Lompatan Terbesar Bukan Terjadi di Dalam Model
Kalau Anda merasa AI hari ini jauh lebih berguna dibanding dua tahun lalu, perasaan itu tidak keliru. Tapi penyebabnya sering disalahpahami. Lompatan terbesar tahun 2026 tidak terjadi di dalam model, melainkan di sekelilingnya: pada perangkat lunak yang memberi model akses ke tool, memori, ruang kerja, dan umpan balik.
Kami pernah membahas ini dari sisi persepsi di artikel AI Feels Smart Because It Can Act, Not Just Think: AI terasa pintar karena kita akhirnya melihat hasil nyata, bukan karena otaknya mendadak berlipat. Artikel ini melanjutkan pembahasan itu ke level arsitektur, dan memetakan posisi kita sekarang.
Tiga Fase Evolusi: Prompt, Context, Harness
Fase 1 — Prompt Engineering
Fokusnya satu interaksi tunggal. Bagaimana menyusun instruksi agar model memberi jawaban terbaik dalam sekali jalan. Di fase ini lahir teknik seperti few-shot example, chain-of-thought, dan role prompting. Unit kerjanya: satu pertanyaan, satu jawaban.
Fase 2 — Context Engineering
Pertanyaannya bergeser menjadi: informasi apa yang harus dilihat model pada saat ia bekerja. Di sinilah retrieval-augmented generation (RAG), memory, ringkasan otomatis, dan system prompt berlapis menjadi standar. Prompt yang sempurna tidak berguna kalau model tidak punya data yang tepat di dalam context window-nya.
Fase 3 — Harness Engineering
Kosakata "harness engineering" baru mengemuka pada awal 2026 dan atribusinya masih diperdebatkan — sebagian menelusurinya ke tulisan Mitchell Hashimoto pada Februari 2026, sebagian lain ke Vivek Trivedy dari LangChain. Rumus yang paling sering dikutip sederhana: agent = model + harness.
Harness (disebut juga scaffolding) adalah infrastruktur perangkat lunak di sekeliling model: tool dispatch, memori dan persistensi state, sandbox atau workspace terisolasi, manajemen konteks, serta guardrail berupa scoped permission, approval tier, dan monitoring. Karena LLM bersifat stateless dan hanya menghasilkan teks, harness-lah yang membuatnya bisa bertindak lintas langkah dan lintas sesi.
| Fase | Unit kerja | Pertanyaan utama | Contoh artefak |
|---|---|---|---|
| Prompt engineering | Satu interaksi | Bagaimana cara bertanya? | Template prompt, few-shot |
| Context engineering | Satu context window | Apa yang dilihat model? | RAG, memory, compaction |
| Harness engineering | Seluruh lingkungan kerja | Bagaimana sistem pulih saat model salah? | Tool, sandbox, progress file, test |
Harness engineering diposisikan sebagai lapisan yang lebih luas: ia memuat dua fase sebelumnya sebagai bagian di dalamnya.
Chatbot, Copilot, dan Agent Otonom: Beda di Arsitektur
Ketiganya sering dipakai bergantian dalam percakapan bisnis, padahal biaya, risiko, dan cara membangunnya berbeda jauh.
| Aspek | Chatbot | Copilot | Agent otonom |
|---|---|---|---|
| Pola dasar | Input → output | Saran di dalam alur kerja manusia | Loop: tujuan → rencana → aksi → evaluasi |
| State | Nyaris tidak ada | Terbatas pada sesi/editor | Persisten lintas sesi |
| Akses tool | Tidak ada atau sangat terbatas | Terbatas pada satu aplikasi | CLI, API, browser, file system |
| Siapa yang mengeksekusi | Manusia | Manusia (menerima/menolak saran) | Sistem, dengan pengawasan |
| Titik kegagalan | Jawaban salah | Saran salah, mudah ditolak | Aksi salah yang berdampak nyata |
| Kebutuhan harness | Minim | Sedang | Tinggi dan wajib |
Implikasinya praktis: memasang chatbot di website adalah proyek integrasi. Membangun agent yang boleh menyentuh sistem produksi adalah proyek rekayasa yang butuh sandbox, izin berlapis, dan jejak audit.
Pelajaran Teknis dari Eksperimen Anthropic
Anthropic mendokumentasikan eksperimen membangun agent yang bekerja lintas banyak context window. Temuannya menohok: model frontier sekelas Opus 4.5 yang dijalankan berulang di dalam loop tetap gagal menghasilkan aplikasi berkualitas produksi kalau hanya diberi prompt tingkat tinggi seperti "buat klon claude.ai".
Dua pola kegagalan muncul. Pertama, agent mencoba mengerjakan terlalu banyak sekaligus, kehabisan konteks di tengah implementasi, lalu meninggalkan fitur setengah jadi tanpa dokumentasi. Kedua, pada proyek yang sudah berjalan, agent berikutnya melihat ada kemajuan lalu menyimpulkan pekerjaan sudah selesai.
Solusinya bukan model yang lebih besar, melainkan lingkungan yang lebih baik:
Initializer agent yang menyiapkan fondasi: skrip
init.shuntuk menjalankan server pengembangan, file catatan progres, dan commit git pertama.Daftar fitur terstruktur dalam format JSON — pada contoh klon claude.ai jumlahnya lebih dari 200 fitur, semuanya ditandai gagal di awal. JSON dipilih karena model lebih jarang mengubah atau menimpanya dibanding Markdown.
