Gemini 3.7 Flash dari Google Rilis dengan Harga Setengah, Tiga Minggu Setelah 3.6: Uji yang Perlu Dilakukan UMKM Sebelum Beralih

Google merilis Gemini 3.7 Flash pada 13 Agustus, hanya tiga minggu setelah Gemini 3.6 Flash. Yang patut diperhatikan bukan sekadar nomor model baru. Google menyatakan model API ini lebih baik untuk pemrograman, pengolahan dokumen, pengembangan web, dan alur kerja bisnis bertahap, dengan harga awal setengah dari tarif awal 3.6 Flash: US$0,75 per satu juta token masukan dan US$3,75 per satu juta token keluaran hingga 31 Desember 2026.

Bagi UMKM Indonesia, ini bukan alasan untuk mengganti semua alat pada hari Senin. Kenaikan skor benchmark dan harga token rendah tidak membetulkan katalog produk yang keliru, wewenang pengembalian dana yang kabur, atau sistem pesanan tanpa jalur eskalasi ke manusia. Pertanyaannya lebih sempit: adakah satu tugas terbatas yang volumenya cukup, datanya dapat dipercaya, dan biayanya bisa diukur sehingga model lebih kuat benar-benar memperbaikinya tanpa diberi kuasa yang seharusnya tidak ia miliki?

Google menyebut Gemini 3.7 Flash sebagai model pekerja utamanya yang baru untuk coding dan agen AI. Perusahaan mengatakan rilis ini mengikuti masukan pengembang dan perbaikan algoritmis, serta menempatkannya sebagai peningkatan dari 3.6 Flash, bukan kategori produk yang sepenuhnya berbeda. Menurut model card, model ini disalurkan melalui Gemini API, Google AI Studio, Gemini Enterprise, Gemini Enterprise Agent Platform, dan Google Antigravity.

Cara distribusi itu penting. Jendela chat untuk konsumen dan produk API adalah pembelian yang berbeda. Bisnis dapat mencoba prompt di antarmuka chat, tetapi alur kerja yang membaca FAQ resmi, mencari pesanan, mengusulkan jawaban, mencatat interaksi, dan meneruskan pengecualian membutuhkan rekayasa, izin akses, dan penanggung jawab operasional. Model hanya satu komponen dalam sistem tersebut.

Model card Google menyebut masukan multimodal: teks, gambar, audio, dan video. Context window-nya hingga satu juta token dengan keluaran maksimal 64.000 token. Google juga menyatakan tersedia pengaturan thinking yang bisa dikonfigurasi untuk mengatur keseimbangan mutu, biaya, dan latensi. Spesifikasi itu menjelaskan kapasitas, bukan janji bahwa setiap input akan dipahami benar atau konteks panjang selalu digunakan dengan baik.

Google menggambarkan rilisnya sendiri sebagai berikut:

Frasa “masukan pengembang dan inovasi algoritmis” adalah penjelasan perusahaan mengenai prosesnya sendiri. Itu tidak membuktikan bagaimana model akan bekerja dalam chatbot toko tertentu, otomasi WhatsApp tertentu, atau alur akuntansi tertentu. Baca sebagai arah dan alasan rilis, bukan hasil yang sudah terverifikasi untuk satu penerapan bisnis.

Penting pula membedakan model dari produk di sekelilingnya. Google menyebut Gemini Spark, agen AI pribadi yang berjalan terus di bawah arahan pengguna, mulai memakai Gemini 3.7 Flash pada hari yang sama. Spark tersedia bagi pelanggan Google AI Pro dan Ultra di lebih dari 160 negara menurut Google. Menaikkan paket langganan dan mengintegrasikan API memiliki risiko yang berbeda. Yang pertama mengubah pengalaman di aplikasi yang sudah ada; yang kedua mengharuskan bisnis membangun dan mengoperasikan alur kerja tersambung sendiri.

Kekeliruan yang sering terjadi adalah menganggap kecanggihan produk konsumen sebagai bukti kesiapan sistem bisnis. Demo yang mengesankan di aplikasi Spark tidak menunjukkan bagaimana model itu akan berperilaku ketika dihubungkan ke basis data toko, katalog harga yang berubah setiap minggu, atau riwayat percakapan pelanggan yang panjang dan berantakan. Kedua konteks itu menggunakan model dasar yang sama, tetapi hasil praktisnya bisa sangat berbeda.

