RISET - 11 November 2026

CS AI di WhatsApp: Claude Opus 5.5 atau Gemini 4 Argon?

Pertanyaan: kalau CS AI yang membalas konsumen lewat WhatsApp (bahasa Indonesia, jualan produk digital/jasa, jawab dari basis pengetahuan, ikut aturan panjang, pakai alat/tool calling, tidak boleh mengarang fakta atau harga, sesi panjang dengan konteks ratusan ribu token) memakai salah satu dari dua model ini, mana yang lebih bagus? Riset ini memakai sumber publik saja. Label: UNGGUL SEIMBANG / TIDAK PASTI LEMAH BELUM DIKETAHUI

Soal nama: "Gemini Argon 4" di pertanyaan = produk resminya bernama Gemini 4 Argon (Google). Modelnya nyata dan sudah bisa dipakai lewat API berbayar. Sebagian artikel awal (akhir September) menyebut akses masih terbatas; itu sudah usang sejak 13 Oktober 2026.

Kesimpulan singkat

Untuk CS AI WhatsApp bahasa Indonesia yang mengutamakan mutu dan aman dari karangan: Claude Opus 5.5 lebih layak jadi pilihan utama. Keyakinan sedang, bukan tinggi: belum ada uji langsung kedua model untuk bahasa Indonesia, dan tidak ada angka tau-bench untuk keduanya.
Satu-satunya uji CS yang ketemu (IrisAgent, penulisnya vendor CS AI, sekali jalan): Opus 5.5 skor total 94,1, Argon 90,3-90,5. Argon unggul di "tidak mengarang" (100 vs 95) tetapi sering menolak menjawab pertanyaan yang sebenarnya ada di basis pengetahuan, dan waktu respon terlambatnya sangat panjang.
Harga bukan lagi alasan memilih Argon: Argon separuh harga ($2/$10 per juta token) hanya sampai 30 November 2026. Mulai 1 Desember harganya sama dengan Opus 5.5 ($4/$20).
Biaya sebenarnya lebih ditentukan cache hit (konteks yang sudah tersimpan) daripada model. Dengan asumsi kita: ±$504/bulan (Opus 5.5) vs ±$243 (Argon harga promo) atau ±$486 (Argon harga normal) bila cache selalu kena; bila cache sering hangus biayanya naik 2-7 kali lipat.
Argon menarik bila nanti harus hemat atau konteksnya sangat besar (unggul di tes konteks 256rb-1 juta), tetapi kecepatan dan konsistensi balasannya masih tanda tanya. Usul: uji A/B 20 pertanyaan sebelum memutuskan (bagian 7).

1. Perbandingan berdampingan

Sumber di tiap baris ada di daftar sumber (bagian 8). V = klaim vendor, I = uji independen, S = sumber sekunder/blog.

