Smart Glasses AI Tidak Hanya Butuh Model Kecil, Tetapi Alur Pakai yang Jelas

The Core Update

PrismML membawa model bahasa kecilnya ke smart glasses yang berjalan di chip Qualcomm Snapdragon.

Di Snapdragon Summit, Qualcomm menampilkan Bonsai LLM 1-bit dari PrismML yang bisa berjalan secara lokal di smart glasses berbasis Snapdragon AR1 Gen 1 Platform. Versi ini adalah model 2 miliar parameter yang disesuaikan untuk vision dan language, sehingga pengguna bisa bertanya tentang apa yang sedang mereka lihat secara real time.

Klaim utama PrismML cukup menarik: model besar bisa diperkecil secara signifikan, dalam kasus ini sekitar 4x, sambil tetap mempertahankan sebagian besar performa benchmark standar.

Arah besarnya juga jelas. PrismML ingin AI open-weight berjalan langsung di perangkat, bukan selalu bergantung pada cloud, data center, dan janji privasi dari penyedia AI tertutup.

Untuk smart glasses, gagasan ini terasa masuk akal. Perangkat seperti ini dipakai dekat dengan mata, suara, lokasi, dan konteks harian pengguna. Jika semua interaksi harus dikirim ke server, isu privasi dan latency akan selalu ikut masuk ke percakapan.

Namun ada catatan penting: belum ada smart glasses komersial yang diumumkan memakai PrismML.

Jadi ini bukan cerita tentang produk yang sudah siap dibeli. Ini lebih tepat dibaca sebagai sinyal arah: AI wearable mulai bergerak dari demo cloud menuju komputasi lokal di perangkat.

The Reality Check

Banyak orang mudah terpukau oleh frasa seperti tiny LLM, 1-bit model, local AI, dan smart glasses. Semua terdengar seperti masa depan yang lebih dekat.

Tetapi untuk bisnis, pertanyaan yang lebih penting bukan hanya apakah model bisa berjalan di perangkat.

Pertanyaannya: pekerjaan apa yang menjadi lebih jelas, lebih cepat, atau lebih aman karena AI berjalan di perangkat?

Smart glasses dengan AI lokal memang punya potensi besar. Teknisi bisa melihat mesin dan bertanya komponen mana yang perlu dicek. Staf gudang bisa membaca rak dan mencari barang lebih cepat. Tim lapangan bisa mendapatkan instruksi tanpa harus membuka laptop atau ponsel. Customer support di lokasi bisa melihat konteks pelanggan sambil menerima bantuan real time.

Tetapi potensi seperti ini tidak otomatis menjadi value.

Jika proses kerja masih kabur, smart glasses hanya menjadi layar baru untuk kebingungan lama. AI bisa menjawab apa yang terlihat, tetapi belum tentu tahu apa yang harus dilakukan berikutnya. Model bisa mengenali objek, tetapi belum tentu paham SOP bisnis. Perangkat bisa berjalan lokal, tetapi belum tentu terhubung dengan status order, tiket support, atau data inventory yang benar.

Di sinilah banyak implementasi AI gagal bukan karena modelnya kurang pintar, tetapi karena alurnya belum siap.

AI lokal di smart glasses akan lebih bernilai jika bisnis sudah tahu:

• konteks apa yang perlu dibaca perangkat
• data apa yang boleh muncul di depan pengguna
• keputusan apa yang boleh dibantu AI
• kapan AI hanya memberi saran
• kapan manusia tetap harus konfirmasi
• status kerja apa yang harus diperbarui setelah tindakan selesai

Tanpa jawaban itu, AI wearable mudah menjadi demo yang mengesankan tetapi sulit dipakai harian.

Ada juga isu privasi yang tidak bisa disederhanakan. Local AI memang mengurangi kebutuhan mengirim data ke cloud. Itu baik. Tetapi bukan berarti risiko hilang.

