Catatan penulis: membandingkan pengeluaran langganan ChatGPT Dots dengan Agent yang dibangun sendiri — dari sisi model, infrastruktur, pemeliharaan, dan tinjauan manusia — dengan menggunakan biaya tugas yang berhasil pada standar hasil yang setara.
Kesimpulan inti: Untuk menilai apakah «menghabiskan $100 per bulan untuk memelihara satu karyawan AI» itu menguntungkan, kita harus melihat total biaya untuk menyelesaikan satu tugas yang memenuhi standar pada standar hasil yang sama; biaya bulanan dan harga satuan Token hanyalah sebagian dari itu. Berdasarkan materi resmi per 16 November 2026, ambang batas bagi pengguna individu untuk memakai ChatGPT Dots adalah Pro 100 ($100/bulan), dan langganan tersebut sudah membundel komputer awan, konteks jangka panjang, koordinasi tugas, serta koneksi aplikasi. Pada satu sampel hipotetis, biaya model untuk Agent yang dibangun sendiri dengan 300 tugas per bulan sekitar $33 hingga $66, tetapi itu belum termasuk server, perkakas, pengembangan dan pemeliharaan, percobaan ulang yang gagal, serta tinjauan manusia. Rute mana yang lebih murah baru bisa disimpulkan setelah diuji dengan batch tugas yang sama.
Artikel ini pertama-tama membedah cakupan harga dan rentang kemampuan langganan Dots, lalu membagi biaya Agent yang dibangun sendiri menjadi lima kategori: model, infrastruktur, perkakas, pengembangan, dan pemeliharaan, sekaligus mendemonstrasikan cara menghitung biaya Token per tugas memakai harga Claude di APIYI. Selanjutnya, enam dimensi dipakai untuk membandingkan Dots, Agent satu model, dan Agent multi-model, sehingga menghasilkan satu metode eksperimen pembanding yang berpusat pada «biaya tugas yang berhasil». Terakhir, diberikan rekomendasi pemilihan berdasarkan tiga jenis kebutuhan — pengguna individu, pengembang berat, dan perusahaan — serta pengenalan cara pengelolaan biaya melalui penggunaan campuran langganan dan API.

Perlu Diketahui: 8 istilah untuk memahami biaya karyawan AI
| Istilah | Penjelasan |
|---|---|
| Langganan Pro | Paket ChatGPT berbayar bulanan yang mencakup hak dan kuota penggunaan terkait; Pro 100, Pro 200, dan Pro 500 semuanya dapat menggunakan Dots |
| Dot | Agent pribadi yang selalu aktif di ChatGPT Dots, memiliki komputer cloud dan browser sendiri, serta dapat terus menjalankan tugas yang didelegasikan |
| Token | Unit yang digunakan model untuk mengukur konten input dan output; API dihargai per juta Token |
| Pembacaan cache | Konten prefix yang berulang dalam permintaan (seperti petunjuk sistem dan definisi alat) menggunakan kembali hasil pemrosesan yang sudah ada, dengan harga satuan jauh lebih rendah daripada input biasa |
| Penulisan cache | Menyimpan prefix yang dapat digunakan kembali untuk pertama kali agar dapat dibaca oleh permintaan berikutnya; aturan penagihan mengikuti konsol platform |
| Biaya infrastruktur | Biaya server, container, database, penyimpanan, dan lingkungan eksekusi yang diperlukan untuk membangun Agent sendiri |
| Tingkat keberhasilan tugas | Proporsi tugas yang memenuhi standar penerimaan yang seragam setelah satu kali atau beberapa kali dijalankan |
| Biaya tugas berhasil | Total pengeluaran untuk semua proses (termasuk percobaan ulang yang gagal), infrastruktur, dan tinjauan manual, dibagi dengan jumlah tugas yang memenuhi syarat dan berhasil diserahkan |
1 Apa yang didapat dengan ChatGPT Dots seharga 100 dolar per bulan
1.1 Skema Harga Pro Pribadi dan Perusahaan untuk ChatGPT Dots
ChatGPT Dots resmi diluncurkan oleh OpenAI pada 29 September 2026. Posisinya adalah agen AI pribadi yang selalu aktif: setelah pengguna mendelegasikan tujuan, Dot dapat terus memajukan pekerjaan di cloud saat pengguna pergi dan komputer dimatikan, lalu menyerahkan kembali urusan tersebut kepada pengguna ketika ada keputusan yang perlu diambil.
Saat membahas harga Dots, kita perlu memisahkan Pro pribadi dan Dot perusahaan. Tabel berikut disusun berdasarkan dokumen bantuan resmi OpenAI, dengan tanggal penelusuran 16 November 2026.