Hal	Claude Opus 5.5	Gemini 4 Argon
Rilis	22 September 2026 [1]	Diumumkan 30 September 2026; model card dan akses API berbayar 13 Oktober 2026 [4][5]
ID model / ketersediaan	claude-opus-5-5; API Claude, Amazon Bedrock, Google Cloud, Microsoft Foundry [1]	gemini-4-argon; Gemini API (hanya tier berbayar, tidak ada tier gratis), Google AI Studio [5][6]
Jendela konteks	1 juta token, output maks 128 ribu [1]	1 juta token (batas gabungan input + output); output bisa sampai 1 juta [4][3]
Harga input / output per juta token	$4 / $20 [1]	$2 / $10 sampai 30 Nov 2026; $4 / $20 mulai 1 Des 2026 [6]
Cache (penyimpanan konteks)	Eksplisit, bisa diatur. Baca $0,20 per juta token; tulis 5 menit $5, tulis 1 jam $8. Umur default 5 menit, opsi 1 jam, diperpanjang tiap kena. Minimal 512 token [1][2]	Implisit saja (eksplisit tidak didukung). Baca $0,10 (promo) lalu $0,20 mulai 1 Des; minimal 4.096 token; umur cache: belum diketahui; tidak ada jaminan kena [6][7]
Kecepatan	Anthropic: "Moderate", output >30% lebih cepat dari Opus 5; Fast mode sampai 2,5x ($8/$40, antre/waitlist) [1][8]. Artificial Analysis (mode Max, tak mewakili CS): 115 token/detik [9]	Model card Google mengakui "sesekali lambat atau timeout" [4]. Artificial Analysis (mode High): 66 token/detik, 39 detik sampai token jawaban pertama [10]. IrisAgent: waktu terlambat 1% teratas ±4x Sonnet 5.5 [11]
Skor umum (AA Intelligence Index, I)	58-59 [9][12]	50-53 [10][12] (angka beda antar halaman; pengaturan reasoning juga beda, tidak apel-ke-apel)
Uji CS (IrisAgent, vendor, sekali jalan)	Total 94,1; akurasi jawaban 97,6; sitasi sumber 87,1; routing 95,0 [11]	Total 90,5 (high) / 90,3 (low); akurasi 87,1; sitasi 75,3; routing 95,0. Menolak sebagian tiket yang bisa dijawab; run kedua akurasi 92,9 [11]
Tidak mengarang / halusinasi	Angka independen terverifikasi: belum diketahui. Satu agregator menyebut ±59% di AA-Omniscience (tidak bisa dicek di sumber aslinya) [13]. IrisAgent: tahan halusinasi 95,0 [11]	AA-Omniscience 15% (terendah di antara model sekelasnya, I) [12][14]. IrisAgent: tahan halusinasi 100 [11]
Ikut aturan panjang (instruction following)	Belum diketahui (tak ada benchmark langsung di sumber)	Belum diketahui. Opini blog: ketat mengikuti rubrik/checklist [15]
Tool calling / agen	Toolathlon-Verified 77,8 [16]. Catatan teknis: Opus 5.5 menolak "paksa pilih alat" (error 400) [8]	Toolathlon: belum ada. AutomationBench 51,3 vs Opus 40,0-42,5 (V, bisnis end-to-end) [4][16]
tau-bench / tau2-bench (retail/airline)	Tidak ada angkanya di sumber mana pun	Tidak ada angkanya di sumber mana pun
Konteks panjang	GraphWalks 128rb: 90,6; 256rb-1jt: 66,8 (V) [4]	GraphWalks 128rb: 99,7; 256rb-1jt: 84,2 (V, tes sintetis) [4]
Bahasa Indonesia	Tidak ada uji khusus. GMMLU (multibahasa umum) 94,3 [16]; MILU 93,1 adalah uji bahasa India, tidak relevan	Tidak ada uji khusus; skor GMMLU "belum terbit" [16]. Evaluasi keselamatan multibahasa turun 3,16 poin menurut artikel sekunder [15]
Nada dan kesopanan	Tidak ada uji independen. Klaim vendor: menulis seperti "rekan kerja yang baik"; blog: lebih disukai untuk tulisan kreatif [15]	Tidak ada uji independen. Klaim Google: komunikasi lebih jelas, langsung, prosedural [15]
Suara pengguna (Arena)	Text Arena 1.504 Elo [14]	Text Arena 1.525 Elo, peringkat 1 [14] (penilai umum, bukan khusus CS Indonesia)
Batas pemakaian API (rate limit)	Belum diketahui	Belum diketahui

2. Kelebihan dan kekurangan

Claude Opus 5.5

Plus

Skor tertinggi di satu-satunya uji CS yang ada (94,1), terutama akurasi jawaban dan sitasi sumber.
Cache bisa diatur (5 menit atau 1 jam) dan dicek lewat data pemakaian; penting untuk sesi dengan konteks besar.
Lebih tinggi di indeks kecerdasan independen dan tes agen/tool (Toolathlon).
Ada pilihan "effort" rendah sampai max untuk mengatur kecepatan vs mutu.

Minus

Harga normal $4/$20; biaya melonjak bila cache hangus.
Kecepatan "Moderate"; berpikir adaptif selalu menyala (tak bisa dimatikan).
Angka halusinasi independen belum terverifikasi.
Kalah di tes konteks 256rb-1 juta (versi vendor lawan).

Gemini 4 Argon

Plus

Separuh harga sampai 30 November 2026.
Halusinasi rendah di tes independen (15%) dan tahan halusinasi 100 di uji CS; cenderung menolak dibanding mengarang.
Unggul di tes konteks panjang versi vendor dan di suara pengguna Arena.

Minus

Di uji CS: sering menolak jawab yang sebenarnya ada di basis pengetahuan; akurasi 87,1 vs 97,6.
Latensi: ekor terlambat sangat panjang, Google mengakui timeout sesekali.
Cache implisit: umur dan tingkat kena tidak diketahui; tidak bisa dipaksa.
Skor indeks independen lebih rendah; mulai 1 Desember harga sama dengan Opus.

