Blog

Google baru saja membuka Gemini 4 Carbon ke publik berbayar, dan yang dijual bukan sekadar chatbot yang lebih cerewet. Ini model yang ditujukan untuk kerja panjang: menelusuri dokumen, membongkar bug rumit, menjalankan agen, lalu memeriksa ulang hasilnya. Kalau klaimnya benar, pertarungan AI sedang bergeser dari “siapa paling pintar menjawab” ke “siapa yang bisa menuntaskan pekerjaan tanpa bikin manusia mengulang dari awal”.

Bukan untuk semua pekerjaan

Dalam pengumuman resmi 10 November, Google menyebut Carbon sebagai model terkuatnya untuk kemampuan keamanan siber dan alur kerja agentik berjangka panjang—termasuk coding bertahap, pengetahuan kompleks, dan riset ilmiah. Google membedakan perannya dari Gemini 4 Argon: Argon tetap untuk mayoritas pekerjaan sehari-hari, sedangkan Carbon diposisikan untuk tugas yang menuntut penalaran lebih dalam dan proses verifikasi berulang.

Model ini tersedia melalui API berbayar di Google AI Studio dan Gemini untuk bisnis, serta mulai digulirkan ke pelanggan Google AI Ultra di Gemini, AI Mode Search, dan Antigravity. Harga perkenalannya USD 2 per sejuta token input dan USD 10 per sejuta token output, sama dengan Argon. Google menyatakan harga promosi itu akan berakhir pada akhir November; jadi angka murah hari ini belum tentu tarif jangka panjang. The Verge juga melaporkan bahwa aksesnya tidak otomatis tersedia bagi pengguna gratis atau pelanggan tingkat rendah.

Agen “swarm”: banyak pekerja, satu mandat

Bagian yang paling layak diperhatikan justru bukan nama modelnya, melainkan fitur /swarm yang sedang dipratinjau di Google Antigravity. Satu instruksi dapat dipecah menjadi tim agen yang bekerja paralel; Carbon bisa memegang tugas berat seperti merancang arsitektur, mengoordinasikan pekerjaan, atau mengaudit perubahan, sementara model yang lebih ringan mengerjakan bagian lain. Rincian ini datang dari Google, jadi klaim performanya tetap perlu dibaca sebagai klaim perusahaan, bukan vonis independen.

Google menyebut Carbon berada di posisi teratas pada beberapa benchmark internal maupun mitra, termasuk CursorBench 4.0 dan Zapier AutomationBench, serta mengatakan biaya per tugasnya lebih dari dua kali lebih rendah daripada model eksternal terbaik berikutnya. Itu terdengar mengesankan, tetapi benchmark bukan kantor sungguhan: data, jenis tugas, dan cara menghitung biaya bisa mengubah hasil. Angka itu layak jadi petunjuk, bukan alasan untuk langsung memindahkan seluruh pekerjaan ke agen.

Yang berubah adalah cara kerja

Model yang lebih mampu merencanakan dan memeriksa pekerjaan bisa mengurangi pekerjaan mekanis—tetapi sistem multi-agen juga memperbesar konsekuensi kesalahan. Satu keputusan buruk dapat diteruskan oleh beberapa agen sekaligus sebelum ada yang sadar. Google sendiri menyatakan ketahanan terhadap prompt injection masih perlu ditingkatkan, meski mereka melaporkan hasil uji tertentu yang menjanjikan dalam pengumuman dan laporan keselamatan Carbon.

Jadi, peluncuran ini bukan bukti bahwa agen sudah siap menggantikan tim. Ini sinyal bahwa perusahaan AI kini menjual rangkaian kerja, bukan cuma jawaban. Pertanyaan pentingnya: kalau agen dapat membagi tugas dan mengaudit dirinya sendiri, siapa yang memeriksa ketika seluruh tim agen sepakat pada kesalahan yang sama?

Kemarin Meta diam-diam melepas sesuatu yang bakal bikin Anthropic dan OpenAI gigit jari: Muse Ember, model AI termurah dan paling efisien yang pernah mereka rilis. Bukan model frontier untuk pamer benchmark, tapi model kecil yang dirancang untuk satu hal — ngurusin pekerjaan repetitif yang dikerjakan AI agent sepanjang hari: panggil tool, coding kecil-kecilan, routing, ekstraksi data, dan parsing dokumen panjang.

