Belanja AI Perusahaan pada 2026 Mencapai 177 Miliar Dolar AS: 5 Tanda Agen Mengubah Pasar Konsumsi API

Catatan penulis: Artikel ini mengulas laporan AI perusahaan Menlo Ventures 2026 untuk menjelaskan bagaimana Agent mengubah penggunaan model dari “manusia mengajukan pertanyaan” menjadi “mesin terus menjalankan tugas”, serta dampaknya terhadap panggilan API, konkurensi, dan struktur pengadaan.

Menlo Ventures merilis laporan The State of Enterprise AI pada 3 November 2026. Laporan tersebut memperkirakan pengeluaran perusahaan untuk AI pada 2026 mencapai sekitar US$177 miliar (angka asli laporan: US$176,8 miliar), atau sekitar 5,4 kali lipat dari US$33 miliar pada 2025. Yang lebih menarik, pengeluaran aktual perusahaan rata-rata sekitar 2,5 kali lipat dari rencana awal.

Ini bukan sekadar pembahasan umum tentang “besarnya pasar AI”. Laporan ini didasarkan pada survei terhadap hampir 400 pengambil keputusan perusahaan di Amerika Serikat dan mengutip data Token dari OpenRouter. Kesimpulannya mengarah pada perubahan yang sama: sumber utama pertumbuhan pengeluaran bukan lagi “lebih banyak orang bertanya kepada AI”, melainkan “Agent terus bekerja atas nama manusia”.

Manfaat utama: Artikel ini merangkum data penting tentang pengeluaran AI perusahaan dan Agent, menjelaskan mengapa Agent mengubah konsumsi Token dan cara penggunaan API, serta membahas hal-hal yang perlu disiapkan oleh pengembang dan pembeli API.

Ringkasan pengeluaran AI perusahaan pada 2026

Mari mulai dari datanya. Semua angka dalam tabel berikut berasal dari estimasi pasar Menlo Ventures, bukan total pembayaran perusahaan yang telah diaudit atau pendapatan satu penyedia model tertentu.

“Pengeluaran untuk menggunakan AI melampaui pengeluaran untuk membangun model” merupakan tanda perubahan penting. Sebelumnya, pembahasan tentang rantai industri AI berfokus pada pelatihan dan daya komputasi. Kini, biaya layanan yang dibayar perusahaan agar model dapat menyelesaikan pekerjaan sudah menjadi porsi yang lebih besar. Perlu diingat, “pengeluaran penggunaan” di sini mencakup berbagai bentuk, seperti infrastruktur, langganan aplikasi, dan API, sehingga tidak bisa langsung dianggap sebagai pendapatan pasar API.

Pada periode yang sama, Presiden OpenAI Greg Brockman menyatakan di konferensi teknologi WSJ pada 4 November bahwa lebih dari separuh pendapatan OpenAI sudah berasal dari bisnis perusahaan. Angka ini menggambarkan komposisi pendapatan OpenAI sendiri, sedangkan angka Menlo bahwa “OpenAI menguasai 31% pengeluaran API perusahaan” menggunakan ukuran yang berbeda. Keduanya tidak bisa dicampur begitu saja untuk dibandingkan.

Mengapa pengeluaran AI perusahaan jauh melampaui anggaran: intensitas penggunaan lebih penting daripada jumlah pengguna

Selisih antara anggaran dan pengeluaran AI perusahaan

Data yang paling mengejutkan dalam laporan ini adalah selisih anggaran. Pada awal tahun, perusahaan umumnya meremehkan seberapa cepat pengeluaran AI akan bertambah:

Rata-rata pengeluaran lebih dari dua kali lipat median. Ini menunjukkan bahwa sejumlah kecil perusahaan yang menggunakan AI secara intensif mendorong pengeluaran keseluruhan naik. Tingkat adopsi hanya naik 10 poin persentase, tetapi rata-rata pengeluaran per perusahaan naik hampir 5 kali lipat. Jadi, pendorong utama pertumbuhan bukanlah bertambahnya perusahaan yang mulai menggunakan AI, melainkan makin intensifnya penggunaan di perusahaan yang sudah memakainya.

Pengeluaran AI perusahaan membentuk pos anggaran baru

Dari sisi sumber dana, Menlo memperkirakan sekitar 55% pengeluaran AI tambahan berasal dari anggaran baru, sedangkan sekitar 22% berasal dari anggaran perangkat lunak yang sudah ada. Artinya, AI bukan sekadar menggantikan SaaS tradisional, tetapi juga menciptakan pos pengadaan yang sebelumnya tidak ada. Bagi penanggung jawab pengadaan, AI kini terpisah dari “biaya perangkat TI” dan menjadi biaya operasional yang perlu dikelola secara khusus.

