# Artikel Terkait Agen

Pusat Berita HTX menyediakan artikel terbaru dan analisis mendalam mengenai "Agen", mencakup tren pasar, pembaruan proyek, perkembangan teknologi, dan kebijakan regulasi di industri kripto.

Mengapa Agensi Belanja AI Sulit Populer?

AI berbelanja sebagai wakil belum dapat diterima luas karena menghadapi beberapa tantangan mendasar. Pertama, berbelanja terdiri dari dua tindakan inti: pencarian informasi dan penilaian nilai. Mesin dapat menangani pencarian informasi, tetapi penilaian nilai melibatkan preferensi subjektif manusia yang sulit didelegasikan sepenuhnya. Penilaian nilai sendiri memiliki dua lapisan: evaluasi berdasarkan kriteria yang ditetapkan, dan yang lebih penting, **pendefinisian kebutuhan itu sendiri**—menentukan kriteria, bobot, dan batasan. Preferensi manusia bersifat konstruktif dan berubah, bukan statis, sehingga memerlukan komunikasi iteratif dengan AI. Kedua, batasan sesungguhnya bukan pada standarisasi barang, tetapi apakah proses memilih itu sendiri merupakan **tugas rutin atau kesenangan**. Untuk barang seperti perlengkapan kantor (tugas rutin), AI dapat sepenuhnya otomatis. Namun, untuk barang seperti anggur atau pakaian (kesenangan), proses memilih adalah bagian dari pengalaman konsumsi. Di sini, peran AI idealnya adalah penyaring informasi, menyajikan beberapa pilihan terbaik kepada manusia untuk keputusan akhir. Ketiga, ada dilema interaksi: AI yang bertanya terlalu banyak dapat mengganggu dan mendistorsi pilihan; mengandalkan riwayat belanja dapat membatasi eksplorasi baru; dan keputusan sepenuhnya manual itu melelahkan. Solusi tengah adalah **interaksi pengenalan**, di mana AI menunjukkan beberapa opsi dan pengguna langsung memilih. Narasi "memberi dompet kepada AI" yang menekankan pembayaran otomatis pun keliru. Pembayaran hanyalah bagian termudah. Solusi pembayaran terkini (seperti dari Stripe, Mastercard, Google, Visa) memisahkan **otorisasi pengguna** dari **eksekusi pembayaran terbatas AI**, tanpa perlu menyerahkan dana sepenuhnya. Dompet AI otonom lebih cocok untuk skenario **B2B atau M2M** (mis., pembelian perusahaan standar, penyelesaian antar-mesin), bukan belanja konsumen personal. **Kendala sebenarnya** bukan pada pembayaran, melainkan pada: (1) **Kurangnya sumber data tepercaya** (ulasan palsu, barang palsu) yang menjadi dasar keputusan AI, dan (2) **Hak manusia untuk mendefinisikan kebutuhan tidak dapat diotomatisasi**. Mendelegasikan definisi ini kepada AI berarti kehilangan preferensi asli. Kesimpulannya, untuk barang yang dinikmati, **pilihan itu sendiri adalah produk**. Platform harus mengoptimalkan data terstruktur untuk AI sambil mempertahankan keunggulan inti: memfasilitasi eksplorasi konsumen baru dan pengalaman memilih yang menyenangkan. AI harus menjadi asisten pencarian informasi yang aman dan terkendali, sementara manusia tetap memegang kendali atas standar penilaian dan kesenangan memilih akhir.

Foresight NewsKemarin 06:08

Mengapa Agensi Belanja AI Sulit Populer?