Kerja inkremental: satu fitur per sesi, ditutup dengan commit git berpesan deskriptif dan pembaruan file progres.
Verifikasi end-to-end memakai browser automation, bukan sekadar unit test atau
curl, karena agent cenderung menandai fitur selesai padahal belum benar-benar berfungsi dari sisi pengguna.
Semua itu adalah keputusan desain harness, bukan keputusan pemilihan model.
Posisi Indonesia: Data Adopsi 2026
Studi "Unlocking Indonesia's AI Potential 2026" dari AWS bersama Strand Partners — menyurvei 1.000 pemimpin bisnis dan 1.000 anggota masyarakat umum, dirilis di AWS Summit Jakarta pada Agustus 2026 — memberi gambaran yang cukup jelas.
| Indikator | Angka 2026 |
|---|---|
| Perusahaan yang sudah mengadopsi AI | 40% (naik dari 25% tahun sebelumnya) |
| Pengadopsi yang sudah menjalankan AI di lingkungan produksi | 44% |
| Melaporkan peningkatan produktivitas | 75% (naik dari 68%) |
| Menyebut AI mempercepat inovasi | 72% |
| Merasakan pertumbuhan pendapatan | 62% |
| Menyebut kekurangan talenta digital sebagai hambatan terbesar | 56% |
Angka 44% itu yang paling penting. Artinya AI di Indonesia sudah keluar dari tahap pilot dan mulai masuk ke operasional. Tapi artinya juga lebih dari separuh pengadopsi masih berhenti di tahap uji coba — dan hambatan yang paling sering disebut bukan soal model, melainkan talenta dan kesiapan organisasi.
Kenapa "Model Paling Pintar" Bukan Lagi Faktor Penentu
Tiga alasan.
Pertama, mengganti model itu murah. Di 2026, berpindah dari satu model ke model lain umumnya hanya soal mengubah konfigurasi. Yang mahal dan sulit ditiru adalah harness: integrasi tool, aturan izin, data internal, dan proses verifikasi.
Kedua, riset menunjukkan harness mengalahkan ukuran. Harness-1, agent pencarian open source, meningkatkan akurasi retrieval terutama dengan merancang ulang lingkungan perangkat lunak di sekitar model, bukan dengan memperbesar modelnya. Ada pula riset Self-Harness, di mana agent menambang kegagalannya sendiri untuk mengusulkan dan memvalidasi perubahan pada harness-nya.
Ketiga, komponen yang dibungkus bersifat non-deterministik. Harness dirancang untuk pulih dengan anggun ketika model mengarang aksi atau melaporkan tugas selesai padahal belum. Birgitta Böckeler dari Thoughtworks membedakan inner harness (yang dikirim pembuat model, seperti agent SDK atau coding tool) dari outer harness yang Anda rakit sendiri — file instruksi, server Model Context Protocol, dan skill kustom. Ia juga memisahkan guides yang mengarahkan agent sebelum bertindak dari sensors yang mengamati hasil agar agent bisa mengoreksi diri.
Untuk pemilik bisnis, terjemahannya: anggaran AI Anda sebaiknya tidak habis di lisensi model termahal, melainkan di perancangan alur kerja, data, dan pengamanannya.
Peta Jalan Artikel Sebulan ke Depan
Topik ini terlalu besar untuk satu artikel. Empat minggu ke depan kami akan menurunkannya menjadi pembahasan yang bisa langsung dipakai:
Minggu 1 — Anatomi agent harness. Membedah komponen wajib: tool dispatch, memori, sandbox, guardrail.
Minggu 2 — Context engineering untuk data bisnis. RAG yang benar-benar akurat untuk dokumen internal berbahasa Indonesia.
Minggu 3 — Studi kasus agent internal pertama. Dari proses manual menjadi alur kerja semi-otonom, lengkap dengan biayanya.
Minggu 4 — Guardrail, biaya token, dan tata kelola. Kapan agent harus berhenti dan meminta persetujuan manusia.
Layanan AI di katili.dev
Kami membantu bisnis masuk ke fase eksekusi tanpa harus merekrut tim AI sendiri:
Integrasi fitur AI ke website yang sudah berjalan — asisten percakapan, pencarian semantik, ringkasan otomatis.
AI blog generator untuk produksi konten rutin dua bahasa.
Perancangan dan pengembangan agent internal dengan guardrail dan jejak audit.
Hosting, deployment, dan pemeliharaan agar sistem AI Anda tetap hidup setelah peluncuran.
Konsultasi arsitektur: menentukan apakah kebutuhan Anda cukup dengan chatbot, copilot, atau memang perlu agent.
Penutup
Peta 2026 bisa diringkas dalam satu kalimat: kecerdasan berpindah dari model ke sistem. Perusahaan yang menang bukan yang punya akses ke model paling pintar, melainkan yang paling rapi merancang lingkungan tempat model itu bekerja. Data AWS menunjukkan Indonesia sudah melewati garis start. Pertanyaannya sekarang bukan lagi apakah AI relevan, melainkan seberapa disiplin Anda membangun harness di sekelilingnya.
