Baru-baru ini, Andrej Karpathy membagikan trik malas favoritnya: Bagaimana jika ingin AI bekerja, tetapi malas mengetik kebutuhan satu per satu dengan jelas?
Katanya, cukup bersandar di kursi, beralih ke mode suara, biarkan aliran kesadaran mengalir, bicaralah selama 10 menit, berantakan, bagaimana pun caranya.
Terkadang dia membuka percakapan dengan memberi tahu AI, "Beralih ke pengenalan suara, jangan keberatan dengan salah ketik".
Yang menakjubkan adalah, dia menemukan AI sangat ahli dalam merangkai kembali omongan panjang dan berantakan ini, dan versi yang dikembalikan ke Anda sering kali lebih rapi daripada yang Anda ucapkan sendiri: kekacauan pikiran di kepala Anda diluruskan olehnya, dan jumlah kali koreksi bolak-balik juga berkurang.
Ini justru cara Andrej Karpathy paling nyaman berinteraksi dengan AI.
Menurutnya, ini dapat meningkatkan "perpaduan pikiran" antara manusia dan model. Seringkali manusia malas mengetikkan rangkaian peristiwa suatu hal kata demi kata dengan jelas, jadi lebih baik langsung berbicara dan menuangkan seluruh kekacauan sekaligus.
Nilai suara bukanlah pada membebaskan tangan, melainkan pada menuangkan konteks dengan bandwidth tinggi kepada AI.
Baru beberapa hari ini, OpenAI langsung memindahkan cara bermain "mengatur AI dengan mulut" ini ke dalam desktop.
Versi Desktop ChatGPT, Sekarang Bisa Diatur dengan Mulut
Pada 23 Juli, OpenAI secara resmi memasukkan ChatGPT Voice ke dalam skenario Work dan Codex di aplikasi versi desktop.
Mulai hari itu, diluncurkan secara bertahap secara global di macOS dan Windows, mencakup semua level Plus, Pro, Business, Edu, Enterprise. Android akan segera menyusul, iOS dapat diakses secara remote melalui pairing Remote.
Di baliknya adalah model suara generasi baru GPT-Live yang baru diluncurkan pada 8 Juli, yang mampu mendengar dan berbicara secara bersamaan: Anda dapat menyela kapan saja, dan AI akan melanjutkan berdasarkan kalimat terbaru Anda, bukan lagi cara lama yang kaku: "rekam dulu, lalu transkripsikan ke teks, baru balas Anda satu kalimat".
Kuncinya adalah, kali ini suara tidak hanya untuk mengobrol.
Di dalam Work dan Codex, dengan berbicara Anda dapat meluncurkan sebuah tugas, menanyakan kemajuannya, melihat status agen cerdas tertentu saat ini, dan bahkan mengoordinasikan beberapa Agent dalam satu percakapan yang sama, membiarkan mereka bekerja masing-masing.
Tugas berjalan di latar belakang, Anda dapat menyelanya kapan saja untuk mengubah arah; jika macet atau selesai, AI akan berbicara sendiri, atau memberi tahu Anda di layar.
Bahkan AI dapat melanjutkan pekerjaan yang sedang Anda tangani: memanggil konteks proyek yang sudah ada, terhubung ke dokumen, kalender, kontak, dan catatan komunikasi, untuk menyelesaikan pekerjaan yang setengah jadi.
Resmi juga memberikan beberapa contoh kehidupan sehari-hari: minta AI memeriksa apakah ada konflik di kalender, memeriksa email apakah penerbangan diubah, menyiapkan notulen rapat dengan mudah, "sementara Anda membuat kopi atau sibuk dengan hal lain", pekerjaan ini selesai dengan sendirinya di latar belakang.
Di macOS, ada tambahan kemampuan Appshots dan konteks layar, yang dapat langsung membaca jendela paling depan yang sedang Anda buka, dipahami bersama dengan file lokal dan basis kode, dan hotkey juga dapat disesuaikan.
Pengguna aktif mingguan Codex ditambah ChatGPT Work telah melampaui 10 juta.
