SEBELUM KITA MULAI
60+ TAHUN

Dari pertanyaan “bisakah mesin berpikir?” (1950) sampai ChatGPT (2022).

3 TAHUN

Dari ChatGPT sampai AI agent yang bekerja sendiri (2025).

Poster The Imitation Game (2014), film tentang Alan Turing

The Imitation Game (2014), kisah Alan Turing, orang yang mengajukan pertanyaan itu.
Judul filmnya diambil dari makalah Turing 1950 · Poster © StudioCanal/TWC, via Wikipedia, fair use

DAY 1 · SECTION 1 · FUNDAMENTAL

Pengenalan AI
di Industri

Dari konsep dasar sampai Agentic AI, fondasi sebelum kita hands-on dengan OpenClaw.

Day 1Section 1
Superkomputer Summit di Oak Ridge National Laboratory

Photo: Oak Ridge National Laboratory, CC BY 2.0, via Wikimedia Commons

← → pindah slide  ·  F fullscreen  ·  ⌘P ekspor PDF

AGENDA · 90 MENIT

Satu cerita dalam tiga bagian

Kenapa AI hari ini beda jauh dengan AI lima tahun lalu, dan apa artinya buat perusahaan tambang.

BAGIAN 1

Memahami AI

Kamu sudah memakainya setiap hari. Apa sebenarnya AI, dari mana asalnya, dan bagaimana istilah-istilahnya saling terkait.

Apa itu AI · Sejarah · AI vs ML vs GenAI · Di dalam LLM · Halusinasi · Mitos

BAGIAN 2

Lanskap AI 2026

Siapa pembuat modelnya, berapa biayanya, dan sejauh apa kemampuannya hari ini.

Provider · Biaya · State of the art · Risiko

BAGIAN 3

Pergeseran agentic

Dari chatbot yang menjawab ke agent yang menuntaskan, perubahan yang membawa kita langsung ke OpenClaw.

Evolusi · Agent hari ini · Anatomi · Kapan (tidak) dipakai · Kenapa sekarang · Pekerjaanmu

✓

Quiz · Section 1, di LMS, langsung setelah section ini

1
BAGIAN 1 DARI 3

Memahami AI

Sebelum masuk ke jargon, kita mulai dari AI yang sudah ada di sakumu.

Apa itu AISejarahAI vs ML vs GenAI
BAGIAN 1 · APA ITU AI

Kamu sudah pakai AI hari ini

Sebelum membahas definisinya, coba sebutkan dulu: produk AI apa yang sudah kamu pakai hari ini?

YANG SUDAH JELAS AI
ChatGPT

ChatGPT

Yang bikin AI ramai sejak 2022

Claude

Claude

Kuat untuk analisis dan kerja panjang

Gemini

Gemini

Sudah nempel di layanan Google

YANG NGGAK KERASA SEPERTI AI
Google Maps

Google Maps

Prediksi macet dan rute tercepat

YouTube

YouTube

Rekomendasi “kok tahu aja seleraku”

Tokopedia · Amazon

Produk yang muncul di beranda

Face Unlock

Mengenali wajahmu dalam sekejap

Kebanyakan AI bekerja diam-diam di balik layar, bukan robot humanoid seperti di film.
BAGIAN 1 · ASAL MULANYA

Dari mana AI berawal?

1950-an ilmuwan mencari cara mentransfer ilmunya ke komputer.

KEINGINANNYA

Pindahkan ilmu manusia ke komputer

Kalau cara manusia berpikir bisa dituliskan jadi aturan, mesin seharusnya bisa menirunya.

BERHASIL
penulisnya

Terbukti lewat permainan dam

Program Arthur Samuel (IBM) berlatih melawan dirinya sendiri, sampai bermain lebih baik daripada orang yang membuatnya.

TAPI MENTOK

Ilmu manusia sulit dituliskan

Di luar permainan, para ahli sering tidak sanggup menjelaskan apa yang sebenarnya mereka tahu.

Dari jalan buntu inilah AI modern lahir: mesin tidak lagi diberi aturan, tapi dibiarkan belajar sendiri dari contoh.