Google melaporkan beberapa kenaikan besar dibanding Gemini 3.6 Flash. Pada FrontierCode 1.1 Main, angkanya 43,6% untuk 3.7 Flash dan 34,4% untuk 3.6 Flash. Pada DeepSWE v1.1, hasil yang dilaporkan 65,3% berbanding 49,0%. Pada benchmark GDP.pdf untuk pengolahan dokumen kompleks, Google melaporkan 34,0% berbanding 22,0%. Di AutomationBench, yang digambarkan Google sebagai pengujian alur kerja bisnis dunia nyata, hasilnya 30,4% berbanding 17,0%.

Perbandingan ini berguna karena memperlihatkan arah dan skala evaluasi Google sendiri. Namun ini bukan perjanjian tingkat layanan. Tugas benchmark memiliki pengaturan, aturan penilaian, dan distribusi data tetap. Alur kerja bisnis memiliki catatan lama, pesan pelanggan yang tidak lengkap, pengecualian kebijakan, harga yang berubah, gangguan internet, serta staf yang harus membatalkan jawaban.

Terjemahan yang tepat dari angka 30,4% dibanding 17,0% bukan “agen ini bisa menjalankan bisnis.” Maknanya adalah “Google mengukur peningkatan yang besar pada evaluasi tertentu.” Sebelum menerapkan, uji model dengan contoh anonim dari pekerjaan sebenarnya: dua puluh pertanyaan umum, lima yang ambigu, lima yang wajib ditolak, serta sejumlah kasus yang harus dieskalasi. Nilai ketepatan fakta, kecocokan sumber, kemampuan meminta informasi yang kurang, dan kesediaan berhenti saat aturan menyuruh berhenti.

Skor lebih tinggi dapat membuat pengujian itu lebih menjanjikan. Skor tidak menghapus kebutuhan untuk mengujinya. Keempat benchmark tersebut juga tidak menilai nada layanan pelanggan ritel Indonesia, kemampuan menangani chat campuran Indonesia-Inggris, atau perilaku ketika pelanggan memasukkan instruksi yang sengaja menyesatkan. Usaha yang beroperasi dalam Bahasa Indonesia, dialek daerah, atau chat campur bahasa perlu memakai sampel bahasanya sendiri, bukan menganggap benchmark berbahasa Inggris berlaku otomatis.

Angka benchmark juga tidak menyebut biaya kegagalan. Sebuah agen yang salah menjawab sepuluh persen dari waktu belum tentu buruk jika kesalahan itu tidak berbahaya dan mudah diperbaiki. Namun sepuluh persen kesalahan menjadi mahal ketika setiap kesalahan berarti pesanan salah kirim, harga keliru diberitahukan, atau janji pengiriman yang tidak bisa dipenuhi. Sebelum membaca skor sebagai indikator kesiapan, tentukan dulu berapa besar biaya satu kesalahan dalam alur kerja spesifik usaha Anda.

Jarak antara 3.6 Flash dan 3.7 Flash hanya tiga minggu. Kecepatan itu mengubah keputusan pembelian. Tim yang menghabiskan berbulan-bulan menanamkan kebiasaan satu model ke dalam alur kerja dapat mendapati asumsi mereka berubah saat produk diluncurkan. Investasi yang tahan lama bukan prompt yang rumit saja. Ia mencakup sumber pengetahuan bersih, instruksi berversi, kasus uji, jalur cadangan, dan log untuk memeriksa apa yang terjadi.

Siklus rilis ini juga alasan untuk tidak membuat kontrak panjang hanya berdasarkan grafik benchmark. Harga rendah hari ini bisa bersifat perkenalan. Halaman harga Google Cloud menyatakan tarif US$0,75 untuk input dan US$3,75 untuk output berlaku sampai 31 Desember 2026. Buat anggaran yang memasukkan kemungkinan tarif setelah promosi, tugas yang berat di output, biaya retrieval atau basis data, waktu rekayasa, dan biaya pemeriksaan manusia. Harga token adalah input penting, tetapi hanya satu baris dalam biaya operasional.

