Siapa yang Bisa Menghasilkan Uang di Era Agents?

marsbitDipublikasikan tanggal 2026-05-27Terakhir diperbarui pada 2026-05-27

Abstrak

Banyak yang memperkirakan pengguna blockchain berikutnya akan didominasi oleh Agen (Agents). Namun, di dunia seperti itu, siapa yang sebenarnya akan mendapatkan nilai? Teori lama dalam kripto, seperti "Protokol Gemuk" (Fat Protocols) yang berfokus pada manusia, dan teori "Aplikasi Gemuk" (Fat Apps) yang berfokus pada hubungan dengan pengguna, mungkin tidak lagi berlaku ketika pengguna adalah Agen. Agen bersifat rasional, tanpa loyalitas merek, dan dapat beralih antar platform dengan mudah. Mereka tidak peduli pada antarmuka pengguna (UX) atau kemudahan. Ini mengikis keunggulan aplikasi yang menguasai hubungan dengan pengguna. Lalu, siapa yang menangkap nilai? Artikel ini menjelaskan beberapa kemungkinan skenario: 1. **Aplikasi Menjadi "Tanpa Kepala" (Headless):** Pemenang di lapisan aplikasi saat ini (seperti dompet, agregator) dapat membuka infrastruktur mereka sebagai API untuk Agen, beralih menjadi penyedia backend murni. 2. **Kebangkitan Kembali Protokol:** Jika integrasi menjadi sangat mudah, Agen mungkin melewati perantara dan berinteraksi langsung dengan protokol dasar, memberi napas baru pada teori Protokol Gemuk. 3. **Runtuhnya Daya Tarif Harga di Seluruh Lapisan Teknologi:** Agen yang selalu mencari harga terbaik dapat memicu perang harga ekstrem, memaksa margin semua lapisan mendekati biaya marjinal. Kripto menjadi utilitas dengan keuntungan tipis. 4. **Agen Menciptakan Aktivitas Ekonomi Baru:** Agen memungkinkan aktivitas yang tidak layak bagi manusia (misal...

Penulis:Jonah Burian

Kompilasi:Jiahuan, ChainCatcher

Banyak yang berspekulasi bahwa miliaran pengguna blockchain berikutnya akan menjadi Agents. Tetapi sedikit yang menanyakan pertanyaan yang lebih jauh: Di dunia itu, siapa yang bisa menghasilkan uang?

Setiap teori penangkapan nilai di bidang kripto sebelumnya, berasumsi bahwa pengguna adalah manusia. Teori "Fat Protocols" (Protokol Gemuk) berpendapat bahwa protokol paling ahli dalam memonetisasi pengguna manusia.

Sementara teori "Fat App" (Aplikasi Gemuk) yang saya dan rekan bahas dalam "How to Capture Value" dan "The Great Re-rating" berpendapat bahwa lapisan aplikasi bisa melakukannya dengan lebih baik. Tetapi Agents mengubah sifat identitas pengguna, dan teori-teori yang ada juga akan menjadi tidak berlaku.

Teori Protokol Gemuk

Pada tahun 2016, @jmonegro mengemukakan "Fat Protocols". Selama hampir satu dekade, ini menjadi teori penangkapan nilai yang dominan di bidang kripto.

Pandangan intinya adalah: Di internet tradisional, nilai terkonsentrasi di lapisan aplikasi (@Google, @facebook), sementara protokol dasar (TCP/IP, HTTP) hampir tidak menangkap nilai apapun. Dunia kripto akan membalikkan situasi ini sepenuhnya. Blockchain membagikan data secara publik dan bersama, sehingga aplikasi akan menjadi semakin komoditisasi.

Dan karena penggunaan jaringan membutuhkan konsumsi token protokol, token akan menangkap nilai spekulatif yang dihasilkan seiring dengan pertumbuhan penggunaan. Keberhasilan setiap aplikasi akan mendorong permintaan token. Laju pertumbuhan protokol dasar akan melampaui aplikasi apa pun yang dibangun di atasnya.