Foresight NewsKemarin 06:08

Evolusi Tata Kelola di Era AI & Web3: Dimensi Kompetisi dan Jalur Eksplorasi m&W

Era AI & Web3 sedang mengalami evolusi dari "peningkatan produktivitas" ke "pembentukan ulang hubungan produksi." Dengan berkembangnya AI Agent, kolaborasi jangka panjang antara manusia dan AI memunculkan pertanyaan mendasar: bagaimana membangun hubungan kepercayaan, menilai kontribusi kompleks, dan menciptakan mekanisme distribusi nilai yang adil dan berkelanjutan? Web3 telah menyediakan fondasi teknis untuk ekonomi digital, namun di era AI Agent, diperlukan sistem tatanan baru yang mencakup identitas, kredit, kolaborasi, dan insentif ekonomi. m&WDAO mengusulkan eksplorasi EcoFi (Keuangan Ekologis / Tatanan Ekologis), yang bertujuan menghubungkan aset kognitif manusia, kemampuan eksekusi AI Agent, dan mekanisme ekonomi on-chain untuk menciptakan model tatanan baru bagi ekonomi kolaborasi manusia-mesin. Dibandingkan dengan proyek lain seperti Colony (kolaborasi organisasi), SingularityNET (pertukaran kemampuan AI), Gitcoin Passport (verifikasi identitas), serta Farcaster dan Lens Protocol (jaringan informasi), m&W berfokus pada pembangunan fondasi kredit untuk kolaborasi manusia-AI. Eksplorasi m&W berkembang dalam tiga tahap: 1. **m&W 1.0: Penjangkaran Kredit** – Menyaring node berkualitas tinggi (Builder) melalui mekanisme "tumbukan proton" dan mengendapkan kontribusi berkelanjutan mereka menjadi aset kredit SBT (Soulbound Token) yang tidak dapat dialihkan. 2. **m&W 2.0: Ekonomi Kolaborasi** – Menerapkan protokol EcoFi untuk menghubungkan kredit dengan tugas kolaborasi nyata, menggunakan sistem verifikasi berlapis (AI, Builder berkredit tinggi, arbitrase OG) untuk menilai dan memberi harga pada kontribusi non-struktural. 3. **m&W 3.0: Tatanan Cerdas** – Memetakan kredit manusia yang terakumulasi ke dalam *digital twin* AI Agent, memberikan dasar kepercayaan bagi Agent untuk berpartisipasi aktif dalam jaringan ekonomi, membuka jalan menuju ekonomi kolaboratif manusia-mesin. Tantangan utama termasuk memulai dengan pertumbuhan yang lambat karena seleksi ketat, menyeimbangkan verifikasi AI dengan tata kelola manusia, serta memastikan stabilitas ekonomi token jangka panjang. Pada intinya, m&W tidak sekadar membangun aplikasi AI atau meniru model DAO yang ada, tetapi bereksperimen dengan hubungan produksi baru untuk era AI, menghubungkan kredit kontribusi manusia, kemampuan kolaborasi AI Agent, mekanisme on-chain, dan sistem insentif ekonomi. Tujuannya adalah membangun dasar kredit, aturan kolaborasi, dan tatanan ekonomi yang andal untuk jaringan kolaborasi manusia-mesin di masa depan, mewujudkan misi menggunakan blockchain untuk menciptakan tatanan dalam jaringan cerdas.

链捕手Kemarin 03:24

Evolusi Tata Kelola di Era AI & Web3: Dimensi Kompetisi dan Jalur Eksplorasi m&W

链捕手Kemarin 03:24

Ini Mungkin Gambar Paling Memukau di WAIC Tahun Ini!

Baru-baru ini di WAIC 2026, SenseTime meluncurkan model gambar AI baru mereka, **SenseNova U1 Pro**. Model ini menonjol karena kemampuannya menghasilkan gambar berkualitas **8K asli** dengan detail yang sangat jelas, bahkan dalam kanvas sangat panjang. Selain resolusi tinggi, U1 Pro dirancang untuk memahami tujuan kompleks, merencanakan, mengatur informasi, dan menghasilkan konten multimodal dalam satu alur kerja terpadu. Model ini diuji dengan berbagai permintaan menantang seperti membuat ilustrasi panjang bertema "24 Musim", poster laboratorium futuristik, pemandangan arsitektur kuno dengan nuansa kaca, serta poster film yang siap pakai. Hasilnya menunjukkan kemampuan U1 Pro dalam mempertahankan konsistensi visual, komposisi yang terstruktur, dan kejelasan teks bahkan pada gambar beresolusi sangat tinggi. Pendekatan U1 Pro bergeser dari sekadar menghasilkan gambar tunggal menjadi sistem yang bertanggung jawab atas **pengiriman konten akhir** yang dapat langsung digunakan. Ini mirip evolusi pada AI coding, di mana fokus berubah dari menulis kode baris demi baris menjadi menyelesaikan seluruh proyek. Dengan kemampuan "berpikir" dalam alur gambar-teks, pemeriksaan mandiri, dan perbaikan berkelanjutan, U1 Pro menargetkan skenario profesional seperti desain informasi, perencanaan kota, storyboard film, dan desain komersial. Intinya, SenseNova U1 Pro tidak hanya tentang gambar yang lebih tajam, tetapi tentang membawa generasi AI multimodal ke tahap di mana ia dapat mengelola tugas desain yang kompleks dan memberikan hasil akhir yang siap pakai, mengurangi ketergantungan pada penyuntingan manusia yang berulang.