| Sasaran penggunaan | Dasar biaya | Syarat berlaku | Bagian yang ditagih terpisah |
|---|---|---|---|
| ChatGPT Pro 100 | $100/bulan | Usia 18 tahun ke atas; tidak termasuk Wilayah Ekonomi Eropa, Inggris, Swiss; dibuka secara bertahap | Tugas Work/Codex yang didelegasikan mengonsumsi kuota produk terkait |
| ChatGPT Pro 200 | $200/bulan | Sama seperti di atas | Sama seperti di atas |
| ChatGPT Pro 500 | $500/bulan | Sama seperti di atas | Sama seperti di atas |
| Ruang kerja Enterprise | Tarif tetap menurut jenis pekerjaan atau penagihan menurut penggunaan; jumlahnya mengacu pada kontrak atau penawaran ruang kerja | 2026-11-04 hingga 11-18 adalah masa pratinjau administrator gratis; Dot yang diaktifkan mulai 11-18 mulai dikenai biaya; setiap anggota dapat membuat 1 Dot pribadi | Tugas yang didelegasikan ke Work atau Codex ditagih terpisah sesuai standar yang berlaku |
Keterangan Dots untuk Pro pribadi tidak mencantumkan biaya langganan Dot bulanan tersendiri; biaya bulanan Pro sendiri merupakan ambang untuk menggunakan layanan. Pihak resmi juga menyatakan bahwa tugas ChatGPT Work atau Codex yang didelegasikan oleh Dot dihitung menurut aturan kuota produk terkait, dengan konsumsi bergantung pada faktor seperti model, konteks, penalaran, pemanggilan alat, dan pencarian. Jadi, $100/bulan setara dengan sekumpulan kuota penggunaan yang memiliki batas, dan materi resmi juga tidak menyebutkan berapa banyak tugas pekerjaan mendalam Dot yang berlaku untuk Pro pribadi.
1.2 Kemampuan karyawan AI yang dipaketkan dalam langganan Dots
Saat membandingkan Dots dengan pemanggilan API, orang mudah terpaku hanya pada item “model”. Padahal, langganan ini mengemas seluruh lingkungan operasi; jika membangun sendiri, semua itu harus diimplementasikan sendiri:
- Komputer dan browser cloud: Setiap Dot memiliki komputer cloud sendiri, dapat membuka situs web, merapikan dokumen, membuat laporan, dan pengguna dapat melihat serta mengambil alih operasi kapan saja.
- Konteks jangka panjang: Menggabungkan ChatGPT Memory, catatan milik Dot sendiri, materi tugas saat ini, dan data aplikasi yang telah diizinkan.
- Koordinasi multi-proyek: Memecah tugas kompleks, menjalankan Agen riset latar belakang secara paralel, merangkum hasil, dan meminta pengguna turun tangan saat terhambat.
- Mode kerja berkelanjutan: Mendukung tugas terjadwal dan pemantauan peristiwa, misalnya memeriksa pesaing setiap minggu dan memantau bug baru yang muncul di Slack.
- Riset proaktif: Saat tidak ada pesan baru, meneliti sumber data yang telah diizinkan. Proses ini hanya-baca; tindakan lanjutan harus melalui persetujuan normal.
- Koneksi aplikasi dan saluran komunikasi: Saat peluncuran, deskripsi resmi menyebut ekosistem plugin yang dapat terhubung ke lebih dari 4.000 aplikasi, serta dapat dihubungi melalui ChatGPT, Slack, Microsoft Teams, dan saluran lainnya.
- Mekanisme izin dan keamanan: Custom Rules menetapkan batas eksekusi, Auto-review memeriksa sebelum operasi seperti mengirim email, sedangkan operasi seperti mengubah kata sandi dan memindahkan dana harus diambil alih oleh pengguna.
Pengujian pihak ketiga memberikan referensi tentang batas kemampuan. Dalam pengujian Axios pada 20 Oktober 2026, Dots membuat buku program peringatan WNBA setebal 38 halaman dan menghasilkan buku foto peringatan 12 halaman dalam 47 detik. Namun, di dalam buku program tersebut muncul statistik yang patut dipertanyakan, dan proses belanja juga perlu diselesaikan sendiri oleh pengguna dengan beralih ke aplikasi Target. Kesimpulan penulis adalah: Agen semacam ini cocok untuk menangani riset dan pekerjaan persiapan, tetapi hasilnya masih memerlukan penyuntingan manusia dan verifikasi fakta. Kesimpulan ini secara langsung menentukan bahwa model biaya di bagian selanjutnya harus mencakup peninjauan manual.
2 Biaya Lengkap Membangun Sendiri Agent Karyawan AI
2.1 Lima Kategori Biaya Membangun Sendiri Agent
Membangun Agent yang bisa terus bekerja dengan API, tagihannya jauh lebih dari sekadar pemanggilan model. Biaya bisa dipecah menjadi lima kategori:
- Biaya model: konsumsi input, output, baca-tulis cache, dan inferensi, berubah linear seiring volume tugas.
- Biaya infrastruktur: server cloud, container, basis data, penyimpanan; sebagian berupa biaya bulanan tetap, sebagian berubah sesuai beban.
- Biaya tool: API pencarian, headless browser, antarmuka data pihak ketiga, biasanya ditagih per jumlah pemanggilan.
- Biaya pengembangan: pengembangan awal, integrasi sistem, desain izin akses; investasi terkonsentrasi di awal.
- Biaya pemeliharaan: monitoring dan alert, troubleshooting, uji regresi setelah upgrade model; terjadi terus-menerus.
Ditulis sebagai rumus:
$$C_{self}=C_{API}+C_{infra}+C_{tools}+C_{dev}+C_{maintenance}$$
Struktur biaya jalur langganan adalah:
$$C_{subscription}=C_{plan}+C_{extra\ usage}+C_{human\ review}$$
Kedua jalur sama-sama harus memperhitungkan waktu manusia. Waktu manusia pada jalur bangun sendiri tersebar di pengembangan, pemeliharaan, dan peninjauan; pada jalur langganan, waktu manusia terutama untuk mendelegasikan tugas, memeriksa hasil, dan menyetujui.
