Perlombaan AI untuk kerja mulai bergeser. Dulu, perusahaan berlomba mencari model dengan kemampuan paling tinggi. Sekarang, pertanyaannya menjadi lebih praktis: model mana yang paling tepat untuk tugas tertentu, berapa biayanya, dan kapan manusia perlu ikut menyetujui hasilnya?
Arah ini terlihat dari dua perkembangan yang diumumkan pada awal Oktober 2026. Google Cloud memperkenalkan Gemini agent, sistem yang dirancang untuk merencanakan pekerjaan, memakai berbagai alat, terhubung ke sistem bisnis, dan memilih model yang sesuai dengan kebutuhan. Di sisi lain, Anthropic merilis Claude Haiku 5.5 sebagai model kecil yang lebih cepat dan murah untuk tugas berulang dengan volume tinggi.
Jika digabungkan, keduanya menunjukkan bahwa masa depan AI kerja mungkin tidak ditentukan oleh satu model superkuat, melainkan oleh sistem yang bisa membagi pekerjaan ke beberapa model secara efisien.
Dari chatbot ke pengatur pekerjaan
Chatbot biasanya bekerja dengan pola sederhana: pengguna bertanya, lalu model menjawab. Sistem agentic bekerja lebih panjang. Ia dapat memecah permintaan menjadi beberapa langkah, memanggil alat, membaca data, memperbarui dokumen, dan mengembalikan hasil akhir.
Dalam pengumuman resminya, Google Cloud menggambarkan Gemini agent sebagai agen universal untuk pekerjaan. Sistem tersebut dirancang agar dapat memahami konteks organisasi, menggunakan keterampilan dan alat, lalu bekerja di lingkungan yang sudah dipakai perusahaan seperti dokumen, kotak masuk, dan lingkungan pengembangan.
Bagian yang paling menarik bukan hanya kemampuannya mengerjakan beberapa langkah. Gemini agent juga disebut dapat memilih model terbaik untuk pekerjaan tertentu dan memiliki kontrol biaya. Artinya, tugas sederhana tidak harus selalu dikirim ke model paling mahal.
Contohnya, permintaan “buat ringkasan laporan penjualan mingguan” mungkin cukup ditangani model cepat. Namun, ketika sistem perlu menemukan penyebab penurunan penjualan, membandingkan beberapa sumber data, dan membuat rekomendasi, tugas tersebut bisa dialihkan ke model dengan kemampuan penalaran lebih tinggi.
Secara konsep, ini mirip dengan perusahaan yang tidak meminta direktur mengerjakan semua pekerjaan. Ada staf yang menangani tugas rutin, analis untuk pekerjaan yang membutuhkan pemeriksaan lebih dalam, dan spesialis yang dipanggil ketika masalahnya lebih rumit.
Model kecil bukan berarti tidak penting
Perhatian terhadap model besar sering membuat model kecil terlihat seperti versi yang kurang mampu. Padahal, dalam sistem AI yang dipakai terus-menerus, kecepatan dan biaya bisa sama pentingnya dengan kemampuan menjawab pertanyaan sulit.
Anthropic menyebut Claude Haiku 5.5 sebagai model kecil yang ditujukan untuk tugas berulang dan sensitif terhadap biaya, seperti membuat ringkasan, mengelompokkan data, menjalankan kueri basis data, membantu layanan pelanggan, dan menjadi subagent untuk pekerjaan coding. Perusahaan itu juga menyatakan bahwa biaya operasional rata-ratanya sekitar 75 persen lebih rendah dibanding Haiku 4.5.
Angka tersebut adalah klaim dari Anthropic, bukan hasil pengujian independen. Namun, arah produknya cukup jelas: tidak semua bagian dalam alur kerja membutuhkan model yang sama mahalnya.
Dalam praktik, sebuah agen mungkin menggunakan model kecil untuk membaca 1.000 tiket dukungan pelanggan, mengelompokkan keluhan, dan menandai kasus yang berulang. Hanya tiket yang memiliki risiko tinggi atau membutuhkan penalaran lebih kompleks yang dikirim ke model yang lebih kuat.
Manfaat nyata bagi pekerjaan sehari-hari
- Respons lebih cepat. Tugas sederhana dapat ditangani oleh model yang ringan tanpa menunggu proses panjang.
- Biaya lebih terkendali. Perusahaan tidak perlu membayar model premium untuk setiap permintaan.
- Alur kerja lebih fleksibel. Sistem dapat menggabungkan model bahasa, basis data, perangkat lunak kantor, dan alat internal.