Angkanya memang nyata

Harganya $0,10 per juta token input dan $0,50 per juta token output — kira-kira $0,14 per tugas di benchmark Artificial Analysis. Klaim Meta: Ember menyamai skor terbaik Claude Haiku 5.5 dengan sekitar sepertiga biaya, dan mengalahkan semua setting GPT-6 Luna. Di AutomationBench untuk workflow bisnis end-to-end, Ember mencetak 37,8 — jauh di atas Haiku 5.5 yang cuma 13,9 dan Luna 20,2, menurut evaluasi internal Meta.

Tentu saja, angka itu benchmark buatan Meta sendiri. Tapi TechCrunch mencatat harga 10 sen per juta token ini membuat Ember bersaing langsung dengan model open-source sekelas DeepSeek V4.1 Flash dan GLM 5.3 Flash — wilayah yang sebelumnya tidak tersentuh pemain Silicon Valley.

Strategi dua model: yang gede mikir, yang kecil kerja

Ini bagian yang paling menarik. Ember tidak dimaksudkan berdiri sendiri. Ia didesain buat dipasangkan dengan model besar seperti Muse Wonder dalam satu sistem agent. Wonder menyusun aturan main, Ember menjalankan aturan itu ke puluhan ribu kasus. Slogan Meta simpel: “Muse Wonder plans, Muse Ember handles the volume.”

Pikirkan agen layanan pelanggan: satu model berat menentukan cara menangani komplain, lalu model murah menerapkan aturan itu ke jutaan tiket. Di sinilah perang AI berikutnya: bukan siapa yang paling pintar, tapi siapa yang paling murah per tugas. Ditambah lagi, Ember multimodal bawaan — bisa baca screenshot, grafik, dokumen scan, bahkan voice memo dan rekaman rapat tanpa model terpisah.

Langkah keempat dalam papan catur Muse

Ember adalah model keempat merek Muse Meta, setelah Spark (April), Glimmer (Agustus), dan Wonder (Oktober). Ditambah Muse Agent yang rilis September dan suka-suka banget di pasar, kerasa Meta sedang menyusun portfolio lengkap: dari frontier sampai model “kuda beban” yang murah. Konteksnya jelas — 1 juta token input, sampai 512 ribu token output, dan ini model pertama yang dilatih pakai Muse Wonder Full.

Opini

Selama ini kita terlena sama cerita “model paling pintar sedunia”. Padahal ekonomi sesungguhnya AI agent ada di layer kedua: model kecil yang jalan jutaan kali sehari. Kalau biaya per tugas bisa dipotek sampai sepertiga, agent AI berhenti jadi demo keren dan mulai jadi infrastruktur biasa — kayak listrik.

Pertanyaanku sederhana: kalau Meta sanggup jual kepintaran seharga $0,14 per tugas, berapa lama lagi pemain yang masih charge dolar per tugas bisa bertahan? Perang harga AI sudah dimulai, dan yang menang biasanya bukan yang paling pintar — tapi yang paling nggak rugi.

Sepuluh bulan lalu, OpenAI menggaet $122 miliar — rekor pendanaan terbesar dalam sejarah — di valuasi $852 miliar. Waktu itu pasar masih percaya bahwa AI frontier tidak mungkin terlalu mahal. Nah, minggu ini angka ceritanya berbalik: Bloomberg melaporkan OpenAI baru saja menutup tranche pertama pendanaan sekitar $11 miliar — kurang dari setengah dari target awal $30 miliar — di valuasi $1,25 triliun.

Apa yang sebenarnya terjadi

Dana itu sudah masuk rekening OpenAI per Jumat 6 November. Investor tranche pertama mencakup Coatue Management dan T. Rowe Price, dengan SoftBank, Sequoia, Founders Fund, Andreessen Horowitz, dan syndicate dari UAE ikut di dalam putaran ini. Total round bisa membesar jadi $20 miliar, sisanya ditutup dalam beberapa minggu ke depan.

Angka pentingnya bukan yang masuk, tapi yang tidak masuk. OpenAI awalnya memburu $30 miliar di valuasi $1,4 triliun — lalu target dipangkas ke $20 miliar di $1,25 triliun saat saham AI publik dijual massal dan investor mulai gelisah soal belanja data center. Reuters bahkan mencatat valuasi semula yang dicari sempat $1,5 triliun. Hasil akhirnya: $11 miliar, kurang dari 40% dari ask awal. Ini sinyal paling jelas sejauh ini bahwa bahkan lab frontier sekalipun sekarang bernegosiasi melawan pasar yang mendingin.

