Bukan Modelnya — Tapi Cara Sistemnya Bekerja

Banyak tim di Indonesia menghabiskan waktu berbulan-bulan menyempurnakan satu model kecerdasan buatan. Mereka tukar model, tambah data latih, tambah aturan filter, tukar lagi ke model yang lebih baru. Hasilnya tetap berhenti di sekitar enam puluh persen akurat.

Yang dipersoalkan biasanya selalu sama: pilih model yang mana, ukuran berapa, dari penyedia apa. Pembahasan itu wajar, tapi sering keliru di akarnya. Kebanyakan masalah pada riset dan analisis data serius sebenarnya bukan terletak pada modelnya. Masalahnya pada cara sistemnya bekerja.

Tiga keterbatasan yang muncul dari satu model

Ketika satu model dipakai sendirian untuk pekerjaan riset yang serius, ada tiga keterbatasan mendasar yang konsisten muncul.

Pertama, kapasitas baca yang terbatas. Riset mendalam membutuhkan penyilangan puluhan sumber dalam satu kesempatan. Satu model tidak bisa menampung semuanya sekaligus, sehingga harus memilih bagian mana yang masuk. Proses pemilihan ini sendiri menjadi titik kegagalan tunggal. Kalau pemilihan miring di awal, seluruh analisis di belakangnya akan ikut miring.

Kedua, tidak ada mekanisme pengecekan bawaan. Ketika sumber yang dirujuk ambigu atau saling bertentangan, satu model akan tetap menjawab dengan nada meyakinkan, walaupun jawabannya kemudian terbukti salah. Tidak ada lapisan kedua yang bertugas menggugat. Yang membaca hasil pekerjaan jadi tidak punya cara cepat untuk membedakan temuan yang kuat dari sekadar tebakan yang tertata rapi.

Ketiga, eksplorasi yang berurutan. Riset yang baik artinya menguji banyak hipotesis bersamaan, lalu menyaring mana yang bertahan. Satu model bekerja satu langkah ke depan setiap kali. Waktu yang dibutuhkan untuk sampai pada kesimpulan menjadi lebih panjang, dan banyak jalur alternatif yang tidak pernah benar-benar diuji.

Tiga keterbatasan ini tidak hilang dengan sekadar mengganti modelnya menjadi lebih besar atau lebih baru. Keterbatasan ini struktural, bukan tentang kemampuan model.

Pendekatan dengan orkestrasi banyak agen

Pendekatan yang membalik tiga hal ini adalah orkestrasi banyak agen yang bekerja sama dalam satu sistem.

Kapasitas didistribusikan. Setiap agen menangani sebagian sumber yang lebih kecil dan terfokus. Lalu satu agen perencana menggabungkan hasil-hasil itu menjadi satu kesimpulan. Keragaman sumber muncul sebagai bagian dari desain, bukan tergantung pada nasib agen mana yang sedang dipakai.

Pengecekan terbangun otomatis. Ada satu lapisan agen yang tugasnya khusus menggugat, dengan posisi default bersikap skeptis. Agen ini menanyakan: dari mana data ini, apakah definisinya konsisten, apakah ada sumber lain yang menyatakan sebaliknya. Hanya temuan yang lolos lapisan pemeriksaan ini yang masuk ke kesimpulan akhir.

Eksplorasi berjalan paralel. Tiga sampai sepuluh agen bekerja bersamaan untuk satu pertanyaan besar, masing-masing dengan sudut yang berbeda. Hasilnya disatukan, dan ketidakpastian diakui secara jujur, bukan disamarkan. Kalau ada bagian yang memang tidak dapat dipastikan, sistem mengakuinya, bukan menyembunyikannya.

Apa yang berubah dari sisi penerima hasil

Untuk tim yang menerima keluaran sistem, perbedaannya konkret.

Setiap kesimpulan dapat ditelusuri kembali ke sumbernya. Bukan satu jawaban panjang yang harus dipercaya begitu saja, tetapi rantai temuan yang masing-masing punya jejak. Auditor atau pemangku kepentingan bisa membongkar mana yang kuat dan mana yang perlu validasi tambahan.

Kualitas hasil tidak tergantung pada keberuntungan prompt. Sistem yang sama, dijalankan dengan pertanyaan yang sama, memberi hasil yang konsisten. Variasi keluaran muncul ketika sumbernya memang berubah, bukan karena modelnya sedang dalam mood yang berbeda.

Ketidakpastian terlihat. Bagian yang tidak diketahui dengan pasti diberi label demikian. Pembaca tidak tersesat menganggap semua angka sama bobotnya.

Kapan pendekatan ini tepat

Tidak setiap pekerjaan membutuhkan arsitektur banyak agen. Untuk kebutuhan tanya jawab singkat atau ringkasan tunggal, satu model masih cukup dan lebih cepat dieksekusi.

Pendekatan orkestrasi mulai memberi manfaat ketika hasil yang dibutuhkan harus dapat ditelusuri dan diverifikasi. Misalnya: riset pasar yang akan dipakai untuk pengambilan keputusan investasi, analisis kebijakan yang harus dipertanggungjawabkan ke publik, pemetaan rantai pasok yang akan menjadi dasar negosiasi, atau evaluasi risiko yang menentukan eksposur finansial.

Di skenario-skenario seperti ini, biaya tambahan untuk arsitektur yang lebih kompleks terbayar dengan tingkat kepercayaan yang lebih tinggi terhadap keluarannya. Untuk mendiskusikan apakah arsitektur agentic AI cocok untuk kebutuhan organisasi Anda, tim WTB terbuka untuk sesi konsultasi awal.

Memilih jalan ke depan

Untuk para pemimpin teknologi yang sedang mempertimbangkan arah baru, pertanyaan yang lebih produktif bukan lagi tentang memilih model mana yang paling kuat.

Pertanyaannya menjadi: bagaimana sistemnya sebaiknya didesain.

Berapa lapisan pengecekan yang dibutuhkan. Seberapa banyak sumber yang harus disilangkan. Sejauh mana ketidakpastian harus diakui di output akhir. Bagaimana hasilnya dipresentasikan agar bisa ditelusuri kembali oleh pengguna.

Jawaban atas pertanyaan-pertanyaan ini bukan datang dari memilih merek model. Jawabannya datang dari mendesain arsitektur kerjanya.

Itu pergeseran yang paling sering kurang diperhatikan. Dan itu pula yang sering jadi pembeda antara sistem yang berhenti di enam puluh persen akurat dan sistem yang dapat dipertanggungjawabkan dalam keputusan-keputusan yang bobotnya nyata.