Claude Haiku 5.5 dan Alasan Memakai Model Kecil dalam Pemasaran

Setiap peluncuran model diukur terhadap model terbesar yang ada. Menurut saya itu lensa yang keliru untuk sebagian besar pekerjaan pemasaran. Pada 7 Oktober Anthropic merilis Claude Haiku 5.5, dan bagian yang menarik bukanlah seberapa dekat ia dengan frontier. Melainkan berapa biayanya untuk dijalankan sejuta kali.

Apa yang terjadi

Anthropic menyebut Haiku 5.5 sebagai model kecil termurah, tercepat, dan paling mumpuni yang pernah dirilisnya. Model ini ditujukan untuk pekerjaan bervolume tinggi yang sensitif terhadap biaya: ringkasan, klasifikasi, kueri basis data, dukungan pelanggan langsung, penggunaan browser, dan pekerjaan subagen di samping model Opus 5.5 dan Sonnet 5.5 yang lebih besar. Ini adalah model kelas Haiku pertama dengan pengaturan effort yang dapat disesuaikan, sehingga pengguna dapat menimbang biaya terhadap kecerdasan. Anthropic secara tegas menyatakan bahwa Sonnet 5.5 dan Opus 5.5 tetap lebih baik untuk coding agentik yang kompleks.

Harganya adalah berita utamanya. Untuk prompt hingga 100.000 token, Anthropic mencantumkan US$0,10 per juta token masukan dan US$0,50 per juta token keluaran, serta menyatakan Haiku 5.5 rata-rata sekitar 75% lebih murah daripada Haiku 4.5. Halaman peluncuran juga memuat laporan pelanggan; HubSpot, misalnya, menyatakan model ini mencetak skor 92,8% pada rangkaian evaluasi CRM-nya. Itu adalah angka dari perusahaan dan pelanggannya, bukan pengujian independen.

Mengapa ini penting

AI pemasaran adalah bisnis volume. Satu kampanye dapat melibatkan ribuan varian kreatif, puluhan ribu komentar untuk diklasifikasikan, feed produk dengan ratusan ribu baris, dan laporan harian di puluhan pasar. Hampir tidak satu pun dari itu membutuhkan model paling kuat yang tersedia. Yang dibutuhkan adalah model yang cukup baik, cepat, dapat diprediksi, dan cukup murah untuk dijalankan pada semuanya.

Ketika model kecil menjadi jauh lebih baik dan jauh lebih murah sekaligus, ekonomi dari apa yang Anda otomatiskan pun berubah. Tugas yang dulu terlalu mahal untuk dijalankan pada setiap item, seperti menandai setiap iklan pesaing atau meringkas setiap ulasan pelanggan, menjadi rutin. Dan arsitekturnya berubah: model besar merencanakan dan menilai, model kecil mengerjakan pekerjaan berulang di bawahnya. Deskripsi Anthropic sendiri tentang Haiku sebagai subagen persis mengikuti pola itu.

Apa kata riset saya

Saya sudah lama berargumen tentang hal ini. Di Forbes saya mempertanyakan apakah yang lebih besar selalu lebih baik, dan kemudian membandingkan LLM dan jaringan saraf kecil dalam pemasaran. Jawaban saya tidak berubah: ukuran model jauh kurang penting dibanding teknik dan kecocokan dengan tugasnya.

Riset kami selalu menggabungkan kedua jenis model alih-alih memilih salah satunya. Dalam SoCraft (WSDM 2023) kami mendemonstrasikan model multimodal yang menilai kreatif iklan Meta milik pengiklan, menggunakan teks, gambar, penargetan, dan pengaturan, sebelum peluncuran. Dalam Fusing Predictive and Large Language Models for Actionable Recommendations in Creative Marketing (ACM Transactions on Information Systems, 2025) kami memasangkan model prediksi kinerja iklan dengan LLM, sehingga skor kreatif menjadi rekomendasi yang dapat ditindaklanjuti pemasar.

Pelajaran dari karya itu adalah bahwa model khusus yang efisien melakukan pengukuran dan model bahasa besar melakukan penjelasan. LLM kecil yang lebih murah dan lebih mumpuni tidak menggantikan prediktor khusus. Ia membuat lapisan penjelasan dan orkestrasi terjangkau pada skala tempat pemasaran benar-benar berlangsung.

Bagaimana saya akan menggunakan model seperti ini

• Klasifikasi dengan cakupan penuh. Tandai setiap unggahan pesaing, setiap ulasan, setiap iklan di kategori Anda berdasarkan tema, penawaran, dan format, alih-alih mengambil sampel.
• Ringkasan tahap awal. Ubah laporan panjang, transkrip, dan utas komentar menjadi intisari singkat yang ditinjau oleh manusia, atau oleh model yang lebih besar.
• Subagen dalam pipeline. Biarkan model yang lebih besar merencanakan analisis pesaing dan menyerahkan langkah-langkah ekstraksi yang berulang kepada model kecil.
• Kecepatan di hadapan pelanggan. Gunakan model yang cepat di tempat latensi penting, seperti live chat, dan arahkan kasus sulit ke model yang lebih kuat atau ke manusia.

Apa yang perlu diperiksa pemasar sebelum beralih

• Jalankan evaluasi Anda sendiri. Tolok ukur vendor bukanlah tugas Anda. Ambil 200 contoh nyata dari pekerjaan Anda, beri label, dan bandingkan model pada set tersebut.
• Perhatikan biaya per tugas, bukan biaya per token. Anthropic mencatat bahwa Haiku 5.5 menggunakan tokenizer baru dan sedikit lebih banyak token per tugas. Tagihannya bergantung pada keseluruhan alur kerja.
• Gunakan pengaturan effort secara sengaja. Gunakan effort rendah sebagai default untuk penandaan sederhana dan naikkan hanya jika evaluasi Anda menunjukkan peningkatan kualitas.
• Pertahankan model khusus di tempat yang memang lebih baik. Jika Anda sudah memiliki model yang dilatih dengan data kinerja Anda sendiri, LLM sebaiknya menjelaskan keluarannya, bukan menggantikannya.

Frontier menjadi berita utama. Model kecillah tempat sebagian besar pekerjaan, dan sebagian besar penghematan, akan berada.

FAQ