2.2 Satu Rancangan Desain Agent Karyawan AI Bangun Sendiri
Berikut adalah rancangan desain untuk perhitungan biaya, yang menjelaskan komponen apa saja yang dibutuhkan untuk membangun sendiri Agent. Untuk biaya tiap komponen, isi sesuai harga layanan cloud yang benar-benar Anda pilih; artikel ini tidak melakukan uji deployment terhadap rancangan tersebut.
- Lapisan penjadwalan: pemicu terjadwal atau message queue, menangani tugas berkala seperti “setiap pagi pukul 8 hasilkan intelijen”.
- Lapisan orkestrasi: framework Agent bertanggung jawab merencanakan langkah, memanggil tool, dan menyimpan status antara (misalnya Checkpointer di LangGraph atau workflow OpenAI Agents SDK).
- Lapisan model: memanggil model melalui antarmuka kompatibel OpenAI, dan merutekan ke model berbeda sesuai tingkat kesulitan tugas.
- Lapisan tool: pencarian, scraping halaman web, headless browser, pembuatan file.
- Lapisan status: basis data menyimpan catatan tugas, catatan jangka panjang, dan informasi deduplikasi.
- Lapisan persetujuan: operasi yang melibatkan pengiriman ke luar, pembayaran, atau penghapusan masuk ke antrean persetujuan manusia.
- Lapisan observasi: mencatat Token tiap pemanggilan, waktu yang dihabiskan, alasan kegagalan, sebagai sumber data untuk perhitungan biaya.

Dari tujuh komponen yang sesuai dengan gambar ini, hanya biaya lapisan model yang bisa dihitung langsung berdasarkan harga Token; biaya komponen lainnya bergantung pada pilihan arsitektur dan kemampuan tim. Inilah alasan biaya Token hanya mewakili sebagian dari biaya bangun sendiri.
3 Berapa Token yang Dikonsumsi Satu Tugas Karyawan AI
3.1 Perbedaan Penagihan Input, Output, dan Cache
Satu tugas Agent biasanya mencakup beberapa putaran pemanggilan model: satu kali untuk perencanaan, satu kali untuk penalaran ulang setelah setiap pemanggilan alat, dan satu kali untuk peringkasan di akhir. Setiap putaran akan mengirim ulang system prompt, definisi alat, dan langkah-langkah historis sebagai input, sehingga Token input pada Agent sering kali jauh lebih besar daripada Token output.
Di sinilah cache berperan. System prompt dan definisi alat tetap sama di beberapa putaran pemanggilan; begitu cache hit, penagihan dihitung berdasarkan harga baca cache, yang harga satuannya sekitar seperdua puluh dari input biasa. Penulisan cache terjadi saat pertama kali prefix disimpan, dan harganya mengacu pada konsol platform — dalam contoh artikel ini tidak ikut dihitung.
3.2 Menghitung biaya model per tugas dengan harga APIYI
Harga berikut diambil dari daftar harga model Claude yang diumumkan APIYI pada 13 November 2026; harga yang berlaku sebenarnya mengacu pada konsol dan daftar model saat pemanggilan. Penggunaan dalam tugas adalah sampel hipotetis yang dipakai untuk mendemonstrasikan algoritme: setiap tugas memiliki input 30,000 Token dan output 5,000 Token, dengan 300 tugas per bulan. Sampel ini tidak berkaitan dengan Dots atau rata-rata penggunaan nyata platform mana pun.
| Item perhitungan | Claude Opus 5.5 | Claude Sonnet 5.5 |
|---|---|---|
| Harga input / harga output / harga pembacaan cache (per juta Token) | $4 / $20 / $0.20 | $2 / $10 / $0.10 |
| Biaya per tugas (tanpa cache) | 30,000×$4/10⁶ + 5,000×$20/10⁶ = $0.22 | 30,000×$2/10⁶ + 5,000×$10/10⁶ = $0.11 |
| Biaya bulanan untuk 300 tugas (tanpa cache) | $66 | $33 |
| Biaya per tugas (dengan asumsi 20,000 Token input memakai pembacaan cache) | $0.04 + $0.004 + $0.10 = $0.144 | $0.02 + $0.002 + $0.05 = $0.072 |
| Biaya bulanan untuk 300 tugas (termasuk asumsi pembacaan cache) | $43.2 | $21.6 |
| Platform yang tersedia | APIYI, API resmi | APIYI, API resmi |
Dalam asumsi ini, biaya model murni lebih rendah daripada biaya bulanan Pro 100 sebesar $100. Hasil ini hanya menunjukkan bahwa lapisan model memang murah; hasil ini tidak mencakup infrastruktur, alat, pengembangan dan pemeliharaan, serta peninjauan manual, dan juga tidak memperhitungkan pengulangan akibat kegagalan.