3. Catatan jujur tentang sumber

Benchmark di model card Google dan pengumuman Anthropic adalah klaim vendor; Google menjalankan Argon sendiri pada setelan tertinggi, sementara angka lawan sebagian diambil dari papan peringkat.
Uji CS IrisAgent ditulis vendor CS AI, sekali jalan, penilaian exact-match, himpunan "harus menolak" kecil (satu tiket menggeser angka beberapa poin). Tool calling dan instruction following tidak diukur di sana.
AA-Omniscience menilai pengetahuan fakta umum; jawaban salah dihukum, menolak tidak. Jadi model yang lebih sering menolak bisa terlihat "lebih jujur". Itu bukan ukuran "menjawab dari basis pengetahuan kita".
Tidak ketemu utas Reddit/HN atau ulasan developer yang menguji kedua model untuk CS, bahasa Indonesia, atau percakapan panjang. Laporan di bawah menyebutnya "belum diketahui", bukan ditebak.

4. Hitungan biaya per bulan (perkiraan)

Asumsi: 300 balasan per hari x 30 hari = 9.000 balasan per bulan. Tiap balasan membawa konteks 150.000 token. Tiap giliran menambah 2.000 token baru (pesan konsumen + hasil alat) yang ikut ditulis ke cache. Output 800 token per balasan (sudah termasuk token berpikir). "Cache hit" = persen balasan yang konteksnya masih tersimpan; sisanya konteks 150.000 token harus ditulis ulang.

Cache hit	Opus 5.5 ($4/$20)	Argon promo (s/d 30 Nov: $2/$10)	Argon normal (mulai 1 Des: $4/$20)
100%	±$504 ($0,056/balasan)	±$243	±$486
90%	±$1.152	±$499	±$999
70%	±$2.448	±$1.013	±$2.025
50%	±$3.744	±$1.526	±$3.051

Opus 5.5 dengan cache 1 jam (tulis $8): ±$558 bila selalu kena, ±$1.611 bila 90% kena. Cocok bila jarak antar balasan dalam satu sesi sering lebih dari 5 menit.
Sebagai pembanding, Claude Sonnet 5.5 ($2/$10, cache baca $0,10, "Fast") bila cache selalu kena: ±$252 per bulan (asumsi tulis cache 5 menit = 1,25x harga input).
Asumsi tambahan untuk Argon: menulis cache implisit tidak ada biaya ekstra (halaman harga tidak menyebutnya). Karena umur cache Argon tidak diketahui, hit rate-nya tidak bisa dipastikan.
Pelajaran: dari 100% ke 70% cache hit biaya naik ±4-5x untuk kedua model. Menjaga jeda antar giliran dalam umur cache (atau memakai cache 1 jam di Claude) lebih berharga daripada memilih model. Angka ini perkiraan hitung sendiri dari harga resmi, bukan tagihan nyata.

5. Rekomendasi

Pilih utama: Claude Opus 5.5 (effort rendah sampai medium) untuk balasan konsumen yang tidak boleh mengarang: akurasi jawaban dan skor CS tertinggi, cache bisa dikendalikan, ekor latensi lebih terkendali.
Gemini 4 Argon lebih baik bila: (a) prioritasnya hemat dan masih periode promo (sampai 30 November); (b) tugas lebih banyak "cari di dokumen besar" (konteks sangat panjang) daripada ngobrol; (c) lebih aman bila model menolak daripada salah jawab, dan tim siap menangani penolakan yang tidak perlu. Setelah 1 Desember alasan (a) hilang.
Opsi tengah: Claude Sonnet 5.5 untuk balasan rutin bervolume tinggi (lebih cepat, setengah harga Opus, skor CS 93,0 di uji yang sama), Opus 5.5 untuk kasus sulit atau pelanggan marah. Ini usul dari data IrisAgent, belum diuji untuk bahasa Indonesia.
Kami tidak menyarankan memutuskan hanya dari benchmark ini: yang paling menentukan (bahasa Indonesia, nada, taat aturan, tool calling, kecepatan nyata di WhatsApp) belum ada datanya.

6. Yang belum diketahui

Skor tau-bench / tau2-bench kedua model; skor instruction following langsung.
Mutu bahasa Indonesia dan nada CS (termasuk bahasa gaul dan campur bahasa) kedua model.
Angka halusinasi Opus 5.5 yang terverifikasi; skor GMMLU Argon.
Umur cache implisit Argon; batas pemakaian (rate limit) kedua model.
Kecepatan nyata (detik per balasan) pada panjang konteks 150 ribu token untuk keduanya.
Google juga menyebut model "Gemini 4 Carbon" dan "Gemini 3.8 Flash" yang lebih murah/cepat; belum diriset di sini.