Selama bertahun-tahun, klaim ini tampaknya benar. Nilai Bitcoin dan Ethereum jauh melampaui perusahaan mana pun yang dibangun di atasnya.

Model ini berlaku sepenuhnya ketika protokol itu sendiri memiliki kelangkaan, mahal untuk dibangun, dan sulit digantikan. Bitcoin dan Ethereum pada 2017 memang sangat langka, saat itu tidak ada puluhan L1 (jaringan lapisan pertama) umum yang memperebutkan beban kerja yang sama.

Ruang blok cukup terbatas, sehingga memiliki aset dasar terasa seperti memiliki bagian dari setiap aplikasi yang membutuhkan aset tersebut.

Sekarang, setiap lapisan tumpukan teknologi infrastruktur telah muncul alternatif yang andal: beberapa L1 berkapasitas tinggi, puluhan L2, serta lapisan penyelesaian modular dan lapisan ketersediaan data (DA) yang bersaing ketat dalam harga. Ruang blok berubah dari terbatas menjadi berlimpah.

Karena jembatan antar-jaringan dan agregator membuat rantai dasar hampir tak terlihat oleh pengguna, biaya perpindahan pengguna runtuh. Infrastruktur menjadi dapat dipertukarkan, dan komoditas yang dapat dipertukarkan hanya bisa bersaing dalam harga. Akibatnya, kekuatan penetapan harga protokol juga lenyap bersama hilangnya kelangkaan.

Teori Aplikasi Gemuk

Pada tahun 2026, entitas yang menangkap sebagian besar keuntungan ekonomi adalah aplikasi, bukan protokol: misalnya @phantom, @coinbase, @Polymarket, @Pumpfun, dll.

Menurut saya, alasannya adalah bahwa aset paling berharga di dunia kripto adalah hubungan dengan pengguna.

Jika Anda mengontrol antarmuka pengguna dan alur transaksi, Anda mengontrol saluran distribusi, sehingga dapat memperoleh keuntungan dari hampir semua produk on-chain yang diakses pengguna: swap, pinjaman, staking, pencetakan (minting), serta saluran fiat. Ini mungkin juga alasan mengapa dana begitu terobsesi dengan neobank (bank baru).

Aplikasi juga mendorong infrastruktur ke dalam perang harga murni, yang memaksa margin infrastruktur ditekan ke biaya marginal. Saya mendokumentasikan strategi ini dalam artikel "How to Capture Value". Dinamika yang sama juga sedang terjadi di bidang stablecoin, yang telah saya bahas di artikel lain.

Harga aset sedang mencerminkan teori ini. Spencer dan saya menyebut pergeseran ini sebagai "The Great Re-rating": dalam siklus ini, nilai mulai terkonsentrasi pada lapisan yang menguasai pengguna.

Mengapa Agents Mematahkan Logika Ini

Teori Fat App mengasumsikan pengguna adalah manusia yang menghargai UX, merek, dan kemudahan. Tetapi Agents tidak peduli sama sekali dengan hal-hal ini. Mereka langsung memanggil API, tidak memiliki loyalitas merek apa pun, dan berpindah antar-platform dengan biaya nol.

Ketika pengguna menjadi perangkat lunak, menguasai hubungan pengguna tidak lagi menjadi pertahanan yang tak tertembus. Seluruh parit pertahanan front-end yang menjadi dasar teori Fat App, sedang menjadi tidak berlaku.

Lalu, di era Agents, siapa yang dapat menangkap nilai?

Aplikasi Menjadi "Tanpa Kepala" (Headless)

Dalam satu visi masa depan, pemenang di lapisan aplikasi akan tetap menjadi pemenang dengan melepaskan antarmuka front-end (menjadi "tanpa kepala").

