Ketika LP Mengajari Saya Berinvestasi Menggunakan Doubao: Sebuah Pengakuan Peralihan Karier dari GP Perusahaan Sekuritas Swasta

Odaily星球日报Dipublikasikan tanggal 2026-06-09Terakhir diperbarui pada 2026-06-09

Abstrak

**Ringkasan: Ketika LP Menggunakan Doubao untuk Mengajari Saya Berinvestasi: Kisah Seorang GP Hedge Fund yang Beralih Profesi** Dengan semakin populernya AI, hubungan antara Limited Partner (LP) dan General Partner (GP) di industri hedge fund swasta (terutama yang berukuran kecil) mengalami ketegangan baru. Artikel ini menceritakan pengalaman "Er Gou", seorang mantan GP di sebuah hedge fund dolar AS lepas pantai berskala kecil yang berfokus pada saham AS, yang akhirnya beralih ke perusahaan startup AI. Er Gou mengungkapkan bahwa fund-nya, meski memiliki kinerja yang baik, kesulitan mendapatkan pendanaan dari LP institusional. Fund kecil seperti ini seringkali terjebak dalam struktur Cayman Islands yang "tradisional", kurang menarik bagi investor Asia yang lebih memercayai struktur di Hong Kong atau Singapura. Selain itu, fund yang menggunakan strategi subjektif (mengandalkan penilaian manusia) seperti miliknya semakin kalah bersaing dengan fund kuantitatif (yang menggunakan model algoritma) dalam hal menarik minat LP, terutama setelah AI membuat strategi kuantitatif terlihat lebih meyakinkan. Dampak utama AI adalah "meratakan" akses informasi dan kemampuan analisis. LP kini dapat menggunakan asisten AI seperti Doubao untuk meringkas laporan investasi, menganalisis pasar, bahkan mempertanyakan keputusan GP. Hal ini meningkatkan friksi. Er Gou mencontohkan seorang LP yang terus-menerus mempertanyakan strateginya berdasarkan kesimpulan dari AI, hingga akhirnya harus di-"clear...

Original |Odaily Planet Daily(@OdailyChina)

Penulis|Golem(@web3_golem)

Saat LP mulai mempelajari penggunaan AI, hari-hari manajer dana sekuritas swasta skala kecil menjadi semakin sulit.

Ergou (@ryansoon777) di awal tahun ini masih merupakan partner umum (GP) di sebuah dana dollar sekuritas swasta lepas pantai skala kecil di Tiongkok yang fokus pada saham AS, tetapi setelah tahun baru ia mengundurkan diri dan bergabung dengan sebuah perusahaan rintisan AI.

"Penggalangan dana untuk dana sekuritas swasta skala kecil saat ini memang sudah sulit, ditambah lagi dengan meluasnya penggunaan AI, banyak investor (LP) lebih memilih menggunakan Doubao untuk membantu berinvestasi saham daripada mempercayakan dananya kepada kami."

Ergou mengatakan, keputusannya untuk berganti karier sebagian besar disebabkan oleh pengaruh halus AI terhadap hubungan antara LP dan GP. Informasi dan kemampuan analisis secara tampak seimbang oleh AI, LP menjadi lebih mudah mempertanyakan penilaian profesional GP, friksi di antara kedua belah pihak juga dapat meningkat, bahkan parahnya dapat menyebabkan penarikan dana atau likuidasi.

Dana Sekuritas Swasta Dollar Skala Kecil yang Sudah Sulit dari Awal

Dana dollar sekuritas swasta tempat Ergou sebelumnya bekerja sebenarnya beroperasi dengan cukup baik, aset yang dikelola mencapai puluhan juta dolar AS, terutama berinvestasi pada saham AS dengan likuiditas tinggi, juga sedikit terlibat dalam manajemen aset kripto, dengan imbal hasil tahunan selama tiga tahun terakhir jauh melampaui indeks Nasdaq.

Secara logika, kinerja yang baik ditambah dengan peningkatan permintaan investor terhadap manajemen keuangan luar negeri dalam beberapa tahun terakhir seharusnya tidak menyulitkan penggalangan dana, namun Ergou mengungkapkan bahwa sebenarnya, dana dollar skala kecil seperti mereka hampir mustahil mendapat perhatian dari LP institusional.