Kenapa ini penting

Pertama, $1,25 triliun tetap menempatkan OpenAI jadi salah satu perusahaan termahal di dunia — naik hampir 50% dari valuasi Maret. Jadi bukan berarti perusahaan ini sekarat. Tapi polanya berubah: dari “berapa pun uang yang kamu mau” jadi “berapa uang yang kami mau kasih”. Ketika even OpenAI harus memangkas target dua kali, kamu tahu musim mudahnya uang untuk AI beneran sudah berganti.

Kedua, timing-nya janggal. OpenAI sudah menunda rencana IPO-nya, dan justru mengambil pendanaan privat besar saat itu. Sekaligus, saingan terdekatnya — Anthropic — sudah mendaftarkan S-1 ke SEC untuk IPO di Nasdaq dengan ticker ANT. Duel raksasa ini sekarang beda jalur: satu minta uang institusi lewat jalur privat, satu lagi menguji selera pasar publik.

Ketiga, konteks makro. Publik sedang ragu pada narasi “belanja data center tanpa batas”. Anthropic sendiri baru dilaporkan FT membeli generator gas 1,7 GW senilai $3,4 miliar demi data centernya — energi kini jadi bottleneck baru, bukan model. Investor jelas memperhitungkan semua itu.

Pada akhirnya, $11 miliar tetap uang yang gila jumlahnya. Tapi sejarah tech selalu menunjukkan: yang menentukan siapa menang bukan siapa paling banyak mengumpulkan dana, tapi siapa bisa membuktikan dana itu jadi bisnis yang berdiri sendiri. OpenAI Maret lalu membuktikan bisa mengumpulkan. Sekarang saatnya membuktikan hal yang jauh lebih sulit.

Pertanyaan reflektif buat kita yang menonton dari pinggir: kalau valuasi bisa naik 50% sementara dana yang masuk cuma sepertiga dari target — mana yang sebenarnya nilai perusahaan, dan mana yang cuma cerita?

Tiga puluh hari. Itu waktu yang dibutuhkan sekitar 60.000 karyawan Microsoft untuk memutuskan masa depan mereka. Perusahaan baru saja menawarkan buyout terbesar dalam sejarahnya — menjangkau lebih dari seperempat total angkatan pasukannya — seperti dilaporkan The New York Times pada 6 November. Bukan PHK biasa, tapi semacam ultimatum halus: pergi dengan pesangon, atau tinggal dan hidup di bawah bayang-bayang AI.

Profit Melonjak, Manusia Dikempiskan

Inilah bagian yang bikin muak. Microsoft baru saja membukukan laba kuartalan naik 32% jadi $36,6 miliar dari pendapatan $92,3 miliar. Perusahaan ini sedang mencetak uang lebih banyak dari sebelumnya dalam sejarahnya. Tapi di saat yang sama, mereka menyiagakan sekitar $170 miliar belanja modal tahun ini — mayoritas untuk pusat data AI — sementara karyawan merasakan kenaikan gaji meritis di bawah 1% di sebagian kasus, plus tekanan pakai alat AI yang diikat ke sistem penghargaan dan teguran. Sampai ada surat terbuka beredar yang menuduh perusahaan menjalankan AI dengan etos “speed-at-all-costs.”

Karyawan yang menerima tawaran harus memutuskan sebelum 9 Desember dan pamit di akhir tahun, dengan minimum delapan minggu gaji pokok. Ketakutan yang paling sering terdengar bukan kehilangan pekerjaan sendiri, tapi kerja rekan-rekan yang pergi bakal diserap oleh alat AI dan tim yang tersisa. Pesannya tersirat jelas: era di mana kerja kantoran teknologi dianggap “aman” resmi tamat.

Konteks: Pasar AI Sedang Gugup

Langkah Microsoft ini datang di tengah minggu yang berat bagi industri AI. TechCrunch melaporkan OpenAI menghimpun $11 miliar tambahan dengan valuasi $1,25 triliun — angka besar, tapi jauh di bawah target $30 miliar yang mereka buru di akhir September. Di hari yang sama, calon pembeli saham IPO Anthropic kabarnya menawar valuasi serendah $1,1 triliun, turun jauh dari ekspektasi $2 triliun sebulan sebelumnya. Uang masih deras mengalir ke AI, tapi investor mulai kedinginan — dan yang paling cepat merasakan dinginnya bukan para eksekutif dengan kompensasi ratusan juta dolar, melainkan puluhan ribu orang biasa di lantai bawah.

