Memilih model dalam satu keluarga: tingkat model, tingkat usaha dan penalaran, biaya, kecepatan, dan jendela konteks, misalnya kapan Fable 5.1, Opus 5.5, Sonnet, atau Haiku, dan padanannya di keluarga lain

Kepala teknik sebuah hotel 300 kamar memakai model AI untuk memilah keluhan tamu dari aplikasi pesan dan menyusun analisis bulanan log chiller. Bulan pertama ia memakai tingkat model tertinggi untuk keduanya, "supaya aman": pemilahan menjadi lambat dan tagihan melewati anggaran. Bulan kedua semuanya dipindah ke tingkat termurah: pemilahan tetap benar, tetapi analisis chiller berkali-kali melewatkan kenaikan arus kompresor, harus diulang, dan teknisi senior berjam-jam memeriksa draf yang salah. Setiap tugas punya tingkat yang pas, dan ukurannya adalah biaya per pekerjaan yang benar-benar selesai, termasuk waktu orang yang memeriksanya.

Batas pembahasan

Bab ini membahas pilihan di dalam satu keluarga model: tingkat model, tingkat usaha atau penalaran, biaya per pekerjaan selesai, kecepatan, jendela konteks, dan paket langganan. Contoh utamanya keluarga Claude, dengan padanan di OpenAI, Google, xAI, dan model bobot terbuka sejauh tercatat. Harga dan nama model berlaku per Oktober 2026 dan berubah cepat; periksa halaman resmi pengembang sebelum memilih atau membeli.

Peta pengembang, lisensi, dan tolok ukur ada di Bab 10 tentang peta model AI frontier, token dan jendela konteks di Bab 8 tentang cara kerja model bahasa besar, cara memeriksa jawaban di Bab 9 tentang bagaimana AI menjawab, agen dan subagen di Bab 12 tentang agen AI, teknik prompt di Bab 13 tentang cara memberi perintah ke AI, serta data pribadi dan tanggung jawab teknisi di Bab 14 tentang AI untuk pekerjaan teknik di hotel, laundry, dan dapur.

Keluarga Claude per Oktober 2026

Anthropic menilai model dari kemampuan, kecepatan, biaya, dan usaha, dan menulis bahwa mengatur usaha sering lebih efektif daripada berganti model. Data berikut berlaku per 18 Oktober 2026.

Keempatnya memiliki jendela konteks 1 juta token, keluaran paling banyak 128 ribu token, dan batas pengetahuan Juni 2026.

Panduan resmi Anthropic: bila ragu, mulai dari Opus 5.5, model bawaan saat ini; pakai Fable 5.1 untuk penalaran berat dan kerja agentik jangka panjang, atau bila uji Opus 5.5 pada usaha tinggi masih kurang. Jalan lain adalah hemat dulu: mulai dari Haiku 5.5 dan naik tingkat hanya bila perlu.

Klaim pengembang: Fable 5.1 adalah model yang sama dengan Mythos 5.1 ditambah pengaman siber dan biologi (Mythos 5.1 hanya untuk organisasi terverifikasi); Opus 5.5 setara Fable 5.1 pada sebagian besar pekerjaan dengan biaya menjalankan 40 persen di bawah Opus 5; Sonnet 5.5 pelengkap Opus yang lebih cepat dan murah; Haiku 5.5 rata-rata sekitar 75 persen lebih murah dari Haiku 4.5.

Tingkat usaha dan penalaran

Tingkat usaha (effort) menukar ketelitian jawaban dengan hemat token pada satu model yang sama. Anthropic menjelaskan lima tingkat:

Usaha adalah sinyal perilaku, bukan anggaran token ketat, dan memengaruhi semua token: teks, panggilan alat, dan penalaran. Pada Fable 5.1 dan Opus 5.5 penalaran selalu aktif, sehingga usaha menjadi kendali utama. Anthropic mengklaim Opus 5.5 pada medium menyamai atau melampaui Opus 5 pada high untuk koding dan kerja pengetahuan. Arahannya: usaha tinggi untuk pekerjaan peka kecerdasan dan agentik, usaha rendah untuk tugas sederhana dan subagen.