Saat ini, dana sekuritas swasta dollar kelas atas di Tiongkok dengan aset ratusan miliar (seperti Jingshi, Gao Ling, dan Boyu) umumnya menggunakan struktur gabungan "lepas pantai + dalam negeri", yaitu entitas dana tetap berada di Cayman, biasanya terdaftar sebagai perusahaan pengecualian Kepulauan Cayman atau Cayman SPC, sementara entitas manajemen ditempatkan di Hong Kong atau Singapura.

Namun, beberapa tahun terakhir, karena perubahan regulasi dan lingkungan penggalangan dana, semakin banyak dana dollar sekuritas swasta yang murni menggunakan struktur dalam negeri seperti Hong Kong LPF atau Singapura VCC.

Sementara itu, dana dollar sekuritas swasta skala kecil seperti yang diikuti Ergou masih menggunakan struktur dana dollar yang paling "primitif", yaitu struktur Cayman SPC + BVI (Kepulauan Virgin Britania Raya) sebagai manajer dana.

Ada ungkapan umum di industri dana bahwa LP yang menentukan strukturnya, alasan utama dana sekuritas swasta dollar kelas atas di Tiongkok masih bertahan dengan "Cayman" adalah karena LP luar negeri mereka termasuk dana abadi universitas AS, dana kekayaan negara Timur Tengah, dan kantor keluarga besar Eropa, "uang tua" internasional kelas atas ini telah mengenal struktur Cayman selama beberapa dekade, dana sekuritas swasta dollar kelas atas yang terus mengikuti aturan ini membantu mengurangi biaya komunikasi dan biaya kepercayaan di antara mereka.

Tapi dana dollar sekuritas swasta Tiongkok skala kecil yang entitasnya juga berada di Cayman tidak mungkin mendapat perhatian dari dana-dana internasional kelas atas ini, sumber LP mereka masih terutama di Asia, sehingga membuat mereka berada dalam posisi yang canggung.

Dari perspektif Asia, pemilik modal di balik dana dollar sekuritas swasta terutama berasal dari bank swasta, Tiongkok Daratan (modal yang keluar), kantor keluarga lokal Hong Kong, dan orang kaya Asia Tenggara.

Bahkan untuk dana dollar sekuritas swasta skala kecil dengan ukuran yang sama, lingkaran-lingkaran ini memiliki rasa kedekatan dan keamanan alami terhadap Hong Kong atau Singapura, sehingga mereka lebih memilih untuk berinvestasi pada Hong Kong LPF atau Singapura VCC, daripada Cayman SPC.

Selain struktur dana dan skala yang membatasi saluran penggalangan dana dana sekuritas swasta dollar skala kecil ini, perbedaan strategi investasi dana juga membuat Ergou dan rekan-rekannya sulit mengumpulkan dana.

Dalam strategi investasi yang digunakan oleh dana sekuritas swasta, terutama dapat dibagi menjadi strategi subjektif dan strategi kuantitatif. Strategi subjektif yaitu GP memutuskan apa yang dibeli dan dijual berdasarkan penelitian, pengalaman, dan penilaian mereka sendiri, inti keuntungannya adalah kemampuan manajer dana dalam memahami pasar; strategi kuantitatif yaitu menulis logika investasi menjadi model matematika dan program, dan dieksekusi secara otomatis atau semi-otomatis dengan frekuensi tinggi oleh program, inti keuntungannya adalah hukum statistik yang digunakan model.

"Saat ini di pasar, dana yang menggunakan strategi kuantitatif lebih mudah mengumpulkan dana daripada dana yang menggunakan strategi subjektif, terutama dengan dukungan AI, LP lebih percaya pada kuantitatif", kata Ergou terutama setelah DeepSeek (Catatan Odaily: diinkubasi oleh tim dana kuantitatif Huan Fang) meledak tahun lalu, antusiasme pasar terhadap strategi kuantitatif semakin tinggi.

Selain itu, perbedaan antara dana kuantitatif dan dana strategi subjektif terletak pada bahwa strategi kuantitatif dapat menunjukkan data dan algoritma kepada LP untuk mendapatkan kepercayaan, baik keuntungan maupun penurunan dana berada dalam kendali, kuantitatif yang baik bahkan dapat dijadikan produk pendapatan tetap; strategi subjektif lebih abstrak, GP membutuhkan biaya komunikasi yang lebih banyak untuk sepenuhnya mendapatkan kepercayaan LP, terutama saat mengalami penurunan yang signifikan, LP sangat mudah mempertanyakan kemampuan investasi GP.