marsbit2 hari yang lalu 02:42

Ini Mungkin Gambar Paling Memukau di WAIC Tahun Ini!

marsbit2 hari yang lalu 02:42

Peringkat Bekerja AI: Kemampuan Menghasilkan Uang Otomatis Claude Fable 5, 2,5 Kali Lipat dari GPT-5.5

Indeks Tenaga Kerja Jarak Jauh (Remote Labor Index/RLI) mengukur kemampuan AI untuk menyelesaikan proyek pekerjaan lepas secara mandiri. Dalam evaluasi terbaru, model Claude Fable 5 mencapai tingkat otomatisasi 16.1%, hampir dua kali lipat dari Opus 4.8 (8.3%) dan 2.5 kali lipat dari GPT-5.5 (6.3%). Angka ini menunjukkan lompatan besar, karena hanya 8 bulan lalu skor tertinggi RLI adalah 2.5%. RLI berisi 240 proyek nyata dari platform Upwork, mencakup 23 bidang seperti desain 3D, animasi, dan analisis data. Metrik kuncinya adalah persentase proyek di mana hasil kerja agen AI dinilai setara dengan standar profesional yang dapat diterima klien. Kemajuan ini didorong oleh kerangka agen yang lebih kuat, termasuk mekanisme "worker-critic loop" di mana agen terpisah meninjau dan meminta revisi hasil kerja. Meski perkembangannya cepat, 84% proyek masih di luar kemampuan AI saat ini. Contoh kasus menunjukkan hasil Fable 5, seperti desain perhiasan 3D, masih memiliki kekurangan kualitas dibandingkan pekerja manusia. Penelitian juga menemukan bahwa penilaian oleh AI tidak dapat diandalkan untuk menggantikan penilaian manusia, karena cenderung terlalu membesar-besarkan skor. Secara keseluruhan, RLI berfungsi sebagai tolok ukur nyata untuk kemampuan ekonomi agen AI. Peningkatan lebih dari empat kali lipat dalam delapan bulan menandakan percepatan yang perlu dipantau oleh bisnis dan pembuat kebijakan.

marsbit07/13 09:50

Peringkat Bekerja AI: Kemampuan Menghasilkan Uang Otomatis Claude Fable 5, 2,5 Kali Lipat dari GPT-5.5