Dompet dan agregator telah menyelesaikan pekerjaan konstruksi yang paling sulit: integrasi dengan puluhan protokol, logika perutean, autentikasi, serta infrastruktur saluran fiat.

Langkah yang wajar berikutnya adalah membuka tumpukan teknologi ini sebagai API untuk Agents, memungkinkan Agents merutekan melalui mereka — sama seperti manusia merutekan melalui @phantom atau @JupiterExchange hari ini.

Di dunia ini, teori Fat App masih hidup. Hanya saja ia kehilangan front-end. Perusahaan yang menang di era manusia akan bertransformasi menjadi infrastruktur backend murni untuk Agents. Kita sudah melihat perusahaan SaaS tradisional seperti Salesforce bergerak ke arah ini.

Kebangkitan Kembali Protokol

Dalam visi lain, Agents melewati lapisan perantara sepenuhnya.

Jika integrasi menjadi cukup sederhana (API yang terdokumentasi dengan baik, RPC yang distandarisasi, semantik eksekusi yang dapat diprediksi), tidak ada alasan nyata bagi Agents untuk membayar agregator untuk melakukan apa yang bisa mereka lakukan sendiri. Keunggulan agregator di era manusia adalah UX dan menangani kompleksitas perutean.

Tetapi Agents tidak membutuhkan UX, dan perutean adalah masalah yang dapat diselesaikan dengan rekayasa, dan Agents semakin ahli dalam menangani masalah seperti ini.

Jika dunia berkembang ke arah ini, teori Fat Protocols akan mengalami kebangkitan kedua.

Kekuatan Penetapan Harga Seluruh Tumpukan Teknologi Runtuh

Mungkin Agents akan memberikan tekanan komoditisasi ke setiap sudut. Mereka benar-benar rasional, setiap kali akan merutekan tanpa gesekan dan tanpa loyalitas ke platform perdagangan termurah.

Aplikasi kehilangan kemampuan untuk mengenakan premi UX kepada manusia. Agregator dan infrastruktur juga kehilangan kekuatan penetapan harga, karena tidak ada lagi inersia bawaan manusia yang melindungi mereka dari perang harga.

Dalam skenario ini, hampir tidak ada pihak dalam tumpukan teknologi yang dapat menangkap banyak keuntungan. Margin keuntungan di seluruh rantai pasokan dipaksa dikompresi ke biaya marginal, dan nilai yang tersisa akan jatuh ke tangan pemilik Agents, atau pengguna akhir yang dilayani oleh Agents.

Teknologi kripto menjadi utilitas publik, dan di bidang utilitas publik sulit menghasilkan uang besar.

Agents Menciptakan Aktivitas yang Belum Pernah Ada Sebelumnya

Pemahaman sederhana tentang ini adalah: Agents melakukan semua hal yang dilakukan manusia, hanya lebih cepat dan dalam volume lebih besar. Meskipun margin keuntungan ditekan, kue keseluruhan tetap membesar.

Saya pikir ada versi yang lebih menarik.

Agents membuat kelas aktivitas yang sebelumnya tidak layak menjadi layak: seperti terus-menerus menyeimbangkan kembali portofolio dengan biaya eksekusi kurang dari satu sen, transaksi bisnis mesin-ke-mesin antar Agents, serta pasar baru yang ada karena penetapan harga dan kecepatan perdagangan jauh melampaui batas yang bisa diikuti manusia.

Data aktivitas on-chain saat ini tidak mencerminkan ini, karena kita berasumsi bahwa harus ada manusia yang terlibat.

Jika ini adalah perubahan yang dibawa Agents, maka pertanyaannya berubah dari "bagaimana membagi kue yang ada" menjadi "berapa banyak aktivitas ekonomi baru yang akan mengalir ke on-chain, dan lapisan mana yang siap melayaninya".

