan SLA sebagai titik persaingan. Di saat yang sama, estimasi Menlo tentang pangsa pengeluaran API perusahaan menunjukkan bahwa ada beberapa penyedia yang bersaing. Artinya, kemampuan “lapisan perantara” seperti akses dan routing model, pelacakan penggunaan, serta pengendalian anggaran akan semakin penting. Namun, ini merupakan penilaian tren dan tidak berarti ada penyedia tertentu yang sudah mengalami pertumbuhan karenanya.

Pertanyaan yang Sering Diajukan (FAQ)

Poin Utama Pengadaan ChatGPT untuk Perusahaan

• Struktur pendapatan bergeser: Pendapatan OpenAI dari bisnis perusahaan sudah melampaui setengah dari total pendapatannya, sementara bisnis konsumen masih tumbuh
• Tagihan tak terduga sering terjadi: Dalam survei Harness, 72% perusahaan pernah mengalami tagihan AI yang tak terduga
• Penggunaan banyak model sudah lazim: Mayoritas perusahaan memakai beberapa platform sekaligus, sehingga persentase penggunaannya tidak bisa dijumlahkan sebagai pangsa pasar
• Harga satuan bukan biaya keseluruhan: Gunakan biaya per tugas yang berhasil, bukan harga per satu juta Token, sebagai dasar keputusan
• Agent meningkatkan konsumsi: Eksekusi paralel dan di latar belakang membuat penggunaan Token tidak lagi sebanding dengan jumlah karyawan
• Pengadaan dalam lima langkah: Tugas, model, metode pengadaan, tata kelola biaya, dan evaluasi hasil sama-sama penting
• Uji sebelum tanda tangan: Gunakan antarmuka terpadu APIYI apiyi.com untuk menghitung biaya dengan sampel nyata

Kesimpulan

Poin utama pengadaan ChatGPT untuk perusahaan:

1. Metode pengadaan perlu dikombinasikan: Lisensi pengguna Business, kontrak khusus Enterprise, dan API dengan biaya berdasarkan Token masing-masing punya kegunaan tersendiri. Sebagian besar perusahaan perlu menggabungkannya
2. Tata kelola biaya lebih sulit daripada memilih model: Pengalokasian biaya, statistik terpadu, peringatan anggaran, dan deteksi anomali menentukan apakah pengeluaran AI bisa dikendalikan
3. Jadikan biaya per tugas sebagai metrik utama: Perhitungkan percobaan ulang, pemanggilan alat, dan peninjauan manual agar keputusan pengadaan benar-benar hemat biaya

Bagi pemimpin teknis dan staf pengadaan yang sedang menyusun anggaran AI, pendekatan yang lebih aman adalah memulai dengan uji coba skala kecil, mengumpulkan data penggunaan nyata, lalu menandatangani kontrak jangka panjang. APIYI apiyi.com dapat digunakan untuk memvalidasi biaya per tugas berbagai model dalam bisnis Anda. Platform ini menyediakan kuota uji coba gratis dan antarmuka terpadu untuk berbagai model.

📚 Referensi

1. Reuters: Laporan tentang pendapatan OpenAI yang lebih dari separuhnya berasal dari perusahaan: Pernyataan Brockman di konferensi teknologi WSJ
2. Tautan: reuters.com/legal/transactional/openai-ready-ipo-2027-now-counts-majority-sales-enterprises-brockman-says-2026-11-05

3. Keterangan: Porsi pendapatan dari perusahaan, pertumbuhan kuartal ketiga, dan pernyataan terkait IPO

4. Harness: State of AI in FinOps 2026: Survei pengelolaan biaya AI di perusahaan

5. Tautan: harness.io/state-of-ai-in-finops-2026

6. Keterangan: Data tentang tagihan tak terduga, visibilitas biaya, dan penggunaan berbagai platform

7. OpenAI Business Pricing: Halaman harga resmi ChatGPT Business dan Enterprise

8. Tautan: openai.com/business/pricing

9. Keterangan: Jenis lisensi pengguna, fitur perusahaan, dan metode penagihan

10. Menlo Ventures: 2026 The State of Enterprise AI: Laporan riset pasar AI perusahaan

11. Tautan: menlovc.com/perspective/2026-the-state-of-enterprise-ai

12. Keterangan: Estimasi belanja AI perusahaan, pangsa API, dan tren konsumsi Agent

13. The Multi-Lab Enterprise: Pracetak riset tata kelola multimodel di perusahaan

14. Tautan: arxiv.org/abs/2609.31622
15. Keterangan: Temuan awal tentang penggunaan multimodel dan pembengkakan anggaran; belum melalui tinjauan sejawat

Penulis: Tim Teknis APIYI
Diskusi teknis: Hubungi kami melalui halaman utama APIYI di apiyi.com. Untuk panduan integrasi lainnya, kunjungi pusat dokumentasi di docs.apiyi.com

Artikel terkait

• Jangan hanya lihat harga satuan token: 7 langkah untuk memperkirakan biaya lengkap sebuah tugas: Dari input, output, penalaran, cache, percobaan ulang hingga validasi dan peningkatan, gunakan 7 langkah untuk mengonversi "berapa biaya per juta token" menjadi "berapa biaya per satu tugas yang diselesaikan".
• Memahami dan Memeriksa Tagihan API Model Bahasa Besar: 5 Jenis Biaya dan Metode Rekonsiliasi 4 Langkah: Uraikan cara penagihan token input, output, cache, penalaran, dan multimodal dalam tagihan API Model Bahasa Besar, serta langkah praktis untuk memeriksa penggunaan melalui log panggilan, mengenali lonjakan biaya, dan menghadapi perubahan harga.
• Harga model yang murah tidak berarti tagihannya murah: 5 langkah memperkirakan biaya sebenarnya berdasarkan penggunaan token dan cache: Uraikan komponen tagihan, jelaskan bagaimana perbedaan tokenisasi, token penalaran, dan hit cache mengubah biaya aktual model, serta berikan metode estimasi 5 langkah dengan sampel kecil yang dapat digunakan kembali.