GLM 4.6 mendorong pengguna berbayar Zhipu AI di luar negeri naik sepuluh kali lipat seiring mendunianya alat pemrograman

Momen terobosan bagi model pemrograman asal China

Zhipu AI, startup asal Beijing di balik merek Z.ai, menyatakan penggunaan berbayar atas layanannya di luar China melonjak sepuluh kali lipat dalam dua bulan terakhir. Perusahaan itu kini memiliki sekitar 100.000 pelanggan API bulanan yang membayar untuk akses dan sekitar 3 juta pengguna chatbot gratis di luar negeri. Momentum tersebut muncul setelah peluncuran GLM 4.6 pada akhir September, model yang dirancang untuk pemrograman, penalaran, dan alur kerja berbasis agen. Peluncurannya segera menjadikan Zhipu bagian dari perangkat harian banyak pengembang, berkat harga yang menarik, kemudahan integrasi, serta kinerja praktis dalam tugas pemrograman nyata.

Li Zixuan, yang mengepalai operasi global Zhipu, menggambarkan lonjakan ini sebagai sinyal arah pergerakan pasar sekaligus petunjuk bidang investasi perusahaan selanjutnya. Ia mengatakan permintaan dari luar negeri kini tumbuh lebih cepat daripada adopsi di dalam negeri, dan timnya ingin terus mengembangkan bisnis di berbagai kawasan alih-alih memprioritaskan satu wilayah saja.

Setelah menguraikan pergeseran tersebut, Li merangkum strategi itu secara sederhana.

"Kami ingin tumbuh di setiap pasar karena pertumbuhan di luar negeri melampaui pertumbuhan di dalam negeri," kata Li Zixuan, kepala operasi global Zhipu AI.

GLM 4.6 dipromosikan sebagai model terbuka yang andal untuk pemrograman. Model ini dengan cepat diintegrasikan ke berbagai perangkat pengembang yang sudah banyak digunakan programmer. Claude Code, yang didukung Anthropic, menambahkan akses ke GLM 4.6. Agen pemrograman lain seperti Cline, Roo Code, dan Kilo Code menyusul. Kilo Code menyatakan model tersebut mendorong adopsi tercepat yang pernah dialami platform itu, dengan penggunaan token meningkat 94 kali lipat dalam 12 hari karena model ini menjadi pilihan berbiaya rendah yang "cukup baik" dibandingkan sistem-sistem terkemuka AS. Kombinasi kemampuan yang memadai dan harga yang sepadan membantu Zhipu menembus pasar pengembang perorangan dan tim kecil di luar China.

Hal yang membuat GLM 4.6 menarik bagi pengembang

GLM 4.6 memperluas jendela konteks menjadi 200.000 token, sehingga model dapat membaca dan mengolah lebih banyak materi sekaligus, seperti basis kode berukuran besar atau dokumen teknis panjang. Model ini juga meningkatkan kualitas pemrograman, penalaran, dan penggunaan alat. Dalam evaluasi internal perusahaan di bidang agen, penalaran, dan kode, GLM 4.6 menunjukkan peningkatan yang jelas dibandingkan GLM 4.5. Model ini lebih mudah diintegrasikan dengan kerangka kerja agen, mampu memanggil alat saat inferensi, dan menghasilkan halaman front-end yang lebih rapi dibandingkan versi sebelumnya.

Dalam pengujian internal dan publik, GLM 4.6 mampu bersaing dengan banyak model yang digunakan secara luas. Dalam perbandingan langsung pada tugas agen CC Bench, kinerjanya hampir setara dengan Claude Sonnet 4, dengan tingkat kemenangan 48,6 persen, sekaligus menggunakan lebih sedikit token daripada GLM 4.5 untuk menyelesaikan pekerjaan yang sama. Zhipu juga mengakui bahwa GLM 4.6 masih tertinggal dari Claude Sonnet 4.5 dalam beberapa tolok ukur pemrograman. Keseimbangan itu mencerminkan masukan pengembang, yang sering kali berfokus pada apakah sebuah sistem cukup andal untuk pekerjaan sehari-hari, meski bukan model terbaik di setiap papan peringkat.

