Sebagai web developer, kamu hampir gak pernah melatih model AI. Kamu memanggilnya: kirim request HTTP berisi teks ke server milik provider (OpenAI, Anthropic, Google), lalu dapat jawaban, dan bayar per pemakaian. Bayangin Toko Buku yang mau kirim paket. Toko itu gak bikin perusahaan kurir sendiri. Dia memanggil API kurir, menyerahkan alamat, lalu bayar ongkir per paket. Model AI juga begitu: model besarnya dilatih perusahaan lain, kamu tinggal memanggilnya dan bayar per token (potongan kecil teks, dibahas di pelajaran berikutnya).
🧪 Tebakan cepat: pelanggan bertanya ke asisten Toko Buku, "Stok Laskar Pelangi masih ada?", dan dijawab "Masih, stoknya 12." Angka 12 itu datang dari mana: dari model AI, atau dari database Toko Buku? Tebak dulu, jawabannya ada di bagian "Yang dikerjakan AI, yang tetap kode biasa".
Contoh yang kita bangun sepanjang track
Kita lanjutkan API Toko Buku dari track API (https://api.tokobuku.test). Sepanjang track AI ini, toko itu dapat satu Asisten Toko Buku: pelanggan bisa bertanya stok dengan kalimat sendiri, minta rekomendasi buku dari sinopsisnya, dan ngobrol lewat jendela chat. Datanya:
| id | Judul | Penulis | Harga | Stok | Sinopsis satu baris |
|---|---|---|---|---|---|
| 1 | Laskar Pelangi | Andrea Hirata | 89.000 | 12 | Sepuluh anak dari keluarga miskin di Belitung bersekolah di SD Muhammadiyah yang hampir ditutup, dibimbing guru mereka, Bu Mus. |
| 2 | Bumi Manusia | Pramoedya Ananta Toer | 125.000 | 0 | Minke, pemuda pribumi yang bersekolah di HBS Surabaya pada akhir abad ke-19, jatuh cinta pada Annelies, putri Nyai Ontosoroh, di bawah hukum kolonial yang tidak adil. |
| 3 | Cantik Itu Luka | Eka Kurniawan | 110.000 | 5 | Kisah Dewi Ayu dan anak-cucunya di kota fiktif Halimunda, dari masa kolonial Belanda sampai sesudah 1965, ditulis dengan gaya realisme magis. |
Nanti buku keempat menyusul: Ronggeng Dukuh Paruk karya Ahmad Tohari, dengan sinopsis "Srintil menjadi ronggeng, penari tradisional, di dusun kecil Dukuh Paruk, dan hidupnya terseret gejolak politik 1965."
Tiga cara web developer memakai AI
- Memanggil model lewat HTTP. Server-mu mengirim teks ke provider, provider mengirim teks balik. Ini yang paling sering: menjawab pertanyaan stok, merangkum ulasan, menulis draf deskripsi produk. Modelnya disebut LLM (Large Language Model): model yang dilatih dengan teks dalam jumlah sangat besar sampai bisa memahami dan menulis bahasa.
- Embeddings. Teks diubah jadi daftar angka (namanya vector). Teks yang maknanya mirip punya angka yang berdekatan. Toko Buku memakainya untuk rekomendasi: sinopsis tiap buku diubah sekali, lalu permintaan "novel tentang sekolah di desa" dicari yang paling dekat. Ini juga lewat HTTP, dan murah sekali.
- Di perangkat pengguna (on-device). Model kecil berjalan di dalam browser, jadi teksnya gak keluar dari perangkat dan gak ada tagihan per panggilan. Contohnya Translator API dan Summarizer API bawaan Chrome. Modelnya lebih kecil, diunduh dulu saat pertama dipakai, dan cuma ada di browser tertentu (Translator API, misalnya, cuma di Chrome desktop).
Variasi dari cara pertama: model open-weight (bobotnya boleh diunduh, misalnya Gemma, Qwen, Llama) yang kamu jalankan di server sendiri pakai Ollama. Gak ada tagihan per token, tapi server dan GPU-nya kamu yang bayar dan rawat.
Satu request ke model
Bentuknya sama dengan request ke API Toko Buku yang sudah kamu kenal:
POST /v1/responses HTTP/1.1
Host: api.openai.com
Authorization: Bearer sk-...rahasia...
Content-Type: application/json
{"model": "gpt-6-luna", "instructions": "Kamu asisten Toko Buku. Jawab hanya dari data stok.", "input": "Stok Laskar Pelangi masih ada?\n\nData stok: Laskar Pelangi 12, Bumi Manusia 0, Cantik Itu Luka 5"}
POST /v1/responsesadalah endpoint OpenAI untuk membuat jawaban. Anthropic memakaiPOST /v1/messages, Google memakaiPOST /v1beta/interactions. Bentuknya beda sedikit, idenya sama.Authorization: Bearer sk-...adalah API key, kunci yang menentukan siapa yang ditagih. Perlakukan seperti password: cuma boleh ada di server, gak pernah di kode browser.modelmemilih modelnya.instructionsadalah aturan dari kamu sebagai developer,inputadalah pertanyaan pelanggan plus data yang dibutuhkan.