SUMBERA. L. Samuel, "Some Studies in Machine Learning Using the Game of Checkers", IBM Journal of R&D 3(3), 1959 · E. Feigenbaum, "Knowledge Engineering: The Applied Side of Artificial Intelligence", 1983

BAGIAN 1 · SEJARAH AI

Dari pertanyaan Turing sampai kita hari ini

Tujuh puluh tahun, empat tonggak besar, dan kurva yang sampai sekarang belum berhenti naik.

KAPABILITAS → dua “AI winter” · jalan buntu tadi ? 1950 Turing bertanya: “Bisakah mesin berpikir?” 1997 Deep Blue mengalahkan juara dunia catur 2012 Deep learning lepas landas 2022 ChatGPT · AI untuk semua orang 2026 kita di sini, dan kurvanya belum berhenti
BAGIAN 1 · APA ITU AI

Jadi, AI itu sebenarnya apa?

Artificial Intelligence = sistem komputer yang mengerjakan tugas yang biasanya butuh kecerdasan manusia.

Memahami bahasa

Mengenali pola & gambar

Mengambil keputusan

Membuat konten

Definisi kerja untuk tiga hari ini, cukup presisi buat jadi fondasi, cukup sederhana buat diingat.
BAGIAN 1 · APA ITU AI

Apa bedanya Traditional Programming dengan Artificial Intelligence?

Program biasa dikasih aturan. Artificial Intelligence belajar aturannya sendiri.

VS
TRADITIONAL PROGRAMMING
Aturan+Data→→Jawaban
  • Manusia menulis semua aturan: “kalau curah hujan > 10 mm → jalan licin”
  • Kaku, setiap kasus baru harus di-coding manual
ARTIFICIAL INTELLIGENCE
Data+Jawaban→→Aturan
  • Menemukan pola sendiri, dari data curah hujan & insiden bertahun-tahun
  • Makin banyak data berkualitas → model makin pintar
BAGIAN 1 · DIFERENSIASI

AI, ML, Deep Learning, GenAI: apa bedanya?

ARTIFICIAL INTELLIGENCE

Payung besarnya. Semua teknik yang membuat mesin “tampak pintar”.

MACHINE LEARNING

Mesin yang menemukan aturannya sendiri dari data, bukan diberi aturan oleh manusia.

DEEP LEARNING

Jaringan saraf berlapis-lapis, butuh data besar dan GPU.

GENERATIVE AI

Menciptakan konten baru: teks, gambar, kode. ChatGPT, Claude, Kimi, DeepSeek. Kita di sini.

BAGIAN 1 · SATU KASUS

Satu pertanyaan, dua cara menjawabnya

“Kapan truk hauling ini akan rusak?”

TRADITIONAL PROGRAMMING
jam operasi> 500 jam→ jadwalkan servis suhu oli> 95 °C→ alarm getaran> 4,5 mm/s→ inspeksi … + 9 aturan lain
  • Kerusakan yang datang pelan (suhu naik sedikit, getaran naik sedikit, dua-duanya masih di bawah ambang) lolos dari semua aturan
ARTIFICIAL INTELLIGENCE
SUHUGETARANJAMRUSAK ≤14 HR 883,1410tidak 944,8520ya 914,1380ya … 3 tahun riwayat, ribuan baris
  • Kita hanya memberikan data riwayat, tanpa satu pun aturan
  • Model menemukan sendiri kombinasi pola yang tidak terpikir untuk ditulis manusia
Traditional programming bertanya berapa thresholdnya. AI belajar dari truk sebelumnya yang sudah rusak.

CATATANAngka di atas ilustratif, tapi kasusnya nyata. Petrosea memakai pendekatan ini di Tabang; angkanya kita lihat nanti di Bagian 2.

BAGIAN 1 · DUA BAHAN BAKAR

Apa yang bikin dia makin pintar?

Tembok tadi ditembus bukan oleh aturan yang lebih pintar, tetapi oleh dua hal yang terus berkembang.

FAKTOR 1 · DATA

Makin banyak contoh, makin bagus tebakannya

ribuan→jutaan→miliaran contoh

Model sederhana berdata banyak kerap mengalahkan model canggih berdata sedikit.

“… pendekatan terbaik adalah merangkul kerumitan dan memanfaatkan kekuatan data.”