Pola ini sebenarnya klasik: perusahaan membukukan rekor laba, membeli masa depan dalam bentuk GPU dan gudang server, lalu memotong biaya yang paling mudah dipotong — manusia. Microsoft hanya memainkannya dalam skala yang membuat kita semua harus terjaga: efisiensi AI yang selama ini dipuji di keynote ternyata memang ditagih dari gaji orang-orang nyata.

Pertanyaan penutup yang menusuk: kalau perusahaan dengan laba $36,6 miliar per kuartal merasa perlu melepas 60.000 orang demi mengejar AI — apa alasan perusahaan di tempat kamu bekerja untuk tidak melakukan hal yang sama?

Ekspor senjata paling ampuh Amerika ternyata bukan jet tempur, tapi GPU Nvidia. Dan kabar terbaru dari DeepSeek adalah tamparan keras buat strategi itu: lab Tiongkok ini dilaporkan berencana melatih DeepSeek V5 di atas 160.000 chip Huawei Ascend 950DT — full stack domestik, tanpa Nvidia sama sekali. Kalau rencana ini jalan, ini bukan cuma rilis model baru. Ini momen pertama kalinya laboratorium frontier Tiongkok mencoba pretraining skala penuh di hardware buatan sendiri.

Apa yang terjadi

Menurut laporan TrendForce yang mengutip Caiwen News, DeepSeek berencana mempretrain model generasi berikutnya, V5, terutama di atas Huawei Ascend 950, dengan kandidat training penuh di 2027. Detail yang lebih seram: The Outpost melaporkan rencana deployment 160.000 Ascend 950DT di data center baru di Ulanqab, Mongolia Dalam — dan ini setelah sebelumnya dilaporkan hanya untuk inference. Artinya DeepSeek naik kelas: dari sekadar menyajikan model di chip lokal, sekarang berani melatih model frontier di situ.

Konteksnya penting. Kolaborasi DeepSeek-Huawei sebenarnya sudah jalan lama — sejak Spring Festival 2025, lebih dari 3.000 chip Ascend sudah menjalankan DeepSeek-V3 dan R1 di data center Gui’an Huawei Cloud. Yang beda sekarang adalah skala dan ambisi: 160.000 chip bukan eksperimen, itu klaster raksasa berskala gigawatt. Laporan lain juga menyebut pendiri DeepSeek Liang Wenfeng menaksir empat Ascend 950 setara satu Nvidia GB300 — lebih lemah per chip, tapi tersedia, murah, dan tidak bisa diblokir Washington.

Kenapa ini penting

Ingat skenario yang selama ini diyakini Washington: blokir Blackwell masuk Tiongkok, maka lab AI Tiongkok akan tertinggal di training compute. Realitanya minggu-minggu ini justru kebalikannya. CNBC baru melaporkan Moonshot AI mencari akses Blackwell lewat neocloud Eropa — sinyal frustrasi, bukan kekuatan. Pembeli Tiongkok juga diberitakan hanya akan menerima sekitar 1% dari pesanan chip RTX Pro 5500 senilai US$70 miliar. Sistem kontrol ekspor AS sedang mengirim satu pesan yang jelas: GPU Nvidia tidak bisa diandalkan lagi.

Kalau GPU Nvidia tidak bisa diandalkan, satu-satunya jalan adalah mandiri. Dan di titik itulah 160.000 Ascend 950DT berhenti jadi kabar chip dan mulai jadi kabar geopolitik. Software stack-nya pun menarik: laporan menyebut ekosistem compiler TileLang ikut diuji untuk beban training — pertanda Tiongkok tidak cuma mengejar silicon, tapi seluruh toolchain dari compiler sampai framework.

Bagi kita yang nonton dari pinggir

Yang menarik dari gelombang ini bukan cuma “Tiongkok menang”, karena 2027 masih jauh dan training frontier di hardware baru selalu penuh jebakan performa dan stabilitas. Yang lebih penting: pasar global AI sekarang resmi terbelah dua stack. Ada stack Nvidia-CUDA yang mahal tapi terbukti, dan stack Ascend-CANN yang lebih murah tapi belum teruji di skala raksasa.

Buat pengguna biasa seperti kita, ini sebenarnya kabar baik — kompetisi harga dan open-weight model dari dua kubu berarti model bagus makin murah. Revolut saja sudah membuktikan biaya coding-nya turun 90% setelah pindah ke model open-weight self-hosted.

Pertanyaan penutup: kalau DeepSeek benar-benar melatih V5 di 160.000 chip Huawei pada 2027 dan hasilnya tetap kompetitif — secara performa maupun harga — apa lagi alasan dunia untuk tetap membeli GPU dengan harga premium? Washington mungkin sedang mempercepat masa depan yang justru ingin cegahnya.