Model Bisnis yang Belum Dinamai

Di setiap siklus, kami mencoba menebak ke mana nilai akan mengalir, dan cenderung berpikir bahwa model bisnis yang ada akan berlanjut ke masa depan. Asumsi ini biasanya membuat kami melewatkan model-model baru yang belum muncul.

Saat internet baru didirikan, tidak ada yang mengantisipasi lahirnya ekonomi perhatian (attention economy). Saat itu, gagasan bahwa "mengiris perhatian pengguna dan menjualnya kepada pengiklan akan menjadi model bisnis dominan, dan satu perusahaan dapat mengambil bagian besar dari pengeluaran iklan global" sangatlah asing. Hal ini tampak tak terhindarkan hanya dalam retrospeksi.

Kecerdasan buatan tampaknya merupakan salah satu disrupsi teknologi terbesar dalam beberapa dekade terakhir. Di dunia yang didominasi Agents, sebagian penangkapan nilai mungkin akan mengalir ke model bisnis yang hari ini sama sekali tidak disebut-sebut oleh siapa pun. Dan kelompok yang menangkap nilai tersebut, mungkin sama sekali bukan mereka yang saat ini sedang diperhatikan pasar.

Poin-Poin Penting yang Perlu Diperhatikan

Hasil yang paling mungkin bukanlah satu sistem sepenuhnya menggantikan yang lain. Untuk waktu yang lama, manusia dan Agents akan hidup berdampingan sebagai pengguna dunia kripto, dengan peta penangkapan nilai yang sangat berbeda.

Selama manusia berinteraksi dengan on-chain, teori Fat App tetap berlaku: konsumen yang bersedia membayar untuk UX, merek, dan kenyamanan akan terus membayar premi kepada aplikasi yang menguasai hubungan ini. Dan lapisan yang terlibat dalam transaksi Agents, apa pun visi di atas yang menjadi kenyataan, akan diatur oleh seperangkat teori independen lainnya.

Bagi para pembangun, saya pikir pertanyaan yang perlu direnungkan berulang kali di sisi Agents adalah: Apa sebenarnya yang membuat sebuah Agents kembali memilih Anda, alih-alih langsung merutekan ke alternatif termurah berikutnya? UX mungkin bukan jawabannya. Likuiditas, latensi, jaminan penyelesaian (settlement), dll., mungkin jawabannya.

Pertanyaan Terkait

QTeori 'Fat Protocols' dalam artikel ini mengacu pada apa, dan mengapa teori ini dianggap tidak lagi efektif dalam era Agen?

ATeori 'Fat Protocols' yang dikemukakan oleh @jmonegro pada 2016 berpendapat bahwa dalam dunia kripto, nilai akan terkumpul di lapisan protokol (seperti Ethereum), bukan di lapisan aplikasi. Ini karena penggunaan jaringan memerlukan token protokol, sehingga nilai spekulatif akan tertangkap oleh token tersebut seiring peningkatan penggunaannya. Namun, artikel berargumen bahwa teori ini tidak lagi efektif karena kelangkaan ruang blok telah hilang. Saat ini, ada banyak alternatif yang andal di setiap lapisan infrastruktur (L1, L2, lapisan modular), membuat ruang blok menjadi berlimpah dan dapat dipertukarkan. Akibatnya, daya penetapan harga protokol menghilang.

QApa yang dimaksud dengan 'Fat App Theory' atau teori 'Aplikasi Gemuk' yang disebutkan dalam teks?

ATeori 'Fat App' atau 'Aplikasi Gemuk' berpendapat bahwa dalam dunia kripto kontemporer, entitas yang menangkap sebagian besar nilai ekonomi adalah aplikasi (seperti dompet @phantom atau bursa @coinbase), bukan protokol. Alasannya adalah aset paling berharga adalah hubungan dengan pengguna. Aplikasi yang mengontrol antarmuka pengguna (UX) dan alur transaksi mengontrol saluran distribusi, sehingga dapat memperoleh keuntungan dari hampir semua produk on-chain yang digunakan pengguna, seperti swap, peminjaman, penaruhan, pencetakan, dan on-ramp fiat.

