DeepSeek’s V4 Flash kini jadi primadona di kalangan pengembang, langsung menduduki posisi teratas dalam papan peringkat setelah diluncurkan. Namun, dalam pengujian nyata, model ini hanya berhasil menyelesaikan 53.8% dari sejumlah tugas kompleks.
Composio menguji model ini pada delapan agen yang berbeda, termasuk Claude Code, Codex, dan OpenCode, dengan 30 tugas yang sengaja sulit yang meliputi alat-alat seperti Gmail, GitHub, Slack, dan Google Sheets. Dari total 240 percobaan, hanya 129 yang berhasil — dan hanya enam dari 30 alur kerja yang sukses diselesaikan oleh semua agen yang diuji.
Kesenjangan ini menunjukkan bahwa orkestra, bukan hanya kemampuan model, bisa menentukan apakah model itu sukses di lingkungan perusahaan. Model yang sama dapat menghasilkan hasil yang sangat berbeda, tergantung pada agen, konfigurasi alat, perilaku caching, percobaan ulang, dan tumpukan penyedia yang digunakan.
DeepSeek mengumumkan bahwa mereka akan menaikkan harga untuk V4 Flash dan Pro, model yang dengan cepat menjadi favorit di kalangan pengembang yang membangun asisten coding dan agen.
Meskipun kenaikan harga ini tampak dapat mengurangi daya tariknya, yang seharusnya terletak pada model yang mampu di harga sangat terjangkau, ini juga membawa cerita baru di luar narasi “model murah asal Cina”. Seiring dengan kasus penggunaan awal yang muncul dan perusahaan-perusahaan berusaha memahami di mana berbagai model cocok dalam tumpukan teknologi mereka dan untuk alur kerja apa.
Angka adopsi “gila” seiring DeepSeek mengubah struktur biaya
DeepSeek meluncurkan V4 Flash dalam versi beta publik pada 31 Juli, dan membuat V4 Pro tersedia secara umum pada 13 Agustus. Model Flash, dengan 284 miliar parameter, dirancang untuk volume dan kecepatan, sementara Pro, dengan 1.6 triliun parameter, dibuat untuk alur kerja yang lebih kompleks.
Kedua model ini menawarkan kemampuan penalaran yang fleksibel dan ‘mode berpikir’ yang menerapkan reasoning chain-of-thought (CoT) untuk meningkatkan akurasi jawaban.
Pengguna langsung terkesan dengan kemampuan Flash. Model ini mendominasi papan penggunaan OpenRouter sejak diluncurkan, menjadi model yang paling banyak digunakan di platform berdasarkan volume token mingguan.
“Angka adopsi DeepSeek V4 Flash yang awal sangat luar biasa,” tulis peneliti ML Nathan Lambert di X, menambahkan bahwa versi baru ini “memperoleh skor yang sama dengan GLM 5.2,” menjadikannya “monster total” yang akan banyak digunakan.
Pergeseran model biaya oleh DeepSeek memberikan dimensi menarik.
Tarif API V4 akan naik hingga 1.100% tergantung pada model, jenis token, dan waktu penggunaan. Struktur harga baru ini:
-
Flash akan dikenakan biaya 22 sen per juta token masukan dan 66 sen per juta token keluaran di luar puncak; serta 44 sen per juta token masukan dan $1.32 per juta token keluaran saat puncak. Ini adalah kenaikan antara 57% hingga 371%.
-
Pro akan dikenakan biaya 66 sen per juta token masukan dan $1.98 per juta token keluaran di luar puncak; serta $1.32 per juta token masukan dan $3.96 per juta token keluaran saat puncak. Ini menunjukkan lonjakan antara 51% hingga 355%.
-
Ketukan cache juga akan meningkat antara 52% hingga 1.100%.
Menurut DeepSeek, tawaran pemakaian 50% lebih rendah di luar jam sibuk bertujuan untuk mendorong “penjadwalan beban kerja yang lebih fleksibel.” Tujuh belas dari setiap 24 jam tetap di setengah harga, dan struktur baru ini bahkan menjadikan pasar dalam negeri mereka sebagai yang tertinggi.
“Ini bukan sekadar kenaikan harga,” kata Sanchit vir Gogia dari Greyhound Research. “Ini adalah arsitektur harga yang menjadikan waktu inferensi sebagai variabel ekonomi.”
Kerja yang bisa ditunda — seperti evaluasi batch, generasi data sintetis, dan pengembangan semalaman — masuk ke jam-jam murah; agen interaktif dan operasi langsung tidak bisa. Gogia mengatakan bahwa ketidakpuasan di kalangan pengembang dan perusahaan itu nyata dan vokal, dan harga rendah yang ditawarkan DeepSeek di masa lalu tidak mengharuskan mereka untuk tetap murah selamanya.
Pada pandangan pertama, ini terlihat seperti langkah “bunuh diri” dari platform yang masih mencari kredibilitas di hadapan penyedia model AI yang lebih mapan, kata analis teknologi Carmi Levy. Kenaikan harga ini pasti akan mempengaruhi keuntungan harga DeepSeek dan memaksa pelanggan untuk mempertimbangkan lebih serius asal usul Cina perusahaan ini.