Halevy, Norvig & Pereira (Google, 2009), The Unreasonable Effectiveness of Data

FAKTOR 2 · KOMPUTASI

Daya komputasi untuk training meningkat sangat cepat

4–5× tiap tahun·2× tiap ~6 bulan·sejak 2010

Itu laju pertumbuhan komputasi untuk melatih model frontier.

“Pelajaran terbesar dari 70 tahun riset AI: metode umum yang memanfaatkan komputasi pada akhirnya paling efektif, dan selisihnya jauh.”

Richard Sutton (2019), The Bitter Lesson · angka: Epoch AI

SUMBERHalevy, Norvig & Pereira, IEEE Intelligent Systems 24(2), 2009 · R. Sutton, "The Bitter Lesson" (2019) · Epoch AI, tren compute model frontier (2024–2025)

BAGIAN 1 · DUA BAHAN BAKAR · SEBERAPA BESAR?

Seberapa besar “besar” itu?

DATA · YANG DIPAKAI UNTUK MELATIH SATU MODEL
15 triliunTOKEN · DATA LATIH LLAMA 3

Dibaca manusia nonstop 8 jam sehari, butuh kira-kira 250 ribu tahun.

GPT-3 · 2020 · 300 miliar→Llama 3 · 2024 · 15 triliun50× dalam 4 tahun
KOMPUTASI · YANG TERJADI SEKARANG
~1026OPERASI · SEKALI MELATIH MODEL FRONTIER

Kalau 8 miliar manusia menghitung 1 operasi per detik, butuh ±400 juta tahun.

pusat data dunia 2024 · 415 TWh→2030 · ±945 TWh

SUMBERMeta AI, "Introducing Meta Llama 3" (Apr 2024) · Epoch AI, "Will we run out of data?" (Jun 2024; stok efektif ±300T token, CI 100T–1.000T) & data insight compute frontier menembus 10²⁶ FLOP (proyeksi median Jan 2026) · IEA, "Energy and AI" (Apr 2025) · konversi "tahun membaca" & "400 juta tahun": aritmetika ilustratif dari angka di atas

BAGIAN 1 · MESIN FISIKNYA

Hardware-nya, sudah sampai mana?

Jensen Huang di panggung keynote CES 2025, di depan tampilan raksasa chip RTX Blackwell beserta spesifikasinya

Jensen Huang (CEO NVIDIA) memperkenalkan arsitektur Blackwell, keynote CES 2025.
Foto: Pronoia, CC0 (public domain), via Wikimedia Commons

NVIDIA

Rak GB200 NVL72

72 GPU disatukan NVLink jadi seperti satu mesin. Efeknya ±120 kW per rak: wajib pendingin air.

AMD

Kartu Instinct MI350

Memori terbesar di kelasnya, 288 GB per GPU. Tahun ini naik ke kelas rak lewat Helios.

Huawei

Supernode CloudMatrix 384

Chip-nya Ascend 910C. Kalah di chip tunggal, menang di jumlah lewat interkoneksi optik.

Lombanya sudah pindah: bukan siapa yang punya chip tercepat, tapi siapa yang bisa menyatukan chip paling banyak.

SUMBERMateri resmi NVIDIA (GB200 NVL72, roadmap Rubin) · spesifikasi AMD Instinct MI350 & rak Helios · laporan publik Huawei CloudMatrix 384 · daya per rak = kisaran konfigurasi

BAGIAN 1 · HASILNYA

Hardware secanggih itu, melahirkan Generative AI

HARDWARE

Rak berisi ribuan GPU

Mesin yang baru kita lihat di slide sebelumnya.

PROSESNYA

Dilatih berbulan-bulan

Membaca hampir seluruh teks yang ada di internet.

HASILNYA

Generative AI

AI yang bisa menciptakan, bukan cuma menilai.

