API Google memproses 32 miliar token per menit: siapa yang menghabiskan daya komputasi ini?

Catatan penulis: Artikel ini membahas pernyataan dalam laporan keuangan Alphabet kuartal ketiga 2026 bahwa “API model pihak pertama memproses hampir 32 miliar token per menit”, serta membedakan kesimpulan yang didukung data dari hal-hal yang masih belum diketahui.

Pada 28 Oktober 2026 (waktu Amerika Serikat), Alphabet merilis laporan keuangan kuartal ketiga. Dalam keterangannya, CEO Sundar Pichai menyebutkan satu angka: API model pihak pertama Google memproses hampir 32 miliar token per menit. Angka ini naik sekitar 40% dibandingkan dengan yang diumumkan pada kuartal sebelumnya, dan lebih dari 4 kali lipat dibandingkan setahun sebelumnya.

Ini bukan perkiraan yang beredar di luar. Pernyataan tersebut berasal langsung dari keterangan CEO tentang laporan keuangan di blog resmi Google: “Our first-party model APIs are now processing nearly 32 billion tokens per minute”. Namun, angka ini mudah disalahartikan sebagai 32 miliar pemanggilan atau sebagai penggunaan Gemini App. Keduanya tidak tepat.

Inti artikel ini: Dalam 3 menit, pahami cakupan angka 32 miliar token Google API, tren pertumbuhannya, serta bagaimana developer, pelanggan perusahaan, dan penggunaan Agent masing-masing memanfaatkan daya komputasi tersebut.

Ringkasan Informasi Utama: 32 Miliar Token Google API

Mari mulai dengan fakta yang sudah diungkap dalam satu tabel. Analisis berikutnya mengacu pada informasi ini.

Batasan Cakupan Angka 32 Miliar Token Google API

Untuk memahami kabar ini, pertama-tama kita perlu membedakan beberapa metrik yang sering tercampur. Angka 32 miliar merujuk pada jumlah Token, bukan jumlah permintaan API. Satu permintaan analisis dokumen panjang saja bisa berisi ratusan ribu Token. Angka tersebut juga merupakan laju pemrosesan saat ini yang disampaikan pada 28 Oktober, bukan rata-rata sepanjang kuartal ketiga.

Laporan keuangan dan panggilan konferensi juga menyebutkan jumlah pengembang, kursi pengguna perusahaan, dan penggunaan Gemini Enterprise. Cakupan metrik ini berbeda-beda, sehingga tidak bisa dijumlahkan atau digunakan untuk menghitung satu sama lain.

Satu hal lagi yang perlu ditegaskan: angka ini tidak bisa dipakai untuk menyatakan bahwa Gemini App mengonsumsi 32 miliar Token per menit. App, Search, kursi pengguna perusahaan, dan Token API merupakan lini bisnis dan metrik yang berbeda.

Linimasa Pertumbuhan Throughput Token Google API

Jika beberapa pengungkapan publik terakhir dirangkai, kemiringan kurvanya lebih menggambarkan pertumbuhan dibandingkan satu angka saja.

Jika dihitung langsung dari 22 miliar dan 32 miliar, kenaikannya sekitar 45,5%. Namun, kedua angka tersebut merupakan perkiraan (“sekitar” dan “hampir”), jadi sebaiknya gunakan pernyataan resmi Google, yaitu “sekitar 40%”. Ini bukan berarti perhitungan Google salah.

Memahami Skala 32 Miliar Token/menit

Agar lebih mudah membayangkan skalanya, berikut perhitungan matematis dengan asumsi laju konstan. Perlu ditekankan bahwa angka harian dan bulanan hanya hasil perhitungan berdasarkan asumsi, bukan penggunaan aktual yang diungkapkan Google.

• Per detik: sekitar 533 juta Token
• Per jam: sekitar 1,92 triliun Token
• Jika berlanjut selama 24 jam: sekitar 46,08 triliun Token
• Jika berlanjut selama 30 hari: sekitar 1.382,4 triliun Token

Siapa yang menggunakan 32 miliar token Google API?