Meski begitu, DeepSeek tetap jauh lebih murah dibandingkan model pesaing dari OpenAI, Anthropic, Google, Cohere, xAI, dan lainnya.
Dengan demikian, meskipun langkah ini akan memaksa DeepSeek untuk menekankan kinerja dan keamanan di atas biaya, tidak menghapus keuntungan harga-kinerja yang sudah ada dan masih memberikan ruang bagi pelanggan untuk membenarkan penggunaannya untuk beban kerja tertentu. Levy menambahkan bahwa perhitungan hanya harus lebih teliti.
“Keuntungannya kemungkinan akan memudar seiring waktu saat DeepSeek terus menyelaraskan harga dengan realitas pasar, namun untuk saat ini masih mudah untuk membuat argumen bisnisnya,” kata Levy.
Di mana DeepSeek Flash bisa diterapkan di lingkungan perusahaan?
Penerapan di lingkungan perusahaan masih menjadi tanda tanya terbuka karena masalah biaya, kemampuan, keandalan, pengelolaan data, keamanan, dan faktor lainnya.
Salah satu kasus penggunaan adalah pemrosesan batch, kata Levy. Jenis kerja ini biasanya rutin dan repetitif dibandingkan dengan kecerdasan tinggi, sehingga masuk akal untuk menggunakan model yang lebih murah dan efisien. “Ini adalah mesin inferensi berkinerja tinggi yang bisa dipertimbangkan perusahaan untuk beban kerja solusi spesifik, bukan sebagai pengganti seluruh penawaran yang ada,” jelas Levy.
Penerapan parsial kemungkinan akan melibatkan beban kerja yang tidak sensitif dan terisolasi dengan metrik kesuksesan yang jelas, pengawasan ketat, kontrol izin, serta model cadangan jika terjadi kesalahan, ia catat. Penerapan yang lebih luas akan memerlukan DeepSeek dan mitra hostingnya untuk menunjukkan keandalan, keamanan, privasi, auditabilitas, dan opsi penerapan yang kuat. Sambil menyesuaikan struktur harga berdasarkan permintaan, DeepSeek juga harus mempertahankan keuntungan harga-kinerja yang cukup besar untuk membenarkan segala risiko, tambahnya.
Akan muncul penggunaan yang tidak resmi, dalam skala lebih kecil di laboratorium belakang dan lingkungan pengujian terbatas seiring dengan tim IT beradaptasi dengan model baru dan mencari cara untuk menyampaikannya kepada pimpinan senior untuk mendapatkan persetujuan anggaran.
“DeepSeek telah membangun reputasi yang baik sebagai pengganggu global,” katanya. “Jelas bahwa langkahnya menuju adopsi perusahaan yang lebih luas akan terus mendapatkan momentum.”
Menguji DeepSeek dalam alur kerja multi-alat
Walaupun banyak kasus penggunaan masih dalam fase eksperimen, insinyur perangkat lunak Meta, Naman Ahuja, menawarkan satu contoh yang bisa langsung diterapkan di lingkungan perusahaan. Dalam proyek yang tidak terkait dengan perusahaannya, ia membangun agen otomatisasi rumah dengan DeepSeek V4 Flash untuk mengeksplorasi bagaimana model berbiaya lebih rendah ini tampil sebagai lapisan reasoning/orkestrasi untuk alur kerja multi-alat yang nyata.
Ketika ia meninggalkan rumah, seorang agen mengkoordinasikan beberapa tindakan di berbagai sistem yang terpisah, seperti mengatur termostat ke “jauh” untuk mengurangi penggunaan energi yang tidak perlu, mengaktifkan sistem keamanan Ring, menutup dan mengunci pintu.
“Yang menarik bagi saya bukan hanya apakah model dapat memahami perintah, tetapi apakah ia dapat menerjemahkan niat menjadi urutan tindakan di berbagai alat, di mana keandalan sangat penting,” kata Ahuja.
Pelajaran terbesar yang didapat adalah bahwa saat model dapat mengambil tindakan, keandalan sama pentingnya dengan kecerdasan. Sistem membutuhkan output alat yang terstruktur, verifikasi bahwa tindakan benar-benar berhasil, penanganan kegagalan, dan batasan yang jelas mengenai apa yang boleh dilakukan model.
Dalam hal perusahaan, “arsitektur mirip.” Perangkat rumah berubah menjadi sistem tiket, basis data, platform CRM, atau API infrastruktur. Agen yang paling berguna kemungkinan besar akan mengorkestrasi alur kerja repetitif di berbagai sistem, dengan izin yang terukur, auditabilitas, observability, dan persetujuan manusia untuk tindakan berisiko tinggi.
“Banyak agen AI yang berharga tidak akan menjadi chatbot; mereka akan menjadi agen latar belakang yang mengkoordinasikan API, infrastruktur, dan sistem bisnis sebagai respons terhadap kejadian,” katanya.