- Skala penggunaan lebih besar. Model yang murah dan cepat lebih cocok untuk pekerjaan yang harus berjalan ribuan kali setiap hari.
Bagi tim kecil, pendekatan ini dapat membantu membuat otomatisasi yang sebelumnya terlalu mahal. Misalnya, toko online dapat memakai model ringan untuk mengklasifikasikan pertanyaan pelanggan, lalu meneruskan kasus pengembalian dana atau komplain serius kepada manusia.
Risikonya: keputusan otomatis tidak selalu mudah dilacak
Semakin banyak keputusan yang diserahkan kepada sistem, semakin penting perusahaan memahami apa yang terjadi di balik layar. Jika agen memilih model, memanggil data, lalu mengambil tindakan, pengguna perlu dapat mengetahui langkah-langkah tersebut.
Ada beberapa risiko yang perlu diperhatikan:
- Salah memilih model. Tugas yang tampak sederhana dapat memiliki konsekuensi besar jika dikirim ke model yang terlalu terbatas.
- Data tidak sesuai konteks. Agen mungkin menggabungkan data lama, definisi metrik yang berbeda, atau dokumen yang belum diperbarui.
- Biaya tetap dapat membengkak. Sistem yang melakukan terlalu banyak percobaan, membaca dokumen berulang kali, atau memanggil alat tanpa batas bisa menjadi mahal.
- Akuntabilitas kabur. Ketika hasil salah, perusahaan harus bisa menentukan apakah masalahnya ada pada data, model, instruksi, integrasi, atau persetujuan manusia.
Karena itu, “memilih model secara otomatis” bukan berarti perusahaan boleh membiarkan AI bekerja tanpa pengawasan. Sistem tetap membutuhkan batas biaya, daftar tindakan yang memerlukan persetujuan, pencatatan aktivitas, dan cara untuk menguji hasilnya.
Apa artinya bagi pengguna dan bisnis?
Perubahan ini menandakan bahwa penggunaan AI akan semakin menyerupai pengelolaan tenaga kerja digital. Pengguna tidak hanya menulis prompt, tetapi juga menentukan tujuan, batas kewenangan, sumber data, dan standar hasil.
Untuk pengguna individu, prinsipnya sederhana: pilih alat berdasarkan pekerjaan, bukan popularitas model. Model cepat cocok untuk merangkum, mengubah format, atau membuat draf awal. Model yang lebih kuat layak dipakai ketika tugas memerlukan perbandingan, penalaran, atau pemeriksaan banyak sumber.
Untuk bisnis, langkah awal yang masuk akal adalah membuat peta tugas. Catat pekerjaan yang dilakukan berulang, data yang diperlukan, tingkat risiko kesalahan, dan kapan manusia harus memeriksa hasil. Dari sana, perusahaan dapat menentukan tugas mana yang layak diotomatisasi dengan model ringan dan mana yang sebaiknya tetap memakai model yang lebih kuat.
Yang bisa dilakukan sekarang
- Pisahkan tugas rutin dan tugas berisiko. Jangan memakai aturan otomatis yang sama untuk membuat ringkasan dan menyetujui transaksi.
- Ukur biaya per hasil. Hitung bukan hanya harga model, tetapi juga waktu pemeriksaan, kegagalan, dan pemakaian alat tambahan.
- Gunakan persetujuan bertingkat. Agen boleh membuat draf secara otomatis, tetapi pengiriman, penghapusan data, atau perubahan finansial memerlukan persetujuan manusia.
- Simpan jejak keputusan. Catat model yang dipakai, data yang dibaca, alat yang dipanggil, dan perubahan yang dibuat.
- Uji dengan kasus nyata. Evaluasi agen menggunakan contoh pekerjaan sehari-hari, termasuk kasus yang ambigu dan tidak rapi.
Perkembangan terbaru ini belum berarti semua pekerjaan akan langsung berubah menjadi otomatis. Namun, arahnya cukup jelas: AI kerja sedang bergerak dari “model yang menjawab” menuju “sistem yang mengatur cara menyelesaikan pekerjaan”. Dalam fase tersebut, model paling pintar belum tentu menjadi pilihan terbaik. Sistem yang paling berguna adalah yang tahu kapan harus memakai kemampuan tinggi, kapan cukup menggunakan model ringan, dan kapan harus berhenti untuk meminta manusia mengambil keputusan.
Sumber & bacaan lebih lanjut
– Rio Yotto @rioyotto