Dari Model Discovery ke Workflow Consolidation: Kenapa Orang Mulai Berhenti Gonta-ganti AI

Dua tahun lalu, setiap model AI baru terasa seperti alasan untuk pindah rumah.

Ada benchmark baru, orang langsung mencoba. Ada context window lebih besar, pindah lagi. Ada model yang lebih cepat atau lebih murah, timeline penuh perbandingan. Pertanyaannya hampir selalu sama: model mana yang paling pintar sekarang?

Masuk pertengahan 2026, ritmenya mulai berubah.

Bukan karena inovasi model berhenti. Model baru tetap rilis, benchmark tetap bergerak, dan kemampuan reasoning, coding, multimodal, serta agentic workflow terus naik. Tetapi bagi banyak pengguna, terutama yang sudah memakai AI setiap hari, model terbaik di atas kertas tidak otomatis menjadi model yang dipakai untuk bekerja.

Mereka sudah punya daily driver.

Lebih tepatnya, mereka sudah punya workflow yang bekerja.

Artikel ini membahas pergeseran dari fase model discovery menuju workflow consolidation: apa datanya, kenapa ini terjadi, siapa yang masih aktif bereksperimen, dan apa yang harus dimiliki model baru agar pengguna benar-benar mau pindah.

Jawaban singkat

Eksplorasi model AI memang mulai berkurang pada penggunaan harian, tetapi bukan karena semua orang sudah menemukan model yang objektif paling bagus. Pasar sedang membentuk kebiasaan: pengguna memilih satu general assistant sebagai default, lalu memakai model atau tool lain hanya ketika ada kebutuhan khusus yang tidak bisa diselesaikan oleh default tersebut.

Ini adalah tanda pasar mulai matang. Fokus pengguna bergeser dari kemampuan model mentah menuju kualitas sistem secara utuh: context, memory, integrations, tools, biaya, latency, reliability, dan seberapa baik semuanya masuk ke workflow sehari-hari.

1. Model discovery adalah fase yang wajar

Pada fase awal sebuah kategori teknologi, pengguna belum punya standar yang stabil. Mereka harus mencoba banyak opsi untuk memahami tiga hal:

1. apa yang sebenarnya bisa dilakukan teknologi tersebut;
2. pekerjaan mana yang paling terbantu;
3. produk mana yang paling cocok dengan cara mereka bekerja.

Itulah fase model discovery.

Di fase ini, model menjadi pusat pembicaraan karena perbedaan kemampuan masih terasa besar. Satu rilis bisa lebih baik untuk coding, rilis lain unggul di penulisan, satu model menawarkan context panjang, model lain terasa lebih natural. Biaya berpindah juga sangat rendah: buka tab baru, buat akun, salin prompt, lalu bandingkan hasil.

Perilaku seperti ini normal. Pengguna belum membangun loyalitas; mereka sedang mencari baseline.

Tetapi discovery punya batas. Setelah seseorang mengulang pekerjaan yang sama puluhan atau ratusan kali, pertanyaannya berubah. Dia tidak lagi mengevaluasi model dari satu jawaban terbaik. Dia mulai mengevaluasi apakah alat tersebut bisa diandalkan setiap hari.

2. Data menunjukkan default behavior mulai terbentuk

Data paling jelas datang dari laporan The State of Consumer AI milik Menlo Ventures. Survei tersebut melibatkan lebih dari 5.000 orang dewasa di Amerika Serikat.

Temuannya penting: 91% pengguna AI menggunakan general AI tool favorit mereka sebagai pilihan pertama untuk hampir semua pekerjaan. Mereka baru mencari alternatif ketika default tersebut tidak memberikan hasil yang dibutuhkan.

Ini bukan perilaku orang yang terus melakukan model shopping. Ini adalah perilaku orang yang sudah memiliki default.

Laporan yang sama mencatat:

• 61% orang dewasa AS telah menggunakan AI dalam enam bulan terakhir;
• hampir satu dari lima menggunakannya setiap hari;
• general AI assistants menyerap 81% dari estimasi belanja consumer AI senilai US$12 miliar;
• ChatGPT diperkirakan menguasai sekitar 70% total consumer AI spend;
• 60% pengguna memakai kombinasi general assistant dan specialized AI tools.

Angka terakhir perlu dibaca dengan benar. Konsolidasi tidak berarti satu model dipakai untuk semua hal. Polanya lebih mirip ini:

Default dulu. Specialist kalau perlu.