Iterasi cepat dapat membantu tim kecil karena mereka tidak perlu membeli server untuk mencoba model baru lewat API. Namun ada kewajiban pemeliharaan. Simpan kumpulan uji regresi. Jalankan ulang ketika versi model berubah, penyedia mengubah pengaturan keamanan, atau system prompt diedit. Catat versi yang menjawab setiap interaksi pelanggan. Tanpa catatan itu, operator sulit membedakan perubahan model dari kesalahan data.

Pertanyaan kepemilikannya sederhana: ketika jawaban menjadi salah setelah pembaruan, siapa yang menyadari, siapa yang menghentikan otomasi, dan siapa yang memberi tahu pelanggan? Bila tidak ada pemilik untuk langkah-langkah itu, sistem belum siap diperluas, berapa pun skor modelnya.

Pemilik usaha kadang menganggap pergantian model sebagai urusan teknis untuk penulis integrasi. Itu meremehkan perubahan. Model baru dapat mengubah nada, panjang jawaban, kecenderungan menebak, dan sensitivitas terhadap kalimat ambigu meski ketepatan umumnya naik. Perlakukan setiap pembaruan versi sebagai rilis kecil produk Anda sendiri, lengkap dengan pengujian, bukan pembaruan latar belakang yang tidak terlihat.

Pada tarif perkenalan yang diumumkan, satu juta token input berharga US$0,75 dan satu juta token output US$3,75. Input dan output ditagih berbeda. Dokumen internal panjang dan jawaban panjang kepada pelanggan menghasilkan pola biaya berbeda. Sistem yang membaca katalog tetapi menjawab satu paragraf singkat akan mengeluarkan biaya berbeda dari sistem yang menghasilkan draf panjang, kode, atau laporan.

Mulailah dengan satuan yang sudah dipahami bisnis. Untuk pilot layanan pelanggan, hitung biaya per percakapan yang terselesaikan dengan benar. Untuk konten produk, hitung biaya per deskripsi yang disetujui. Untuk alat internal, hitung biaya per jam kerja staf yang benar-benar hemat setelah kesalahan dikoreksi. Masukkan percobaan ulang. Prompt yang keliru dan membutuhkan tiga percobaan dapat menghapus keuntungan tarif token rendah. Masukkan pula biaya orang yang memeriksa jawaban.

Jangan membandingkan harga API dengan langganan chatbot bulanan seolah keduanya identik. Langganan dapat mencakup antarmuka, penyimpanan, dukungan, dan batas penggunaan. API lebih fleksibel, tetapi membutuhkan lapisan produk, pemantauan, kontrol akses, dan mungkin hosting terpisah. Pilihan termurah bergantung pada pekerjaan dan tim, bukan satu kartu tarif.

Tarif rendah juga dapat menggoda tim mengirim setiap dokumen, percakapan, dan spreadsheet ke model. Prinsip minimisasi data tetap berlaku. Kirim hanya kolom yang diperlukan. Hapus identitas pribadi dari set uji bila memungkinkan. Jangan memasukkan rincian pembayaran, kredensial, atau catatan pribadi pelanggan ke alur praktis tanpa memahami ketentuan, pengaturan retensi, dan kewajiban hukumnya.

Ada biaya lain yang sering luput: nilai tukar. Harga API perusahaan Amerika dinyatakan dalam dolar. Usaha Indonesia yang membayar dalam rupiah terkena perubahan kurs, di samping perubahan harga setelah tarif perkenalan habis. Sisihkan buffer kecil dalam anggaran pilot untuk kurs dan periksa tagihan nyata setelah bulan pertama, bukan hanya tarif token yang diiklankan.

Bandingkan pula opsi lokal sebelum berkomitmen pada satu penyedia global. Beberapa penyedia API menawarkan reseller berbasis rupiah atau paket prabayar yang menghindarkan konversi mata uang berulang. Biaya administrasi kartu, potongan bank untuk transaksi luar negeri, dan waktu yang dihabiskan mengurus penagihan lintas negara semuanya bagian dari total biaya kepemilikan, bukan hanya angka per token yang tertera di halaman harga.