Oleh karena itu, secara keseluruhan, ruang hidup dana dollar sekuritas swasta skala kecil seperti yang sebelumnya dipegang Ergou di Tiongkok telah terkompresi oleh lingkungan besar, tingkat kesulitan penggalangan dana semakin tinggi. Dan beberapa LP besar yang masih tersisa di dalam dana juga mempertanyakan apakah "kemampuan investasi" AI jauh di atas GP?

LP dengan "Komposisi Kompleks"

"Dulu LP, mengingat kami berlatar belakang pendidikan formal, pada dasarnya akan mendengarkan kami, tapi sekarang mereka akan memberikan laporan kami kepada AI untuk diterjemahkan menjadi bahasa sederhana, lalu malah 'mengajari' kami bagaimana melakukannya", kata Ergou setelah AI meluas, perhatian LP yang sebelumnya hanya melihat hasil akhir terhadap operasi investasinya jelas meningkat.

Ergou bahkan pernah karena ini melikuidasi seorang LP. Ini adalah seorang pemilik usaha riil berusia 50 tahun, dan "arogannya" sangat kuat, ia menginvestasikan sekitar 1 juta dolar AS ke dana tempat Ergou bekerja saat itu, tetapi ia tidak melepaskannya begitu saja, melainkan sering berselisih dengan Ergou menggunakan informasi fragmentasi yang dilihat di pasar dan kesimpulan yang diperoleh dari AI, "sikapnya sangat buruk, dan menganggap anak muda seperti saya tidak tahu apa-apa, tidak dapat membangun kepercayaan, jadi akhirnya setelah koordinasi kami melikuidasinya."

"Terus terang, LP kami adalah orang yang sangat sukses di bidangnya masing-masing, mereka adalah otoritas di bidangnya, tetapi sekarang dengan bantuan AI, mereka juga menganggap diri mereka memiliki otoritas dalam investasi", keluh Ergou.

LP dana dollar sekuritas swasta skala kecil, karena saluran penggalangan dana itu sendiri sempit, sebagian besar berasal dari teman bos atau perkenalan kenalan, sehingga "komposisinya kompleks". Menurut Ergou, LP dari dana mereka ini termasuk orang-orang bernilai tinggi di Tiongkok, pemilik usaha riil, dan FOF (dana induk), "LP kami ada bos batu bara Shanxi, juga orang kaya yang peringkatnya 300-400 di daftar Forbes, bahkan beberapa LP adalah generasi kedua yang akrab dengan kami, jadi memperkenalkan ayahnya bergabung."

Hubungan mereka dengan LP juga cukup halus, untuk beberapa LP bahkan tidak dikenakan biaya manajemen 2%, hanya mengambil 20% dari pembagian kinerja. Karakteristik terbesar dari struktur LP seperti ini adalah memiliki semangat untuk berpartisipasi dalam pasar keuangan dan "keluarnya modal ke luar negeri", tetapi tidak memiliki waktu dan energi untuk belajar dan meneliti tren pasar dengan cepat.

Oleh karena itu, dalam arti tertentu, nilai inti GP terletak pada melakukan pekerjaan seperti pengumpulan informasi, penelitian pasar, penyaringan peluang, dan penilaian investasi untuk LP, dengan kemampuan profesional mengisi kekurangan waktu, energi, dan kognisi yang terakhir, sehingga menyelesaikan transformasi dari informasi ke keputusan.

Namun seiring dengan meluasnya alat AI, kemampuan pemrosesan informasi dan penelitian yang sangat bergantung pada institusi profesional ini dengan cepat menjadi setara. Selain dari tahap alokasi dana akhir dan eksekusi transaksi, sebagian besar konten pekerjaan dalam fungsi tradisional GP telah mulai digantikan oleh AI dengan biaya lebih rendah dan efisiensi lebih tinggi.