Bagaimana Agent Mengubah Penggunaan API: Dari Bertanya ke Mengeksekusi

Perbedaan Mekanisme Pemanggilan Chatbot dan Agent

Penyebab langsung anggaran membengkak adalah perubahan pola pemanggilan. Chatbot biasa pada dasarnya bekerja dengan pola “satu pertanyaan, satu jawaban”: pengguna mengirim pesan, lalu model memberikan satu respons. Konsumsi token pun kurang lebih sebanding dengan jumlah pertanyaan pengguna. Agent bekerja dengan pola “terima tujuan, pecah tugas, panggil alat, periksa hasil, lalu ulangi”. Di balik satu tugas, bisa ada puluhan pemanggilan model.

📊 Penjelasan gambar: Alur Agent multimodel di sebelah kanan dapat menggunakan model yang berbeda untuk tahap perencanaan, eksekusi, dan validasi. Jika ingin menguji sendiri struktur pemanggilan ini, Anda bisa menggunakan satu kunci melalui APIYI apiyi.com untuk beralih dan membandingkan model dari berbagai penyedia.

Konsumsi Token Mengikuti Jumlah Tugas

Berdasarkan data OpenRouter, Menlo mengamati bahwa Agent menyumbang sekitar 80% dari total konsumsi token di platform tersebut, atau sekitar 130,9 triliun token per minggu. Setelah lalu lintas Agent melampaui lalu lintas yang digerakkan manusia pada Februari 2026, lalu lintas Agent tumbuh sekitar 37 kali lipat, sedangkan lalu lintas yang digerakkan manusia hanya tumbuh sekitar 5 kali lipat pada periode yang sama.

Pengguna OpenRouter sebagian besar adalah pengembang dan perusahaan rintisan, sehingga data ini tidak mewakili seluruh industri. Namun, arahnya sejalan dengan indikator lain. Laporan perusahaan OpenAI tahun 2025 menunjukkan bahwa rata-rata konsumsi token inferensi melalui API perusahaan per organisasi tumbuh sekitar 320 kali lipat dibandingkan tahun sebelumnya. Laporan Axios tentang Codex juga menyebutkan bahwa lebih dari 60% pengguna menjalankan beberapa tugas secara bersamaan pada suatu waktu dalam sehari. Data ini menunjukkan bahwa konsumsi token mulai bergeser dari “mengikuti orang” menjadi “mengikuti tugas”.

Arah Pengeluaran AI Perusahaan: Mengapa Pemrograman dan Chatbot Perusahaan Memimpin

Distribusi Dana di Pasar Aplikasi AI

Di pasar aplikasi AI yang bernilai sekitar 77,3 miliar dolar AS, dana terkonsentrasi pada beberapa kategori:

Konsentrasinya lebih tinggi lagi di bidang pemrograman. Menlo memperkirakan Claude Code dan Codex bersama-sama menguasai sekitar 24 miliar dolar AS dari pasar aplikasi pemrograman, atau hampir 70%. Pemrograman menjadi bidang pertama yang berhasil menerapkan model Agent berkat tiga kondisi berikut.

Tiga Syarat Keberhasilan Penerapan Agent

1. Lingkungan yang memungkinkan tindakan dijalankan: Agent perlu terhubung ke GitHub, email, kalender, Slack, dokumen perusahaan, dan basis data. Kemampuan penalaran saja tanpa alat tidak cukup untuk menyelesaikan pekerjaan nyata.
2. Konteks tugas yang lengkap: Selain pertanyaan pengguna, Agent membutuhkan standar perusahaan, alur kerja bisnis, riwayat proyek, batasan operasional, dan kriteria keberhasilan.
3. Hasil yang dapat diverifikasi: Compiler dapat menentukan apakah kode berhasil di-build, sedangkan pengujian dapat menentukan apakah fungsinya berjalan dengan benar. Inilah alasan utama Agent pemrograman lebih unggul. Sebaliknya, hasil tugas riset dan penelusuran lebih sulit diverifikasi secara objektif.

Poin ketiga juga menjelaskan risiko biaya Agent. Di bidang yang hasilnya sulit diverifikasi, Agent bisa menghabiskan banyak token tetapi menghasilkan kesimpulan yang salah. Axios pernah melaporkan kasus profesor Stanford Andrew Hall yang menggunakan Claude Code untuk memperbarui makalah lama. Setelah ditinjau secara manual, ditemukan kesalahan dalam pengumpulan data dan pengolahan kode.