Hari ini OpenAI mempublikasikan sesuatu yang bikin para sysadmin Linux mungkin tersedak kopi mereka: sebuah pipeline agen AI menemukan dan mengexploitasi 948 celah local privilege escalation (LPE) di kernel Linux — semuanya dalam satu run 30 jam, dengan biaya total sekitar $1,21 juta kredit API. Anggap saja itu $1.279 per exploit root yang bisa dipakai.

Apa yang sebenarnya terjadi

Menurut laporan The Hacker News dan rangkuman The Neuron, OpenAI membangun pipeline otonom lima tahap: agen menemukan target audit berisiko di kernel, mereproduksi setiap kandidat celah di sandbox, menilai exploitability, membuat PoC exploit, lalu menghasilkan patch — dan baru setelah itu manusia ikut meninjau. Hasilnya: dari 2.308 temuan kandidat, 1.724 berhasil direproduksi, dan 948 di antaranya jadi exploit LPE yang benar-benar berfungsi. Agen-nya bahkan menemukan setidaknya 10 teknik eksploitasi Linux yang sepenuhnya baru.

Ini lanjutan dari eksperimen awal bulan Juni, ketika model GPT-5.5-Cyber “hanya” menemukan 24 LPE. Dari 24 ke 948 dalam lima bulan — itu kurva pertumbuhan yang menakutkan kalau dipikirkan sedikit lama.

Kenapa ini penting

Pertama, angkanya. Kernel Linux adalah fondasi literal dari internet — server, router, cloud, sampai ponsel Android. 948 cara baru untuk naik dari user biasa ke root berarti 948 lubang di fondasi rumah yang kita semua tinggali. Yang untung, kandidat patch-nya sudah disiapkan untuk ditinjau maintainer kernel — jadi ini sisi putih, bukan dump 0-day ke jalanan.

Kedua, ekonominya. $1.279 per exploit adalah harga yang absurd murah dibanding tim security researcher profesional yang butuh minggu untuk satu bug. Kalau pihak yang niatnya buruk mereplikasi pipeline semacam ini — dan biayanya turun terus seperti biasanya di dunia AI — pertarungan antara penambal dan penembuk baru saja berubah kelas.

Konteksnya juga pas: di hari yang sama SXF Brief mencatat OpenAI mulai meluncurkan Daybreak Red dengan GPT-5.6 Cyber di AWS GovCloud untuk tim keamanan yang disetujui, sementara Tencent merilis model Hy4 yang fokus ke sisi defensif keamanan siber. Kecenderungannya jelas: AI bukan lagi cuma alat ngoding dan nulis — dia jadi senjata utama di medan perang keamanan.

Pendapat saya

Ini berita dua sisi mata pisau yang klasik tapi makin tajam. Sisi baiknya, pertahanan akhirnya punya alat dengan skala yang sama seperti serangan. Sisi buruknya, “temuan baru” sekarang diproduksi seperti pabrik, dan yang paling merugi adalah sistem yang bergantung pada obscurity dan lambatnya penemuan bug.

Pertanyaan yang mengganggu saya: kalau satu perusahaan bisa menemukan 948 lubang dalam 30 jam dengan $1,2 juta — berapa banyak lubang serupa yang sudah ditemukan pihak lain dan tidak dilaporkan ke siapa-siapa?

Kalau Anda admin Linux: patch, reboot, ulangi. Karena bukan lagi pertanyaan apakah ada celah — tapi berapa banyak.

Robot jalan di lantai laboratorium yang mulus? Semua bisa. Tapi kemarin, Senin, lebih dari 50 perusahaan dan tim riset AI Tiongkok mengirim robot mereka ke medan yang jauh lebih kejam: 3.100 anak tangga batu Gunung Tai, rute dengan tanjakan kumulatif hampir 600 meter. Ini lomba robot profesional pertama di dunia yang diadakan di kawasan pegunungan situs warisan dunia UNESCO (TechNode).

Apa yang terjadi

Kompetisi World Robot Climbing Mount Tai Competition digelar di Tai’an, provinsi Shandong, dan ditonton seluruh Tiongkok lewat platform China Media Group. Empat kategori dipertandingkan: balapan robot humanoid, balapan robot berkaki, robot berkaki dengan beban, dan eksoskeleton bertenaga. Anak tangganya tidak seragam — tinggi dan lebar beda-beda, permukaannya tak rata, gradiennya berubah-ubah (TechNode).