"LP kami tidak sulit membuka akun broker IBKR, setelah memiliki bantuan AI, mereka bisa membeli sendiri apa pun industri atau target yang mereka sukai." Ergou berpikir dampak AI terhadap dana yang menggunakan strategi subjektif sangat besar, karena investasi selalu berorientasi pada hasil, jika LP berhasil menangkap tren, pengembalian investasi pribadi melampaui dana, maka secara alami akan mulai mempertanyakan kemampuan dana.

Sebaliknya, "kesetaraan informasi" yang dibawa AI memberikan dampak lebih kecil pada dana sekuritas swasta kuantitatif, bahkan akan memperlebar jarak antar dana.

Parameter, algoritma, dll. dalam strategi dana kuantitatif itu sendiri akan terus berulang, dan kehadiran AI membuat kecepatan iterasi strategi kuantitatif menjadi lebih cepat, ini adalah bidang yang mengadu efisiensi dan kecerdasan, strategi kuantitatif yang dibangun oleh orang biasa melalui AI tanpa pengetahuan khusus matematika, keuangan, dll. sama sekali tidak dapat menyaingi dana kuantitatif besar.

"Pada dasarnya, strategi kuantitatif harus terus memimpin rekan pasar untuk mendapatkan keuntungan berlebih, jika Anda berpikir AI biasa Anda telah membangun strategi yang baik, mungkin itu telah ditemukan dan diulang oleh sebagian besar orang pintar", kata Ergou menunjukkan ini juga keunggulan dana kuantitatif kelas atas.

Akankah AI Menggantikan GP?

Namun Ergou tidak khawatir AI benar-benar akan menggantikan profesi seperti GP atau analis, karena AI selalu netral dan dapat digunakan oleh semua orang, itu adalah pengungkit, GP dapat menggunakan AI untuk menyempurnakan sistem pengetahuan dan strategi investasi mereka sendiri, menciptakan lebih banyak keuntungan bagi LP. Yang benar-benar membuat Ergou kesal adalah, AI meningkatkan friksi antara GP dan LP.

"Beberapa LP bahkan akan menanyakan Anda, mengapa tidak berinvestasi pada target populer saat ini, dan menganalisisnya dengan sangat rinci, mereka tidak mengerti bahwa GP tidak berinvestasi pada apa yang populer saat ini", Ergou merasa agak kecewa dengan fenomena ini, terutama setelah tahun ini saham AI dan semikonduktor AS menjadi tren, investor ritel dapat dengan mudah mendapatkan keuntungan berlebih dengan menekan pemimpin sektor.

Di pasar bullish, pengembalian investasi investor ritel memang bisa dengan mudah melampaui dana, pertama, investasi pribadi lebih fleksibel, lebih toleran terhadap kesalahan, dan fokus dana juga lebih terpusat, kedua, dengan bantuan penelitian AI, efisiensi penelitian investor ritel memang akan sangat ditingkatkan, setara dengan memiliki ahli serba bisa yang siaga 24 jam.

Terutama di pasar saham AS tahun ini, jika investor ritel menekan saham-saham populer penyimpanan seperti SanDisk, Micron, Hynix, tingkat pengembalian investasi mungkin melebihi sebagian besar dana, "pada saat ini LP akan mempertimbangkan untuk menaruh lebih banyak di akun mereka sendiri, menaruh lebih sedikit di dana, atau mungkin langsung menarik diri dari dana sekuritas swasta subjektif", kata Ergou di pasar bullish orang sering berpikir dirinya adalah "dewa saham" yang merasuki.

Tapi semua ini syaratnya adalah investor ritel harus bisa menggunakan AI dengan benar, jika menggunakan AI yang berkualitas rendah, maka hasilnya akan setengah usaha, Ergou mengatakan ini juga penyebab terbesar friksinya dengan LP. "Orang-orang bernilai tinggi di Tiongkok ini terutama menggunakan AI percakapan pendamping seperti Doubao, sementara AI dengan kemampuan analisis yang lebih kuat seperti ChatGPT, Claude, dll. belum meluas, dan AI pendamping ini untuk memberikan nilai emosional kepada pengguna, sangat mudah mengalami halusinasi mesin di bidang profesional."