Tanpa hardware sebesar itu, Generative AI belum akan ada.
BAGIAN 1 · DIFERENSIASI

AI yang menilai vs AI yang menciptakan

VS
DISCRIMINATIVE · MENILAI
AI ✓ NORMAL · DT-3105 ! RISIKO 87% · EX-2012
INPUTFoto, aliran sensor, riwayat mesin OUTPUTLabel atau angka (normal / berisiko, 87%) CONTOHPrediksi breakdown, deteksi fatigue, estimasi kadar ore
GENERATIVE · MENCIPTAKAN
"Draftkan laporan produksi harian" AI
INPUTPermintaan dengan bahasa sehari-hari OUTPUTKonten baru: teks, tabel, kode CONTOHLaporan harian, MoM → action items, SOP, email
BAGIAN 1 · MESINNYA

Generative AI ada karena ada LLM

LLM
MESINNYA
MENGHIDUPKAN
ChatGPT
ChatGPT
Claude
Claude
Gemini
Gemini
DeepSeek
DeepSeek
GENERATIVE AI · YANG KAMU PAKAI
BAGIAN 1 · DI BALIK MESIN

LLM itu autocomplete super canggih

Setelah dilatih dengan triliunan kata, large language model punya satu tugas dasar: menebak kata berikutnya.
“Jalan hauling licin karena semalam turun ___” hujan · 91%badai · 7%rapat · 0,01%
01

Semua yang dia lakukan adalah prediksi

Menulis, merangkum, menjawab, coding: semuanya prediksi kata berikutnya, dalam skala raksasa

02

Skalanya yang membuat hasilnya terasa pintar

Menggunakan triliunan parameter, dilatih dengan hampir seluruh teks di internet

03

Selalu ada iterasi percobaan agar model semakin canggih

Umpan balik manusia dipakai melatih ulang model supaya makin patuh instruksi (RLHF)

Dia menebak, bukan tahu. Ingat itu setiap kali dia terdengar yakin.
BAGIAN 1 · TITIK LEMAHNYA

Saat AI mengarang

“Halusinasi”: model memberikan informasi yang salah dengan sangat percaya diri. Perhatikan contoh di kiri.

COBA SENDIRI · TANYA HAL YANG KAMU TAHU JAWABANNYA
Novel Indonesia tentang anak pesantren yang terkenal itu apa? Siapa penulisnya?
Novel itu Negara 9 Menara karya Ahmad Fauzi, terbit 2009. Bercerita tentang enam santri di Pondok Madani yang berjanji menggapai mimpi masing-masing, dan sudah diangkat ke layar lebar.
Harusnya Negeri 5 Menara karya Ahmad Fuadi. Judulnya salah, nama penulisnya juga salah, padahal kalimatnya terdengar sangat meyakinkan. Itulah halusinasi.
KENAPA BISA TERJADI
  • Dia cuma menebak kata berikutnya; terdengar masuk akal ≠ benar
  • Tidak ada pengecek fakta bawaan; celah diisi dengan mulus
  • Paling parah di fakta langka & spesifik: nama, angka, sitasi
CARA MENGELOLANYA
  • Beri dia datanya: lampirkan file, jangan minta dari ingatan
  • Minta bukti: “sebutkan baris atau sumbernya”
  • Izinkan dia bilang tidak tahu: “kalau tidak yakin, jangan menebak”
Rasa yakin AI itu bukan bukti.
BAGIAN 1 · BONGKAR MITOS

Lima mitos, kita bongkar

✗

“AI itu robot yang berpikir seperti manusia”

AI itu software yang mencari pola di data, tanpa tubuh, tanpa kehendak, tanpa jam istirahat

✗

“AI tahu segalanya”

Dia menebak teks, dan bisa salah dengan sangat lancar dan percaya diri

✗

“AI itu objektif”

Dia mewarisi bias dari data yang dipakai melatihnya

✗

“Tahun depan AI menggantikan semua orang”

Yang digantikan itu tugas, bukan pekerjaan, kita bahas tuntas di akhir sesi

✗

“Ini terlalu canggih untuk yang bukan programmer”

Banyak orang sudah menjalankan AI untuk kerja sehari-hari tanpa pernah jadi programmer

2
BAGIAN 2 DARI 3

Lanskap AI 2026

Siapa pembuat mesinnya, berapa biaya memakainya, dan sejauh apa kemampuannya hari ini.

Provider modelBiayaState of the art
Coal mine stockpile

Tambang batu bara di Bontang, Indonesia, photo: Consigliere Ivan, CC BY 2.0, via Wikimedia Commons

BAGIAN 2 · PROVIDER MODEL

Siapa pembuat modelnya?