Keluarga lain memakai kenop serupa:

• OpenAI: reasoning effort low, medium, high, xhigh, dan max; xhigh dan max dipakai hanya bila evaluasi membuktikan manfaatnya. Bawaannya medium pada GPT-6.1 Sol, GPT-6 Sol, dan Luna.
• Google: thinking level minimal, low, medium, dan high, dengan bawaan berbeda per model (high pada Gemini 3, medium pada Gemini 3.8 Flash dan Gemini 4 Argon). Tingkat lebih tinggi berarti waktu hitung lebih lama dan permintaan lebih mahal.
• xAI: Grok 4.7 menerima low, medium, high (bawaan), dan xhigh.

Pola ketiganya sama: mulai dari bawaan, lalu ukur pada tugas sendiri.

Padanan di keluarga lain

Tabel menyusun tingkat menurut peran yang ditulis tiap pengembang; baris yang sama tidak berarti kemampuan sama, dan tolok ukurnya dibahas di Bab 10 tentang peta model AI frontier. Fakta OpenAI, Google, dan xAI di tabel ini adalah pengumuman pengembang dan wajib diperiksa ulang di halaman resminya.

Harga dalam USD per juta token input / output, per Oktober 2026.

OpenAI menganjurkan Astra bila ragu, GPT-6.1 Sol untuk koding rumit dan kerja profesional yang lebih murah, dan Luna untuk kerja berulang seperti mengambil isian faktur; GPT-6.1 Sol diklaim hampir menyamai Astra pada koding agentik dengan seperlima harga tokennya. Google membagi Pro untuk penalaran tersulit, Flash untuk kerja harian dan agen, dan Flash-Lite untuk volume tinggi; Argon model andalan, dan Gemini 3.1 Pro masih pratinjau. xAI (sejak 2026 bagian dari SpaceX, kini memakai merek SpaceXSI) mencatat satu model API utama; Grok 4.7 Fast hanya ada di Cursor dan Grok Build dengan tarif dua kali.

Pada bobot terbuka, tingkat berarti ukuran: Qwen3.5 dari 0,8B sampai 397B parameter, Gemma 4 dari E2B sampai 31B, gpt-oss 20b dan 120b. Pilihannya ditentukan memori perangkat, lisensi, dan kebutuhan agar data tetap di mesin sendiri, seperti dibahas di Bab 10 tentang peta model AI frontier dan Bab 8 tentang cara kerja model bahasa besar.

Biaya per pekerjaan selesai

Biaya satu permintaan dihitung dari token masuk $T_{in}$ dan token keluar $T_{out}$, keduanya dalam juta token, dengan harga per juta token $P_{in}$ dan $P_{out}$:

$C_{req} = T_{in} P_{in} + T_{out} P_{out}$

Arahan Anthropic adalah menilai biaya per tugas yang selesai, bukan per permintaan. Bila satu percobaan berhasil dengan peluang $p$, dan kegagalan terdeteksi lalu diulang, rata-rata jumlah percobaan $1/p$ menurut sebaran geometrik, sehingga

$C_{selesai} = \frac{C_{req} + C_{periksa}}{p}$

dengan $C_{periksa}$ biaya atau waktu pemeriksa per percobaan. Rumus ini hanya berlaku bila kegagalan terdeteksi; jawaban salah yang lolos pemeriksaan jauh lebih mahal di lapangan, seperti dibahas di Bab 9 tentang bagaimana AI menjawab dan Bab 14 tentang AI untuk pekerjaan teknik. Nilai $p$ diukur pada kasus nyata yang jawabannya sudah diketahui, misalnya 20 sampai 50 kasus, lalu diringkas seperti di Bab 2 · Data & Pengukuran tentang variasi, distribusi, dan ringkasan data.