Pada dasarnya, masalahnya bukan pada tinggi rendahnya kemampuan AI, tetapi pada bahwa kebanyakan orang tidak benar-benar memahami bagaimana menggunakan AI. AI dapat mengintegrasikan sejumlah besar informasi dalam hitungan detik, membangun kerangka analisis yang koheren secara logika, tetapi koheren secara logika tidak berarti sesuai dengan fakta. Bagi LP yang kurang latar belakang profesional, mereka sering kali sulit membedakan kesimpulan mana yang didasarkan pada data nyata, dan mana yang hanya merupakan inferensi probabilistik yang dihasilkan model.

Oleh karena itu, kebanyakan investor, lebih tepatnya, sedang mencari pengakuan dari AI daripada mencari analisis dari AI, tujuan akhir AI juga bukan untuk membantu investor "membedakan yang palsu dari yang asli", tetapi untuk menyelesaikan percakapan.

Jadi, akankah AI menggantikan GP? AI dapat menghasilkan sepuluh ribu laporan penelitian investasi yang koheren secara logika dengan biaya rendah, tetapi warna dasar manajemen aset sebenarnya adalah "layanan kuno" yang berbasis pada kepercayaan dan penyerahan mental, hubungan antara GP dan LP juga merupakan proses saling memilih.

Hanya saja di masa depan di mana semua "urusan" pada akhirnya akan diserahkan kepada AI untuk dieksekusi, untuk mendapatkan "hasil" yang maksimal, "sekuritas swasta manusia" juga seharusnya belajar dari AI, dan lebih banyak melatih pemberian nilai emosional.

Pertanyaan Terkait

QMengapa manajer dana privat kecil (GP) seperti 'Er Gou' kesulitan dalam penggalangan dana saat ini?

AManajer dana privat kecil menghadapi kesulitan penggalangan dana karena beberapa faktor: struktur dana yang masih menggunakan skema 'Cayman SPC + BVI' yang kurang menarik bagi investor Asia yang lebih memilih struktur Hong Kong LPF atau Singapore VCC, ukuran dana yang kecil sehingga sulit menarik investor institusi besar, serta preferensi pasar yang semakin condong ke strategi kuantitatif yang didukung AI daripada strategi subjektif tradisional.

QBagaimana AI mempengaruhi hubungan antara Investor (LP) dan Manajer Investasi (GP) dalam artikel ini?

AAI mempengaruhi hubungan LP dan GP dengan menyamakan akses informasi dan kemampuan analisis. LP sekarang dapat menggunakan AI seperti Doubao untuk meringkas laporan investasi, menganalisis pasar, dan bahkan mempertanyakan keputusan GP. Hal ini meningkatkan gesekan karena LP yang merasa lebih berpengetahuan dapat menantang penilaian profesional GP, terkadang menyebabkan penarikan dana atau pemutusan kerja sama, seperti kasus LP pengusaha berusia 50 tahun yang dijelaskan.

QApa perbedaan dampak AI pada dana dengan strategi subjektif dibandingkan dengan dana kuantitatif menurut artikel?

ADampak AI berbeda untuk kedua jenis strategi: Untuk dana dengan strategi subjektif, AI meningkatkan tantangan karena memberdayakan LP untuk melakukan analisis mandiri, yang dapat menurunkan persepsi nilai tambah GP dan meningkatkan risiko LP menarik dananya untuk berinvestasi sendiri. Sebaliknya, bagi dana kuantitatif, AI justru menjadi alat untuk mengungguli kompetisi. Dana kuantitatif top dapat menggunakan AI untuk mengembangkan model yang lebih canggih dan cepat, memperlebar jarak dengan investor retail atau dana kecil yang hanya mengandalkan AI umum.

QMenurut artikel, mengakah beberapa Investor (LP) bisa menghasilkan return yang melebihi kinerja dana privat selama pasar bullish?

ADi pasar bullish seperti tren AI dan semikonduktor di saham AS, beberapa LP (investor individu) dapat menghasilkan return yang melebihi dana privat karena fleksibilitas dan fokus modal mereka yang lebih tinggi. Dengan bantuan AI, efisiensi penelitian mereka meningkat drastis, memungkinkan mereka untuk mengenali dan memanfaatkan peluang 'hot stock' (seperti saham memori Micron, SK Hynix) dengan lebih cepat. GP dana privat seringkali memiliki alokasi yang lebih terdiversifikasi dan proses pengambilan keputusan yang lebih terstruktur, yang mungkin tidak seagresif investor individu dalam mengejar tren tertentu.

