Havedev
AI Tidak Selalu Harus Lebih Besar untuk Lebih Berguna
The Core Update
Inherent, lab AI asal London yang didirikan oleh alumni Google DeepMind, mulai menarik perhatian setelah merilis Faraday, agen AI yang diklaim mampu mengungguli model yang jauh lebih besar dari Anthropic dan OpenAI dalam tugas tertentu.
Tugasnya bukan sekadar menjawab pertanyaan. Faraday diminta mereplikasi temuan dari paper ilmiah yang sudah terbit, tanpa diberi jawaban akhirnya sejak awal.
Di dunia riset, ini bukan hal kecil. Banyak mahasiswa PhD juga memulai dengan latihan serupa: membaca paper, memahami eksperimen, menjalankan ulang pendekatannya, lalu melihat apakah hasilnya bisa direproduksi.
Yang membuat kabar ini menarik adalah skala modelnya. Faraday berjalan di atas Qwen 3.6 dengan 27 miliar parameter, jauh lebih kecil dibanding model frontier seperti Claude Opus 4.8 dan GPT-5.5 yang dijadikan pembanding.
Inherent juga tidak hanya mengejar akurasi hasil. Mereka ingin Faraday punya sesuatu yang lebih sulit diukur: research taste.
Dalam konteks ini, taste berarti kemampuan memilih eksperimen yang layak dijalankan, merancang langkah yang masuk akal, dan tidak hanya bergerak karena instruksi eksplisit. Untuk melatih hal seperti itu, Inherent memakai reinforcement learning, yaitu pendekatan yang memberi reward pada hasil yang baik, bukan menuliskan semua aturan secara manual.
Ada detail lain yang cukup sehat: Inherent tidak mencoba membangun semua hal sendiri. Untuk kebutuhan coding, Faraday memakai GPT-5.5 Codex. Pendekatannya mirip cara peneliti manusia bekerja. Tidak semua alat harus dibuat dari nol. Yang penting adalah apakah alat itu membantu pekerjaan utama.
The Reality Check
Kabar seperti ini mudah dibaca sebagai perlombaan model: siapa mengalahkan siapa, model mana lebih kecil, model mana lebih besar, siapa lebih efisien.
Tetapi bagian yang lebih penting bukan hanya Faraday mengalahkan model besar pada satu benchmark. Bagian yang lebih penting adalah spesialisasi.
AI yang lebih kecil bisa terlihat lebih kuat ketika tugasnya jelas, lingkungan kerjanya dibatasi, dan proses pelatihannya cocok dengan tujuan akhirnya. Ini berbeda dengan model besar yang harus bisa melakukan banyak hal sekaligus untuk banyak jenis pengguna.
Di sini ada pelajaran yang sering terlupakan oleh bisnis: lebih besar tidak otomatis lebih berguna.
Banyak perusahaan ingin langsung memakai AI paling canggih, model paling baru, atau platform paling lengkap. Harapannya, semakin besar teknologi yang dipakai, semakin besar juga dampaknya.
Kadang benar. Tetapi tidak selalu.
Jika masalah bisnisnya jelas, solusi yang lebih kecil dan lebih fokus sering lebih bernilai. Customer support tidak selalu butuh model paling mahal. Lead qualification tidak selalu butuh agent kompleks. Ringkasan dokumen internal tidak selalu butuh sistem otonom penuh. Banyak workflow hanya butuh AI yang tahu konteks, tahu batas tugas, dan bisa membantu keputusan berikutnya.
Inherent juga memberi contoh penting tentang apa yang tidak mereka bangun. Mereka tidak membuat coding tool sendiri hanya agar semua terlihat internal. Mereka memakai tool yang sudah ada, lalu fokus pada kemampuan inti yang ingin mereka buktikan.
Ini pola yang sehat.
Dalam banyak proyek digital, pemborosan sering muncul bukan karena tim kurang pintar, tetapi karena tim membangun terlalu banyak hal yang bukan masalah utama.
Mau AI untuk sales, tetapi malah mulai dari dashboard besar. Mau automation untuk support, tetapi malah membuat kategori tiket yang terlalu rumit. Mau sistem internal, tetapi belum jelas keputusan apa yang harus dibantu sistem itu.
AI yang baik bukan hanya AI yang menjawab. AI yang baik harus membantu pekerjaan bergerak.
The Havedev Way
Dari sudut pandang Havedev, berita Inherent menarik bukan karena semua bisnis harus ikut membangun AI scientist agent.
Sebagian besar bisnis tidak butuh itu.
Yang relevan adalah prinsipnya: mulai dari tugas yang jelas, ukur hasil yang nyata, lalu pilih teknologi yang cukup untuk menyelesaikan pekerjaan tersebut.
Jika bisnis ingin memakai AI, pertanyaan awalnya bukan “model apa yang paling canggih?”
Pertanyaan yang lebih sehat adalah:
- pekerjaan mana yang paling sering tertunda?
- keputusan apa yang masih terlalu bergantung pada satu orang?
- data apa yang sudah tersedia tetapi belum dipakai?
- tugas apa yang berulang tetapi tetap butuh penilaian manusia?
- bagian mana yang cukup berisiko kalau diotomatisasi penuh?
- bagian mana yang aman dibantu AI sebagai asisten?
Jawaban dari pertanyaan ini biasanya lebih berguna daripada daftar fitur AI.
Untuk lead management, AI mungkin cukup membantu membaca pesan masuk, memberi label kebutuhan, dan menyarankan follow-up. Untuk support, AI mungkin cukup mengelompokkan keluhan dan menyiapkan draft jawaban. Untuk operasional, AI mungkin cukup mendeteksi pekerjaan yang terlalu lama diam di status tertentu.
Tidak semua perlu agent otonom. Tidak semua perlu model besar. Tidak semua perlu sistem baru.
Kadang yang dibutuhkan adalah alur kerja yang lebih jelas, data yang lebih rapi, dan AI kecil yang ditempatkan di titik yang tepat.
Inherent sedang mengejar ambisi besar: AI yang bisa membantu penemuan ilmiah. Tetapi cara berpikirnya tetap relevan untuk bisnis biasa. Mereka tidak hanya mengejar ukuran model. Mereka mengejar kemampuan mengambil langkah yang benar dalam konteks kerja tertentu.
Itu juga yang sebaiknya dicari bisnis dari AI.
Bukan AI yang terlihat paling mengesankan saat demo. Bukan AI yang punya daftar fitur paling panjang. Tetapi AI yang bisa membantu tim menjawab pertanyaan operasional dengan lebih cepat, lebih konsisten, dan lebih mudah diaudit.
Sebelum menambahkan AI ke bisnis, mulai dari satu workflow yang paling jelas dampaknya. Lead masuk. Follow-up sales. Support pelanggan. Invoice. Laporan internal. Pilih satu, lalu ukur apakah AI benar-benar mengurangi waktu, kesalahan, atau ketergantungan pada pengecekan manual.
Setelah itu baru naikkan ambisi.
AI tidak harus besar untuk berguna. Tetapi masalah yang ingin dibantu harus cukup jelas.
Dapatkan Audit Teknis Gratis untuk meninjau workflow, data, dan peluang automation yang paling masuk akal sebelum bisnis Anda menambahkan AI baru.
Sumber referensi berita: TechCrunch