$3 miliar. Angka itu bukan target jangka panjang atau proyeksi lima tahun — melainkan proyeksi pendapatan berulang tahunan (ARR) Zhipu AI untuk akhir 2024. Perusahaan yang dikenal lewat model bahasa GLM ini kini berada di jalur untuk menjadi salah satu penyedia infrastruktur AI paling menguntungkan di luar Amerika Serikat, bahkan sebelum OpenAI mencapai profitabilitas operasional penuh.
GLM tidak hanya Alternatif, Tapi Pilihan Strategis untuk Developer Asia
Zhipu AI tidak menjual layanan AI seperti chatbot konsumen atau aplikasi instan. Fokusnya jelas: menyediakan fondasi teknis bagi developer — terutama di Asia Tenggara dan Timur Tengah — untuk membangun sistem berbasis model bahasa besar (LLM) tanpa bergantung pada API AS. Model GLM-4, versi terbaru yang dirilis awal 2024, mendukung konteks hingga 1 juta token dan telah diintegrasikan ke lebih dari 2.800 proyek enterprise di 17 negara, menurut data internal perusahaan yang dikutip TechInAsia. Di Indonesia, setidaknya tiga fintech lokal dan dua platform edtech nasional telah mengadopsi GLM-4 sebagai engine utama rekomendasi konten dan deteksi risiko kredit ; bukan sebagai pelengkap, tapi sebagai pengganti model asing.
Teknologi ini memang tidak dibangun untuk bersaing langsung dengan ChatGPT dalam antarmuka pengguna. Ia justru menang di lapisan bawah: dokumentasi teknis yang lengkap dalam bahasa Mandarin dan Inggris, latensi rendah di wilayah Asia-Pasifik, serta lisensi komersial fleksibel yang memungkinkan fine-tuning tanpa pembatasan penggunaan data lokal. Di tengah ketegangan geopolitik dan regulasi ekspor chip AI yang semakin ketat, GLM menjadi satu-satunya model LLM open-weight yang benar-benar siap produksi untuk skenario hybrid-cloud di kawasan ini.
Baca juga: LG Uplus dan OptAI Uji Token AI untuk Efisiensi Layanan
Siapa yang Membiayai Lonjakan ARR Ini?
Naiknya ARR Zhipu AI bukan hasil dari penjualan langsung ke konsumen, tapi juga dari dua aliran pendapatan yang saling memperkuat: lisensi model untuk perusahaan telekomunikasi dan bank besar di Tiongkok, serta layanan managed inference untuk klien lintas batas — termasuk di Singapura, Thailand, dan Uni Emirat Arab. Dilansir TechInAsia, lebih dari 65% pertumbuhan ARR tahun ini berasal dari kemitraan dengan operator seluler regional yang menggunakan GLM untuk otomatisasi layanan pelanggan berbasis suara dan teks dalam bahasa lokal.
Zhipu AI tidak mengandalkan investasi modal ventura besar-besaran seperti banyak rivalnya. Sejak 2022, perusahaan ini didanai secara dominan oleh Beijing Academy of Artificial Intelligence (BAAI) dan beberapa bank negara Tiongkok — artinya, ia bukan startup biasa, melainkan bagian dari strategi teknologi nasional yang terintegrasi. Ini menjelaskan mengapa mereka bisa menawarkan harga inference 40% lebih murah daripada layanan serupa dari AWS Bedrock atau Azure AI di wilayah ASEAN, tanpa mengorbankan uptime atau kecepatan respons.
Baca juga: Bolttech dan Bold Penguin Bentuk Aliansi Asuransi Global Berbasis AI
Di Indonesia sendiri, belum ada regulator yang secara eksplisit melarang penggunaan model asing. Namun, UU Perlindungan Data Pribadi (UU No. 27/2022) dan pedoman OJK tentang AI di sektor keuangan mendorong institusi untuk mempertimbangkan lokalisasi pemrosesan data. Ini membuka celah nyata: bukan soal 'mengganti' model Barat, tapi membangun layer kedua — model yang dipelatih dan dijalankan di dalam yurisdiksi, dengan dukungan teknis lokal dan auditabilitas transparan. Zhipu AI justru hadir di saat tepat, bukan sebagai ancaman, melainkan sebagai opsi teknis yang sudah teruji di lapangan.
Perkembangan Zhipu AI juga memaksa pertanyaan tak terhindarkan bagi industri teknologi lokal: apakah kita akan terus menjadi pasar pasif untuk model AI impor — atau mulai membangun kapasitas untuk mengadaptasi, mengaudit, dan bahkan memodifikasi model dasar sesuai kebutuhan sosial dan regulasi nasional? Jawabannya tidak lagi hanya soal kemampuan teknis, tapi soal pilihan kebijakan, investasi riset, dan keberanian mengatur ulang rantai nilai teknologi dari bawah.
Apa yang sebenarnya dibutuhkan Indonesia agar tidak hanya menjadi pengguna model AI, tetapi juga bagian dari proses desain dan validasi model tersebut — mulai dari dataset lokal hingga mekanisme governance yang bisa diverifikasi publik?