QApakah menurut narasumber artikel, AI akan sepenuhnya menggantikan peran Manajer Investasi (GP)?

ATidak, menurut narasumber (Er Gou), AI tidak akan sepenuhnya menggantikan GP. Alasannya, manajemen aset pada dasarnya adalah 'layanan jasa kuno' yang dibangun di atas kepercayaan dan penyerahan keputusan (trust and delegation). Meskipun AI dapat menghasilkan analisis dan laporan, hubungan antara GP dan LP adalah proses seleksi timbal balik yang melampaui sekadar output analitis. Tantangan sebenarnya adalah meningkatnya gesekan karena LP yang salah menggunakan AI (seperti mengandalkan AI pendamping yang memberikan ilusi atau validasi emosional) untuk mempertanyakan GP. GP perlu belajar dari AI dan juga memperkuat nilai emosional dalam layanan mereka.

Bacaan Terkait

MicroStrategy Tidak Akan Mati dalam Penurunan Ini: Refleksivitas, Jangkar Kembali STRC ke Nilai Nominal, dan Logika Penyelamatan 'Jual Saham, Jangan Jual Koin'

Penulis (@bonnazhu) menganalisis penurunan harga Bitcoin (BTC) terkini dan dampaknya pada MicroStrategy (MSTR) serta saham preferennya (STRC). Intinya: 1. **Pemicu Penurunan**: Penurunan cepat BTC diduga akibat serangan pasar yang memanfaatkan kekhawatiran likuiditas MSTR. MSTR menggunakan cadangan kasnya untuk membeli kembali obligasi konversi dan menjual 32 BTC, memicu narasi "krisis arus kas". Ini adalah contoh **refleksivitas**, di mana ekspektasi pasar dapat mengubah realitas—serupa dengan serangan George Soros terhadap poundsterling. 2. **STRC dan Anjaknya**: STRC turun karena kekhawatiran pasar atas kemampuan MSTR membayar dividen, meningkatkan tingkat pengembalian yang disyaratkan. Namun, sebagai obligasi suku bunga mengambang, harga STRC akan kembali ke nilai pari (100) seiring waktu karena dividen dapat disesuaikan. 3. **Solusi yang Direkomendasikan**: Daripada menjual BTC (yang merusak narasi "tidak pernah jual BTC" dan mengurangi premium mNAV), MSTR sebaiknya **menerbitkan saham baru** saat mNAV > 1. Ini mengisi cadangan kas tanpa mengurangi kepemilikan BTC per saham, mempertahankan premium, meningkatkan ekuitas, dan memperbaiki rasio utang. Menjual BTC justru memperburuk rasio utang, mengurangi kepemilikan BTC per saham, dan dapat merusak narasi investasi jangka panjang. Kesimpulan: MSTR dapat mengatasi tekanan jangka pendek, tetapi menjual BTC berisiko merusak model bisnisnya. Jika MSTR memilih menjual BTC, krisis mungkin teratasi sekarang, tetapi dapat memicu siklus refleksif serupa di masa depan jika narasi intinya berubah.

marsbit29m yang lalu

MicroStrategy Tidak Akan Mati dalam Penurunan Ini: Refleksivitas, Jangkar Kembali STRC ke Nilai Nominal, dan Logika Penyelamatan 'Jual Saham, Jangan Jual Koin'