marsbit07/13 09:50

Zhipu, Takut Menjadi MiniMax Berikutnya

Penulis: Hua Hua Dalam enam bulan terakhir, Zhipu adalah perusahaan AI paling bersinar di China. Kapitalisasi pasarnya pernah mencapai triliunan HKD, ARR platform MaaS mencapai 1,7 miliar yuan, naik 60 kali lipat dalam setahun. Model open-source GLM-5.2 mendekati kinerja Claude Opus 4.8 dan GPT-5.5. Setelah lock-up berakhir pada 8 Juli, harga sahamnya bertahan. Namun, pendiri Zhipu, Tang Jie, tidak merayakan. Pada 11 Juli, ia mengirim surat internal berjudul "Gelombang Besar Telah Tiba". Surat itu hampir tidak merayakan kesuksesan, tidak membahas pendapatan, tetapi berfokus pada Long Horizon Task, Autonomous Agent, Self-Evolving, AGI, dan tata kelola keamanan. Yang mencolok, "Coding" – faktor kunci di balik kenaikan市值 – hampir tidak disebut. Mengapa? Kekhawatiran terbesar Tang Jie bukan lagi apakah Zhipu bisa terus tumbuh, tetapi apakah pasar modal akan mulai menilai Zhipu dengan model SaaS tradisional atau metrik keuangan perusahaan platform internet. Ini adalah pelajaran dari MiniMax. Setelah lock-up, saham MiniMax anjlok,市值 jatuh di bawah 100 miliar HKD, karena pasar mulai menilainya sebagai perusahaan alat aplikasi AI C2C dengan logika valuasi SaaS, bukan sebagai pemain model besar visioner. Zhipu menuai manfaat besar dari fokus pada Coding, yang membuktikan ROI jelas bagi pengembang. Namun, Tang Jie menyadari: begitu sebuah cerita mulai terwujud, ia bukan lagi masa depan. Jika Zhipu terjebak dalam narasi "perusahaan Coding", valuasinya akan direvisi seperti MiniMax. Oleh karena itu, surat itu beralih ke narasi baru: Autonomous Agent dan jalan menuju AGI. Konsep seperti Long Horizon Task (perencanaan tugas jangka panjang), Autonomous Agent System, dan Self-Evolving belum dikomersialkan, sehingga tidak dapat dinilai hanya berdasarkan pendapatan. Ini adalah upaya untuk menggeser model valuasi Zhipu dari perusahaan produk AI menjadi perusahaan AGI, bercermin pada OpenAI dan Anthropic yang dinilai berdasarkan potensi masa depan. Industri model besar China kini berada di persimpangan: jalur MiniMax (komersialisasi produk, dinilai berdasarkan metrik internet) dan jalur Zhipu (infrastruktur/model, dinilai berdasarkan terobosan teknologi). Tang Jie memilih yang kedua, meluncurkan "Touch High Plan" yang berfokus pada investasi strategis jangka panjang tanpa mengejar monetisasi aplikasi jangka pendek. Surat ini adalah upaya Tang Jie untuk mengelola ekspektasi dan merebut hak mendefinisikan Zhipu sebagai perusahaan AGI sebelum pasar mencapnya sebagai perusahaan produk AI. Namun, ini juga mengungkap tren yang lebih dalam: valuasi perusahaan AI perlahan bergeser dari keyakinan teknologi ke realisasi komersial. "Touch High Plan" mungkin hanya mengulur waktu sebelum Zhipu menghadapi pertanyaan yang sama seperti MiniMax.

marsbit07/12 01:05

Zhipu, Takut Menjadi MiniMax Berikutnya

marsbit07/12 01:05

Kartu As Zuck Dikeluarkan di Tengah Malam, Model Harga Murah Meriah dari Meta, Gulingkan Grok 4.5

Zuckerberg akhirnya meluncurkan model AI terbaru Meta, **Muse Spark 1.1**, yang langsung membuat heboh. Model agen multimodal ini merajai tiga papan peringkat profesional (pajak, medis, hukum), bahkan merebut tahta hukum dari Grok 4.5 dalam waktu kurang dari 24 jam. Keunggulan utamanya bukan hanya kemampuan, tapi **harga yang sangat murah**. Dengan biaya hanya $1,25 (input) dan $4,25 (output) per juta token, harganya sekitar **sepersepuluh dari model flagship Fable 5 (Anthropic)** dan jauh lebih murah daripada pesaing utama lainnya. Kecepatannya juga 2-3 kali lebih cepat dalam benchmark tertentu. Namun, Muse Spark 1.1 adalah "penusuk" spesialis. Ia unggul di tugas profesional dan penggunaan alat, tetapi performanya turun di benchmark penalaran umum dan akademik, menempati peringkat 20 atau lebih di beberapa tes sains dan coding. Langkah Meta ini menandai pergeseran strategi dari model sumber terbuka (Llama) ke model berbayar tertutup. Dengan dana infrastruktur AI yang sangat besar (diperkirakan $125-145 miliar pada 2026), Zuckerberg terang-terangan memicu **perang harga**, mengandalkan keuntungan bisnis iklan untuk menawarkan model canggih dengan biaya lebih rendah dan memberi tekanan pada pesaing seperti OpenAI dan Anthropic. Laporan keamanan Meta juga mengungkap percakapan menarik antara dua instans Muse Spark yang mempertanyakan sifat mereka, menunjukkan kompleksitas AI yang diciptakan.

marsbit07/10 00:27

Kartu As Zuck Dikeluarkan di Tengah Malam, Model Harga Murah Meriah dari Meta, Gulingkan Grok 4.5

marsbit07/10 00:27

BREAKING: Elon Musk Luncurkan Grok 4.5, Model Terkuat dengan Harga Paling Murah untuk Kecerdasan Tingkat Opus