Inilah pertanyaan yang diajukan dalam judul. Berdasarkan informasi yang telah dipublikasikan Google, ada tiga kelompok pengguna utama yang bisa diidentifikasi, tetapi porsi penggunaan masing-masing belum diungkapkan.

Kelompok pertama: ekosistem pengembang Google API

Laporan keuangan Q2 menunjukkan bahwa setiap bulan lebih dari 9 juta pengembang membangun aplikasi menggunakan API model Google dan produk pengembang utamanya. Angka ini menunjukkan besarnya komunitas pengembang potensial, tetapi tidak berarti ada 9 juta pelanggan berbayar atau setiap pengembang langsung memanggil Gemini API.

Pada periode yang sama, platform pengembangan agen Antigravity memiliki lebih dari 2,4 juta pengguna aktif mingguan. Pengembang menggunakan token dalam berbagai skenario, antara lain:

• Pemrograman dan pengembangan perangkat lunak: membaca repositori kode, melakukan refactoring, membuat pengujian, menemukan kesalahan, dan pemanggilan berulang oleh agen pemrograman
• Pengembangan aplikasi AI: chatbot di situs web dan aplikasi, otomatisasi layanan pelanggan, pencarian internal perusahaan, serta analisis PDF dan dokumen panjang
• Alur kerja agen: merencanakan tugas, memanggil alat eksternal, membaca hasilnya, memperbaiki kesalahan, dan menjalankan langkah berikutnya

Kategori kedua: Pelanggan korporasi Gemini Enterprise

CEO Google Cloud Thomas Kurian memaparkan data penggunaan korporasi dalam panggilan laporan keuangan Q3. Selama 12 bulan terakhir, lebih dari 2.600 pelanggan masing-masing menggunakan setidaknya 100 miliar token di Gemini Enterprise. Di antaranya, sekitar 75 pelanggan masing-masing menggunakan setidaknya 10 triliun token. Hampir 90% perusahaan Fortune 100 menggunakan Gemini Enterprise.

Sinyal lain yang patut diperhatikan adalah pertumbuhan belanja: pelanggan yang sudah menggunakan Gemini Enterprise pada Q3 2025 meningkatkan belanja mereka lebih dari empat kali lipat secara tahunan pada Q3 2026. Ini menunjukkan bahwa AI perusahaan mulai beralih dari uji coba skala kecil ke penerapan berskala besar. Namun, penggunaan Gemini Enterprise dan angka 32 miliar token API model pihak pertama diukur dengan cakupan yang berbeda. Jadi, kita tidak bisa mengasumsikan bahwa 2.600 pelanggan tersebut menyumbang sebagian besar dari angka itu.

Kategori ketiga: Agen industri dan alur kerja bisnis yang kompleks

Google mengungkapkan sejumlah contoh penerapan di berbagai industri melalui panggilan laporan keuangan dan blog Cloud. Seluruh data hasil berikut berasal dari pengungkapan resmi Google dan belum diverifikasi oleh pihak ketiga independen. Google juga tidak mengungkapkan berapa banyak token yang digunakan masing-masing perusahaan.

Kesamaan dari berbagai contoh ini adalah model tidak lagi hanya digunakan untuk mengobrol, tetapi juga diintegrasikan ke dalam proses nyata seperti keselamatan operasional, rantai pasok, keputusan belanja, dan analisis data. Angka 3 kali lipat pada Ulta Beauty merujuk pada tingkat konversi asisten belanja, bukan pertumbuhan total penjualan sebesar 3 kali lipat.

Multimodal: Faktor Lain yang Memperbesar Konsumsi Token Google API

Tanya jawab berbasis teks, peninjauan kontrak, analisis seluruh repositori kode, pemahaman gambar dan video, serta transkripsi suara memiliki pola konsumsi Token yang sangat berbeda. Jumlah gambar, durasi video, dan ukuran file tidak bisa langsung dikonversi menjadi Token berdasarkan jumlah karakter teks biasa.