Pengubah harga Claude yang tercatat: batch berjalan asinkron dengan potongan 50 persen; baca cache Opus 5.5 berharga USD 0,20 per juta token, dibanding input biasa USD 4; mode cepat Opus 5.5 berharga dua kali (USD 8 / 40) dan hingga 2,5 kali lebih cepat. Harga menulis cache Claude tidak tercatat, sehingga hitungan cache lengkap memakai halaman harga resmi.

Kecepatan dan jendela konteks

Anthropic hanya memberi latensi relatif: Fable 5.1 paling lambat, Opus 5.5 sedang, Sonnet 5.5 cepat, dan Haiku 5.5 tercepat. Latensi penting untuk keluhan yang ditunggu tamu, tidak untuk laporan bulanan. Jendela konteks menentukan apakah seluruh dokumen terbaca sekaligus:

Muat tidak berarti murah: dokumen panjang dibayar pada setiap pertanyaan (Contoh 6). Ruang untuk keluaran juga perlu disisakan; pada Argon aturan itu ditulis pengembangnya.

Paket langganan untuk pemakai aplikasi

Pemakai aplikasi chat memilih paket, dan paket menentukan tingkat model yang tersedia. Harga dalam USD per bulan, per Oktober 2026; paket selain Anthropic menurut pengumuman pengembang:

Harga Max 20x tidak tertulis eksplisit, dan akses Plus ke Astra di chat biasa masih dipersoalkan. Model di dalam paket dapat berganti selama masa langganan, seperti tab Chat ChatGPT pada 7 Oktober 2026. Media Indonesia memberitakan ChatGPT Go dan Google AI Plus masing-masing Rp75.000 per bulan saat masuk Indonesia pada September 2025; angka ini dilaporkan media dan belum dapat dipastikan dari sumber resmi per 18 Oktober 2026. Paket juga menentukan setelan data: pengguna Claude Free, Pro, dan Max memilih apakah percakapannya dipakai untuk meningkatkan Claude, dengan retensi lima tahun bila ikut dan 30 hari bila tidak, seperti juga dicatat di Bab 14 tentang AI untuk pekerjaan teknik.

Langkah memilih

Langkah berikut disusun dari panduan resmi pengembang:

1. Tulis kriteria berhasil dan siapkan contoh uji dari pekerjaan sendiri. Pecah pekerjaan besar menjadi langkah yang dapat memakai tingkat berbeda, seperti dekomposisi di Bab 1 tentang dekomposisi, algoritma, data, dan otomasi.
2. Mulai dari Opus 5.5 pada medium, atau dari Haiku 5.5 untuk tugas sederhana bervolume tinggi.
3. Bila hasil kurang, naikkan usaha dulu. Pindah ke Fable 5.1 hanya bila Opus 5.5 pada xhigh atau max masih gagal.
4. Bila hasil sudah cukup, coba turunkan usaha atau tingkat, lalu ukur lagi.
5. Hitung biaya per pekerjaan selesai, termasuk waktu pemeriksa. Pakai batch untuk pekerjaan yang dapat menunggu.
6. Catat model, tanggal harga, dan hasil uji, lalu ulangi uji saat model atau harga berubah. Fable 5.1 dijadwalkan pensiun 1 Sep 2027 dan Opus 5.5 pada 22 Sep 2027.

Tingkat mana pun yang dipilih, AI dipakai untuk menjelaskan dan menyusun draf. Angka, satuan, rumus, istilah, dan prosedur diperiksa di Arstema (Takar untuk hitungan dan konversi, Academy, Kamus teknik), di manual pabrik, dan oleh orang berwenang yang memutuskan (Bab 14 tentang AI untuk pekerjaan teknik).

Contoh kerja

Angka dalam contoh di bawah adalah angka latihan, kecuali disebut asalnya. Harga diambil dari tabel di atas, per Oktober 2026; di dalam rumus token ditulis dalam juta token. Kewajaran urutan besaran diperiksa seperti di Bab 4 · Satuan & Matematika tentang estimasi, skala, dan pemeriksaan kewajaran.