marsbit29m yang lalu

Humanity Digerog Rp46,6 Miliar, Satu Kunci Pribadi Jatuhkan Harga Token 90%

9 Juni, proyek identitas digital Humanity Protocol mengalami serangan keamanan besar akibat kebocoran kunci pribadi anggota yayasan, menyebabkan kerugian lebih dari $31 juta. Ratusan alamat yang memegang token H dibobol, dengan sekitar $9 juta dikonversi ke ETH dan $9,9 juta lainnya masih dalam bentuk token H. Menyusul insiden ini, pendiri Terence Kwok menyarankan pengguna untuk sementara tidak berinteraksi dengan jembatan silang atau pool likuiditas Humanity. Harga token H anjlok lebih dari 90%, dari sekitar $0,7 menjadi terendah $0,052, dan kapitalisasi pasar merosot dari $2 miliar menjadi sekitar $35,7 juta. Pelaku diduga mencetak 100 juta token H baru dan menjualnya untuk BNB. Humanity Protocol, yang didirikan pada 2024, mengusung verifikasi identitas menggunakan sidap telapak tangan dan zero-knowledge proof. Namun, proyek ini sebelumnya telah dikritik karena hanya sekitar 1 dari 9 juta ID yang terverifikasi biometrik, serta tuduhan mengenai kode aplikasi dan praktik pertumbuhan pengguna yang dipertanyakan. Ini bukan kali pertama Kwok menghadapi kegagalan besar; startup sebelumnya, Tink Labs, yang pernah menjadi unicorn, bangkrut setelah menghabiskan $170 juta dana investasi. Serangan ini menyoroti kembali masalah mendasar dalam manajemen kunci pribadi di industri kripto, di mana celah keamanan operasional tradisional masih menimbulkan kerugian besar. Hingga berita ini dibuat, belum ada skema kompensasi untuk pengguna yang dirugikan.

marsbit30m yang lalu

Humanity Digerog Rp46,6 Miliar, Satu Kunci Pribadi Jatuhkan Harga Token 90%

marsbit30m yang lalu

Humanity Dicuri 31 Juta Dolar, Satu Private Key Jatuhkan Harga Token 90%

**Ringkasan Insiden Keamanan Humanity Protocol: Kerugian $31 Juta akibat Kebocoran Kunci Pribadi** Menurut analisis rantai, dompet yang berinteraksi dengan proyek identitas digital Humanity mengalami serangan berkelanjutan pada 9 Juni. Lebih dari 300 alamat yang memegang token H telah diretas, dengan total kerugian melebihi $31 juta. Sekitar $9 juta telah dikonversi ke ETH. Pendiri Humanity, Terence Kwok, mengonfirmasi insiden keamanan ini disebabkan oleh kebocoran kunci pribadi anggota yayasan. Ia menyarankan pengguna untuk sementara tidak berinteraksi dengan jembatan silang atau pool likuiditas Humanity. Harga token H anjlok lebih dari 90%, dari sekitar $0,7 menjadi terendah $0,052, menyebabkan kapitalisasi pasar turun dari $2 miliar menjadi sekitar $35,7 juta. Pelaku diduga mencetak 100 juta token H baru dan menjualnya untuk BNB. Humanity Protocol, yang didirikan pada 2024, mengusung identitas digital terdesentralisasi menggunakan pengenalan tapak tangan. Proyek ini telah mengumpulkan pendanaan $50 juta dengan valuasi mencapai $1,1 miliar. Namun, proyek ini sebelumnya telah dikritik karena hanya sekitar 1 juta dari 9 juta ID yang terverifikasi secara biometrik, serta adanya klaim bahwa ini adalah proyek "shell" dengan kode yang diduga berasal dari penyedia pintu akses China. Riwayat Terence Kwok juga menambah risiko. Startup sebelumnya, Tink Labs, yang pernah menjadi unicorn, bangkrut setelah membakar $170 juta dana investasi. Insiden ini menyoroti kegagalan manajemen keamanan dasar. Kebocoran kunci pribadi—masalah lama di industri—menghasilkan kerugian besar, menambah daftar serangan DeFi yang tahun ini telah melebihi $1 miliar. Sampai saat ini, belum ada skema kompensasi yang diumumkan untuk pengguna yang terdampak.