Google menonjolkan hasil GDP.pdf, 34,0% untuk Gemini 3.7 Flash dibanding 22,0% untuk 3.6 Flash. Peluang praktis bagi usaha kecil bukan “unggah semua PDF dan percaya jawabannya.” Peluangnya adalah mengurangi pengulangan pada tugas membaca yang sulit tetapi terbatas.

Bayangkan distributor dengan spesifikasi produk terkini, aturan garansi, dan syarat pengiriman di dokumen terpisah. Staf mungkin harus menjawab apakah model tertentu layak diganti, versi dokumen mana yang berlaku, atau data apa yang wajib dikirim pelanggan. Model dapat mengambil dan merangkum bagian relevan, tetapi alur kerja harus menampilkan sumber kepada operator dan menolak membuat keputusan ketika dokumen saling bertentangan.

Di sini folder sumber yang terpelihara lebih penting daripada pilihan model. Tandai versi terkini. Singkirkan daftar harga yang kedaluwarsa. Beri nama dokumen secara jelas. Tulis aturan konflik, misalnya “kutip kebijakan terbaru berdasarkan tanggal dan teruskan ketidakpastian kepada supervisor.” Model tidak dapat menebak tata kelola dokumen yang sehat dari drive yang berantakan.

Uji tugas dokumen dengan contoh yang sengaja sulit. Letakkan kebijakan lama di samping kebijakan baru. Pakai hasil pemindaian dengan angka tidak terbaca. Ajukan pertanyaan yang jawabannya memang tidak ada. Perilaku yang diinginkan bukan tebakan percaya diri, melainkan pernyataan ketidakpastian yang jelas dan handoff. Untuk alur yang berhadapan dengan pelanggan, kemampuan menolak itu lebih melindungi kepercayaan daripada tambahan beberapa poin benchmark.

Peluang terkait berada di operasi internal. Banyak usaha kecil menyimpan perjanjian pemasok, sewa, dan daftar kepatuhan sebagai PDF pindai yang jarang dibaca ulang. Model dokumen lebih kuat dapat membuat rangkuman awal mengenai kewajiban dan tenggat untuk diverifikasi manajer. Keluaran harus membawa rujukan halaman ke dokumen asli, dan manajer, bukan model, tetap bertanggung jawab membaca kontrak yang mengikat.

Untuk usaha yang berhubungan dengan ekspor, izin usaha, atau sertifikasi produk, kemampuan membaca dokumen yang lebih baik juga bisa mempercepat penyiapan berkas sebelum diserahkan ke petugas atau auditor eksternal. Namun hasil ringkasan model tetap draf kerja, bukan pengganti tanda tangan atau tinjauan hukum yang dipersyaratkan oleh regulator.

Google menyatakan Gemini 3.7 Flash mendapat 30,4% pada AutomationBench, dibanding 17,0% untuk 3.6 Flash, dan menghubungkannya dengan penyelesaian alur kerja bisnis. Ini menarik karena banyak penggunaan bisnis berupa rangkaian langkah: mengklasifikasikan permintaan, mengambil catatan, memilih langkah berikut yang diizinkan, menyusun jawaban, lalu mencatat hasil.

Namun otomasi dalam benchmark bukan otorisasi dalam perusahaan. Agen layanan pelanggan yang bisa membaca pesanan tidak otomatis boleh mengubah alamat. Agen yang bisa membuat draf penjelasan refund tidak otomatis boleh menerbitkan refund. Pisahkan izin melihat, menyusun draf, merekomendasikan, dan bertindak. Letakkan persetujuan manusia sebelum uang berpindah, inventaris berubah, data pelanggan diekspor, atau komitmen kontraktual dibuat.

Rancang untuk jawaban salah. Bila model menghasilkan kode produk tidak sah, integrasi harus menolaknya. Bila panggilan alat tidak menemukan kecocokan, sistem harus meminta klarifikasi, bukan memilih yang mirip. Bila model melihat instruksi di pesan pelanggan yang tidak tepercaya, ia tidak boleh bisa mengubah aturan operasionalnya. Ini adalah kontrol aplikasi, bukan sifat yang boleh diserahkan kepada model.