Analisis dampak Agent terhadap pasar penggunaan API

Dampak bagi pengembang API

• Model biaya perlu dihitung ulang: Memperkirakan anggaran API berdasarkan “jumlah pengguna × harga satuan” sudah tidak akurat. Gunakan “jumlah tugas × rata-rata putaran pemanggilan × panjang konteks” sebagai gantinya.
• Perlu batas pengaman anggaran: Agent yang terus berjalan di latar belakang harus memiliki batas Token per tugas, jumlah iterasi maksimum, dan penghentian otomatis saat gagal. Tanpa itu, anggaran perusahaan bisa membengkak dari 1,9 kali menjadi 4,7 kali lipat.
• Kombinasi beberapa model menjadi hal biasa: Gunakan model yang kuat untuk perencanaan, model berbiaya rendah untuk eksekusi massal, dan model dari penyedia lain untuk pemeriksaan silang. Cara ini dapat menurunkan biaya per tugas secara signifikan.

Dampak bagi penyedia layanan API

Perubahan kebutuhan akibat Agent dapat dikelompokkan menjadi lima kategori, masing-masing dengan kemampuan yang perlu disediakan oleh penyedia layanan:

💡 Saran memilih: Jika alur kerja Agent Anda memerlukan kombinasi model dari beberapa penyedia, Anda bisa mulai dengan menguji prototipe melalui antarmuka yang kompatibel dengan OpenAI di APIYI apiyi.com. Penagihan berdasarkan pemakaian memudahkan Anda menghitung biaya aktual setiap tahap.

Tetap objektif: pengeluaran AI perusahaan bukan berarti pendapatan API

Anggapan bahwa “semakin banyak Agent, pendapatan penyedia API pasti semakin tinggi” tidak selalu benar, karena tiga alasan:

• Sebagian besar dari 176,8 miliar dolar AS digunakan untuk infrastruktur dan langganan aplikasi, bukan biaya pemanggilan API.
• Harga terus turun. Model sumber terbuka kini menyumbang 19% penggunaan Token, tetapi hanya sekitar 4% pengeluaran. Artinya, peningkatan volume Token tidak selalu menghasilkan pertumbuhan pendapatan yang setara.
• Cache, pemrosesan batch, dan perutean model menekan biaya per unit. Pada akhirnya, persaingan ditentukan oleh stabilitas dan tingkat keberhasilan tugas, bukan sekadar volume penjualan Token.

Cara Membangun Alur Kerja Agent Multimodel dengan API

Contoh minimal

Kode berikut menunjukkan dua pemanggilan paling dasar dalam Agent: “perencanaan → eksekusi”. Ganti nama model dengan model yang tersedia di konsol platform:

from openai import OpenAI

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

plan = client.chat.completions.create(
    model="YOUR_PLANNER_MODEL",
    messages=[{"role": "user", "content": "把“整理本周销售周报”拆成 3 个步骤"}]
).choices[0].message.content

result = client.chat.completions.create(
    model="YOUR_EXECUTOR_MODEL",
    messages=[{"role": "user", "content": f"按以下步骤执行并输出结果：\n{plan}"}]
)
print(result.choices[0].message.content, result.usage.total_tokens)

import time
from openai import OpenAI

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

MODELS = {
    "planner": "YOUR_PLANNER_MODEL",    # Model dengan kemampuan penalaran kuat, bertugas memecah tugas
    "executor": "YOUR_EXECUTOR_MODEL",  # Model berbiaya rendah, bertugas menjalankan tugas secara massal
    "checker": "YOUR_CHECKER_MODEL",    # Model dari penyedia lain untuk validasi silang
}
TOKEN_BUDGET = 50_000   # Batas token per tugas
MAX_ROUNDS = 3          # Jumlah maksimum putaran iterasi

used_tokens = 0

def call(role: str, prompt: str, retries: int = 3) -> str:
    global used_tokens
    if used_tokens >= TOKEN_BUDGET:
        raise RuntimeError("超出单任务 Token 预算，熔断")
    for i in range(retries):
        try:
            resp = client.chat.completions.create(
                model=MODELS[role],
                messages=[{"role": "user", "content": prompt}],
            )
            used_tokens += resp.usage.total_tokens
            return resp.choices[0].message.content
        except Exception as e:
            time.sleep(2 ** i)  # Jeda eksponensial
            last_err = e
    raise last_err

def run_agent(goal: str) -> str:
    plan = call("planner", f"将目标拆成可执行步骤：{goal}")
    output = call("executor", f"按步骤执行：\n{plan}")
    for _ in range(MAX_ROUNDS):
        verdict = call("checker", f"检查结果是否满足目标“{goal}”，"
                                  f"合格只回复 PASS，否则指出问题：\n{output}")
        if verdict.strip().startswith("PASS"):
            break
        output = call("executor", f"根据反馈修正：\n{verdict}\n原结果：\n{output}")
    print(f"本任务共消耗 Token：{used_tokens}")
    return output

print(run_agent("整理本周销售数据并写一份 300 字摘要"))

Kode ini menunjukkan beberapa poin di atas: satu tugas membutuhkan setidaknya 3 pemanggilan, tiga peran menggunakan model yang berbeda, dan anggaran token serta batas iterasi membantu menjaga biaya agar tidak lepas kendali.

