Pada 1 September 2026, Anthropic merilis Claude Fable 5.1. Dua hari kemudian, pada 3 September, OpenAI merilis GPT-6 Astra dan menyebutnya sebagai model paling cerdas dan paling selaras di dunia. Setiap lab mengatakan modelnya yang terkuat. Itu sudah bisa ditebak.

Yang lebih penting bagi pemilik bisnis bukanlah siapa yang memenangkan gelar, melainkan satu angka: berapa yang Anda bayar setiap bulan. Dan inilah kejutannya — harga daftar kedua model benar-benar identik, $10 per juta token input dan $50 per juta token output. Namun tagihan akhirnya berbeda cukup jauh. Perbedaannya terkubur dalam satu pos biaya yang tidak pernah masuk judul berita.

Apa yang sebenarnya dihadirkan OpenAI di Astra

Pengumuman Astra berpusat pada sesuatu yang berbeda dari generasi sebelumnya: penggunaan komputer. Model ini tidak hanya menjawab Anda — ia mengoperasikan perangkat lunak atas nama Anda. Ia mengisi formulir, memperbarui data pelanggan di CRM, mengatur kalender, melakukan riset lalu menyusun ringkasan di email atau editor dokumen Anda, membangun situs web, kemudian memeriksa kualitas front end buatannya sendiri.

Angka yang dipublikasikan OpenAI tentang hal ini:

  • Kecepatan sebelum akurasi. Dalam simulasi latensi pada OSWorld 2.0, Astra meraih skor 72,6% dengan sekitar empat puluh menit per tugas, dibandingkan 65,7% dengan sekitar tujuh puluh lima menit untuk GPT-5.6 Sol — sekitar 47% lebih sedikit waktu per tugas.
  • Dengan harness Codex yang diperbarui, OpenAI melaporkan penyelesaian tugas 1,9x lebih cepat dibandingkan pengalaman GPT-5.6 Sol pada benchmark Mind2Web.
  • Tetap dalam batas tugas. Dalam evaluasi yang dibuat setelah insiden Hugging Face, GPT-5.6 Sol melampaui target yang diizinkan pada 48% kasus tanpa pengaman produksi. Astra melakukannya pada 0% kasus.
  • Matematika dan penalaran. 98% pada FrontierMath Tier 4 dan 99,9% pada ARC-AGI-3.

Dalam keamanan siber, Astra mencapai ambang Critical dalam Preparedness Framework milik OpenAI. Karena itu, versi yang dirilis hari ini menolak tugas ofensif tingkat lanjut seperti membuat exploit proof-of-concept, sementara pekerjaan defensif seperti peninjauan kode yang aman dan penambalan tetap tersedia.

Apa yang dihadirkan Anthropic di Fable 5.1

Fable 5.1 mengusung sudut pandang berbeda: pemrograman, pekerjaan berbasis pengetahuan, dan ketahanan pada tugas yang berjalan lama. Angka yang dipublikasikan dibandingkan Opus 5 dan GPT-5.6 Sol:

  • Riset ilmiah agentik (Terminal-Bench-Science): 52,6% dibandingkan 29,0% untuk Opus 5 dan 22,4% untuk GPT-5.6 Sol.
  • Pemrograman agentik (Terminal-Bench 4.0): 55,8% dibandingkan 52,3% untuk Opus 5 dan 37,3% untuk GPT-5.6 Sol.
  • Pekerjaan berbasis pengetahuan (GDPval-AA): 1853 poin dibandingkan 1824 untuk Opus 5.
  • Alur kerja bisnis (AutomationBench): 31,4% dibandingkan 26,9% untuk Opus 5 dan 19,6% untuk GPT-5.6 Sol.

Anthropic juga menambahkan tiga tingkat upaya — rendah, sedang, dan tinggi — dan menyatakan bahwa upaya rendah atau sedang menyamai atau melampaui Fable 5 dengan biaya yang jauh lebih rendah.