Contoh 1: satu pekerjaan di empat tingkat Claude. Analisis bulanan log chiller memakai 40.000 token masuk dan 2.000 token keluar, yaitu 0,04 dan 0,002 juta token.

• Fable 5.1: $0{,}04 \times 10 + 0{,}002 \times 50 = 0{,}40 + 0{,}10 = 0{,}50$ USD.
• Opus 5.5: $0{,}04 \times 4 + 0{,}002 \times 20 = 0{,}16 + 0{,}04 = 0{,}20$ USD.
• Sonnet 5.5: $0{,}04 \times 2 + 0{,}002 \times 10 = 0{,}08 + 0{,}02 = 0{,}10$ USD.
• Haiku 5.5, prompt di bawah 100 ribu token: $0{,}04 \times 0{,}10 + 0{,}002 \times 0{,}50 = 0{,}005$ USD.

Untuk token yang sama, Fable 2,5 kali Opus, Opus 2 kali Sonnet, dan Sonnet 20 kali Haiku.

Contoh 2: pengulangan mengubah urutan. Pada 20 contoh uji, analisis Sonnet 5.5 lolos pemeriksaan pada 40 persen percobaan dan Opus 5.5 pada 90 persen. Dengan biaya dari Contoh 1, Sonnet $0{,}10/0{,}4 = 0{,}25$ USD per analisis selesai dan Opus $0{,}20/0{,}9 = 0{,}22$ USD. Opus lebih murah per pekerjaan selesai walaupun dua kali lebih mahal per permintaan. Sonnet baru lebih murah bila peluang berhasilnya di atas $0{,}10/0{,}222 = 0{,}45$, yaitu 45 persen.

Contoh 3: naikkan usaha sebelum naik tingkat. Pada analisis yang sama, Opus 5.5 pada medium menulis 2.000 token dan lolos 70 persen; pada high menulis 5.000 token dan lolos 92 persen; Fable 5.1 pada high menulis 5.000 token dan lolos 96 persen.

• Opus medium: $0{,}20/0{,}70 = 0{,}286$ USD per pekerjaan selesai.
• Opus high: $(0{,}16 + 0{,}005 \times 20)/0{,}92 = 0{,}26/0{,}92 = 0{,}283$ USD.
• Fable high: $(0{,}40 + 0{,}005 \times 50)/0{,}96 = 0{,}65/0{,}96 = 0{,}677$ USD.

Usaha high hampir tidak mengubah biaya token per pekerjaan selesai, tetapi mengurangi pengulangan. Fable 2,4 kali lebih mahal untuk tambahan 4 poin persen, sehingga baru layak bila kegagalan mahal dan Opus sudah dicoba sampai xhigh atau max.

Contoh 4: pekerjaan bervolume dan batch. Setiap akhir bulan, 500 laporan perintah kerja dirangkum dan diberi kategori, masing-masing 3.000 token masuk dan 400 token keluar. Di Opus 5.5: $0{,}003 \times 4 + 0{,}0004 \times 20 = 0{,}020$ USD per laporan, atau USD 10 untuk 500 laporan, dan USD 5 dengan batch. Di Haiku 5.5: $0{,}003 \times 0{,}10 + 0{,}0004 \times 0{,}50 = 0{,}0005$ USD, atau USD 0,25, dan USD 0,125 dengan batch. Batch memotong separuh, sedangkan tingkat model memotong 40 kali. Rangkuman ini tidak ditunggu, sehingga batch cocok; uji dulu apakah Haiku cukup tepat.

Contoh 5: ambang 100 ribu token pada Haiku 5.5. Prompt 90.000 token dan keluaran 1.000 token: $0{,}09 \times 0{,}10 + 0{,}001 \times 0{,}50 = 0{,}0095$ USD. Prompt 110.000 token dengan keluaran sama, pada tarif di atas ambang: $0{,}11 \times 0{,}50 + 0{,}001 \times 2{,}50 = 0{,}0575$ USD, sekitar 6 kali lipat untuk tambahan 22 persen token. Hitungan ini menafsirkan tarif tinggi berlaku untuk seluruh permintaan bila prompt melewati ambang; cara hitung persisnya diperiksa di halaman harga. Membuang lampiran yang tidak perlu adalah penghematan terbesar di sini.