3.3 Mencatat penggunaan Token aktual tugas staf AI dengan kode
Perhitungan biaya harus menggunakan penggunaan aktual untuk menggantikan nilai asumsi. Contoh singkat berikut memanggil model satu kali dan membaca field usage yang dikembalikan:
import openai
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # Antarmuka kompatibel OpenAI APIYI
)
resp = client.chat.completions.create(
model="claude-sonnet-5.5", # Sesuai nama aktual dalam daftar model APIYI
messages=[{"role": "user", "content": "汇总今天的 AI 行业新闻要点"}]
)
print(resp.usage) # Jumlah Token input dan output, untuk perhitungan biaya
Lihat implementasi lengkap: mencatat setiap eksekusi dan menghitung biaya tugas yang berhasil
import time
import openai
from dataclasses import dataclass, field
# Harga per juta Token (USD), sesuai konsol saat pemanggilan
PRICES = {
"claude-opus-5.5": {"input": 4.0, "output": 20.0, "cache_read": 0.20},
"claude-sonnet-5.5": {"input": 2.0, "output": 10.0, "cache_read": 0.10},
}
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1"
)
@dataclass
class RunRecord:
task_id: str
model: str
input_tokens: int
output_tokens: int
cached_tokens: int
seconds: float
cost: float
passed: bool = False # Ditentukan secara manual berdasarkan standar penerimaan yang seragam
review_minutes: float = 0.0 # Waktu pemeriksaan dan perbaikan manual
@dataclass
class Ledger:
runs: list = field(default_factory=list)
def call(self, task_id: str, model: str, messages: list) -> str:
start = time.time()
resp = client.chat.completions.create(model=model, messages=messages)
usage = resp.usage
details = getattr(usage, "prompt_tokens_details", None)
cached = getattr(details, "cached_tokens", 0) or 0
p = PRICES[model]
uncached_input = usage.prompt_tokens - cached
cost = (uncached_input * p["input"]
+ cached * p["cache_read"]
+ usage.completion_tokens * p["output"]) / 1_000_000
self.runs.append(RunRecord(task_id, model, usage.prompt_tokens,
usage.completion_tokens, cached,
time.time() - start, cost))
return resp.choices[0].message.content
def cost_per_success(self, hourly_rate: float, fixed_cost: float = 0.0) -> float:
"""(total biaya semua eksekusi + biaya tetap + biaya peninjauan manual) / jumlah tugas yang lulus"""
api = sum(r.cost for r in self.runs)
review = sum(r.review_minutes for r in self.runs) / 60 * hourly_rate
passed_tasks = {r.task_id for r in self.runs if r.passed}
if not passed_tasks:
return float("inf")
return (api + fixed_cost + review) / len(passed_tasks)
ledger = Ledger()
text = ledger.call("news-1116", "claude-sonnet-5.5",
[{"role": "user", "content": "汇总今天的 AI 行业新闻要点"}])
ledger.runs[-1].passed = True
ledger.runs[-1].review_minutes = 8
print(ledger.cost_per_success(hourly_rate=30, fixed_cost=0))
🚀 Saran cepat untuk memulai: Saat melakukan eksperimen perbandingan biaya, Anda bisa lebih dulu memanggil Opus dan Sonnet secara terpisah di APIYI apiyi.com dengan kunci API yang sama, lalu menghubungkan Ledger di atas ke Agent Anda. Jalankan tugas nyata selama satu minggu penuh, lalu tinjau catatan biayanya. Platform menagih sesuai pemakaian, pengguna baru mendapat kuota uji gratis, cocok untuk mendapatkan data Token nyata sebelum mulai pengembangan.
4 Mengapa biaya staf AI berbeda jauh tergantung model
Pada contoh hipotetis di Bagian 3, biaya model per tugas Opus 5.5 dua kali lipat Sonnet 5.5. Jika hanya melihat kolom ini, Sonnet dapat menghemat $33 per bulan. Namun, biaya akhir tugas Agent juga dipengaruhi tingkat keberhasilan dan peninjauan manual. Berikut ini demonstrasi pengaruh tersebut dengan sekumpulan parameter asumsi.
Misalkan tingkat lolos Opus dalam sekali jalan adalah 90%, sedangkan Sonnet 60%; tugas yang tidak lolos dijalankan ulang sampai lolos. Dengan perhitungan nilai ekspektasi, biaya model per tugas yang lolos masing-masing sekitar $0.22÷0.9 ≈ $0.24 dan $0.11÷0.6 ≈ $0.18. Selisih tingkat keberhasilan sudah menelan sebagian besar keunggulan harga satuan.
Pengaruh waktu manual bahkan lebih besar. Misalkan tarif per jam peninjau setara $30, sekitar $0.5 per menit kerja manual. Selama output Sonnet rata-rata membutuhkan 1 menit tambahan untuk koreksi per tugas, tambahan $0.5 tersebut sudah melebihi seluruh selisih harga satuan kedua model. Untuk tugas intelijen dan laporan yang memerlukan pemeriksaan data satu per satu, waktu peninjauan sering dihitung dalam menit; dalam kasus ini, memilih model yang lebih stabil justru menurunkan biaya total.
Sebaliknya, untuk tugas sederhana dengan format tetap dan mudah divalidasi otomatis (seperti klasifikasi, ringkasan, ekstraksi field), tingkat keberhasilan model murah bisa mendekati model mahal. Tugas jenis ini lebih masuk akal menggunakan Sonnet atau model yang lebih murah. Kedua arah penilaian ini baru bisa diterapkan setelah mengukur tingkat keberhasilan dengan tugas nyata.