Ada adegan menarik dalam video promosi yang dirilis OpenAI: beberapa insinyur berdiri di ruangan yang sama, menghadapi sesi desktop yang sama, masing-masing memberi perintah: satu AI, sekelompok orang mengelilinginya memberi perintah.
Ini mungkin yang mereka bayangkan sebagai "pesta pemrograman berkelompok".
OpenAI mendemonstrasikan ChatGPT Voice dengan adegan rumah: berbicara dan mengatakan apa yang ingin dilakukan kepada Codex versi desktop, dan Codex melanjutkan pekerjaan di latar belakang.
Mengetik Adalah Hambatan Input AI, Tetapi Suara Bukan
Ini tentu bukan keinginan sesaat OpenAI saja.
Hampir di minggu yang sama, tiga pemimpin industri hampir bersamaan memberikan suara mereka untuk "suara".
Karpathy memposting di X, katanya ketika konteks terlalu banyak dan malas mengetik, dia hanya mengobrol asal-asalan dan membiarkan AI mengaturnya.
Seorang penggemar berat Grok membagikan ulang postingan Karpathy, mengatakan dirinya sudah lama terbiasa menggunakan konversi suara-ke-teks Grok, "sekarang mengetik terasa seperti penyiksaan", dan sekaligus mengkritik input suara Anthropic "sebenarnya masih cukup dasar".
Musk membagikan ulang ini, dan menambahkan: Anda dapat menggunakan Grok Build untuk memberikan tugas kepada Grok, seperti berbicara dengan manusia.
Altman juga tidak lupa mempromosikan model suara generasi barunya sendiri, GPT-Live.
Dia mengaku selalu lebih suka mengetik daripada berbicara dengan AI, tetapi sekarang dia "sudah lebih banyak berbicara dengan ChatGPT daripada mengetik".
Dia juga secara khusus menekankan: ketika Anda memiliki banyak konteks yang harus diberikan sekaligus kepada AI, suara adalah yang paling berguna.
Apa yang membuat ketiga pemimpin ini bersemangat sebenarnya bukanlah "akhirnya bisa pakai mulut" sesederhana itu.
Di balik ini terdapat logika seperti ini: semakin kuat agen cerdas, niat yang harus Anda berikan padanya juga semakin kompleks, dan pipa keyboard mulai macet:
Semakin ringkas Anda mengetik, informasi yang diterima model semakin sedikit.
Sedangkan output suara adalah pipa lebar secara alami: Anda dapat menyampaikan semua sebab akibat, kekhawatiran, dan preferensi sekaligus, meskipun berantakan, model dapat menampungnya, lalu membantu Anda merapikan aliran kesadaran yang berantakan itu.
Beberapa orang di komunitas sudah menguji secara nyata: throughput suara sekitar 240 kata per menit, mengetik paling banyak 70 hingga 80 kata, selisih tiga hingga empat kali lipat.
GPT-Live membebankan pekerjaan berat kepada GPT-5.5 dan GPT-5.6 di latar belakang untuk dipikirkan, bagian depan hanya bertugas menjaga percakapan tetap lancar menangkap Anda. Dekopling ini justru agar orang dapat berbicara dengan bebas.
Pada akhirnya, ide di otak manusia pada dasarnya paralel dan melompat-lompat, tetapi keyboard memaksa Anda memadatkannya menjadi baris demi baris kata.
Dan suara melonggarkan tembok ini: ia sedang berubah dari sebuah "metode input malas", menjadi sebuah "pintu masuk konteks berbandwidth tinggi".
Satu kalimat, mengetik adalah hambatan input AI, tetapi suara bukan.
Di Balik Input Suara, Adalah "Mengelola Proyek dengan Mulut"
Apa yang benar-benar dimasukkan OpenAI ke dalam versi desktop kali ini, adalah menggunakan suara untuk "mengelola AI".
Menurut FAQ resmi, di dalam Work dan Codex, dengan berbicara Anda dapat melakukan hal-hal ini: meluncurkan tugas, memprioritaskan beberapa tugas, menyela di tengah jalan, berbalik arah, sementara pekerjaan terus berjalan di latar belakang.