QMengapa kehadiran Agen (Agents) dikatakan dapat meruntuhkan logika teori 'Aplikasi Gemuk'?

AKehadiran Agen meruntuhkan logika teori 'Aplikasi Gemuk' karena teori tersebut mengasumsikan pengguna adalah manusia yang menghargai UX, merek, dan kenyamanan. Agen adalah perangkat lunak yang tidak peduli dengan hal-hal tersebut. Mereka memanggil API secara langsung, tanpa loyalitas merek, dan dapat beralih antar platform dengan biaya nol. Ketika pengguna menjadi perangkat lunak, menguasai hubungan pengguna bukan lagi pertahanan yang tak tergoyahkan. Parit pertahanan front-end yang menjadi dasar teori Aplikasi Gemuk menjadi tidak valid.

QArtikel ini menyajikan beberapa skenario tentang siapa yang akan menangkap nilai di era Agen. Sebutkan setidaknya tiga skenario tersebut.

AArtikel menyajikan beberapa skenario potensial: 1) **Aplikasi Menjadi 'Tanpa Kepala' (Headless)**: Pemenang di lapisan aplikasi mempertahankan posisi mereka dengan membuka tumpukan teknologi mereka sebagai API untuk Agen, berubah menjadi infrastruktur backend murni. 2) **Kebangkitan Kembali Protokol**: Jika integrasi menjadi cukup mudah, Agen dapat melewati perantara (seperti agregator) dan berinteraksi langsung dengan protokol, menghidupkan kembali teori Protokol Gemuk. 3) **Runtuhnya Daya Penetapan Harga di Seluruh Tumpukan Teknologi**: Agen yang rasional akan selalu merutekan ke platform termurah, mendorong margin ke biaya marjinal di setiap lapisan, membuat kripto menjadi utilitas dengan keuntungan kecil.

QApa poin penting yang harus dipertimbangkan oleh pembangun (builder) yang berfokus pada segmen pengguna Agen, menurut penutupan artikel?

ABagi para pembangun yang berfokus pada segmen Agen, pertanyaan kunci yang harus terus dipertimbangkan adalah: **Apa yang membuat sebuah Agen kembali memilih Anda, alih-alih langsung merutekan ke alternatif termurah berikutnya?** Jawabannya mungkin bukan UX. Faktor-faktor seperti likuiditas, latensi (waktu tunggu), jaminan penyelesaian (settlement guarantees), atau fitur teknis lainnya yang dihargai oleh perangkat lunak otomatis kemungkinan akan menjadi pembeda yang lebih penting.

Bacaan Terkait

Ali "Menaruh Barang", Byte "Berlatih Ilmu"

Dalam satu minggu terakhir Mei, dua raksasa teknologi China, Alibaba dan ByteDance, memamerkan dua pendekatan berbeda dalam strategi AI mereka. Alibaba, sebagai perusahaan publik, fokus pada integrasi AI untuk monetisasi langsung. Mereka menghubungkan model Qwen dengan platform e-commerce seperti Taobao, menciptakan fitur seperti "pencocokan harga AI" dan "pakaian virtual AI". Melalui protokol ACT, mereka membangun infrastruktur untuk transaksi berbasis agen AI. Pendapatan eksternal Alibaba Cloud tumbuh 40%, menunjukkan model bisnis "MaaS" (Model-as-a-Service) mereka yang berhasil. Namun, pendekatan ini mungkin mengorbankan penelitian mendasar untuk keunggulan jangka pendek. Sebaliknya, ByteDance, yang masih swasta, berinvestasi besar dalam penelitian AI jangka panjang. Departemen Seed mereka, dengan anggaran belanja modal (capex) yang meningkat pesat, bertujuan "menjelajahi batas atas kecerdasan". Mereka merilis model pembuatan video Seedance 2.0 yang memimpin peringkat global dan mempublikasikan penelitian mendalam tentang "model dunia". Perusahaan ini memberikan kebebasan bagi tim risetnya tanpa tekanan kuartalan dari pasar modal. Perbedaan kunci ini lebih disebabkan oleh status kepemilikan daripada filosofi semata. Sebagai perusahaan publik, Alibaba terikat pada harapan ROI jangka pendek investor. ByteDance, yang belum IPO, memiliki kemewahan untuk berfokus pada terobosan teknologi jangka panjang. Analisis menyimpulkan bahwa jalan strategis AI sebuah perusahaan di China sangat ditentukan oleh apakah perusahaan tersebut terdaftar di bursa atau tidak, yang membentuk pilihan antara "menjual AI" dan "membuat AI".