Seorang pengguna mungkin memakai ChatGPT atau Gemini untuk pekerjaan umum, Claude untuk dokumen atau coding tertentu, Perplexity untuk pencarian, Gamma untuk slide, dan tool visual khusus untuk gambar atau video. Namun dia tidak lagi memperlakukan semuanya sebagai kandidat daily driver yang setara.

3. Ekosistem mulai stabil, tetapi belum berhenti bergerak

a16z melihat pola serupa dalam edisi kelima Top 100 Gen AI Consumer Apps. Mereka menyebut ekosistem mulai stabil. Jumlah pendatang baru pada daftar web turun dari 17 pada edisi Maret 2025 menjadi 11 pada edisi berikutnya.

Stabil bukan berarti beku.

Rilis besar masih bisa menarik percobaan massal. Grok, misalnya, mengalami kenaikan penggunaan mobile hampir 40% setelah rilis Grok 4 pada Juli 2025. Sebaliknya, DeepSeek turun lebih dari 40% dari puncak traffic web-nya pada Februari 2025.

Dua pergerakan itu menunjukkan perbedaan antara trial dan retention.

Model baru, benchmark tinggi, harga agresif, atau fitur viral bisa menciptakan trial. Tetapi daily driver ditentukan oleh kemampuan mempertahankan penggunaan setelah rasa penasaran selesai.

Dengan kata lain:

• novelty memenangkan klik pertama;
• capability memenangkan percobaan;
• workflow fit memenangkan kebiasaan.

4. Pengguna tidak memilih model. Mereka memilih sistem kerja

Kalau model hanya dinilai dari satu prompt, berpindah memang murah. Tetapi penggunaan AI yang serius tidak lagi terdiri dari satu prompt.

Sebuah daily driver biasanya sudah membawa:

• history percakapan;
• cara memberi instruksi yang sudah terbentuk;
• memory tentang pengguna, bisnis, atau proyek;
• project files dan knowledge base;
• custom instructions;
• integrations ke browser, email, calendar, codebase, database, dan aplikasi kerja;
• automations dan agents;
• ekspektasi terhadap gaya jawaban;
• kebiasaan mengecek dan memperbaiki output;
• subscription dan struktur biaya yang sudah dipahami.

Di titik ini, mengganti model bukan sekadar membuka tab baru. Pengguna harus memindahkan konteks, menguji ulang prompt, belajar pola kegagalan baru, mengecek kompatibilitas tool, dan membangun kepercayaan dari awal.

Secara teknis, switching cost masih rendah. Secara operasional, switching cost sudah tinggi.

Inilah inti workflow consolidation.

5. Benchmark kehilangan sebagian daya pindahnya

Benchmark tetap penting untuk riset dan evaluasi. Masalahnya, pengguna tidak bekerja di benchmark.

Mereka bekerja dengan brief yang berantakan, data tidak lengkap, deadline, revisi klien, permission error, API yang berubah, file lama, dan instruksi yang kadang ambigu. Model yang unggul beberapa poin pada benchmark belum tentu lebih baik dalam situasi tersebut.

Untuk menggantikan daily driver, model baru harus memberi peningkatan yang terasa dalam pekerjaan nyata, misalnya:

• hasil coding lebih konsisten pada repository besar;
• jauh lebih sedikit hallucination pada domain tertentu;
• penggunaan tool lebih stabil;
• context panjang yang benar-benar dimanfaatkan, bukan hanya tersedia;
• latency lebih rendah pada volume kerja harian;
• biaya turun signifikan tanpa merusak kualitas;
• kemampuan multimodal yang menghapus satu tahap kerja;
• privasi atau deployment yang memenuhi kebutuhan organisasi;
• memory dan personalization yang lebih berguna;
• integrasi native yang mengurangi friction.

Peningkatan kecil mungkin cukup untuk membuat orang mencoba. Belum tentu cukup untuk membuat orang pindah.

6. Daily driver bukan berarti satu model untuk selamanya

Istilah daily driver sering disalahpahami sebagai loyalitas permanen. Padahal lebih tepat dianggap sebagai default routing decision.

Pengguna memilih satu jalur utama karena jalur itu paling murah secara kognitif. Dia sudah tahu apa yang bisa diharapkan, kapan hasil perlu dicek, dan bagaimana memperbaikinya.