Hasilnya? Robot berkaki milik Beijing Lingyi Technology (anak usaha Unitree Robotics) finis pertama dalam 43 menit 41 detik. Posisi dua ditempati tim Shanghai Gaoyi Technology yang juga memakai robot Unitree — artinya Unitree menguasai podium. Di kategori humanoid, tim Zhishen Lingyue menang dengan waktu 27 menit 26 detik di rute yang harus dipendekkan karena medannya terlalu ganas. Sementara di kategori bawa beban, tim Lingshi (Linxai Intelligence) butuh hampir dua jam untuk menuntaskan rutenya (TechNode).

Yang tidak masuk galeri kemenangan

Inilah bagian paling jujur dari acara ini: robot-robot itu banyak menyusahkan, dan itu justru berita bagus. Beberapa robot mengalami motor overheat, turun daya otomatis, dan postur miring ke samping. Robot pembawa beban sempat goyah langkahnya setelah muatannya diganti di titik pasokan. Sebagian harus pulih sendiri setelah kehilangan keseimbangan atau jatuh (TechNode).

Kalau di laboratorium semua terlihat mulus dan viral di video demo, Gunung Tai memperlihatkan realita: jalan stabil di lantai datar tidak otomatis berarti siap kerja di luar ruangan. Dinamika keseimbangan, pendinginan motor, daya tahan baterai, dan kemampuan bangkit sendiri setelah jatuh — semua diuji sekaligus di medan yang tidak bisa dibohongi (TechNode).

Kenapa ini penting

Kompetisi ini menandai pergeseran serius di tren embodied AI: dari demo terkontrol menuju performa dunia nyata. Tiongkok secara sadar membangun panggung kompetitif bertaraf nasional untuk robotika — sama seperti mereka dulu melakukannya untuk balapan drone dan lomba AI. Lintasan industri berikutnya sudah jelas terbaca: inspeksi kawasan sulit, rescue di pegunungan, dan transportasi barang di medan ekstrem. Pasar robot humanoid sedang bergerak dari “keren di video” ke “handal di lapangan”, dan yang menang adalah yang paling jarang jatuh — bukan yang paling sering viral.

Opini saya

Saya suka arah kompetisi macam ini. Demo robot melayangkan tinju sambil menari itu menghibur, tapi tidak menguji apa-apa. Tangga Gunung Tai menguji hal yang sebenarnya: konsistensi, ketahanan, dan pemulihan diri. Tiga hal yang juga menentukan apakah robot akan berguna di gudang, kebun, atau lokasi bencana — atau cuma jadi bahan pameran pamer dagang.

Pertanyaan reflektifnya sederhana: kalau robot Anda tidak bisa naik tangga gunung tanpa overheat, apa yang membuat kita yakin ia bisa menolong korban longsor musim hujan ini? Pilih salah satu: tangga atau teori.

Ada pola yang mulai mengganggu di industri AI akhir-akhir ini: model-model paling mutakhir diumumkan berdebum, benchmark-nya juara semua — tapi kamu tidak bisa memakainya. Contoh terbaru: Google mengumumkan Gemini 4 Carbon pada 28 Oktober, hanya dua minggu setelah Gemini 4 Argon, dan mengklaim memimpin mayoritas benchmark. Masalahnya? Aksesnya dibatasi untuk “cybersecurity defender terpilih”, dan angka benchmark itu self-report dari Google sendiri, belum ada evaluasi independen. Tabel benchmark bukanlah produk. Ini tren yang perlu kita garis bawahi keras-keras.

Yang sebenarnya bisa dipakai: GPT-6.1 Terra

Di tengah kabut pengumuman, ada satu rilis yang nyata dan relevan untuk orang biasa: GPT-6.1 Terra dari OpenAI. Ini model kelas menengah yang dirancang khusus untuk computer use — AI yang mengoperasikan software atas nama kita: isi form, kelola file, jalankan tugas desktop rutin. Harganya $1/$5 per juta token, setengah dari model Sol yang lebih besar, dengan klaim menyelesaikan tugas lebih dari tiga kali lebih cepat. Model ini tersedia lewat ChatGPT Work, Codex, dan API, termasuk untuk pengguna ChatGPT Edu.

Kenaikan kelas dari versi sebelumnya juga nyata: harga API standarnya 50% lebih murah dibanding GPT-5.6 Terra, membuat otomasi volume tinggi — misalnya membaca invoice masuk dan memasukkannya ke software akuntansi — jadi masuk akal secara ekonomi. Dokumentasi resminya menyebut kemampuan mencocokkan foto produk ke katalog, membaca gambar teknis, dan mengoperasikan layar aplikasi.