marsbit7m yang lalu

Ali "Menaruh Barang", Byte "Berlatih Ilmu"

marsbit7m yang lalu

Mengapa Lebih Banyak AI Agent Belum Tentu Berarti Produktivitas yang Lebih Tinggi?

**Mengapa Lebih Banyak AI Agent Tidak Sama dengan Produktivitas Lebih Tinggi?** Meskipun teknologi memungkinkan kita meluncurkan banyak AI Agent dengan mudah dan murah, produktivitas nyata tidak serta-merta meningkat. Ini karena munculnya konsep "Pajak Orkestrasi"—biaya tersembunyi untuk mengelola, menilai, dan menggabungkan hasil kerja semua Agent tersebut. Pekerjaan ini harus kembali ke satu sumber daya serial yang tidak dapat diduplikasi: perhatian dan penilaian manusia. **Manusia adalah 'GIL' dalam Sistem.** Seperti Global Interpreter Lock (GIL) dalam Python, semua Agent dapat berjalan paralel, tetapi untuk keputusan penting (seperti tinjauan arsitektur, kode, atau penyelesaian konflik), mereka harus "mengambil kunci" dari Anda—sang pengembang. Hukum Amdahl berlaku: percepatan maksimum dari paralelisasi dibatasi oleh bagian kerja yang harus tetap serial, yaitu kapasitas penilaian manusia. Menambah Agent hanya membuat antrian tinjauan lebih panjang, memperbesar beban konteks, dan menyebabkan kelelahan kognitif. **Kelelahan dan Utang Tersembunyi.** Banyaknya Agent yang aktif memberi ilusi produktivitas tinggi, tetapi rasa sibuk itu tidak sama dengan hasil berkualitas. Jika Anda "menyerah secara kognitif" dan tidak meninjau hasil dengan benar, Anda menumpuk utang teknis dan utang kognitif—masalah yang akan muncul nanti. Pajak orkestrasi harus dibayar, baik secara sadar melalui proses yang terencana, atau diam-diam melalui penurunan kualitas. **Solusi: Kelola Perhatian Seperti Sistem Produksi.** Kuncinya adalah merancang alur kerja dengan menghormati batas perhatian manusia sebagai sumber daya langka: 1. **Kontrol Jumlah Agent:** Sesuaikan jumlah Agent dengan kemampuan *review* Anda, bukan dengan apa yang UI izinkan. Batasi ke angka rendah. 2. **Klasifikasi Tugas:** Pisahkan tugas independen (cocok untuk Agent paralel) dari tugas kompleks yang membutuhkan penilaian mendalam (kerjakan secara serial). 3. **Tinjau Secara Berkelompok (*Batch Review*):** Kurangi biaya alih konteks dengan meninjau hasil beberapa Agent sekaligus. 4. **Gunakan Waktu Serial untuk Penilaian:** Fokuskan perhatian hanya pada bagian yang memerlukan penilaian manusia. Biarkan Agent menangani bagian yang dapat diverifikasi otomatis (seperti tes). 5. **Lindungi Waktu Fokus Anda:** Kadang, tindakan paling produktif adalah berhenti mengoordinasi banyak Agent dan fokus pada satu masalah inti. Kemampuan sebenarnya di era AI bukanlah menjalankan banyak Agent, tetapi merancang sistem yang secara sadar mengelilingi dan melindungi kapasitas penilaian serial manusia—sumber daya paling berharga dalam proses pengembangan.