Harga: pos biaya yang membuat perbedaan

Tarif yang dipublikasikan, per juta token:

PosGPT-6 AstraClaude Fable 5.1Gemini 3.8 Flash
Input$10$10$0,75
Output$50$50$3,75
Cache read$1$0,25—
Jendela konteks~1,1M token1M token1M token

Lihat baris ketiga. Cache read di Fable 5.1 hanya seperempat dari harganya di Astra. Satu baris itulah yang menentukan tagihan Anda jika Anda menjalankan model secara serius.

Jika cache read masih baru bagi Anda: ketika sebuah model membaca ulang konteks yang sudah diprosesnya — file proyek Anda, instruksi tetap Anda, riwayat percakapan yang panjang — Anda dikenai tarif lebih rendah karena model tidak memprosesnya ulang dari nol. Satu tugas agentik membaca ulang konteks yang sama puluhan kali. Karena itu, dalam pekerjaan agentik, cache read jauh melampaui input baru, dan selisih 4x pada baris itu muncul di akhir bulan, bukan di tabel harga.

Anthropic memperkirakan beban kerja umum berbiaya sekitar 25% lebih rendah dibandingkan Fable 5, dengan penghematan mencapai sekitar 45% pada pekerjaan yang sangat agentik. Sementara itu, OpenAI menyoroti pos biaya yang bergerak ke arah sebaliknya: permintaan di atas 272.000 token input dikenai tarif lebih tinggi untuk seluruh permintaan — $20 input dan $75 output. Konteks yang sangat panjang di Astra tidak gratis, dan ini paling berpengaruh jika Anda mengirim dokumen besar sekaligus.

Di mana posisi Google dalam semua ini

Google tidak merilis model frontier baru dalam gelombang ini. Model unggulan yang tersedia secara umum masih Gemini 3.1 Pro dari Februari 2026. Namun Google memainkan permainan yang sama sekali berbeda: ia meluncurkan Gemini 3.8 Flash pada 2 September dengan harga perkenalan $0,75 input dan $3,75 output.

Itu bukan tantangan bagi Astra atau Fable 5.1 dalam hal kecerdasan. Itu tantangan di bidang lain — selisih harga 13x. Sebagian besar kebutuhan harian perusahaan menengah — mengklasifikasikan pesan pelanggan, meringkas percakapan, mengekstrak kolom dari faktur, menyusun draf balasan — sama sekali tidak membutuhkan model frontier. Menjalankan tugas-tugas itu pada model yang mengenakan $50 per juta token output berarti membayar kecerdasan yang tidak pernah Anda gunakan.

Mengapa Anda tidak boleh memercayai perbandingan benchmark langsung

Inilah poin yang dilewatkan sebagian besar tulisan yang akan Anda baca minggu ini. Kedua model tidak pernah dibandingkan satu sama lain:

  • Setiap lab mengukur terhadap dirinya sendiri. OpenAI membandingkan Astra dengan GPT-5.6 Sol; Anthropic membandingkan Fable 5.1 dengan Opus 5 dan GPT-5.6 Sol. Tidak ada satu pun angka resmi yang menempatkan Astra berhadapan dengan Fable 5.1 pada pengujian yang sama.
  • Bahkan benchmark yang sama pun tidak bisa dibandingkan. Keduanya mengutip OSWorld 2.0, tetapi OpenAI melaporkan 72,6% dalam simulasi latensi, sedangkan Anthropic melaporkan 77,9% dengan kredit parsial dan 41,7% dengan penilaian ketat. Tiga angka dengan tiga metode penilaian. Menaruhnya dalam satu tabel berarti membandingkan hal yang berbeda.
  • Lab melakukan pengukurannya sendiri. Ini bukan tuduhan, begitulah setiap peluncuran berjalan. Anthropic sendiri menyebut galat baku 3,5 hingga 4,5 poin pada benchmark sains, dan verifikasi independen memakan waktu berminggu-minggu.
  • Pengaman menurunkan skor. Anthropic mencatat bahwa Fable 5.1 dievaluasi dengan pengaman produksi aktif, dan tugas yang diintervensi pengaman diberi skor nol — yang menekan angka yang dipublikasikan tanpa menunjukkan kelemahan.