Pengembang dapat mengakses GLM 4.6 melalui API Z.ai, hub perutean seperti OpenRouter, atau menjalankan bobot terbukanya secara lokal. Zhipu telah mengunggah bobot model ke platform seperti Hugging Face dan ModelScope serta mendukung tumpukan inferensi umum, termasuk vLLM dan SGLang. Hal ini membuat model tersebut menarik bagi tim rekayasa yang menginginkan kendali atas penerapannya. Blog teknis perusahaan menguraikan perubahan secara lebih terperinci dan menjelaskan pengaturan yang disarankan untuk pemrograman dan tugas berbantuan alat. Untuk catatan teknis lebih lanjut, Zhipu menyediakan halaman model dan dokumentasi GLM 4.6 di kanal resminya, termasuk blog di z.ai.

Strategi harga dan gagasan tentang sesuatu yang cukup baik

Biaya menjadi salah satu alasan utama GLM 4.6 meraih pangsa pasar. Zhipu memasarkan paket pemrograman yang menurut perusahaan menawarkan kinerja setara Claude dengan harga jauh lebih rendah. Perusahaan itu mengiklankan biaya sekitar seper tujuh dan kuota penggunaan yang lebih besar bagi pelanggan dibandingkan paket sebanding pada layanan unggulan AS. Nilai pastinya bergantung pada penggunaan dan wilayah, tetapi pesannya jelas. Banyak pengembang menginginkan asisten andal yang sesuai dengan anggaran ketat, dan lebih memilih merilis kode daripada mengejar peningkatan kecil pada tolok ukur yang kurang dikenal.

Bagi programmer lepas, mahasiswa, dan startup, alat berbiaya rendah yang "cukup baik" dapat menjadi penentu apakah AI dipakai sebagai asisten sehari-hari atau ditinggalkan setelah masa uji coba. GLM 4.6 terbukti kuat dalam tugas-tugas pokok yang kerap dihadapi programmer setiap hari, seperti men-debug, menulis fungsi backend, menghubungkan integrasi, dan menata komponen front-end. Ulasan komunitas pengembang menekankan efisiensi biaya model ini. Meski sesekali perlu dikoreksi, kecepatan dan harganya menjadikannya pilihan praktis untuk pekerjaan rutin.

Zhipu juga menyebutkan bahwa model ini menyelesaikan tugas dengan token lebih sedikit daripada pendahulunya. Hal itu penting bagi pengguna yang membayar per token karena tagihan token yang lebih rendah untuk pekerjaan yang sama mengurangi total biaya kepemilikan. Perusahaan memasangkan klaim efisiensi tersebut dengan proses peningkatan yang sederhana. Pelanggan paket pemrogramannya otomatis dialihkan ke GLM 4.6, dan perubahan konfigurasi aplikasi cukup dilakukan dengan memilih nama model baru.

Integrasi ke perangkat global dan perdebatan baru soal asal-usul model

Salah satu alasan GLM 4.6 menyebar dengan cepat adalah kemampuannya terhubung dengan perangkat yang sudah dipercaya pengembang. Claude Code, Cline, Roo Code, dan Kilo Code semuanya mendukungnya. Dalam praktiknya, programmer dapat beralih antarpenyedia di dalam agen pemrograman yang sama, membandingkan hasil untuk suatu masalah, lalu memilih model yang menyeimbangkan kecepatan, kualitas, dan biaya. Kemudahan integrasi itu membantu Zhipu memanfaatkan pertumbuhan asisten pemrograman berbasis agen yang menangani tugas bertahap dengan penggunaan alat, penelusuran web, dan operasi repositori.

Momentum ini juga memicu perdebatan baru tentang asal-usul sejumlah perangkat pemrograman baru dari AS. Dua layanan berprofil tinggi yang dirilis dalam beberapa pekan terakhir, termasuk model baru bernama SWE 1.5 dari Cognition AI dan perangkat Composer dari Cursor, mendapat sorotan dari pengguna yang melihat jejak perilaku model China pada keduanya. Salah satu perangkat menghasilkan log penalaran dalam bahasa China, sementara perangkat lainnya mengakui bahwa sistemnya dibangun di atas model terbuka terkemuka tanpa menyebutkan namanya.