Perbandingan enam dimensi staf AI: Dots, Agent satu model, dan Agent multi-model

| Dimensi | ChatGPT Dots | Agent satu model (dibangun sendiri) | Agent multi-model (dibangun sendiri) |
|---|---|---|---|
| Biaya langganan | Pro personal mulai $100/bulan; perusahaan sesuai kontrak | Tidak ada | Tidak ada |
| Biaya model | Termasuk dalam kuota langganan, delegasi ke Work/Codex dihitung dengan kuota terpisah | Ditagih per token, tumbuh linear seiring volume tugas | Ditagih per token, harga rata-rata bisa ditekan lewat perutean berdasarkan tingkat kesulitan |
| Infrastruktur | Komputer cloud dan browser disediakan resmi | Menyediakan server, database, dan lingkungan browser sendiri | Sama seperti satu model, ditambah logika perutean dan evaluasi |
| Pengembangan dan pemeliharaan | Hampir tanpa pengembangan, terutama mengatur aturan dan izin | Investasi pengembangan awal cukup tinggi, pemeliharaan berkelanjutan | Kompleksitas pengembangan dan pemeliharaan paling tinggi |
| Tingkat penyelesaian tugas | Perlu diuji dengan tugas Anda sendiri; pengujian pihak ketiga menunjukkan masih perlu verifikasi manusia | Bergantung pada model dan kualitas engineering, perlu diuji | Bergantung pada strategi perutean, perlu diuji |
| Tinjauan manusia | Wajib, dibantu mekanisme Auto-review dan persetujuan | Wajib, alur persetujuan harus dibangun sendiri | Wajib, alur persetujuan harus dibangun sendiri |
| Integrasi model | Bawaan produk OpenAI | Bisa lewat antarmuka terpadu APIYI | Bisa memanggil banyak model dengan satu Key lewat APIYI |
Analisis pembanding Dots: Dots punya keunggulan jelas dalam hal siap pakai, kolaborasi lintas aplikasi, dan konteks jangka panjang—komputer cloud, ekosistem 4.000+ aplikasi, dan komunikasi multi-kanal semuanya tidak perlu dikembangkan. Batasannya: aturan kuota tidak transparan sampai ke jumlah tugas, logika eksekusi tidak bisa dikustomisasi mendalam, dan Pro personal masih dibatasi wilayah serta usia.
Analisis pembanding Agent satu model: Struktur biaya Agent satu model paling jelas; token dan biaya setiap pemanggilan bisa dicatat dengan presisi, dan logika eksekusi sepenuhnya bisa dikendalikan. Harganya: Anda harus membangun sendiri browser, penjadwalan, state, dan persetujuan—tingkat penyelesaian tugas sepenuhnya bergantung pada kemampuan engineering tim.
Analisis pembanding Agent multi-model: Agent multi-model menyerahkan langkah sederhana ke model murah dan penalaran kunci ke model kuat, sehingga paling berpeluang menekan biaya tugas yang berhasil saat volume tugas besar. Tuntutannya pada sistem evaluasi paling tinggi: perlu pemantauan berkelanjutan atas tingkat keberhasilan setiap model di setiap jenis langkah.
6 Mengukur Kelayakan Ekonomis Staf AI dengan Biaya Tugas Sukses
6.1 Rumus Biaya Tugas Sukses dan ROI
Ukuran yang diseragamkan adalah:
$$C_{successful\ task}=\frac{C_{all\ runs}+C_{infrastructure}+C_{review}}{N_{successfully\ completed\ tasks}}$$
Pembilang mencakup semua eksekusi (termasuk yang gagal dan percobaan ulang), biaya infrastruktur yang dialokasikan ke periode tersebut, serta peninjauan manual; penyebut hanya menghitung tugas yang dikirimkan secara memenuhi syarat. Untuk Dots, “biaya eksekusi” pada pembilang diganti dengan biaya langganan bulanan dan pemakaian tambahan.
Dari situ, rasio input-output dapat dihitung:
$$ROI=\frac{V_{time\ saved}-C_{total}}{C_{total}}$$
Penghematan waktu dihitung dengan mengalikan durasi sebenarnya yang dibutuhkan tenaga manusia untuk menyelesaikan tugas tersebut dengan biaya tenaga kerja yang wajar. Model yang menghasilkan dokumen dalam beberapa puluh detik hanya menunjukkan kecepatan generasi; waktu tenaga kerja yang dihemat harus dikurangi dengan porsi untuk pemeriksaan dan perbaikan.