7. Usul langkah berikut (belum dikerjakan)

Uji A/B nyata: kumpulkan 20 pertanyaan CS yang sama (harga produk, fitur, garis besar cara pakai, komplain marah, permintaan di luar aturan, pertanyaan yang jawabannya tidak ada di basis pengetahuan, campur bahasa gaul) dan jalankan ke kedua model dengan aturan dan basis pengetahuan yang sama.
Ukur: benar/salah fakta dan harga, taat aturan, nada sopan, panjang balasan, apakah menolak padahal jawabannya ada, ketepatan pemanggilan alat, waktu respon (median dan terlambat 10%), cache hit, biaya per balasan.
Nilai buta (nama model disembunyikan) oleh dua orang; ulangi sekali di hari lain karena hasil satu kali jalan bisa bergeser.
Uji juga sesi panjang (konteks ±150 ribu token) sebelum memutuskan.

8. Daftar sumber

Diakses 11 November 2026. V = vendor, I = independen, S = sekunder/blog.

[1] V - Anthropic, ikhtisar Claude Opus 5.5 (rilis, harga, konteks, cache, latensi): platform.claude.com/docs/en/models/opus-5-5/overview
[2] V - Anthropic, dokumentasi prompt caching (umur 5 menit/1 jam, diperpanjang saat kena, minimal 512 token): platform.claude.com/docs/en/build-with-claude/prompt-caching
[3] V - Google, pengumuman Gemini 4 Argon (30 Sep 2026): blog.google/.../gemini-4-argon
[4] V - Google DeepMind, model card Gemini 4 Argon (benchmark berdampingan dengan Opus 5.5): deepmind.google/models/model-cards/gemini-4-argon
[5] S - Toolhalla, ringkasan harga dan ketersediaan Argon: toolhalla.ai/blog/gemini-4-argon-api-price-context-2026
[6] V - Google AI Studio, halaman harga Gemini API: aistudio.google.com/docs/pricing
[7] V - Google AI Studio, dokumentasi context caching (implisit, minimal 4.096 token): aistudio.google.com/docs/caching
[8] V/S - Anthropic, pengumuman Opus 5.5 dan liputan Mixed (Fast mode, effort, forced tool use): anthropic.com/claude-opus-5-5, mixed-news.com
[9] I - Artificial Analysis, Claude Opus 5.5: artificialanalysis.ai/models/claude-opus-5-5
[10] I - Artificial Analysis, Gemini 4 Argon: artificialanalysis.ai/models/gemini-4-argon
[11] S/vendor CS AI - IrisAgent, uji dukungan pelanggan Argon vs Opus 5.5 vs Sonnet 5.5: irisagent.com/blog/gemini-4-argon-customer-support-benchmark
[12] S - Emergent, ringkasan skor Argon (Intelligence Index v4.3.2: Opus 58, Argon 53): emergent.sh/learn/gemini-4-argon-benchmarks
[13] S - Suprmind, tabel statistik halusinasi (Opus 5.5 ±58,6%, satu agregator, tidak terverifikasi): suprmind.ai/hub/ai-hallucination-statistics-research-report
[14] S - DeepLearning.AI The Batch, ulasan Argon (AA-Omniscience 15%, Arena 1.525 vs 1.504): deeplearning.ai/the-batch/argon-a-low-hallucination-model-build-for-knowledge-work
[15] S - Woltrio, perbandingan Argon vs Opus 5.5 (klaim nada, instruction following, evaluasi multibahasa; opini, tak diverifikasi): woltrio.com/insights/gemini-4-argon-vs-claude-opus-5-5
[16] S - BenchLM, perbandingan skor (GMMLU, Toolathlon, Gray Swan): benchlm.ai/compare/claude-opus-5-5-vs-gemini-4-argon
[17] S - Layer3Labs, panduan Argon (tidak cocok untuk CS latensi rendah, opini): layer3labs.io/guides/gemini-4-argon-explained
[18] S - Analytics Vidhya, uji langsung Argon (tanpa data kecepatan/Indonesia): analyticsvidhya.com/blog/2026/10/gemini-4-argon-review

Dokumen internal, bukan untuk disebar. Hitungan biaya adalah perkiraan dari harga resmi dan asumsi di bagian 4.