Foresight News52m yang lalu

Humanity Dicuri 31 Juta Dolar, Satu Private Key Jatuhkan Harga Token 90%

Foresight News52m yang lalu

Bagaimana Melakukan Riset Mendalam dengan Dynamic Workflows Claude

## Ringkasan: Bagaimana Melakukan Penelitian Mendalam dengan Dynamic Workflows Claude Melakukan riset teknologi penuh dengan jebakan, baik bagi manusia maupun AI, karena sering kali informasi yang berlimpah justru mengaburkan kesimpulan. AI cenderung terjebak dalam volume informasi dan lemah dalam asosiasi lintas bidang yang bernilai, meskipun unggul dalam eksekusi dan penelusuran detail secara berlapis. Penulis mengandalkan sistem *deep-research* sendiri namun ingin membandingkannya dengan kemampuan **Dynamic Workflows** pada Claude Code. Fitur ini memungkinkan AI merancang alur kerja yang optimal secara otomatis sebelum menjalankan tugas, berbeda dengan mode "rencana" biasa. Dinamakan dengan perintah `/deep-research`, ia mengkonsumsi token puluhan kali lebih banyak. Inti Dynamic Workflows adalah enam mode penjadwalan inti yang mengatur bagaimana tugas dipecah dan hasil digabung: 1. **Classify-And-Act (Routing):** Tugas diklasifikasi dan dialihkan ke *agent* spesialis yang paling tepat. Efisien dan cepat, tetapi kurang baik untuk tugas dengan batasan kabur. 2. **Fan-out & Merge (Pecah dan Gabung):** Tugas dipecah menjadi sub-tugas independen yang dijalankan paralel, lalu hasilnya digabung. Cepat dan terisolasi, tetapi boros token dan tantangannya ada pada penggabungan. 3. **Adversarial Verification (Verifikasi Adu Argumen):** Satu *agent* menghasilkan kesimpulan, beberapa *agent* lain menantangnya. Hasil diterima jika lolos verifikasi. Mengurangi bias konfirmasi, tetapi perlu batasan yang jelas. 4. **Generate & Filter (Hasilkan dan Saring):** Beberapa *agent* menghasilkan banyak kandidat jawaban untuk tugas yang sama, lalu disaring berdasarkan kriteria (rubrik) ketat. Bagus untuk diversitas, tetapi sangat bergantung pada kualitas rubrik. 5. **Tournament (Turnamen):** Beberapa *agent* bersaing menyelesaikan tugas yang sama, dinilai secara berpasangan (pairwise) hingga ditemukan pemenang terbaik. Stabil untuk penilaian relatif. 6. **Loop (Berulang):** *Agent* mencoba tugas berulang kali, belajar dari kesalahan, hingga kondisi berhenti terpenuhi. Satu-satunya mode untuk tugas dengan batasan tidak pasti, tetapi berisiko loop tak terbatas. **Pertarungan: Skill Penulis vs. Dynamic Workflows Bawaan** Skill penelitian penulis sebelumnya melibatkan pencarian, kompresi, analisis oleh multi-*agent*, dan deduplikasi. Namun, ia memiliki kelemahan mendasar: **kurang konvergensi berorientasi tujuan**, sering menghasilkan laporan panjang tanpa rekomendasi tindakan yang jelas. Dynamic Workflows Claude menambahkan lapisan krusial: * **Dekomposisi Masalah:** Memecah pertanyaan awal menjadi sub-pertanyaan yang tepat sebelum bertindak. * **Penilaian Kredibilitas:** Mengevaluasi keandalan setiap informasi berdasarkan sumbernya. * **Penghapusan Silang (Cross-Deletion):** Menghapus kesimpulan yang tidak mendapat suara cukup dari multi-*agent*, bukan sekadar menggabungkan rata-rata. * **Keluaran Berorientasi Target:** Laporan akhir dirancang untuk memberikan penilaian dan saran yang relevan dengan tujuan awal pengguna. Mekanisme ini mengatasi masalah umum AI: *goal drift* (pergeseran tujuan), *early stopping* (berhenti prematur), polusi konteks, dan bias output. **Kesimpulan** Dynamic Workflows merupakan terobosan dengan menstandarkan **proses penelitian itu sendiri**. Ia mengotomatiskan penjadwalan *agent*, validasi silang, dan deduplikasi, sehingga mengompresi riset yang biasanya butuh belasan percakapan menjadi hanya 3-4 kali interaksi (meski dengan konsumsi token jauh lebih tinggi). Namun, masih diperlukan beberapa iterasi karena tantangan seperti: 1) Kebutuhan verifikasi faktual yang sangat ketat (melebihi ketergantungan pada dokumen resmi), 2) Pemikiran mendalam lintas disiplin yang sangat baru, 3) Desain dan validasi solusi yang mempertimbangkan biaya dan implementasi, serta 4) Kemampuan kondensasi informasi ekstrem yang disesuaikan dengan audiens.

marsbit1j yang lalu

Bagaimana Melakukan Riset Mendalam dengan Dynamic Workflows Claude

marsbit1j yang lalu

Trading

Spot
Futures
活动图片