Pilot operasional perlu memeriksa pola kegagalan, bukan hanya kecepatan rata-rata. Hitung persetujuan palsu, rute yang keliru, klaim yang dibuat-buat, tindakan ganda, dan kasus yang harus dibatalkan manusia. Satu refund salah dapat lebih mahal daripada penghematan dari ratusan draf cepat.

Dua pola kegagalan patut diperhatikan. Pertama, drift diam-diam: agen bekerja benar pada seratus percakapan pertama lalu membuat kesalahan kecil ketika menemui jenis kasus yang tak ada di set uji. Sampling berkelanjutan setelah peluncuranlah yang menangkapnya. Kedua, otomasi berantai: keluaran satu agen menjadi masukan agen lain tanpa pemeriksaan manusia. Setiap langkah terlihat masuk akal, tetapi gabungannya dapat menghasilkan tindakan yang tidak akan disetujui siapa pun. Sisakan setidaknya satu pemeriksaan manusia dalam rantai yang dapat membelanjakan uang, mengubah catatan, atau menghubungi pelanggan.

Penggunaan awal yang baik adalah alur draf-dan-rute. Pilih satu kategori pertanyaan sempit dan berulang dengan satu sumber resmi. Pertanyaan wilayah pengiriman, jam buka, panduan ukuran produk, atau permintaan data pesanan yang diperlukan dapat dipakai. Asisten mengklasifikasikan pesan, mengambil jawaban yang disetujui, membuat draf, lalu mengirim kasus tidak pasti kepada staf.

Pertahankan pilot selama empat minggu. Minggu pertama, kumpulkan pertanyaan perwakilan dan putuskan kasus yang tidak boleh dijawab otomatis. Minggu kedua, jalankan alat secara internal dengan persetujuan staf untuk setiap balasan. Minggu ketiga, izinkan balasan otomatis hanya untuk kategori paling jelas sambil mengambil sampel hasil setiap hari. Minggu keempat, bandingkan hasil dengan baseline sebelumnya.

Ukur lebih dari kecepatan:

• tingkat jawaban benar terhadap sumber yang disetujui;
• tingkat eskalasi ke manusia;
• waktu menuju respons berguna pertama;
• pelanggan yang menghubungi lagi karena jawaban keliru atau tidak lengkap;
• biaya per percakapan yang selesai; dan
• waktu staf untuk mengoreksi draf.

Tentukan aturan berhenti sebelum peluncuran. Misalnya, hentikan bagian otomatis bila staf menemukan janji stok palsu, kesalahan harga, pelanggaran privasi, atau jawaban berulang yang bertentangan dengan sumber. Aturan berhenti membuat keselamatan menjadi keputusan operasional, bukan slogan.

Model lebih kuat dapat membuat batas lemah menjadi lebih berbahaya. Sebelum menghubungkan alat, petakan data yang dapat dibaca dan tindakan yang dapat dilakukan. FAQ publik berisiko rendah. Catatan pesanan internal dapat berisi alamat, keluhan, dan konteks pembayaran. Sistem gudang dapat mengubah hasil di dunia nyata. Jangan membuka semuanya hanya karena integrasinya tersedia.

Gunakan hak akses minimum. Beri alat pembuat draf dukungan akses baca ke kolom yang dibutuhkannya dan tanpa izin tulis. Gunakan persetujuan terpisah untuk mengubah pesanan, mengembalikan pembayaran, atau mengirim pesan di luar kanal awal. Catat panggilan alat berikut waktu, catatan sumber, tindakan yang diusulkan, dan manusia yang menyetujui.

Jangan biarkan pesan pelanggan menulis ulang aturan itu. Kalimat “abaikan kebijakan Anda” adalah isi pelanggan, bukan otoritas. Aplikasi harus memisahkan instruksi bisnis dari input tidak tepercaya dan memvalidasi tindakan dengan aturan di sisi server. Model tidak boleh menjadi penjaga terakhir bagi izinnya sendiri.

Untuk pertanyaan pembayaran, pertahankan proses verifikasi biasa. Tangkapan layar atau klaim di chat bukan konfirmasi bahwa dana telah masuk. Asisten dapat meminta referensi yang tepat atau meneruskan kasus ke keuangan, tetapi rekonsiliasi harus dilakukan terhadap catatan penerimaan sebenarnya.