🚀 Mulai cepat: Ambil kuota uji coba gratis di APIYI apiyi.com, lalu coba model yang berbeda untuk masing-masing dari tiga peran. Catat data usage sebelum menentukan kombinasi model untuk lingkungan produksi.

Pertanyaan Umum FAQ

Poin Penting Pengeluaran AI Perusahaan dan Agent

• Skala: Menlo memperkirakan pengeluaran penggunaan AI perusahaan pada 2026 mencapai sekitar 176,8 miliar dolar AS, atau sekitar 5,4 kali lipat dari tahun sebelumnya.
• Selisih anggaran: Rata-rata pengeluaran aktual perusahaan mencapai 4,7 kali lipat dari tahun sebelumnya, padahal awalnya hanya direncanakan naik menjadi 1,9 kali lipat.
• Sumber pertumbuhan: Pertumbuhan terutama berasal dari peningkatan intensitas penggunaan oleh perusahaan yang sudah mengadopsi AI, bukan dari kenaikan tingkat adopsi.
• Mekanisme pemanggilan: Agent membuat konsumsi token bergantung pada jumlah tugas, tingkat paralelisme, dan durasi eksekusi.
• Syarat penerapan: Agent membutuhkan lingkungan eksekusi, konteks lengkap, dan hasil yang dapat diverifikasi. Karena itu, bidang pemrograman menjadi yang terdepan.
• Penilaian rasional: Pengeluaran AI perusahaan tidak sama dengan pendapatan API, dan pertumbuhan token tidak berarti pendapatan tumbuh sebesar itu dari tahun ke tahun.
• Cara memulai: Gunakan APIYI apiyi.com untuk menggabungkan model dari beberapa penyedia dengan satu kunci API dan menghitung biaya tugas nyata.

Kesimpulan

Ada tiga perubahan utama dalam pengeluaran AI perusahaan pada 2026:

1. Dari digerakkan manusia menjadi digerakkan tugas: Penggunaan model bergeser dari “manusia mengajukan pertanyaan” ke “Agent menjalankan tugas secara berkelanjutan”.
2. Dari biaya alat menjadi anggaran tersendiri: Lebih dari separuh pengeluaran tambahan berasal dari anggaran baru. AI mulai menjadi biaya operasional yang dikelola secara terpisah.
3. Dari menjual token menjadi menjual keandalan: Persaingan layanan API akan berfokus pada stabilitas, konkurensi, peralihan antar-model, dan pemantauan penggunaan.

Bagi pengembang dan pengambil keputusan pembelian, langkah yang paling bermanfaat saat ini adalah menghitung “biaya per tugas” menggunakan tugas nyata, alih-alih memperkirakan anggaran berdasarkan jumlah pengguna. APIYI apiyi.com bisa digunakan untuk membangun prototipe Agent multimodel dengan cepat, lalu memakai data usage aktual sebagai dasar anggaran AI tahun berikutnya.

📚 Referensi

1. Menlo Ventures – 2026 The State of Enterprise AI：Sumber utama data artikel ini
2. Tautan：menlovc.com/perspective/2026-the-state-of-enterprise-ai

3. Keterangan：Mencakup belanja AI perusahaan, pangsa API, data Agent OpenRouter, dan metode survei

4. Reuters – Brockman 谈 OpenAI 企业收入：Pendapatan perusahaan menyumbang lebih dari separuh pendapatan OpenAI

5. Tautan：reuters.com/legal/transactional

6. Keterangan：Laporan tertanggal 5 November 2026. Perlu dicatat bahwa cakupannya berbeda dari pangsa API dalam laporan Menlo

7. OpenAI – The State of Enterprise AI 2025：Data dasar penggunaan di perusahaan

8. Tautan：openai.com/business/guides-and-resources/the-state-of-enterprise-ai-2025-report

9. Keterangan：Memuat data historis, termasuk konsumsi token penalaran per organisasi yang meningkat sekitar 320 kali lipat dari tahun sebelumnya

10. Axios – Office workers drive OpenAI’s Codex growth：Paralelisme multitugas dan pengawasan Agent

11. Tautan：axios.com/2026/06/02/openai-codex-knowledge-workers
12. Keterangan：Data Juni 2026, berguna untuk memahami penggunaan Agent oleh pekerja berbasis pengetahuan

Penulis：Tim Teknis APIYI
Diskusi teknis：Untuk pertanyaan praktis tentang alur kerja Agent dan pemanggilan beberapa model, hubungi kami melalui halaman utama APIYI apiyi.com