MiniMax Melanggar 'Tradisi', Pendapatan Perusahaan Melonjak 700%, Diam-diam Berubah Menjadi 'Penjual Cangkul'

MiniMax menghabiskan waktu satu tahun untuk melakukan migrasi struktural, dan saat ini telah berevolusi menjadi perusahaan fondasi komputasi yang bertumpu pada ekosistem pengembang global, MaaS multimodal, dan infrastruktur Agent sebagai pendorong inti.

Berdasarkan data yang telah diungkap, skala pendapatan keseluruhan MiniMax mengalami peningkatan besar. Pada paruh pertama 2026, total pendapatan mencapai sekitar 1,2 juta dolar AS, tumbuh 283,1% dibandingkan tahun sebelumnya. Pendapatan selama enam bulan saja telah mencapai 1,5 kali lipat dari pendapatan sepanjang tahun 2025.

Di antaranya, pendapatan bisnis B-end yang didominasi oleh platform terbuka dan layanan perusahaan lainnya mencapai 73,9 juta dolar AS, melonjak lebih dari 700% secara tahunan. Proporsinya terhadap total pendapatan melonjak dari 30,3% pada periode yang sama tahun lalu menjadi 63,4%, sekaligus menjadi pilar pendapatan terbesar perusahaan.

Pertumbuhan pasar tingkat perusahaan yang pesat ini membawa peningkatan signifikan bagi ARR (Pendapatan Berulang Tahunan) MiniMax, yang mencapai 8 juta dolar AS per bulan Agustus, di mana bisnis To B menyumbang sekitar 80%, sementara To C hanya sekitar 20%.

(Perlu dicatat bahwa ARR bukanlah angka audit berdasarkan prinsip akuntansi yang berlaku umum, sehingga secara alami memiliki potensi pembengkakan, namun bagi perusahaan model AI dan perusahaan SaaS, ini tetap menjadi metrik pertimbangan yang berharga.)

Selain itu, pasar luar negeri menyumbang sekitar 60% pendapatan MiniMax di paruh pertama tahun ini, menegaskan sekali lagi karakter globalisasinya.

Sementara pendapatan melonjak, biaya penjualan dan distribusi turun 17,9% secara tahunan menjadi 27 juta dolar AS, sedangkan laba kotor tumbuh 464,8% secara tahunan menjadi 20,81 juta dolar AS.

Dalam hal kerugian, kerugian bersih periode ini turun dari sekitar 400 juta dolar AS pada periode yang sama tahun sebelumnya menjadi sekitar 360 juta dolar AS.

Ini berarti, MiniMax telah sepenuhnya meninggalkan tahap awal di mana mereka mengandalkan pembelian traffic untuk akuisisi pengguna pada aplikasi C-end hiburan umum. Setelah berfokus penuh pada kemampuan model dasar dan model multimodal, mereka kini telah beralih ke pertumbuhan jaringan alami yang didorong oleh ekosistem perusahaan dan pengembang.

Mari lakukan perbandingan mendatar sederhana:

• Menurut laporan The Information, DeepSeek mencapai pendapatan 70,7 juta dolar AS dalam tujuh bulan pertama tahun ini. Jika bulan Juli yang ramai dikeluarkan, pendapatan MiniMax di paruh pertama diperkirakan sekitar dua kali lipat dari DeepSeek.

• Meskipun pendapatan bersih DeepSeek lebih rendah dari MiniMax, pendapatan tujuh bulan pertamanya mencapai 10 kali lipat dari pendapatan tahunan 2025, dengan pertumbuhan yang jauh lebih tinggi daripada MiniMax.

• Kerugian bersih DeepSeek dalam tujuh bulan pertama adalah 106 juta dolar AS, dan kerugian bersih MiniMax pada periode ini sekitar 3,4 kali lipat dari DeepSeek.

Konsensus Lama dan Baru

MiniMax mengungkapkan bahwa lonjakan drastis dalam konsumsi Token adalah alasan penting di balik melonjaknya pendapatan periode ini.

Pada bulan Juli saja, konsumsi Token di seluruh platform MiniMax mencapai 20 kali lipat dari bulan Januari. Hingga saat ini, jumlah pelanggan perusahaan dan pengembang global mereka telah menembus 2 juta, 10 kali lipat dari akhir tahun 2025.

Jawaban di balik lonjakan non-linear yang begitu ekstrem dalam konsumsi Token terletak pada migrasi paradigma konsumsi model.

CEO Yan Junjie mengungkapkan bahwa paradigma konsumsi model telah bergeser sepenuhnya dari 'dialog langsung antara manusia dan AI' menjadi 'interaksi berlapis multi-putaran antara Agent dan AI'.

Pertumbuhan permintaan inferensi yang didorong oleh Agent jauh lebih cepat daripada pertumbuhan jumlah pengguna manusia dan pesan. Hal ini secara langsung menyebabkan konsumsi Token per pengguna meledak secara berlipat ganda.

Hal ini sebenarnya telah menjadi 'konsensus lama' di industri model yang berkembang pesat ini.

Sementara itu, konsensus baru yang lebih penting adalah bahwa pasca-pelatihan (post-training) telah menjadi batas atas (limit) baru bagi Scaling.

Dari data publik terbaru mengenai Zhipu GLM 5.3, DeepSeek V4 Flash (versi 0731), dan Gemini 3.x Flash, semakin banyak vendor model sangat bergantung pada pasca-pelatihan dalam pembaruan versi minor, atau bahkan hanya mengandalkan pasca-pelatihan, untuk secara signifikan meningkatkan performa model pada tugas-tugas mainstream tertentu.

Yan Junjie juga menyampaikan pergeseran konsensus industri baru ini dalam rapat kinerja: Scaling model besar saat ini sedang berkembang pesat dari sekadar pra-pelatihan (pre-training) tunggal, menjadi mencakup pelatihan menengah (mid-training), pasca-pelatihan, dan pembelajaran penguatan (reinforcement learning).

Pada tahap pasca-pelatihan, pembuatan data sintetis dalam jumlah masif, peluncuran lingkungan (environment rollout) dalam pembelajaran penguatan, serta verifikasi uji coba dan kesalahan pada tugas yang dihasilkan, pada dasarnya semuanya adalah komputasi inferensi. Semakin rendah biaya inferensi per unit daya komputasi dan semakin besar throughput-nya, semakin besar pula lintasan dan skala eksperimen yang dapat ditelan oleh model selama pasca-pelatihan. Inilah alasan mengapa sejumlah vendor model, termasuk MiniMax, mengalokasikan proporsi daya komputasi yang semakin tinggi pada tahap pelatihan menengah dan pasca-pelatihan.

Yan Junjie menunjukkan bahwa pada skala daya komputasi yang sama, peningkatan efisiensi komputasi inferensi memiliki korelasi linier dasar dengan peningkatan skala pasca-pelatihan. Kalimat ini dapat dipahami secara kasar sebagai: semakin kuat upaya dalam pasca-pelatihan, semakin tinggi peningkatan efisiensi inferensi, dan semakin baik hasil akhir yang ditunjukkan oleh model.

**Dengan kata lain, terlepas dari apakah orang percaya bahwa Scaling Law telah menabrak tembok atau apakah jumlah parameter model telah mencapai batas maksimal — pasca