Penulis: Li Jia, Wallstreetcn
AI sedang memasuki tahap baru dari “bisa menjawab” menuju “bisa mengeksekusi”.
Menurut laporan terbaru Goldman Sachs yang dilaporkan oleh Zhuifeng Trading Desk, komersialisasi AI sedang bergeser dari “berlangganan per seat” ke pembayaran berdasarkan konsumsi, volume transaksi, dan hasil; sementara itu, Agent sedang berkembang dari alat bantu menjadi pelaksana workflow, dan nilai industri juga bermigrasi dari model itu sendiri ke data proprietary, konteks bisnis, dan kemampuan keahlian domain.
Ini berarti bahwa persaingan industri AI sedang bergeser dari “model siapa yang lebih kuat” ke “siapa yang benar-benar menguasai workflow”. Kemampuan model masih penting, tetapi apakah AI bisa masuk ke lingkungan produksi perusahaan, memahami konteks bisnis, dan menyelesaikan tugas dengan stabil, akan menjadi penghalang kompetitif yang lebih kritis.
Penilaian ini berasal dari kunjungan lapangan Goldman Sachs baru-baru ini ke rantai industri AI Silicon Valley. Pada 18-19 Agustus, Goldman Sachs untuk ketiga kalinya berturut-turut mengunjungi perusahaan rintisan AI, lembaga modal ventura terkemuka, serta peneliti dari Universitas Stanford, Universitas California Berkeley, dan Universitas California San Francisco. Goldman Sachs berpendapat bahwa seiring dengan percepatan penerapan Agent, alokasi nilai antara model terdepan (frontier), model open-source, world model, perangkat lunak perusahaan, dan data proprietary akan berubah.
Penerapan Agent: Yang Perusahaan Butuhkan Bukan Kemampuan, Melainkan “Kontrolabilitas”
Jika sebelumnya AI menyelesaikan “membantu manusia menyelesaikan tugas”, maka Agent sedang mencoba menyelesaikan “menyelesaikan tugas sendiri”. Namun dalam proses penerapan skala besar di perusahaan, hambatan terbesar mungkin bukan lagi kemampuan model, melainkan bagaimana tanggung jawab dibagi, dan apakah seluruh proses eksekusi dapat dikendalikan.
Laporan mengutip peneliti Stanford yang menunjukkan, saat ini sebagian besar perusahaan masih berada dalam mode pengawasan manual. Terutama di bidang hukum, manajemen risiko, asuransi, dan audit, begitu model membuat kesalahan, siapa yang bertanggung jawab, bagaimana melacak prosesnya, dan apakah dapat dikoreksi tepat waktu, mungkin sama pentingnya dengan kemampuan model itu sendiri.
Oleh karena itu, workflow yang paling mudah diotomatisasi terlebih dahulu biasanya memiliki tiga karakteristik: batas keputusan yang jelas, hasil yang dapat diverifikasi, dan kesalahan yang dapat di-rollback. Pemrosesan faktur adalah contoh kasus klasik. AI bertanggung jawab mengekstrak field dan melakukan pemeriksaan, kasus dengan confidence rendah diserahkan ke peninjauan ulang manual, kemudian diselesaikan melalui proses ERP yang reversibel.
Ini juga berarti bahwa penyedia layanan informasi yang memiliki konten terpercaya, model domain terverifikasi, dan hubungan pengawasan yang matang, lebih mungkin masuk terlebih dahulu ke lingkungan produksi perusahaan.
Persaingan Model: Model Terdepan dan Model Open-Source Menuju Pembagian Kerja
Mengenai perdebatan “open-source atau tertutup”, sinyal yang dikeluarkan dari penelitian Goldman Sachs ini bukanlah pilihan salah satu, melainkan model yang berbeda mungkin sesuai dengan tingkat workflow yang berbeda.
Kubu model terdepan (frontier) berpendapat bahwa pengujian benchmark perusahaan sering meremehkan kemampuan model. Di lingkungan produksi nyata, kerugian bisnis akibat penurunan akurasi model mungkin jauh lebih tinggi daripada penghematan biaya inferensi. Oleh karena itu, meskipun beberapa perusahaan AI native mengklaim menggunakan strategi multi-model, di lingkungan produksi inti mereka masih sangat bergantung pada model terdepan.
Pandangan lain berpendapat bahwa sebagian besar workflow perusahaan tidak memerlukan kecerdasan tingkat terdepan. Seiring peningkatan kinerja model open-source yang berkelanjutan, klien semakin bersedia menerima penurunan performa terbatas demi biaya inferensi yang lebih rendah. Sebuah lembaga modal ventura memperkirakan, dalam 12 hingga 18 bulan ke depan, sekitar 90% token inferensi akan mengalir ke model open-source.
Ini berarti bahwa pasar model AI di masa depan mungkin membentuk pembagian kerja yang lebih jelas: model terdepan menangani tugas kompleks bernilai tinggi dan keandalan tinggi, sementara model open-source menangani tugas standar berskala besar dan sebagian besar konsumsi token.
World Model: Daya Komputasi AI Mungkin Menyambut Kurva Pertumbuhan Kedua
Dalam 18 bulan terakhir, para peneliti semakin mengalihkan fokus perhatian dari LLM ke “world model”.
Berbeda dengan LLM yang terutama dilatih dengan data internet, world model perlu memahami lingkungan, hubungan sebab-akibat, hukum fisika, serta interaksi dinamis di dunia nyata, datanya lebih banyak berasal dari sistem fisik, industri spesifik, dan skenario operasi aktual. Ini berarti bahwa pentingnya data proprietary mungkin semakin meningkat.
Goldman Sachs berpendapat bahwa ruang masalah yang sesuai dengan bidang fisika, industri, sains, dan robotika jauh lebih besar daripada pembuatan teks murni, dan workflow ini seringkali memerlukan investasi daya komputasi yang lebih tinggi. Seiring AI semakin masuk dari dunia digital ke dunia fisik, kebutuhan daya komputasi untuk pelatihan model, simulasi, dan inferensi juga mungkin mengalami kurva pertumbuhan baru.
Goldman Sachs memperkirakan, kebutuhan daya komputasi dalam 5 tahun ke depan mungkin tumbuh sekitar 24 kali lipat, ketegangan pasokan dan permintaan diharapkan dapat bertahan lebih lama, dan perusahaan infrastruktur komputasi awan serta daya komputasi seperti Microsoft, Oracle, dan CoreWeave akan langsung diuntungkan.