Google belum mengungkapkan pembagian 32 miliar Token antara teks, gambar, video, dan audio. Google juga belum menjelaskan berapa banyak yang merupakan input, output, atau berasal dari proses penalaran internal model.

Mengapa Agent Memperbesar Konsumsi Token Google API

Percakapan biasa mungkin hanya terdiri dari satu putaran input dan output. Sementara itu, untuk menyelesaikan satu tugas, Agent pemrograman bisa melalui serangkaian langkah: membaca file, menganalisis masalah, mengubah kode, menjalankan tes, membaca pesan kesalahan, mengubah kode lagi, lalu menguji ulang. Setiap langkah bisa memanggil model dan biasanya perlu menyertakan kembali konteks yang terkumpul sebelumnya.

Jadi, pernyataan bahwa “Agent merupakan sumber permintaan potensial yang penting” memiliki dasar analisis yang masuk akal. Namun, tidak ada data publik yang mendukung klaim bahwa “Agent menyumbang sebagian besar dari 32 miliar Token”. Keduanya perlu dibedakan saat menulis atau mengambil keputusan.

Mengamati Akumulasi Token Agent dengan Kode

Cara paling sederhana untuk memahaminya adalah mencatat bidang usage yang dikembalikan pada setiap pemanggilan. Contoh berikut menyimulasikan proses perbaikan dalam beberapa putaran dan mencetak Token input serta output pada setiap langkah:

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # APIYI OpenAI 兼容接口
)

messages = [{"role": "user", "content": "写一个计算斐波那契数列的 Python 函数"}]
resp = client.chat.completions.create(model="YOUR_GEMINI_MODEL", messages=messages)
print(resp.usage.prompt_tokens, resp.usage.completion_tokens)

import openai

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

MODEL = "YOUR_GEMINI_MODEL"  # 替换为平台模型列表中的 Gemini 模型名称

steps = [
    "写一个计算斐波那契数列的 Python 函数",
    "为这个函数补充单元测试",
    "测试报错：输入负数时没有处理，请修复",
    "再检查一遍边界条件并给出最终版本",
]

messages = [{"role": "system", "content": "你是一个严谨的编程助手"}]
total_in, total_out = 0, 0

for i, step in enumerate(steps, 1):
    messages.append({"role": "user", "content": step})
    resp = client.chat.completions.create(model=MODEL, messages=messages)
    reply = resp.choices[0].message.content
    messages.append({"role": "assistant", "content": reply})

    usage = resp.usage
    total_in += usage.prompt_tokens
    total_out += usage.completion_tokens
    print(f"第 {i} 步：输入 {usage.prompt_tokens}，输出 {usage.completion_tokens}")

print(f"累计输入 {total_in}，累计输出 {total_out}")

Setelah dijalankan, terlihat bahwa jumlah Token input meningkat pada setiap putaran karena riwayat konteks terus bertambah. Inilah sebabnya pola penggunaan Token dalam alur kerja Agent jauh lebih kompleks daripada tanya jawab satu kali.

🚀 Saran untuk memulai: Ingin mengukur sendiri perkembangan penggunaan Token berbagai model dalam siklus Agent? Daftar di APIYI apiyi.com untuk mendapatkan kredit uji coba gratis. Gunakan kunci API yang sama untuk beralih antara model Gemini, Claude, GPT, dan lainnya, lalu bandingkan konsumsi Token untuk tugas yang sama.