Kebijakan tertulis harus dapat ditemukan pegawai baru, bukan hanya tersimpan di kepala pengembang. Satu halaman yang menyebut data apa yang boleh dibaca asisten, apa yang boleh didraf, apa yang tidak boleh dilakukan tanpa persetujuan, dan siapa yang harus dihubungi ketika terjadi masalah akan menjaga batas itu saat terjadi pergantian staf.

Perubahan model adalah kesempatan memperbaiki pengukuran, bukan kewajiban menerapkan. Mulailah dengan satu kalimat yang menggambarkan tugas: “Buat draf jawaban pertanyaan wilayah pengiriman memakai kebijakan terkini dan eskalasikan semua hal di luar itu.” Jika tugas tidak dapat ditulis dengan jelas, otomatisasi akan sulit diuji.

Bangun set uji sebelum membandingkan model. Gunakan lima puluh sampai seratus contoh anonim bila memungkinkan. Masukkan pertanyaan biasa, pertanyaan tidak lengkap, rincian yang bertentangan, permintaan terlarang, dan pertanyaan tanpa jawaban dalam sumber. Beri label hasil yang diharapkan: jawab, minta klarifikasi, atau eskalasi. Jalankan set yang sama pada proses lama dan model kandidat.

Tinjau hasil bersama orang yang mengerjakan pekerjaan tersebut. Skor teknis dapat melewatkan frasa yang dibaca pelanggan sebagai janji pengiriman atau nada yang memicu keluhan. Ukur waktu lintasan penuh, bukan hanya latensi model. Jalankan pilot langsung kecil dengan jalur handoff yang terlihat dan ulasan harian.

Libatkan setidaknya dua anggota staf yang berbeda dalam tinjauan, bukan hanya satu orang yang membangun sistemnya. Orang yang menulis integrasi cenderung membaca hasil dengan asumsi yang sama yang ia gunakan saat merancang prompt, sehingga mudah melewatkan kesalahan yang justru terlihat jelas bagi staf garis depan yang biasa berbicara langsung dengan pelanggan.

Setelah empat minggu, pilih satu dari tiga opsi: lanjutkan pilot sempit, perbaiki alur lalu uji lagi, atau berhenti. “Berhenti” adalah hasil yang sah ketika data sumber terlalu berantakan, volume tugas terlalu rendah, atau tingkat koreksi menghapus manfaat. Lebih murah mempelajari itu dalam pilot daripada setelah janji otomatis menjangkau ribuan pelanggan.

Pengumuman Google memberi tim alasan yang kuat untuk menguji ulang alur yang sebelumnya terlalu lambat, terlalu mahal, atau terlalu banyak kesalahan. Ini tidak menjadikan satu penyedia sebagai jawaban permanen. Kenaikan yang dilaporkan untuk Gemini 3.7 Flash, context window satu juta token, input multimodal, thinking yang dapat diatur, dan harga perkenalan adalah kemampuan yang harus diuji terhadap satu pekerjaan nyata.

Mulailah dari catatan yang Anda kuasai. Rapikan FAQ. Tetapkan pemilik kebijakan. Definisikan tindakan terlarang. Bangun set uji. Tambahkan handoff manusia yang terlihat dan audit log. Perkirakan biaya per hasil berguna, termasuk waktu koreksi. Baru setelah itu bandingkan model dan harga.

Urutan ini tetap berguna ketika model berikutnya tiba. Google merilis 3.7 Flash tiga minggu setelah 3.6 Flash. Pasar model akan terus bergerak. Usaha kecil tidak perlu mengejar setiap rilis. Mereka perlu alur kerja yang bisa menguji opsi baru tanpa mempertaruhkan hubungan dengan pelanggan.

Sumber: Google, “Gemini 3.7 Flash: our most intelligent workhorse model,” 13 Agustus 2026; Google DeepMind, “Gemini 3.7 Flash Model Card”; harga Google Cloud Gemini Enterprise Agent Platform; Ars Technica; dan 9to5Google. Angka benchmark yang dikutip adalah hasil yang dilaporkan Google, bukan jaminan independen.