Zhipu menanggapi topik tersebut secara terbuka. Dalam sebuah pernyataan, perusahaan mengatakan pihaknya meyakini salah satu perangkat itu menggunakan model terbarunya sebagai fondasi.

"Kami meyakini SWE 1.5 menggunakan GLM 4.6 terbaru kami sebagai model dasar," kata Zhipu AI dalam pernyataan yang menanggapi pertanyaan tentang asal-usul model.

Perdebatan ini lebih menyangkut norma daripada hukum. Lisensi terbuka mengizinkan penggunaan ulang secara komersial, termasuk tanpa atribusi, sehingga sistem kelas dunia dengan bobot terbuka kerap menjadi fondasi bagi banyak produk turunan. Sejumlah pakar menekankan bahwa nilai unik perangkat komersial dapat berasal dari penyetelan halus, alur data, dan rekayasa sistem yang ditambahkan di atas model dasar.

Florian Brand, peneliti di Universitas Trier yang mengkaji model terbuka, merangkum pandangan tersebut.

"Penyetelan halus adalah bumbunya," kata Florian Brand, merujuk pada pelatihan khusus dan rekayasa yang mengubah model dasar menjadi produk yang matang.

Fokus luar negeri dan kendala di dalam negeri

Lonjakan di luar negeri mencerminkan adanya faktor pendorong sekaligus penarik. Permintaan terhadap AI pemrograman yang terjangkau di luar negeri sangat kuat, dan Zhipu memenuhinya dengan model yang mudah diintegrasikan dan murah dijalankan. Di dalam negeri, perusahaan menghadapi proses pengadaan sektor publik yang lebih lambat dan persaingan yang kian ketat. Manajemen menyatakan pertumbuhan di luar negeri kini melampaui ekspansi domestik, sehingga Zhipu berinvestasi di pasar tempat para pengembang sudah membayar untuk perangkat AI.

Investor pun mulai memberi perhatian. Perusahaan ini bernilai sekitar 40 miliar yuan dan sedang mempersiapkan pencatatan saham yang ditargetkan pada 2026. Zhipu didirikan pada 2019 sebagai perusahaan rintisan dari Universitas Tsinghua dan telah menjadi salah satu perusahaan AI China yang paling dikenal. Meski belum mengejar bisnis langganan konsumen massal untuk menyaingi platform AS, perusahaan ini berfokus pada kontrak korporasi dan paket langganan pemrograman bagi pengembang untuk membangun pendapatan yang lebih terprediksi.

Geopolitik tetap memengaruhi keputusan pembeli. Zhipu mengatakan pelanggan di negara ketiga merasa nyaman menggunakan layanannya jika data dapat disimpan secara lokal atau jika perusahaan berkomitmen untuk tidak menyimpan data. Perpaduan penyimpanan lokal dan kebijakan retensi yang ketat ini kian menjadi pendekatan standar penyedia AI untuk mengatasi kekhawatiran privasi lintas batas.

Kinerja GLM 4.6 di luar papan peringkat

Tolok ukur membantu menggambarkan kemampuan, tetapi yang penting bagi pengembang adalah apakah model dapat menyelesaikan tugas nyata. Zhipu memperluas evaluasi CC Bench-nya agar mencakup pekerjaan multi-tahap yang lebih sulit di bidang pengembangan front-end, pembuatan alat, analisis data, pengujian, dan persoalan algoritma. Dalam uji coba tersebut, evaluator manusia bekerja bersama model di lingkungan terisolasi untuk menilai kemampuan sistem menangani alur kerja realistis yang terdiri atas beberapa percakapan. GLM 4.6 meningkat dibandingkan GLM 4.5 dan mencapai kinerja hampir setara dengan Claude Sonnet 4 pada tugas-tugas agen tersebut. Model ini juga menyelesaikan pekerjaan dengan menggunakan sekitar 15 persen lebih sedikit token daripada GLM 4.5, yang menunjukkan efisiensi lebih baik dalam praktik.