Perusahaan butuh kasus penggunaan yang nyata
Tetapi API Flash masih dalam versi beta publik, kata Gogia, dan belum ada jejak bukti adopsi perusahaan yang sebenarnya, penerapan di dunia nyata, dan daftar pelanggan yang jelas.
“Cerita tolok ukur ini lebih longgar dari yang diceritakan ulang, cerita portofolio ini lebih baru dari yang terlihat, dan ekonomi telah bergerak menjadi sistem di sekitar model itu,” ujarnya. Arus utama pengembang sudah terbukti; standarisasi perusahaan belum. “Model ini arus utama berdasarkan traffic tetapi masih belum terbukti berdasarkan kontrak.”
Panduan integrasi DeepSeek sendiri adalah pertimbangan penting, katanya: Dokumentasi untuk setidaknya satu lingkungan agen populer menyatakan bahwa entri V4 bawaan tidak cukup untuk operasi yang andal tanpa override kompatibilitas.
“Ini adalah vendor yang memberi tahu pasar, dengan akurat, bahwa kinerja tolok ukur tidak dapat dijadikan proxy untuk kesiapan produksi,” kata Gogia. “Sebuah model dapat memperoleh skor dengan baik tetapi masih berperilaku buruk begitu alat, kredensial, dan status terlibat.”
Lapisan penyajian juga tidak berbeda: bobot terbuka yang sama yang dijalankan oleh host yang berbeda menunjukkan perbedaan yang terlihat dalam throughput dan uptime. “Memilih Flash dengan demikian menjawab satu pertanyaan pengadaan dan membuka tiga lainnya: Siapa yang menyajikannya, di mana ia dijalankan, dan kontrol apa yang mengelilinginya,” tambah Gogia.
Siapkan untuk masa depan multi-model
DeepSeek menawarkan kasus yang bernuansa untuk masa depan multi-model. V4 Flash diterapkan sebagai pekerja volume tinggi di berbagai tempat, di mana ia menangani generasi rutin, pengambilan, dan otomatisasi latar belakang, sementara tugas yang lebih sulit atau sensitif ditempatkan di tempat lain.
“Yang jadi pertanyaan adalah apakah kinerjanya cukup untuk alur kerja nyata yang dijalankan perusahaan, bukan apakah ia memuncaki setiap tolok ukur,” tambahnya. Perusahaan harus menentukan kombinasi model, agen, dan penyedia mana yang dapat menyelesaikan pekerjaan dengan aman dengan biaya terendah.
Adam Dalloul, CEO dan pendiri EmpirioLabs AI, menekankan bahwa ukuran lebih besar tidak selalu lebih baik; alur kerja seharusnya bergantung pada tugas. Contohnya, timnya di EmpirioLabs AI — yang menghosting lebih dari 100 model dalam satu API, termasuk DeepSeek V4 Flash — baru-baru ini bekerja menerjemahkan situsnya ke dalam berbagai bahasa, dan tidak ada kebutuhan untuk model besar seperti GPT 5.6 Sol atau Opus 5 untuk menyelesaikan tugas tersebut.
“Di sinilah subagen dapat sangat membantu,” ungkapnya.
Pendekatan yang dianjurkannya: Membuat subagen yang lebih murah dan menyesuaikan berdasarkan tugas. Misalnya, gunakan varian Flash untuk pekerjaan sehari-hari, dan varian Pro ketika memerlukan sesuatu yang lebih kuat. “Itu tergantung pada sifat aplikasi Anda.”
Banyak perusahaan beralih ke tolok ukur internal mereka sendiri untuk mengarahkan penggunaan model secara efektif, pungkas Dalloul. Misalnya, timnya memiliki alur kerja yang memproses model melalui berbagai gerbang dan instruksi. Ini membantu mereka mengidentifikasi model dengan kecepatan dan akurasi yang diperlukan untuk tugas tersebut.
Dalam contoh lainnya, salah satu klien perusahaannya hanya ingin mengakses DeepSeek V4 Flash. Mereka telah menguji berbagai model dan V4 Flash adalah satu-satunya yang memenuhi kriteria mereka untuk kecepatan, biaya, dan “ambang kecerdasan yang tepat.”
Meta’s Ahuja sepakat bahwa model-model yang lebih kecil dan lebih efisien dapat menangani tugas-tugas agen yang sering dan terdefinisi dengan baik, sementara model frontier yang lebih mahal dapat dicadangkan untuk “keputusan yang ambigu, sulit, atau berisiko tinggi.” Metrik yang relevan semakin menjadi biaya per alur kerja yang berhasil diselesaikan, alih-alih hanya biaya per token.
Namun, trade-off yang muncul adalah bahwa inferensi yang murah tidak secara otomatis berarti otomatisasi yang murah atau aman. Ketika sistem AI dapat mengambil tindakan, keandalan, verifikasi, izin, penanganan kegagalan, dan keamanan menjadi jauh lebih penting.
“Tanggapan teks yang gagal memang tidak nyaman; tetapi tindakan yang gagal dalam alur kerja operasional dapat memiliki konsekuensi nyata,” kata Ahuja.