Analisis Dampak 32 Miliar Token Google API

Dampak bagi developer

• Struktur biaya bergeser dari “per panggilan” ke “per alur kerja”: Biaya tugas Agent bergantung pada jumlah putaran dan panjang konteks. Developer perlu merencanakan anggaran token sejak tahap desain, misalnya dengan memangkas riwayat konteks dan menyimpan konten yang tidak berubah di cache.
• Pemilihan model sesuai tingkat kemampuan makin penting: Model berkinerja tinggi dan model ekonomis tersedia berdampingan. Menyerahkan perencanaan kompleks kepada model yang lebih kuat dan klasifikasi massal kepada model ekonomis adalah cara umum untuk mengendalikan biaya.
• Biaya multimodal perlu dievaluasi secara terpisah: Perhitungan token untuk gambar, video, dan audio berbeda dari teks. Sebaiknya lakukan pengukuran dengan sampel nyata sebelum peluncuran.

💡 Saran pemilihan: Konsumsi token dan hasil untuk tugas yang sama bisa sangat berbeda di setiap model. Coba jalankan sampel nyata melalui antarmuka terpadu APIYI apiyi.com, lalu tentukan kombinasi model untuk lingkungan produksi.

Dampak bagi industri dan Google Cloud

Dalam konferensi telepon, Kurian menjelaskan bahwa saat perusahaan membangun Agent, mereka sering membutuhkan lebih dari sekadar pemanggilan model: ada sumber daya komputasi, layanan untuk menyimpan memori Agent, dan basis data yang menyediakan konteks bagi Agent. Karena itu, penggunaan model juga dapat mendorong pertumbuhan produk lain dalam bisnis cloud.

Ada dua hal yang perlu ditekankan. US$30,7 miliar adalah pendapatan seluruh Google Cloud, bukan pendapatan Gemini API. Kita juga tidak bisa memperkirakan pendapatan API Google dengan mengalikan 32 miliar token dengan harga API publik. Distribusi penggunaannya di antara model tidak diungkapkan, harga setiap model berbeda, dan pelanggan perusahaan mungkin mendapat manfaat dari pemrosesan batch, caching, kontrak khusus, serta diskon.

Jebakan waktu yang mudah terlewat

Periode laporan keuangan Q3 Alphabet berlangsung dari 1 Juli hingga 30 September 2026; Gemini 4 Argon resmi diluncurkan pada 13 Oktober 2026; dan angka 32 miliar token per menit diungkapkan pada 28 Oktober. Jadi, angka 32 miliar tidak bisa dianggap sebagai laju rata-rata kuartal ketiga. Terlebih lagi, kita tidak bisa mengatakan bahwa pertumbuhan API sepanjang Q3 terutama didorong oleh Argon yang baru dirilis pada Oktober. Pernyataan yang lebih tepat: peluncuran Argon dan pencapaian 32 miliar token bersama-sama mencerminkan perkembangan model dan bisnis Google pada Oktober 2026.

Pertanyaan Umum (FAQ)

Poin Penting API Google: 32 Miliar Token

• Angka utama: API model pihak pertama memproses hampir 32 miliar token per menit, naik lebih dari 4 kali lipat dibandingkan tahun sebelumnya
• Kurva pertumbuhan: Dari sekitar 10 miliar menjadi hampir 32 miliar dalam waktu kurang lebih satu tahun
• Tiga kelompok pengguna: Ekosistem developer, pelanggan perusahaan Gemini Enterprise, dan penerapan Agent di berbagai industri
• Mekanisme Agent: Siklus multi-putaran dan akumulasi konteks membuat konsumsi token untuk satu tugas meningkat berkali-kali lipat
• Batas pengukuran: Token, jumlah permintaan, kursi pengguna, jumlah developer, dan pendapatan Cloud tidak bisa disamakan atau dijumlahkan
• Pertanyaan terbesar: Google belum mengungkap proporsi pelanggan dan skenario penggunaan di balik 32 miliar token tersebut
• Saran pengujian: Gunakan antarmuka terpadu APIYI apiyi.com untuk mengukur kurva penggunaan token aktual dalam bisnis Anda

Kesimpulan

Berikut poin utama dari berita API Google yang memproses 32 miliar token per menit:

1. Skalanya berkembang pesat: Pertumbuhan lebih dari 4 kali lipat dalam setahun menunjukkan bahwa pemanggilan model mulai beralih dari tahap uji coba ke penggunaan berskala besar
2. Sumber permintaan sudah bisa dikenali: Developer, pelanggan perusahaan, dan Agent industri merupakan kelompok pengguna dengan konsumsi tinggi yang nyata
3. Proporsinya masih belum diketahui: Google belum memublikasikan rincian datanya. Ini adalah batas data yang perlu dipahami, bukan sekadar informasi yang terlewat
4. Nilai bisnisnya masih perlu diamati: Hal yang patut terus diperhatikan adalah berapa banyak dari pemanggilan tersebut yang dapat menjadi aplikasi perusahaan yang berkelanjutan dan menguntungkan

Bagi developer, pelajaran paling langsung dari berita ini adalah: Agent dan multimodal akan membuat anggaran token semakin penting. Pemilihan model dan pengelolaan konteks perlu masuk ke desain arsitektur sejak awal. Coba gunakan APIYI apiyi.com untuk membandingkan hasil dan konsumsi beberapa model populer dengan satu kunci API, lalu tentukan solusi yang paling sesuai.

📚 Referensi

1. Laporan keuangan Alphabet Q3 2026 (SEC): Sumber asli data keuangan
2. Tautan: sec.gov/Archives/edgar/data/1652044/000165204426000080/googexhibit991q32026.htm

3. Keterangan: Pendapatan, pendapatan Google Cloud, dan laba operasional

4. Pernyataan CEO Google tentang laporan keuangan Q3 2026: Sumber asli angka 32 miliar token per menit

5. Tautan: blog.google/company-news/inside-google/message-ceo/alphabet-earnings-q3-2026/

6. Keterangan: Angka utama dan metrik pertumbuhan resmi

7. Transkrip panggilan laporan keuangan Alphabet Q3 2026: Data dan studi kasus pelanggan perusahaan

8. Tautan: fool.com/earnings/call-transcripts/2026/10/29/alphabet-googl-q3-2026-earnings-call-transcript/

9. Keterangan: Data Gemini Enterprise yang diungkapkan Thomas Kurian

10. Pernyataan CEO Google tentang laporan keuangan Q2 2026: Data pengembang dan 22 miliar token

11. Tautan: blog.google/company-news/inside-google/message-ceo/alphabet-earnings-q2-2026/

12. Keterangan: 9 juta pengembang aktif bulanan dan data pengguna aktif mingguan Antigravity

13. Pernyataan CEO Google tentang laporan keuangan Q1 2026: Data 16 miliar token

14. Tautan: blog.google/company-news/inside-google/message-ceo/alphabet-earnings-q1-2026/

15. Keterangan: Titik awal lini masa pertumbuhan

16. Materi presentasi investor Google Juni 2026: Data 19 miliar token dan penggunaan alat pengembang

17. Tautan: blog.google/alphabet/investor-presentation-june-2026/

18. Keterangan: Penggunaan alat pengembang melebihi 3 triliun token per hari

19. Google Cloud: Gemini at Work 2026: Studi kasus pelanggan perusahaan yang menggunakan agen

20. Tautan: cloud.google.com/blog/products/ai-machine-learning/welcome-to-gemini-at-work-2026
21. Keterangan: Contoh penerapan di Hitachi dan perusahaan lainnya

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

Artikel terkait

• 5 Penyebab Utama Rendahnya Tingkat Hit Cache Gemini: Penjelasan Terperinci tentang Perbedaan Penagihan Cache AI Studio dan Vertex: Mengapa tingkat cache hit model teks Gemini jauh lebih rendah daripada OpenAI dan Claude? Artikel ini menguraikan cache implisit dan eksplisit, ambang minimum token, isolasi proyek Vertex, serta batas penagihan cache dan cara mencocokkan tagihan di AI Studio dan Vertex berdasarkan dokumentasi resmi.