6.2 Eksperimen Perbandingan Biaya Staf AI pada Tiga Jenis Tugas
Sebaiknya pilih tiga jenis tugas berkelanjutan yang representatif: intelijen berita AI harian, pemantauan pesaing mingguan, dan laporan analisis data bulanan. Dengan materi masukan yang sama dan standar pengiriman yang sama, masing-masing dijalankan oleh ChatGPT Dots, APIYI + Agent model tunggal, dan APIYI + Agent multi-model, dengan setiap eksekusi mencatat item-item pada tabel berikut:
| Item yang Dicatat | Metode Pencatatan | Kegunaan |
|---|---|---|
| Waktu mulai dan selesai | Timestamp log tugas | Menghitung siklus pengiriman aktual |
| Jumlah pemanggilan model | Penghitungan di lapisan orkestrasi | Mengidentifikasi perulangan dan pemanggilan berlebih |
| Token masukan / keluaran / cache | Field usage yang dikembalikan API | Menghitung biaya model dan manfaat cache |
| Jumlah pemanggilan alat | Penghitungan di lapisan alat | Menghitung biaya pencarian, browser, dan sebagainya |
| Kegagalan dan percobaan ulang | Klasifikasi penyebab kegagalan | Menghitung konsumsi tambahan |
| Waktu koreksi manual | Pencatatan waktu oleh peninjau | Menghitung input tenaga kerja sebenarnya |
| Hasil penerimaan akhir | Penilaian lulus / gagal berdasarkan daftar yang telah ditetapkan | Menghitung tingkat keberhasilan tugas dan penyebut |
Di sisi Dots, rincian Token tidak dapat diperoleh, jadi cukup catat biaya langganan, kondisi pemakaian kuota, waktu penyelesaian, waktu koreksi manual, dan hasil penerimaan. Ketiga jalur pada akhirnya dikonversi menjadi “berapa biaya dan berapa menit tenaga kerja yang dihabiskan untuk setiap tugas yang memenuhi syarat”. Periode eksperimen sebaiknya mencakup setidaknya satu siklus laporan bulanan penuh; bila ukuran sampel terlalu kecil, satu kegagalan saja akan sangat mendistorsi hasil.
7 Kapan Memilih Langganan Dots, Kapan Membangun Agent AI Sendiri
7.1 Pengguna individu: prioritaskan langganan Dots
- Delegasi tugas sehari-hari: Untuk tugas lintas aplikasi seperti merapikan jadwal, persiapan rapat, mengelompokkan email, dan perencanaan perjalanan, koneksi aplikasi dan komputer cloud Dots bisa langsung digunakan.
- Tidak ingin memelihara sistem: Membangun Agent sendiri berarti harus terus menangani gangguan dan pembaruan. Bagi pengguna individu, biaya waktu biasanya lebih tinggi daripada biaya langganan.
- Prasyarat: Memenuhi persyaratan usia dan wilayah, serta menerima aturan kuota Pro. Jika volume tugas per bulan sangat rendah, ambang $100 perlu dievaluasi terhadap frekuensi penggunaan sebenarnya.
7.2 Developer berpengalaman: cocok membangun sendiri atau mode campuran
- Membutuhkan logika eksekusi yang disesuaikan: Pengambilan informasi dengan format tetap, pemantauan sumber data tertentu, dan integrasi mendalam dengan sistem internal.
- Membutuhkan kontrol biaya yang presisi: Memilih model per langkah, memanfaatkan cache, dan menghitung setiap sen berdasarkan catatan pemanggilan.
- Sudah memiliki kemampuan teknis: Mampu membangun sendiri penjadwalan, status, dan persetujuan, sehingga biaya pengembangan bisa diamortisasi ke dalam tugas jangka panjang.
7.3 Tim perusahaan: perhatikan penawaran kontrak dan persyaratan kepatuhan
- Sudah memiliki ruang kerja Enterprise: Dots dapat dikonfigurasi secara terpusat oleh administrator. Data ruang kerja Business, Enterprise, dan Edu secara default tidak digunakan untuk pelatihan model, dan penagihan perlu dihitung berdasarkan penawaran per ruang kerja.
- Perlu terhubung ke sistem internal atau alur kerja privat: Agent yang dibangun sendiri memiliki kontrol lebih kuat atas lingkungan eksekusi, alur data, dan log audit.
- Tugas standarisasi berskala besar: Ketika volume tugas cukup besar dan alur kerja cukup stabil, Agent multi-model yang dibangun sendiri lebih berpeluang menekan biaya per tugas, dengan syarat diverifikasi melalui eksperimen pembanding.
Rencana hybrid untuk 8 Karyawan AI: Mengombinasikan Langganan dan Pemanggilan API Sesuai Pemakaian
Langganan dan API bisa dibagi tugas berdasarkan karakteristiknya, masing-masing mengambil bagian yang paling dikuasainya:
- Interaksi sehari-hari dan pekerjaan yang butuh penilaian manusia: serahkan ke Dots atau langganan ChatGPT yang sudah ada, manfaatkan konteks jangka panjang dan mekanisme persetujuannya.
- Tugas batch yang stabil dan bisa diverifikasi otomatis: gunakan API dengan bayar sesuai pemakaian, serahkan penanganannya ke model berharga murah.
- Penalaran yang sulit dan kesimpulan penting: panggil model dengan kemampuan lebih kuat, tukar harga satuan yang lebih tinggi dengan tingkat pengerjaan ulang yang lebih rendah.
- Puncak beban tugas: saat kuota langganan menipis, alihkan tugas yang bisa dipindahkan ke pemanggilan sesuai pemakaian.

Kunci dari rencana hybrid adalah pembukuan terpisah: pengeluaran langganan dicatat sebagai biaya bulanan, pengeluaran API dicatat berdasarkan log pemanggilan, dan satu tugas hanya dibukukan pada jalur yang benar-benar mengeksekusinya, supaya tidak terjadi penghitungan ganda.