Yang dikerjakan AI, yang tetap kode biasa
Ikuti satu pertanyaan stok dari awal sampai akhir:
| Langkah | Siapa | AI? |
|---|---|---|
1. Browser mengirim pertanyaan ke POST /api/assistant |
Kode biasa | Bukan |
2. Server mengambil stok: SELECT title, stock FROM books |
Kode biasa (query SQL) | Bukan |
| 3. Server mengirim pertanyaan plus data stok ke model | Model AI | Ya: memahami kalimat bebas, menyusun jawaban |
| 4. Server mengirim jawabannya ke browser | Kode biasa | Bukan |
Angka 12 datang dari database, lewat query SQL di langkah 2. Itu jawaban tebakannya. Model gak tahu isi gudangmu. Tanpa data stok, dia tetap bisa menjawab dengan yakin, tapi angkanya karangan. Ini disebut hallucination.
Jadi peran AI di web modern: mengotomatisasi pekerjaan berulang yang dulu butuh orang membaca teks (menjawab pertanyaan yang sama ratusan kali, merangkum ulasan, menulis draf), dan membuat pengalaman pengguna lebih enak (cari pakai kalimat sendiri, rekomendasi, chat). AI gak mengganti seluruh kerja developer, dan bukan pengganti query SQL, routing, atau hitungan harga yang harus pasti benar.
Provider dan model, per Oktober 2026
Nama model dan harga cepat sekali berubah. Angka di bawah dicek Oktober 2026 di halaman resmi tiap provider. Harga per 1 juta token, input / output (teks yang dikirim / teks yang dijawab):
| Provider | Model hemat | Model yang disarankan untuk mulai | Sumber |
|---|---|---|---|
| OpenAI | gpt-6-luna: $0,10 / $0,50 |
gpt-6-astra: $10 / $50 |
halaman "Pricing" dan "Models", developers.openai.com |
| Anthropic | claude-haiku-5-5: $0,10 / $0,50 (prompt sampai 100.000 token) |
claude-opus-5-5: $4 / $20 |
halaman "Pricing" dan "Models overview", platform.claude.com |
gemini-3.5-flash-lite: $0,30 / $2,50 |
gemini-3.8-flash: $0,75 / $3,75 sampai 31 Desember 2026, lalu $1,50 / $7,50 |
halaman "Gemini Developer API pricing" dan "Models", ai.google.dev | |
| Open-weight lewat Ollama | gemma4, qwen3, llama3.2, gpt-oss |
gratis per token, server sendiri | ollama.com/library |
Embedding OpenAI text-embedding-3-small harganya $0,02 per 1 juta token (halaman "Pricing" OpenAI, Oktober 2026). Translator API, Language Detector API, dan Summarizer API tersedia di Chrome stabil sejak Chrome 138 (halaman "Built-in AI APIs" Chrome, dicek Oktober 2026).
Asisten Toko Buku memakai gpt-6-luna, yang oleh OpenAI disebut model paling efisien untuk tugas terfokus dengan volume tinggi. Hitung: satu pertanyaan kira-kira 400 token input dan 40 token output. Dengan gpt-6-luna, biayanya (400 × 0,10 + 40 × 0,50) / 1.000.000 = $0,00006. Sehari 10.000 pertanyaan jadi $0,60. Dengan gpt-6-astra hitungan yang sama jadi $60 sehari, 100 kali lipat.
⚠️ Jebakan yang sering ketemu
- Mengira model tahu data tokomu. Model gak terhubung ke database-mu. Kirim datanya (stok, harga) di request, kalau gak jawabannya karangan.
- API key di kode frontend. Semua yang dikirim ke browser bisa dibaca orang, termasuk kunci di bundle JavaScript. Kunci di server, browser memanggil endpoint server-mu.
- Pilih model paling mahal untuk semuanya. Pertanyaan stok gak butuh model terkuat. Selisih $0,60 dan $60 sehari itu nyata.
- Lupa soal privasi. Teks pelanggan dikirim ke server provider. Baca kebijakan datanya. Contoh: di tier gratis Gemini API, halaman pricing-nya menulis data dipakai untuk memperbaiki produk Google.
TL;DR: Web developer memakai AI dengan memanggilnya, bukan melatihnya: request HTTP ke provider (POST + JSON + API key di header), embeddings untuk mencari berdasarkan makna, atau model kecil di perangkat pengguna. AI mengotomatisasi pekerjaan teks yang berulang dan membuat UX lebih enak; query SQL, routing, dan hitungan harga tetap kode biasa. Model gak tahu data tokomu, jadi kirim datanya, kalau gak dia mengarang (hallucination). API key cuma di server. Per Oktober 2026: OpenAI gpt-6-luna $0,10 / $0,50 per 1 juta token, Anthropic claude-haiku-5-5 $0,10 / $0,50, Google gemini-3.5-flash-lite $0,30 / $2,50. Harga dan nama model cepat berubah, selalu cek halaman resminya.
