Taruhan Nathan Lambert: open model menang karena biaya, bukan benchmark

Nathan Lambert mengamati lapangan open model hampir setiap hari, dan ramalannya untuk pertengahan 2026 lebih soal uang ketimbang kemampuan. Menurut dia, open weight sudah mengimbangi lab tertutup di benchmark. Yang masih jadi jurang adalah hal yang sulit diukur: seberapa andal sebuah model menolong pekerja pengetahuan yang terus menemui masalah baru dan berantakan. Lab tertutup memegang keunggulan itu sebagian karena reinforcement learning dari umpan balik pengguna nyata menarik training mereka ke pemakaian sungguhan, bukan ke test set.

Taruhannya konkret. Lab open-weight China akan kena tekanan pendanaan lebih dulu, mungkin sebelum tahun ini berakhir. Adopsi open model di Amerika Serikat pelan-pelan pulih mulai awal 2027. Open weight akan mengambil alih pekerjaan automasi berulang di pasar API, tempat harga per token menentukan hampir segalanya. Dan upaya melarang open model, kata dia, mustahil ditegakkan dalam praktik.

Tulisan ini berguna karena memisahkan dua pertanyaan yang biasanya tercampur: apakah open model bisa menyamai yang tertutup, dan di mana masing-masing sebenarnya dipakai. Jawaban Lambert: pertanyaan kedua punya arah yang jelas, dan arahnya adalah biaya.

Kenapa ini penting

Kalau pekerjaanmu memilih model, berhenti menilai dari skor leaderboard saja: arahkan panggilan berulang bervolume tinggi ke open weight murah sekarang, simpan model tertutup untuk pengguna yang menghadapi kerja terbuka, dan antisipasi tekanan dana yang lebih dulu menghantam lab open China.