💡 Saran keputusan: Mulai dengan memakai Dots atau langganan yang sudah ada untuk menangani pekerjaan sehari-hari, sekaligus pilih 1 sampai 2 jenis tugas terstandar, lalu sambungkan ke beberapa model lewat APIYI apiyi.com untuk menjalankan eksperimen perbandingan. Gunakan data biaya tugas yang berhasil selama satu bulan untuk memutuskan tugas mana yang dipindahkan ke API dan mana yang tetap di langganan — ini lebih aman daripada langsung memilih salah satu secara menyeluruh sejak awal.
Pertanyaan yang Sering Diajukan (FAQ)
Q1:Apa itu ChatGPT Dots?
ChatGPT Dots adalah AI Agent pribadi bertipe residen yang dirilis OpenAI pada 29 September 2026. Ia memiliki komputer cloud dan browsernya sendiri, dapat terus mendorong tugas yang didelegasikan lintas sesi dan lintas aplikasi, serta secara aktif mengembalikan kendali ketika diperlukan penilaian dari pengguna.
Q2:Berapa biaya bulanan jika menggunakan Dots secara pribadi?
Hingga 16 November 2026, pengguna individu perlu berlangganan ChatGPT Pro, dengan biaya bulanan Pro 100, Pro 200, dan Pro 500 masing-masing $100, $200, dan $500. Ketiga tier dapat menggunakan Dots, dan pihak resmi tidak mencantumkan biaya bulanan Dot secara terpisah. Tugas Work atau Codex yang didelegasikan oleh Dot dihitung berdasarkan kuota produk terkait.
Q3:Bagaimana penagihan Dots versi enterprise?
Ruang kerja enterprise yang memenuhi syarat dapat memilih tarif tetap berdasarkan jenis pekerjaan atau penagihan berdasarkan penggunaan; jumlah pastinya mengacu pada kontrak atau penawaran yang berlaku untuk ruang kerja tersebut. Periode 4 hingga 18 November 2026 adalah masa pratinjau administrator gratis; Dot yang diaktifkan mulai 18 November akan mulai ditagih, dan tugas yang didelegasikan ke Work atau Codex dikenakan biaya terpisah.
Q4:Jika biaya model Agent yang dibangun sendiri di bawah $100, apakah itu berarti lebih murah daripada Dots?
Anda juga perlu menambahkan biaya server, database, alat pencarian dan browser, pengembangan dan pemeliharaan, serta peninjauan manual, sekaligus memperhitungkan dampak dari pengulangan karena kegagalan. Hanya dengan membandingkan biaya tugas yang berhasil pada batch tugas yang sama dan standar penerimaan yang sama, Anda dapat menyimpulkan rute mana yang lebih murah.
Q5:Bagaimana cara cepat menghitung biaya model Agent yang dibangun sendiri menggunakan API?
Anda dapat mengikuti langkah-langkah berikut:
1. Daftar di APIYI apiyi.com dan dapatkan API Key, lalu klaim kuota pengujian pengguna baru.
2. Atur base_url dalam kode artikel ini menjadi `https://api.apiyi.com/v1`, dan integrasikan Ledger untuk mencatat Token pada setiap panggilan.
3. Gunakan tugas nyata untuk memanggil Opus 5.5 dan Sonnet 5.5 secara terpisah, catat hasil penerimaan dan waktu koreksi manual, lalu hitung biaya tugas yang berhasil.
Q6:Seberapa besar dampak cache terhadap biaya Agent?
Dalam panggilan multi-putaran Agent, petunjuk sistem dan definisi alat akan dikirim berulang kali; setelah cache hit, penagihan dilakukan dengan harga baca cache, dan harga baca cache seri Claude 5.5 sekitar seperdua puluh dari input normal. Dalam sampel asumsi artikel ini, ketika dua pertiga input terkena cache hit, biaya model per tugas turun sekitar sepertiga. Harga penulisan cache mengacu pada konsol.
Q7:Apakah Dots dapat sepenuhnya menggantikan tenaga manusia?
Materi resmi dan pengujian pihak ketiga menunjukkan bahwa hasil Dots memerlukan pemeriksaan manusia. Dalam pengujian Axios, buku program yang dibuat Dots memuat data yang meragukan, dan operasi yang melibatkan akun serta dana tetap memerlukan pengambilalihan oleh pengguna, sehingga biaya peninjauan manual harus selalu dimasukkan ke dalam total biaya.
Q8:Apakah Dots dapat memproses tugas secara paralel tanpa batas?
Dots mendukung paralelisme multi-proyek dan Agent latar belakang, tetapi lingkungan eksekusi dan kuota penggunaan memiliki batas. Seorang pengguna Reddit menuturkan bahwa saat memulai tugas independen, ia pernah mengalami lingkungan eksekusi tidak tersedia dan baru dapat melanjutkan setelah menghubungkan komputer Linux lokal; ia juga menyatakan tidak dapat memastikan bagaimana kuota setiap jalur eksekusi dihitung.
Poin-Poin Penting Biaya Karyawan AI
- Dasar perbandingan: Ukur dengan biaya per tugas yang berhasil di bawah standar hasil yang sama — biaya bulanan dan harga satuan Token hanyalah salah satu komponen di dalamnya.