Pengembang melaporkan bahwa GLM 4.6 lebih baik dalam menangani repositori yang terdiri atas banyak file dan dapat merencanakan rangkaian langkah yang lebih panjang saat membangun fitur. Model ini membuat lebih sedikit kesalahan konteks pada proyek besar karena dapat membaca lebih banyak file sekaligus. Model tersebut juga menghasilkan komponen front-end yang lebih rapi dan dapat membuat halaman lengkap yang membutuhkan lebih sedikit penyuntingan, meski peninjauan manusia tetap bermanfaat untuk penataan gaya yang rumit dan kasus-kasus khusus. Peningkatan semacam inilah yang berarti dalam rutinitas harian tim perangkat lunak.

Arti jendela konteks dan token

Token adalah unit kecil teks yang digunakan model untuk membaca dan menulis. Anggap saja sebagai potongan kata. Harga API sering kali bergantung pada jumlah token yang digunakan model. Itulah sebabnya efisiensi penting. Jika model dapat menyelesaikan tugas dengan lebih sedikit token, tagihannya turun dan interaksi biasanya terasa lebih cepat.

Jendela konteks adalah banyaknya teks yang dapat dipertimbangkan model sekaligus. Jendela konteks yang lebih besar memungkinkan model membaca lebih banyak file dan instruksi sebelum mulai bekerja. Dengan konteks 200.000 token, GLM 4.6 dapat memproses rangkaian fungsi yang panjang, file konfigurasi, dan rangkaian pengujian sekaligus, yang penting untuk pekerjaan pemrograman nyata. Hal ini tidak menghilangkan kebutuhan akan prompt dan strategi penggunaan alat yang cermat, tetapi mengurangi proses bolak-balik yang memperlambat pengembang dalam proyek besar.

Risiko, regulasi, dan akses

Perusahaan AI China beroperasi di tengah kendali ekspor, keterbatasan rantai pasokan, dan pengawasan regulasi di berbagai yurisdiksi. Lingkungan tersebut memengaruhi rencana pelatihan dan penerapan. Model dengan bobot terbuka seperti GLM 4.6 dapat membantu dengan memberi pelanggan kendali lebih besar atas lokasi dan cara sistem dijalankan, termasuk di lokasi mereka sendiri atau di wilayah cloud pilihan. Meski memiliki opsi tersebut, pembeli tetap mengevaluasi dukungan jangka panjang, komitmen tingkat layanan, dan fitur kepatuhan sebelum memilih penyedia.

Penanganan data menjadi salah satu kekhawatiran terbesar. Penawaran Zhipu kepada pelanggan luar negeri mencakup penyimpanan data lokal dan pengaturan tanpa retensi data. Tujuannya adalah menjaga kode dan dokumen sensitif tetap berada di wilayah pilihan pelanggan, sambil tetap memanfaatkan asisten pemrograman berkualitas tinggi. Bagi banyak tim, pengaturan tersebut merupakan kompromi yang wajar antara kinerja, privasi, dan biaya.

Pasar asisten pemrograman yang kian padat

Pasar asisten pemrograman kini dipenuhi layanan mapan dan pemain baru. GitHub Copilot memopulerkan kategori ini. Model dari OpenAI dan Anthropic mendukung perangkat premium dengan kemampuan penalaran dan pengelolaan konteks yang kuat. Pemain China berkembang pesat dengan sistem seperti DeepSeek dan Qwen, sementara startup di banyak wilayah membangun pendamping IDE berbasis agen yang mengatur pencarian, analisis, penyuntingan kode, dan pengujian dalam satu siklus.