Lebih jauh lagi, AI dapat mengoordinasikan beberapa agen cerdas untuk bekerja bersama di antara beberapa percakapan dan proyek. Anda mengatakan, "A kerjakan dulu, B tunda dulu, C beri tahu saya kalau sudah ada hasil", dan latar belakang akan mengatur ulang sesuai itu.
AI juga dapat melanjutkan pekerjaan dari sebelumnya. Ini mengandalkan konteks proyek, ditambah dengan alat yang terhubung, seperti dokumen, kalender, kontak, dan catatan komunikasi Anda.
Jika tugas macet atau selesai, AI akan memberi tahu Anda dengan suara atau petunjuk di layar.
Ini bukan lagi pekerjaan metode input suara biasa, melainkan lebih seperti pusat kendali, tempat Anda mengatur tim agen cerdas.
Sama-sama berbicara dengan AI, sebelumnya adalah membuat AI memahami Anda, sekarang adalah membuat AI bekerja untuk Anda.
ChatGPT Ingin Menjadi "Sistem Operasi Pekerjaan AI" Anda
Di balik sebuah fungsi suara, tersembunyi jalur yang lebih besar: OpenAI ingin ChatGPT menjadi "sistem operasi pekerjaan AI" Anda.
Beberapa bulan terakhir, OpenAI terus memperbarui versi desktop ChatGPT, menempatkan Chat, Work, dan Codex ke dalam pintu masuk yang sama, dapat beralih dengan satu klik, berjalan jangka panjang di latar belakang.
Codex juga telah lama diperluas menjadi platform umum yang dapat menjalankan beberapa agen cerdas secara paralel, menjalankan tugas panjang, dan memahami seluruh proyek.
Mengapa kemampuan ini ditempatkan di desktop, bukannya tetap di ponsel yang digunakan semua orang?
Ini terutama karena kotak obrolan kecil di ponsel tidak dapat menangani pekerjaan rumit, ia cocok untuk bertanya sekilas.
Jika benar-benar ingin AI terhubung dengan file, kode, dan perangkat lunak Anda, dan menyelesaikan suatu hal dari awal hingga akhir, ia harus berada di komputer Anda:
Desktop-lah yang memiliki file, Lingkungan Pengembangan Terintegrasi (IDE), browser, dan serangkaian perangkat lunak kantor perusahaan; inilah medan tempur utama agen cerdas bekerja.
Di balik ini, ada pembalikan cara interaksi manusia dan AI.
Dulu Anda menggunakan AI dengan "mengoperasikan perangkat lunak": membuka, memasukkan, menunggu, satu putaran demi satu putaran.
Sekarang Anda lebih seperti manajer yang memimpin tim: membagikan tugas dengan berbicara, hubungan Anda dengan AI, secara diam-diam berubah dari "Anda bertanya, AI menjawab" menjadi "Anda bicara, AI mengerjakan".
Seorang pengguna berat bahkan mengatakan, menggunakan sistem ini "pada dasarnya seperti J.A.R.V.I.S."
Dia bahkan meminta Codex membantunya mengatur hotkey, sehingga dengan berbicara dapat beralih di antara tiga mesin dan beberapa layar.
Kembali ke skenario pembuka, apa yang benar-benar membuat Musk, Altman, Karpathy, dan pemimpin lainnya bersemangat bukanlah dapat membuang keyboard, melainkan ketika input bukan lagi hambatan, manusia dapat mengembalikan sedikit daya otak yang dihemat itu pada hal yang benar-benar layak direnungkan: pengambilan keputusan.
Jadi pertanyaan berikutnya sebenarnya bukan "bisakah Anda berbicara", melainkan ketika di depan Anda berdiri sekelompok AI yang siap dipanggil, apa sebenarnya yang ingin Anda suruh mereka lakukan untuk Anda.
Referensi:
https://x.com/OpenAI/status/2080378182469857576
https://aihot.virxact.com/items/cmrxxi2qg03kcroxpcugdaldy
Artikel ini berasal dari akun WeChat publik "新智元", penulis: ASI启示录