- Hitung terpisah untuk individu dan perusahaan: Pro untuk individu mulai $100/bulan; Dot untuk perusahaan ditagih berdasarkan jenis pekerjaan atau pemakaian, sesuai kontrak.
- Langganan sudah membungkus lingkungan kerja: Komputer cloud, konteks jangka panjang, koneksi aplikasi, dan mekanisme persetujuan adalah biaya yang harus ditambal sendiri kalau membangun dari nol.
- Biaya model hanya satu lapisan: Berdasarkan sampel asumsi, biaya model untuk 300 tugas per bulan adalah $33–$66, belum termasuk infrastruktur dan tenaga manusia.
- Tingkat keberhasilan menentukan biaya nyata: Setiap tambahan 1 menit koreksi manual berpotensi meniadakan seluruh selisih harga satuan kedua model.
- Penggunaan campuran lebih fleksibel: Delegasi harian pakai langganan, tugas batch terstandar dipanggil sesuai pemakaian lewat APIYI dan dicatat terpisah.
Kesimpulan
Apakah menghabiskan 100 dolar per bulan untuk memelihara seorang karyawan AI itu layak bergantung pada tugas yang Anda serahkan dan standar penerimaan Anda:
- Nilai Dots terletak pada kemampuan kerja berkelanjutan yang siap pakai: Komputer cloud, kolaborasi lintas aplikasi, dan konteks jangka panjang menghilangkan kebutuhan pengembangan serta pemeliharaan — cocok untuk pengguna individu dan tim yang mementingkan beban pemeliharaan rendah.
- Keunggulan Agent yang dibangun sendiri adalah kendali dan akuntabilitas biaya: Logika eksekusi dapat disesuaikan, setiap pemanggilan dapat dilacak biayanya — cocok untuk tim dengan kemampuan teknis stabil dan tingkat standardisasi tugas yang tinggi.
- Penilaian akhir harus lewat eksperimen pembanding: Catat Token, percobaan ulang, dan waktu koreksi manual pada tiga jenis tugas nyata, lalu bandingkan total biaya per tugas yang memenuhi syarat.
Saran: pertahankan dulu langganan yang ada untuk pekerjaan sehari-hari, sambil memilih satu jenis tugas terstandar untuk diuji banding lewat API. Disarankan mengakses beberapa model melalui APIYI apiyi.com dengan satu kunci API, ditagih sesuai pemakaian dan mencatat penggunaan nyata, lalu gunakan data untuk memutuskan tugas mana yang layak dimigrasikan.
📚 Referensi
-
OpenAI: Introducing dots: Pengumuman peluncuran Dots, positioning produk, cloud computer, dan ekosistem aplikasi
- Tautan:
openai.com/index/introducing-dots - Keterangan: Materi resmi langsung yang dirilis pada 2026-09-29
- Tautan:
-
ChatGPT Learn: Meet dots / Tasks and memory: Ikhtisar produk, kelayakan langganan, tugas jangka panjang, dan mekanisme memori
- Tautan:
learn.chatgpt.com/docs/dots - Keterangan: Dokumentasi otoritatif untuk memahami Agent latar belakang, riset proaktif, dan tugas terjadwal
- Tautan:
-
ChatGPT Learn: Panduan administrator Dots Enterprise: Cara mengaktifkan ruang kerja perusahaan dan metode penagihan
- Tautan:
learn.chatgpt.com/docs/enterprise/dots-admin-guide - Keterangan: Penjelasan terkini tentang tarif tetap perusahaan dan penagihan berdasarkan penggunaan
- Tautan:
-
OpenAI Help Center: About ChatGPT Pro tiers: Aturan harga dan kuota Pro 100 / 200 / 500
- Tautan:
help.openai.com/en/articles/9793128-about-chatgpt-pro-tiers - Keterangan: Dasar resmi untuk harga langganan pribadi
- Tautan:
-
OpenAI Help Center: Dots privacy, security, and safety FAQs: Izin, persetujuan, Auto-review, dan kebijakan data
- Tautan:
help.openai.com/en/articles/20001529-dots-privacy-security-and-safety-faqs - Keterangan: Bacaan wajib untuk menilai biaya tinjauan manual dan keamanan
- Tautan:
-
Axios: I tested Dots and Muse: Uji coba pihak ketiga terhadap Dots dan Meta Muse
- Tautan:
axios.com/2026/10/20/battle-of-bots-openai-meta-ai-agents-test - Keterangan: Performa tugas spesifik dan kasus kegagalan
- Tautan:
-
APIYI: Kuota paket Token tidak bisa dibandingkan secara langsung: Metode perhitungan lima langkah untuk langganan vs bayar sesuai pemakaian
- Tautan:
help.apiyi.com/token-plan-quota-subscription-vs-pay-as-you-go.html - Keterangan: Kerangka kerja penghitungan biaya ekuivalen per tugas
- Tautan:
-
APIYI Tabel harga model: Harga terkini untuk model seperti Claude
- Tautan:
docs.apiyi.com/models - Keterangan: Sebelum pemanggilan sebenarnya, gunakan harga di sini dan di konsol sebagai acuan
- Tautan:
Penulis: Tim Teknis APIYI
Diskusi teknis: Silakan hubungi kami di halaman utama situs APIYI. Untuk materi integrasi model dan penagihan lebih lanjut, kunjungi pusat dokumentasi docs.apiyi.com