Pelajaran praktisnya: satu-satunya benchmark yang penting adalah beban kerja Anda sendiri. Jalankan kedua model pada lima puluh kasus nyata dari bisnis Anda dan ukur kualitas, biaya, serta latensi secara bersamaan. Satu minggu pengujian seperti itu lebih berharga daripada semua tabel perbandingan yang dipublikasikan.

Apa artinya bagi bisnis Anda

Prinsip yang menjadi dasar kerja kami di Origami tidak berubah meskipun model berganti begitu cepat: jangan ikat sistem Anda pada satu model. Jadikan model sebagai komponen yang bisa diganti dalam desain Anda, bukan fondasi tempat Anda membangun. Dalam praktiknya, untuk gelombang ini:

  • Bagi pekerjaan ke dalam tiga tingkat. Tugas harian bervolume tinggi pada model murah kelas Flash, pekerjaan menengah pada model seimbang, dan hanya tugas yang benar-benar kelas atas pada model frontier. Langkah ini saja memangkas tagihan lebih besar daripada negosiasi harga apa pun.
  • Susun anggaran berdasarkan cache read, bukan harga daftar. Jika pekerjaan Anda agentik — asisten yang membaca file Anda dan memutar ulang konteks — cache read adalah tagihan Anda yang sebenarnya, dan selisih 4x di sana lebih berbobot daripada selisih benchmark apa pun.
  • Uji tingkat upaya terendah lebih dulu. Naikkan hanya jika pengukuran membuktikan kebutuhannya, bukan berdasarkan kesan.
  • Sebelum menyerahkan kunci sistem Anda kepada sebuah model, tetapkan batasannya secara tertulis: sistem mana yang boleh diaksesnya, tindakan mana yang memerlukan persetujuan manusia, dan di mana ia mencatat apa yang telah dilakukannya. Kemampuan penggunaan komputer Astra berarti model kini bertindak, bukan sekadar menjawab — dan itu mengubah tata kelola dari sekadar pelengkap menjadi persyaratan operasional.
  • Jika Anda memproses data pribadi, retensi data adalah keputusan arsitektur, bukan catatan kaki hukum. Anthropic mengumumkan Enterprise Frontier Safeguards, yang menyimpan data di infrastruktur cloud yang sepenuhnya dikendalikan pelanggan, dengan peluncuran bertahap mulai musim gugur ini. Setiap kewajiban berdasarkan Undang-Undang Perlindungan Data Pribadi (PDPL) Arab Saudi diukur berdasarkan apa yang berlaku hari ini, bukan apa yang diumumkan.

Pandangan Origami

Ketika klien meminta kami membuat sistem berbasis AI, kami tidak memulai dari model mana yang terkuat. Kami memulai dengan membagi tugas-tugas mereka ke dalam tingkat sesuai apa yang benar-benar layak untuk masing-masing, lalu membangun lapisan yang memungkinkan model diganti tanpa membangun ulang sistem. Alasannya sederhana: model yang Anda pilih hari ini tidak akan menjadi yang terbaik dalam enam bulan. Anthropic dan OpenAI sama-sama merilis model frontier dengan selang empat puluh delapan jam — hal itu saja sudah menunjukkan bahwa sistem apa pun yang terikat pada satu vendor menyimpan risiko di fondasinya, bukan di pinggirannya.

Kesimpulan

Astra unggul dalam penggunaan komputer, kecepatan, dan kepatuhan pada batas tugas. Fable 5.1 unggul dalam pemrograman, riset ilmiah, dan ketahanan pada tugas panjang, serta lebih murah pada pos cache read yang menjadi tumpuan pekerjaan agentik. Gemini 3.8 Flash memenangkan pertarungan yang sama sekali berbeda — biaya operasional harian. Pertanyaan yang tepat bukanlah mana yang terkuat, melainkan tugas mana yang layak mendapatkan tingkat yang mana. Siapa pun yang menjawabnya dengan tabel pengukuran dari beban kerjanya sendiri akan mendapatkan kualitas terbaik dengan tagihan terendah.

Sumber

Angka sesuai yang tercantum dalam sumber di atas per 4 September 2026. Benchmark dijalankan oleh masing-masing lab pada modelnya sendiri, dan verifikasi independen masih berlangsung.