Kenapa ini penting

Dua hal terjadi bersamaan di sini. Pertama, keunggulan frontier makin dikunci untuk institusi besar. Google, OpenAI, dan Anthropic kini semua menahan model terbaiknya di balik program akses terseleksi — pemerintah, bank, korporasi raksasa masuk duluan, UKM dan developer individu menerima sisa generasi sebelumnya. Kedua, biaya agen AI jatuh drastis. Kalau dulu pilots otomasi mahal, sekarang model kelas menengah seperti Terra membuatnya murah untuk dicoba.

Paradoksnya menarik: sementara rebutan headline soal “model terpintar di dunia” (yang tak bisa kamu sentuh), revolusi sesungguhnya diam-diam terjadi di lapisan menengah — model murah yang bekerja di belakang layar, mengoperasikan software kita sehari-hari.

Pendapat saya

Saya lebih bersemangat pada Terra daripada Gemini 4 Carbon, dan bukan tanpa alasan. Benchmark yang diumumkan tanpa akses publik adalah marketing yang menyamar sebagai kemajuan ilmiah. Sementara itu, bottleneck otomasi AI yang sebenarnya sudah bergeser: bukan lagi biaya model, melainkan waktu oversight — seseorang tetap harus mendefinisikan tugas, memeriksa hasil, dan menangkap kegagalannya. Model murah tidak menghapus pekerjaan manusia; ia memindahkan pekerjaan itu ke kursi supervisor.

Jadi pertanyaannya bukan “model mana yang paling pintar minggu ini” — itu lomba yang ganti pemenang tiap dua minggu. Pertanyaannya: apakah kita sudah menyiapkan proses dan orang yang tepat untuk mengawasi pasukan agen murah yang akan segera duduk di depan layar kita?

Tahun lalu “open-weight” identik dengan model kelas dua: yang terbaik selalu dikunci rapat di balik API. Hari ini Mistral menendang asumsi itu lewat jendela. Setelah tiga minggu public preview, Mistral Large 4 — kode nama “Le Chonk”, model multimodal 1 triliun parameter — kini dirilis open-weight penuh dengan bobot yang bisa kamu unduh dan jalankan sendiri (Mistral AI).

Apa yang Baru?

Ini bukan sekadar “kami buka bobot model lama”. Selama masa preview, Mistral terus menggenceng reinforcement learning, dan hasilnya nyata: model ini sekarang juara open-weight untuk coding, memimpin di FrontierCode 2.0 dari Cognition dengan skor 19,7% — benchmark yang menguji apakah hasil kerja agent coding benar-benar layak di-merge maintainer repo, bukan sekadar lolos tes (Mistral AI).

Di Artificial Analysis Coding Agent Index, Le Chonk mencatat 48%, nyaris seri dengan pemuncak open-weight GLM-5.3 — tapi dengan token 47% lebih hemat per tugas. Di Terminal-Bench 4.0 naik 13 poin ke 41% sekaligus memangkas output token 30% (Mistral AI). Bahkan dalam evaluasi buta oleh Surge, output coding-nya lebih disukai daripada GLM-5.3, Kimi K3, dan DeepSeek V4.1 Flash — walau masih di bawah Claude Opus 5.5 (Mistral AI).

Kenapa Ini Penting

Tiga hal. Pertama, harga: input $0,7 dan output $2,1 per juta token di API resmi — brutal untuk model sekelas ini. Kedua, tiga mode reasoning (low/medium/high) yang bikin kamu bisa memilih sendiri tradeoff biaya vs kualitas, bukan dipaksa mode “think hard” tiap kali. Ketiga, dan paling strategis: kedaulatan. Le Chonk dilatih dari nol di infrastruktur Eropa, fasih 160+ bahasa, dan langsung diadopsi perusahaan Eropa sebagai “sovereign model” — Zscaler bahkan sudah mengintegrasikannya untuk keamanan AI korporat (Mistral AI).

Konteks besarnya: dunia AI sedang terbelah antara kubu closed (OpenAI, Anthropic — yang kebetulan baru saja membukukan pendapatan $16,3 miliar semester pertama lewat filing S-1) dan kubu open yang selama ini diwakili mayoritas lab Tiongkok. Le Chonk adalah pernyataan dari Eropa: model frontier open-weight kelas satu tidak harus datang dari San Francisco atau Beijing.