marsbit1j yang lalu

Mengapa Lebih Banyak AI Agent Belum Tentu Berarti Produktivitas yang Lebih Tinggi?

marsbit1j yang lalu

Tiga Tahun Kemudian: Meninjau Kembali Penilaian Saya terhadap ChatGPT di Tahun 2023

Tiga tahun kemudian, pada Mei 2026, penulis meninjau kembali 20 prediksi tentang ChatGPT yang dibuatnya pada Maret 2023, menggunakan AI untuk mengevaluasi akurasinya berdasarkan data terbaru. Secara keseluruhan, arah dan mekanisme prediksi banyak yang tepat. Yang paling akurat adalah tentang RAG sebagai arsitektur standar, LUI (Antarmuka Pengguna Bahasa Alami) sebagai lapisan interaksi baru, munculnya "jaringan robot" (protokol untuk agen AI), dan kemampuan China mengejar ketertinggalan model AI besar. Prediksi bahwa ChatGPT bukan AGI namun langkah besar, tidak menyebabkan gelombang pengangguran massal, serta sifat uji Turing yang hanya mengukur persepsi juga pada dasarnya benar. Namun, prediksi dengan angka spesifik atau pernyataan mutlak sering meleset. Klaim bahwa GPT-4 memiliki 100 triliun parameter sepenuhnya salah. Pernyataan bahwa LLM "tidak mungkin" mengerjakan matematika murni terbantahkan dengan model penalaran yang memenangkan medali emas IMO. Estimasi biaya pelatihan model hanya $5-10 miliar juga jauh dari kenyataan, yang kini mencapai miliaran dolar untuk model terdepan. Beberapa prediksi keliru tentang distribusi dampak, seperti bahwa nilai akan berpindah ke lapisan aplikasi (nyatanya, penyedia chip seperti NVIDIA paling untung), atau bahwa AI akan "menghindari" masalah hak cipta (justru menimbulkan gugatan besar). Kesimpulan utama adalah: dalam memprediksi teknologi yang cepat berubah, mengidentifikasi arah dan mekanisme umumnya lebih bisa diandalkan daripada memberikan angka pasti atau pernyataan mutlak. Prediksi cenderung terlalu optimis tentang kecepatan perubahan jangka pendek, tetapi meremehkan besarnya perubahan jangka panjang. Penting juga untuk mempertimbangkan distribusi dampak, bukan hanya kesimpulan agregat. Pernyataan yang disertai batasan dan keraguan justru lebih tahan uji waktu. Beberapa pertanyaan mendasar masih belum terjawab setelah tiga tahun. Tinjauan ini berfungsi sebagai pelajaran untuk membuat prediksi yang lebih baik di tiga tahun mendatang.

marsbit8j yang lalu

Tiga Tahun Kemudian: Meninjau Kembali Penilaian Saya terhadap ChatGPT di Tahun 2023