Default ini tetap bisa diganti jika terjadi salah satu dari empat hal:

1. Ada lompatan kemampuan yang nyata

Bukan sekadar unggul tipis, tetapi menyelesaikan pekerjaan yang sebelumnya gagal atau membutuhkan banyak revisi.

2. Workflow lama rusak

Harga naik, limit memburuk, reliability turun, fitur dihapus, atau kebijakan provider tidak lagi sesuai.

3. Kebutuhan pengguna berubah

Orang yang awalnya memakai AI untuk menulis mungkin beralih ke coding agent, analisis data, video, atau automasi bisnis. Model yang cocok kemarin belum tentu cocok untuk pekerjaan baru.

4. Distribusi mengalahkan preferensi

Model yang tertanam di operating system, browser, office suite, IDE, atau aplikasi komunikasi punya keuntungan besar. Convenience sering menang sebelum pengguna sempat membuat perbandingan teknis.

Jadi konsolidasi bukan akhir kompetisi. Konsolidasi menaikkan syarat untuk memenangkan perpindahan.

7. Eksplorasi tidak hilang. Ia berubah menjadi task-based routing

Pengguna mainstream cenderung memilih satu default. Power user mengambil pendekatan berbeda: mereka membangun routing.

Contohnya:

• model A untuk percakapan dan planning;
• model B untuk coding repository besar;
• model C untuk riset dengan sumber;
• model D untuk image generation;
• model lokal untuk data sensitif;
• model murah untuk klasifikasi dan pekerjaan volume tinggi.

Ini bukan kembali ke model discovery versi lama. Pengguna tidak mencoba semua model tanpa tujuan. Dia menguji model ketika ada bottleneck yang spesifik.

Perbedaannya sederhana:

Model discovery bertanya: "Apa model terbaik?"

Task-based routing bertanya: "Apa model paling efisien untuk pekerjaan ini?"

Pada organisasi yang lebih matang, routing bahkan tidak selalu terlihat oleh pengguna. Sistem memilih model berdasarkan biaya, latency, capability, privacy, atau tingkat risiko. Brand model menjadi kurang penting dibanding outcome.

8. Ada tiga lapisan kematangan pengguna AI

Pergeseran ini lebih mudah dipahami jika pengguna dibagi menjadi tiga lapisan.

Lapisan 1: Casual default users

Mereka memakai AI untuk email, ide, ringkasan, pencarian ringan, atau tugas sekolah. Convenience dan familiarity paling menentukan. Model yang sudah tersedia di aplikasi sehari-hari punya peluang menang besar.

Kelompok ini paling cepat berhenti mengeksplorasi.

Lapisan 2: Workflow users

Mereka memakai AI secara rutin untuk pekerjaan nyata: marketing, coding, riset, operasional, desain, atau administrasi. Mereka mulai membangun template, memory, project context, dan integrations.

Kelompok ini memiliki daily driver, tetapi tetap memakai specialist tools saat default tidak cukup.

Lapisan 3: Orchestrators

Mereka tidak terlalu terikat pada satu model. Fokusnya adalah routing, agents, fallback, evaluasi, observability, biaya, dan reliability. Model dianggap sebagai komponen infrastruktur.

Kelompok ini tetap mengeksplorasi, tetapi eksplorasinya disiplin dan berbasis use case.

Kalau timeline terasa lebih sepi dari konten "model mana yang terbaik", belum tentu minat pada AI turun. Bisa jadi semakin banyak pengguna naik dari discovery menuju workflow.

9. Implikasinya untuk provider model

Pada fase discovery, provider bisa memenangkan perhatian dengan benchmark, context window, atau harga token.

Pada fase consolidation, itu belum cukup.

Provider harus memenangkan setidaknya satu dari empat medan:

Capability moat

Model harus menyelesaikan pekerjaan bernilai tinggi yang benar-benar belum dapat diselesaikan default pengguna.

Distribution moat

Model hadir di tempat pengguna sudah bekerja: browser, search, email, IDE, office suite, device, atau enterprise platform.

Workflow moat

Provider menyediakan memory, projects, agents, integrations, collaboration, governance, dan reliability yang membuat output model berubah menjadi pekerjaan selesai.

Economic moat

Biaya total harus masuk akal, bukan hanya harga token. Perhitungannya termasuk waktu revisi, kegagalan tool, latency, operasional, observability, dan risiko.