Di tengah persaingan itu, Zhipu mengandalkan tiga pembeda. Pertama, harga. Perusahaan memosisikan GLM 4.6 sebagai perangkat praktis yang berkinerja baik dengan biaya lebih rendah. Kedua, keterbukaan. Akses ke bobot model dan dukungan untuk kerangka kerja inferensi umum membuatnya menarik bagi tim yang ingin melakukan kustomisasi atau menghosting model sendiri. Ketiga, integrasi. Dengan mudah terhubung ke agen pemrograman populer dan menyediakan opsi API yang lugas, Zhipu mengurangi upaya yang diperlukan untuk mencoba dan mengadopsi modelnya. Tak satu pun faktor tersebut menjamin dominasi. Namun, semuanya membangun jalur yang meyakinkan menuju pertumbuhan stabil di kalangan pengembang yang menghargai keandalan, kendali, dan tagihan bulanan yang wajar.

Pandangan pimpinan tentang langkah selanjutnya

CEO Zhipu, Zhang Peng, telah berbicara di depan publik tentang laju kemajuan AI tingkat lanjut. Ia berpendapat bahwa pembahasan mengenai kecerdasan superbuatan cenderung mengaburkan rincian penting, dan setiap perkiraan waktu harus dipandang sebagai target yang dapat berubah. Bagi pelanggan, yang penting adalah apakah model dapat melampaui kinerja manusia dalam pekerjaan tertentu yang mereka butuhkan, serta apakah peningkatan itu menghasilkan produktivitas nyata.

Dalam acara peluncuran baru-baru ini, Zhang menjelaskan pandangannya tentang beberapa tahun ke depan.

"Mencapai atau melampaui kecerdasan manusia pada 2030 mungkin berarti melampaui manusia di bidang tertentu, tetapi masih tertinggal di banyak bidang lainnya," kata Zhang Peng, CEO Zhipu AI.

Pendekatan pragmatis tersebut tercermin dalam pilihan produk perusahaan. Zhipu tidak berlomba untuk memenangkan setiap pasar langganan konsumen. Perusahaan berfokus pada pelanggan korporasi dan paket pemrograman yang berorientasi pada pengembang, sembari mempertahankan layanan chatbot gratis yang mudah diakses untuk membantu menarik pengguna baru. Tujuan jangka pendeknya bukan menentukan batas akhir kecerdasan. Tujuannya adalah menghadirkan model yang membantu orang merilis fitur, memperbaiki bug, dan bekerja lebih cepat dengan biaya terkendali.

Yang Perlu Diketahui

• Zhipu AI menyatakan jumlah pengguna berbayar di luar negeri naik sepuluh kali lipat dalam dua bulan, menjadi sekitar 100.000 pelanggan API bulanan, dengan 3 juta pengguna chatbot gratis di luar China.
• Kenaikan tersebut terjadi setelah peluncuran GLM 4.6, model pemrograman dan penalaran yang cepat diintegrasikan ke perangkat seperti Claude Code, Cline, Roo Code, dan Kilo Code.
• Kilo Code melaporkan tingkat adopsi tercepat yang pernah dialaminya, dengan penggunaan token GLM 4.6 meningkat 94 kali lipat dalam 12 hari berkat biayanya yang lebih rendah.
• GLM 4.6 memperluas jendela konteks menjadi 200.000 token, meningkatkan penggunaan alat dan kinerja agen, serta menyelesaikan tugas dengan sekitar 15 persen lebih sedikit token daripada GLM 4.5.
• Kinerja model ini hampir setara dengan Claude Sonnet 4 dalam tugas agen CC Bench, tetapi masih tertinggal dari Claude Sonnet 4.5 dalam beberapa pengujian pemrograman.
• Bobot terbuka tersedia untuk penerapan lokal, dan model ini mendukung tumpukan inferensi seperti vLLM dan SGLang.
• Zhipu menekankan strategi harga rendah dengan mempromosikan paket pemrograman yang menurut perusahaan menawarkan kinerja setara Claude dengan biaya jauh lebih rendah.
• Perusahaan ini bernilai sekitar 40 miliar yuan dan sedang mempersiapkan kemungkinan pencatatan saham pada 2026, sembari berfokus pada pertumbuhan bisnis korporasi dan pengembang di luar negeri.