Sebagai admin homelab, angle-nya jelas: model 1T parameter open-weight dengan efisiensi token sekelas ini membuka jalan buat self-hosting serius — fine-tune untuk kebutuhan sendiri, data tidak keluar rumah, tanpa lapor ke siapa pun. Harganya cuma VRAM. Banyak. Sekali lagi: satu triliun parameter.

Isu yang layak dicatat: Mistral merilisnya tanpa publikasi riset formal, jadi angka benchmark sebagian besar masih klaim satu pihak. Tren “rilis dulu, kertas belakangan” ini jadi standar industri — kenapa ya, justru di industri yang paling lantang bicara tentang risiko AI?

Pertanyaan penutup: kalau model sekelas frontier bisa hidup di server sendiri, apa masih ada alasan membayar langganan API untuk tugas coding harian? Jawaban saya — belum, untuk sebagian besar orang. Tapi jaraknya menyusut lebih cepat dari yang kita kira.

Empat raksasa yang biasanya saling rakus data — OpenAI, Google, Microsoft, dan Anthropic — baru saja sepakat pada satu hal yang jarang terjadi: satu standar bersama. Mereka akan mengadopsi satu “policy token” robots.txt untuk opt-out pelatihan AI, artinya pemilik situs cukup menulis satu token untuk bilang “jangan latih AI-mu dengan kontenku” ke semua sekaligus. Kabar ini dilaporkan The Verge dan mulai beredar akhir pekan ini.

Apa yang terjadi

Selama ini robots.txt adalah permandian asal-usul: kamu blokir GPTBot punya OpenAI, tapi lupa Google-Extended, dan besok muncul lagi crawler baru dengan nama aneh yang belum kamu kenal. Publisher harus mengejar daftar user-agent AI yang bertambah tiap bulan seperti mengejar kereta yang makin cepat. Standar baru ini mengubah arahnya: alih-alih mendaftar satu-satu crawler bot, pemilik situs cukup mendeklarasikan kebijakannya sekali, dan keempat perusahaan berjanji menghormatinya.

Token bersama ini diusulkan oleh Kevin Kelley, technical lead untuk standar di Anthropic, dan dikerjakan di bawah payung Internet Engineering Task Force (IETF) — tempat yang sama di mana protokol inti web lahir. Kalau jalan sesuai rencana, ini akan jadi cara paling sederhana sejak era robots.txt klasik untuk mengatur siapa yang boleh mengambil apa dari situsmu.

Kenapa ini penting

Ada dua alasan kenapa kabar ini lebih besar dari kedengarannya. Pertama, ini konsesi nyata dari pihak yang selama ini paling diuntungkan oleh scraping bebas. Litigasi dan tekanan regulator — termasuk kasus penyelidikan CMA Inggris terhadap syarat konten publisher yang dilaporkan dalam liputan 31 Oktober — jelas memaksa mereka ke meja perundingan. Opt-out yang mudah adalah kompromi yang lebih murah daripada gugatan ratusan juta dolar.

Kedua, dan ini yang jarang dibahas: dengan satu token untuk empat raksasa, ruang bagi crawler nakal makin sempit secara sosial, bukan hanya teknis. Begitu standarnya jadi norma industri, perusahaan AI kecil yang mengabaikannya akan tampak seperti penadah, bukan pesaing inovatif. Efek jaringan dari kesepakatan ini jauh lebih tajam daripada seratus blog post etika.

Catatan kritis, tentu saja

Janji menghormati token bukan jaminan. robots.txt dari dulu memang bersifat sukarela — tidak ada polisi web yang menjatuhkan sanksi kalau ada yang curang. Yang mengubah perilaku hanya reputasi dan, makin lama, tekanan hukum. Perlu diingat juga: publisher yang sudah mengikat kontrak lisensi konten dengan perusahaan AI tetap harus membaca ulang kesepakatannya samping robots.txt — token opt-out tidak otomatis membatalkan klausul lisensi yang sudah ditandatangani. Standar ini mengatur siapa yang boleh mengambil, bukan siapa yang sudah punya izin.

Dan pertanyaan jutaan dolar yang tersisa: bagaimana dengan mereka yang ikut mengambil tapi tidak ikut menandatangani? Token ini menjangkau empat nama besar hari ini. Lain kali daftarnya bertambah, atau justru para scraper kecil yang memilih diam-diam di lorong belakang?

Setidaknya untuk pertama kalinya dalam lama, arah anginnya benar: yang mengambil data kini harus tunduk pada aturan yang ditulis pemiliknya — bukan sebaliknya.