Model yang hanya "sedikit lebih pintar" akan semakin sulit merebut pengguna dari sistem yang sudah terasa nyaman.

10. Implikasinya untuk bisnis dan tim

Bisnis juga perlu berhenti mengejar setiap rilis model secara reaktif.

Tidak semua benchmark baru perlu memicu migrasi. Pendekatan yang lebih sehat adalah membangun evaluasi berbasis pekerjaan nyata.

Tetapkan baseline

Pilih 10-30 task yang benar-benar mewakili pekerjaan tim: membuat laporan, menjawab lead, coding, menganalisis campaign, menyusun proposal, merangkum meeting, atau mencari error.

Ukur outcome, bukan impresi

Nilai akurasi, waktu selesai, jumlah revisi, keberhasilan tool call, biaya total, dan tingkat intervensi manusia.

Bedakan default dan specialist

Tidak perlu memaksa satu model menang pada semua kategori. Tentukan model utama, lalu tambahkan specialist hanya ketika manfaatnya jelas.

Siapkan exit path

Workflow consolidation tidak boleh berubah menjadi vendor lock-in buta. Simpan prompt, knowledge, evaluation set, dan data dalam format yang bisa dipindahkan. Pisahkan logic bisnis dari provider bila risikonya material.

Review berkala, bukan setiap hari

Evaluasi ulang ketika ada rilis besar, perubahan harga, masalah reliability, atau kebutuhan baru. Hindari migrasi karena hype mingguan.

11. Cara mengetahui apakah sudah waktunya pindah daily driver

Gunakan lima pertanyaan ini:

1. Apakah model baru menyelesaikan task penting yang berulang kali gagal di model sekarang?
2. Apakah peningkatan kualitas cukup besar setelah memperhitungkan waktu migrasi dan belajar ulang?
3. Apakah tools, memory, integrations, serta reliability-nya setara atau lebih baik?
4. Apakah biaya total turun, bukan hanya harga token?
5. Apakah performanya konsisten pada data dan workflow kita sendiri?

Kalau jawabannya hanya "benchmark-nya lebih tinggi", belum ada alasan operasional yang kuat untuk pindah.

Kalau model baru memang menghapus bottleneck utama, lakukan pilot terbatas. Jangan langsung memindahkan seluruh workflow.

12. Kesimpulan: model tidak lagi menjadi satu-satunya produk

Kita belum masuk era ketika orang berhenti peduli pada model. Kita masuk era ketika model saja tidak cukup.

Model discovery membentuk pengetahuan pengguna. Workflow consolidation membentuk kebiasaan. Setelah kebiasaan terbentuk, kompetisi berpindah dari siapa paling menarik untuk dicoba menjadi siapa paling sulit digantikan dalam pekerjaan nyata.

Tesis akhirnya:

Era berburu model belum selesai. Tetapi era mengganti daily driver hanya karena benchmark baru mulai selesai. Model baru harus memberi lompatan nyata atau menyelesaikan bottleneck spesifik agar orang mau pindah.

Bagi pengguna, ini kabar baik. Kita tidak perlu mengejar setiap rilis. Kita perlu membangun sistem yang bekerja, tetap mengukur hasil, dan membuka pintu bagi model baru ketika manfaatnya benar-benar terbukti.

Bagi provider, tantangannya lebih berat. Mereka tidak lagi hanya bersaing menjadi model paling pintar. Mereka bersaing menjadi bagian paling berguna dari workflow manusia.

Sumber dan catatan metodologi

• Menlo Ventures, 2025: The State of Consumer AI: survei lebih dari 5.000 orang dewasa AS, membahas daily usage, default-tool behavior, kombinasi general dan specialized tools, serta consumer AI spending. https://menlovc.com/perspective/2025-the-state-of-consumer-ai/
• Andreessen Horowitz, The Top 100 Gen AI Consumer Apps - 5th Edition: ranking berbasis Similarweb untuk web dan Sensor Tower untuk mobile; membahas stabilisasi ekosistem, perubahan traffic, dan dinamika general assistants. https://a16z.com/100-gen-ai-apps-5/

Data di atas menunjukkan perilaku pasar pada level produk dan pengguna, bukan perbandingan kualitas teknis setiap foundation model. Kesimpulan tentang pergeseran dari model discovery ke workflow consolidation adalah interpretasi operasional berdasarkan pola penggunaan, spending, distribusi, dan retention yang dilaporkan sumber tersebut.