Perusahaan infrastruktur kecerdasan buatan (AI) asal Indonesia, Netra Runtime, resmi memperkenalkan layanannya kepada publik pada 29 Oktober 2026. Bersamaan dengan peluncuran itu, perusahaan modal ventura Init-6 mengumumkan Netra Runtime sebagai portofolio investasi terbarunya. Kabar ini menarik karena Netra menyasar bagian AI yang jarang dibicarakan publik, tetapi sangat menentukan biaya: inferensi.
Artikel ini menjelaskan apa itu inferensi, apa saja yang diklaim Netra Runtime, dan bagian mana yang masih berstatus klaim perusahaan — bukan hasil pengujian independen.
Apa itu inferensi, dalam bahasa awam?
Kalau melatih model AI diibaratkan sekolah, maka inferensi adalah saat model itu bekerja melayani pengguna. Ketika Anda mengetik pertanyaan ke chatbot, mengunggah dokumen untuk diringkas, atau meminta AI menulis kode, model AI itu sedang melakukan inferensi: menerima perintah, memprosesnya, lalu menghasilkan jawaban.
Proses itu berjalan di atas perangkat keras bernama GPU. Semakin efisien perangkat lunak inferensinya, semakin banyak jawaban yang bisa dihasilkan dari GPU yang sama — dan semakin murah biaya per jawaban. Di sinilah Netra Runtime memosisikan diri.
Klaim 4x lebih cepat: ini kata perusahaan, bukan fakta teruji independen
Menurut benchmark yang disampaikan perusahaan, Netra Runtime mampu menghasilkan token per detik empat kali lebih banyak dibandingkan mesin inferensi sumber terbuka terkemuka dengan GPU yang sama. Token adalah potongan kecil teks yang diproses dan dihasilkan model AI, jadi angka token per detik menggambarkan kecepatan kerja model.
Perusahaan menyebut peningkatan itu berpotensi memangkas waktu pemrosesan dari satu jam menjadi 15 menit. Penting untuk menegaskan: angka 4x dan ilustrasi satu jam menjadi 15 menit tersebut adalah klaim dari pihak perusahaan berdasarkan pengujiannya sendiri. Sanepo belum menemukan pengujian independen yang memverifikasi angka tersebut, sehingga pembaca sebaiknya membacanya sebagai klaim, bukan kesimpulan final.
Analogi yang dipakai Founding Partner Init-6, Nugroho Herucahyono, dalam media briefing di University Club Jakarta pada 29 Oktober 2026 cukup membantu: dengan dapur yang sama, Netra diklaim bisa menghasilkan empat kali lebih banyak hidangan dibandingkan mesin inferensi sumber terbuka lainnya. Artinya, perangkat kerasnya sama, tetapi cara perangkat lunak mengelolanya diklaim jauh lebih efisien.
Dua cara memakai Netra Runtime
Netra Runtime menawarkan dua pilihan layanan. Pertama, private deployment, yaitu perangkat lunak Netra dijalankan di atas infrastruktur GPU milik pelanggan sendiri. Opsi ini ditujukan bagi perusahaan yang ingin memegang kendali atas infrastruktur dan datanya, misalnya dengan menjalankan model AI berbobot terbuka (open-weight) di server sendiri.
Kedua, Netra Cloud, yaitu layanan inferensi terkelola melalui API dengan pembayaran berdasarkan jumlah token yang digunakan. API-nya kompatibel dengan OpenAI, sehingga perusahaan yang sudah memakai pola integrasi tersebut diklaim bisa berpindah dengan penyesuaian yang lebih kecil. Teknologi Netra mendukung GPU AMD dan NVIDIA.
Kernel open-source MIT dan data pemakaian awal
Di sisi keterbukaan, Netra telah memublikasikan kernel inferensi dan integrasi runtime untuk model DeepSeek v4.1 Flash pada GPU AMD Instinct MI350X. Perusahaan juga merilis repositori Netra Kernel dengan lisensi open-source MIT, sehingga para engineer dapat memeriksa implementasi dan validasi teknologinya secara langsung.
Menurut data yang disampaikan perusahaan, hingga 28 Oktober 2026 Netra Runtime telah memproses lebih dari 288 miliar token, dengan 1.415 pengguna terdaftar dan 19 mitra. Pada periode 21–27 Oktober 2026, volume pemrosesan rata-rata tercatat 6,14 miliar token per hari, dengan capaian tertinggi 12,47 miliar token dalam satu hari. Angka-angka ini juga berasal dari perusahaan, bukan dari audit pihak ketiga.
Siapa Init-6 dan mengapa investasi ini relevan?
Init-6 adalah perusahaan modal ventura tahap awal yang didirikan oleh Achmad Zaky dan Nugroho Herucahyono, dua pendiri Bukalapak. Nilai investasi untuk Netra Runtime tidak disebutkan dalam pemberitaan yang beredar, sehingga artikel ini tidak mencantumkan angka investasi.
Alasan investasinya, menurut Nugroho, adalah pergeseran tantangan AI di perusahaan: bukan lagi sekadar memilih model paling pintar, melainkan mengelola biaya komputasi ketika AI dipakai untuk menulis kode, membaca dokumen dalam jumlah besar, hingga menjalankan tugas berkelanjutan sebagai agen AI. Dalam pandangan Init-6, investasi ini adalah bagian dari upaya agar perusahaan teknologi Indonesia membangun infrastruktur AI sendiri, bukan hanya memakai model dan aplikasi berbasis API dari luar negeri.
Apakah klaim kecepatan Netra akan terbukti di pemakaian nyata perusahaan? Itu baru bisa dijawab dari pengujian independen dan pengalaman pelanggan korporat dalam beberapa bulan ke depan. Untuk saat ini, yang sudah jelas adalah posisinya: startup infrastruktur AI Indonesia yang masuk ke arena yang sangat teknis — dan sangat menentukan murah-mahalnya AI bagi perusahaan.
Gambar ilustrasi: rak server di pusat data (foto stok Pexels oleh Brett Sayles). Foto ini adalah ilustrasi umum infrastruktur server, bukan foto produk atau fasilitas Netra Runtime.