marsbit8j yang lalu

Tiga Tahun Kemudian: Menilik Kembali Penilaian Saya terhadap ChatGPT pada 2023

Tiga tahun kemudian: Meninjau Kembali 20 Prediksi ChatGPT Saya pada 2023 Pada Maret 2023, penulis Wang Jianshuo membuat 20 prediksi intuitif tentang ChatGPT dan AI masa depan. Kini, di Mei 2026, sebuah sistem AI yang terdiri dari 41 agen menganalisis prediksi-prediksi tersebut berdasarkan data terkini. Hasilnya menunjukkan pola menarik. **Yang Terbukti Benar (Secara Umum):** * **RAG dan Arsitektur Pencarian (✅):** Solusi utama untuk pengetahuan dan halusinasi adalah dengan menambahkan "contekan" (RAG), bukan mengubah model. Arsitektur pencarian + LLM kini menjadi standar. * **LUI sebagai Benua Baru (🟢):** Antarmuka Pengguna Bahasa Alami (LUI) adalah lapisan interaksi baru yang besar, melahirkan industri agen dan protokol seperti MCP. * **Jaringan Robot dan Sistem Pengalamatan Baru (🟢):** Agen akan berkomunikasi otomatis dengan bahasa alami. Protokol seperti MCP dan ANP sedang mewujudkannya. * **Model Besar Tiongkok (🟢):** Model-model seperti DeepSeek dan Qwen telah mengejar ketertinggalan performa, meski dengan investasi lebih kecil. * **Tidak Ada Kesadaran, Tes Turing Hanya Ukur Penampilan (🟢):** AI tidak memiliki kesadaran. Tes Turing hanya mengukur ilusi kesadaran. * **Prediksi Lain yang Benar:** ChatGPT bukan AGI, tapi lompatan besar; gelombang pengangguran besar tidak terjadi; tahun besar untuk startup; momen "browser 1994" telah tiba. **Yang Kurang Tepat atau Salah:** * **Parameter GPT-4 (❌):** Prediksi 100 triliun parameter salah. Estimasi terbaru sekitar 1,8 triliun. * **Matematika di LLM (🟡):** Diagnosis bahwa matematika adalah kelemahan intrinsik dan memerlukan alat bantu benar. Namun, pernyataan "tidak mungkin" ditingkatkan terbukti salah, karena model kini bisa memenangkan medali emas Olimpiade Matematika Internasional (IMO). * **Penangkapan Nilai (🟡):** Aplikasi memang berkembang pesat, tetapi nilai terbesar justru ditangkap oleh lapisan komputasi (seperti Nvidia), bukan oleh pembuat model. * **Hak Cipta (🟡):** Konten AI sulit didaftarkan hak cipta, tetapi tidak serta-mata "menghindari" pelanggaran. Gugatan dan penyelesaian besar (misalnya, Anthropic $1,5 miliar) membuktikan risikonya. * **Biaya Model (🟡):** Prediksi "perang lokal" dengan biaya $5-10 miliar untuk model canggih terbukti salah. Biaya pelatihan model terdepan (seperti GPT-5) jauh lebih tinggi, sementara biaya kloning model terbuka justru bisa lebih murah. **Pola dan Pelajaran:** 1. **Arah dan mekanisme lebih dapat diandalkan daripada angka pasti dan pernyataan mutlak.** 2. **Cenderung terlalu optimis untuk jangka pendek (kecepatan), tetapi terlalu konservatif untuk jangka panjang (skala/dampak).** 3. **Kesalahan sering terjadi pada distribusi, bukan pada total.** Contoh: Tidak ada gelombang pengangguran masif, tetapi dampak berat dirasakan oleh lulusan baru. 4. **Pernyataan yang disertai batasan dan ruang ketidakpastian justru lebih tahan uji waktu.** 5. **Beberapa pertanyaan mendasar masih belum terjawab setelah tiga tahun.** Kesimpulannya, prediksi tentang arah besar dan mekanisme cenderung akurat, sementara prediksi spesifik tentang angka, kecepatan, dan distribusi dampak lebih sering meleset. Latihan ini lebih merupakan pelajaran dalam kerendahan hati dan penilaian yang bernuansa daripada sekadar penghitungan skor.

链捕手10j yang lalu

Tiga Tahun Kemudian: Menilik Kembali Penilaian Saya terhadap ChatGPT pada 2023

链捕手10j yang lalu

Trading

Spot
Futures
活动图片