Smart glasses tetap bisa menangkap wajah, dokumen, layar komputer, lokasi, percakapan, dan ruang kerja. Jika perangkat dipakai di bisnis, aturan akses, penyimpanan, logging, dan consent tetap harus jelas.

Model kecil di perangkat menyelesaikan sebagian masalah compute dan latency. Ia belum otomatis menyelesaikan governance.

Karena itu, kabar PrismML dan Qualcomm menarik, tetapi belum cukup untuk menyimpulkan bahwa smart glasses AI akan langsung masuk ke operasional bisnis secara luas.

Teknologinya sedang mendekat. Kesiapan prosesnya sering masih tertinggal.

The Havedev Way

Dari sudut pandang Havedev, perkembangan seperti ini sebaiknya dibaca dengan tenang.

AI yang berjalan lokal di perangkat adalah arah yang sehat. Ia bisa mengurangi ketergantungan pada cloud, mempercepat respons, dan memberi kontrol lebih besar terhadap data. Untuk skenario lapangan, wearable, manufaktur, logistik, healthcare, retail, dan maintenance, ini bisa sangat relevan.

Tetapi bisnis tidak perlu mulai dari membeli perangkat atau mengejar model terbaru.

Mulai dari alur kerja yang paling sering membutuhkan konteks visual dan keputusan cepat.

Misalnya:

• teknisi sering bolak-balik membuka manual
• staf gudang sering salah ambil barang
• inspeksi lapangan masih dicatat manual
• onboarding operator butuh pendampingan berulang
• support onsite sulit melaporkan kondisi aktual
• supervisor sulit melihat status pekerjaan real time

Jika masalahnya jelas, barulah teknologi seperti smart glasses, edge AI, atau tiny LLM bisa dinilai secara sehat.

Pertanyaan awalnya bukan “apakah kita perlu smart glasses AI?”

Pertanyaan yang lebih berguna adalah:

• pekerjaan mana yang membutuhkan dua tangan tetap bebas?
• informasi apa yang dibutuhkan saat orang sedang melihat objek fisik?
• apakah keputusan bisa dibantu dengan data yang sudah tersedia?
• apakah proses setelah keputusan sudah tercatat jelas?
• apakah ada risiko privasi jika kamera selalu aktif?
• apakah latency rendah benar-benar penting untuk kasus ini?

Jawaban itu membantu membedakan antara eksperimen yang menarik dan investasi yang masuk akal.

Untuk sebagian bisnis, AI lokal di perangkat bisa menjadi lompatan besar. Untuk bisnis lain, perbaikan yang lebih berguna mungkin masih berupa form yang lebih rapi, dashboard status, SOP digital, atau integrasi WhatsApp dengan CRM.

Tidak semua masalah lapangan butuh smart glasses. Kadang yang dibutuhkan hanya status pekerjaan yang jelas dan data yang mudah diakses.

Tetapi arah PrismML tetap penting. Jika model kecil makin kuat dan bisa berjalan di chip yang sudah umum dipakai perangkat wearable, AI tidak lagi harus selalu hidup di browser atau aplikasi chat. Ia bisa pindah ke titik kerja yang lebih dekat dengan manusia.

Itu membuka peluang baru. Namun peluang itu hanya berguna jika bisnis tahu konteks apa yang ingin dibantu.

Teknologi seperti Bonsai LLM dari PrismML menunjukkan bahwa batas AI di perangkat mulai bergeser. Tetapi batas terbesar di bisnis sering bukan ukuran model. Batasnya adalah proses yang belum cukup jelas untuk dibantu mesin.

Sebelum mengejar smart glasses AI, cek dulu satu hal sederhana: apakah tim sudah tahu keputusan apa yang perlu dipercepat saat seseorang berada di lapangan, melihat objek, dan harus bertindak?

Kalau jawabannya belum jelas, mulai dari sana.

Dapatkan Audit Teknis Gratis untuk meninjau alur kerja, data, dan peluang automation yang benar-benar layak dibantu AI sebelum bisnis Anda mengejar perangkat baru.

---

Sumber referensi berita: TechCrunch