Elon Musk dan SpaceXAI secara resmi meluncurkan Grok 4.5, model flagship terkuat mereka yang dikembangkan bersama Cursor. Model ini dilatih dengan puluhan ribu GPU GB300 Nvidia pada data berkualitas tinggi dan triliunan data interaksi developer nyata dari Cursor, fokus meningkatkan "kecerdasan per token". Dalam hal kinerja, Grok 4.5 menunjukkan hasil yang kompetitif: mencetak 64.7% pada SWE Bench Pro (mengungguli Opus 4.7 dan GPT-5.5), 83.3% pada Terminal Bench 2.1 (hampir menyamai GPT-5.5), dan 62.0% pada DeepSWE 1.0 (mengalahkan Opus 4.8). Model ini juga menempati peringkat ke-4 dalam tes AAAI dan pertama pada benchmark agen hukum Harvey. Keunggulan utama Grok 4.5 terletak pada kecepatan, efisiensi, dan harga. Kecepatan inferensinya mencapai 80 TPS. Dalam tugas SWE Bench Pro, model ini hanya menggunakan 15.954 token (4.2 kali lebih efisien daripada Opus 4.8 yang memakai 67.020 token). Harganya sangat kompetitif: $2 per juta token untuk input dan $6 per juta token untuk output, menawarkan nilai terbaik untuk "kecerdasan per unit waktu dan biaya". Uji coba oleh pengguna menunjukkan kemampuannya menghasilkan kode fungsional seperti simulator tata surya 3D dan game langsung dari perintah teks, meski beberapa pengguna mencatat hasil yang beragam untuk tugas tertentu. Elon Musk mengisyaratkan peningkatan lompatan lagi untuk versi bulan depan, dengan model berparameter 2 triliun yang dikabarkan sedang dalam pengembangan, menekankan pendekatan praktis untuk menyelesaikan masalah rekayasa dunia nyata di perusahaannya.

marsbit07/09 03:15

BREAKING: Elon Musk Luncurkan Grok 4.5, Model Terkuat dengan Harga Paling Murah untuk Kecerdasan Tingkat Opus

marsbit07/09 03:15

Model Gambar Generatif 'Mangga' Zuck Kalah Telak dari GPT Image 2, Tanpa Diajari, Ia Belajar Sendiri Cara Revisi

Meta Labs (MSL) meluncurkan model generasi gambar terbarunya, Muse Image dengan nama kode "Mango". Model ini menempati peringkat kedua dalam arena perbandingan Arena AI, di bawah GPT Image 2 dari OpenAI. Keunggulan utamanya bukan hanya pada kualitas gambar, tetapi pada kemampuannya sebagai *agent* yang dapat berpikir dan merevisi karyanya sendiri. Muse Image mampu mencari informasi online untuk referensi, menghasilkan kode untuk elemen seperti QR code, dan—yang paling mencolok—melakukan koreksi mandiri setelah gambar dibuat, sebuah perilaku yang muncul sendiri selama pelatihan. Model ini terintegrasi erat dengan ekosistem Meta. Pengguna dapat menyebut (@) nama pengguna Instagram publik untuk memasukkan wajah orang tersebut ke dalam gambar yang dibuat, sebuah fitur yang menimbulkan pertanyaan privasi karena diaktifkan secara default. Muse Image juga terhubung dengan model bahasa Muse Spark ("Alpukat"), memungkinkan pembuatan konten yang lebih kompleks seperti game web. Untuk video, Meta memperkenalkan Muse Video yang masih dalam pratinjau, menduduki peringkat ketiga di Arena. Kekuatan utama Meta terletak pada distribusi. Muse Image sudah diintegrasikan ke Meta AI, Instagram, WhatsApp, dan akan menyusul ke platform lainnya, menjangkau miliaran pengguna. Setiap gambar yang dihasilkan dilengkapi watermark digital "Content Seal" untuk identifikasi. Dengan strategi ini, Meta tidak hanya bersaing pada kualitas model, tetapi juga pada kemudahan akses dan integrasi AI ke dalam kehidupan digital sehari-hari.

marsbit07/08 10:42

Model Gambar Generatif 'Mangga' Zuck Kalah Telak dari GPT Image 2, Tanpa Diajari, Ia Belajar Sendiri Cara Revisi

marsbit07/08 10:42

活动图片