Contoh 6: apakah manual muat di jendela konteks. Manual servis chiller, mesin cuci, dan boiler berjumlah 1.200 halaman, dengan perkiraan 500 token per halaman (cara memperkirakan token dibahas di Bab 8 tentang cara kerja model bahasa besar), sehingga totalnya $1200 \times 500 = 600000$ token. Claude 1 juta token: muat, sisa 400.000 token. GPT-6 Astra: muat. Gemini 4 Argon: muat bila penalaran dan keluaran bersama di bawah $1048576 - 600000 = 448576$ token. Grok 4.7: tidak muat; manual dipecah atau dicari bagian relevannya. Di Opus 5.5, input saja $0{,}6 \times 4 = 2{,}40$ USD per pertanyaan, atau $0{,}6 \times 0{,}20 = 0{,}12$ USD bila seluruhnya terbaca dari cache. Untuk 20 pertanyaan sebulan selisihnya $20 \times (2{,}40 - 0{,}12) = 45{,}60$ USD, sebelum biaya menulis cache yang tidak tercatat.

Kondisi berhenti

Berhenti memakai jawaban AI, atau berhenti memilih dan bertanya ke manusia atau sumber resmi, bila:

1. Harga, nama model, atau paket diambil dari catatan lama; periksa halaman resmi sebelum membeli.
2. Belum ada uji pada contoh tugas sendiri; klaim vendor dan tolok ukur tidak cukup (batas tolok ukur dibahas di Bab 10 tentang peta model AI frontier).
3. Tingkat tertinggi pada usaha tertinggi masih gagal pada uji; tugas itu dikerjakan orang.
4. Dokumen terpotong karena tidak muat; jawaban tentang bagian yang tidak terbaca tidak dipakai.
5. Kegagalan tidak dapat dikenali pemeriksa, misalnya setelan proteksi atau dosis kimia yang tampak masuk akal. Angka seperti ini diperiksa di Arstema dan manual pabrik, apa pun tingkat modelnya, sesuai alur kerja di Bab 14 tentang AI untuk pekerjaan teknik.
6. Data tamu atau rahasia perusahaan akan dikirim, tetapi setelan data paketnya belum diperiksa (Bab 14 tentang AI untuk pekerjaan teknik).
7. Tagihan atau jumlah langkah agen naik tanpa sebab jelas. Hentikan agen dan periksa putarannya (Bab 12 tentang agen AI).

Salah tafsir yang sering terjadi

Hubungan dengan bab lain

Bab 10 tentang peta model AI frontier memberi peta pengembang dan tolok ukur, Bab 8 tentang cara kerja model bahasa besar menjelaskan token dan jendela konteks, dan Bab 9 tentang bagaimana AI menjawab memberi alasan jawaban semua tingkat tetap diperiksa. Bab 12 tentang agen AI membahas agen dan subagen, tempat Haiku dan usaha rendah sering dipakai, Bab 13 tentang cara memberi perintah ke AI membahas prompt yang menaikkan peluang berhasil, dan Bab 14 tentang AI untuk pekerjaan teknik membahas verifikasi dengan Arstema serta data pribadi. Bab 4 · Satuan & Matematika tentang estimasi, skala, dan pemeriksaan kewajaran dipakai untuk memeriksa kewajaran biaya, Bab 2 · Data & Pengukuran tentang variasi, distribusi, dan ringkasan data untuk meringkas hasil uji, dan Bab 1 tentang dekomposisi, algoritma, data, dan otomasi untuk memecah pekerjaan.

Latihan dan pembahasan

Harga diambil dari bab ini, per Oktober 2026. Angka lain dibuat untuk latihan.