OpenAI

GPT-5.6 · ChatGPT

Pembuat ChatGPT dan keluarga GPT. Salah satu pelopor ledakan GenAI, dengan ekosistem pengguna terbesar.

ClaudeAnthropic

Keluarga Claude 5

Fable, Opus, Sonnet. Terkuat di reasoning, coding, dan kerja agentic jangka panjang. Mesin di balik banyak AI agent.

DeepSeek

DeepSeek V4

Model open-weight kelas frontier dengan biaya API termurah di kelasnya. Model inilah yang kita pakai selama training.

PERLU KAMU TAHU JUGA
GeminiGemini 3.1 xAIGrok KimiKimi K3 QwenQwen

SUMBEROpenAI, "Previewing GPT-5.6 Sol", openai.com (2026) · Anthropic, "Claude Fable 5 & Mythos 5", anthropic.com (2026) · DeepSeek, dokumentasi model V4, api-docs.deepseek.com (2026)

BAGIAN 2 · PROVIDER MODEL

Frontier API vs open-weight

Semua model tadi masuk ke salah satu dari dua jalur ini, dan memilihnya bukan soal mana yang lebih canggih.

VS
FRONTIER · CLOSED API
JARINGAN KAMU kantormu prompt + datamu jawaban SERVER VENDOR modelnya di sini
  • Model paling pintar yang tersedia, tinggal panggil API-nya
  • Bayar per token, tanpa beli perangkat apa pun
  • Datamu diproses di cloud vendor, cek dulu kebijakannya
GPT · OpenAIClaude · AnthropicGemini · Google
OPEN-WEIGHT
JARINGAN KAMU kantormu datamu tidak keluar SERVER KAMU · GPU
  • Unduh modelnya, jalankan di server sendiri
  • Kontrol data penuh, cocok untuk beban kerja sensitif
  • Butuh infrastruktur GPU dan tim yang mengelolanya
Kimi K3DeepSeekQwenLlama
YANG PERLU DITIMBANG
kemampuan modelkontrol databiayakesiapan tim
BAGIAN 2 · SOAL BIAYA

Sebenarnya, berapa biaya pakai AI?

Bukan langganan bulanan, biaya AI dihitung per token. Kita pecah menjadi tiga bagian supaya angkanya mudah dipahami.

01 · SATUANNYA

Token, bukan kata

1 token ≈ ¾ kata. Ini satu kalimat pendek:

The·haul·road·is·slippery= 6 token
02 · HARGANYA

Dihitung per juta token

Untuk kelas kapabilitas yang sama, harganya turun kira-kira 10× tiap tahun.

dulu ~$20→kini ~$0,40
03 · TAGIHANNYA

Contoh: agent laporan harian

Sekali jalan, agent membaca data lalu menulis laporan ≈ 50.000 token. Dikali 22 hari kerja ≈ 1,1 juta token sebulan.

1,1 jt token × ~$0,40→≈ $0,45 / bulan

SUMBERa16z, "Welcome to LLMflation" (2024) · halaman harga vendor, 2026 (OpenAI, Anthropic, Moonshot AI)

BAGIAN 2 · SOAL BIAYA

Daftar harganya, coba bandingkan sendiri

OpenAI

GPT-5.6 Terra

Input $2,00
Output $12,00

per juta token

ClaudeAnthropic

Claude Sonnet 5

Input $3,00
Output $15,00

per juta token

Kimi

Kimi K3

Input $3,00
Output $15,00

per juta token

DeepSeek

DIPAKAI DI TRAINING INI

DeepSeek V4 Pro

Input $0,66
Output $1,98

per juta token · tarif off-peak
jam sibuk: 2× lipat

Untuk kelas kemampuan yang sama, harga input-nya ±4,5× lebih murah*. Itu alasan training ini memakai DeepSeek.

SUMBER*Input per juta token vs Claude Sonnet 5 ($3,00 → $0,66 off-peak); di sisi output ±7,6×. DeepSeek memberlakukan tarif peak/off-peak sejak 16 Agu 2026, jam sibuk 01:00–04:00 & 06:00–10:00 UTC, sisanya off-peak; tier V4 Flash lebih murah lagi ($0,22 / $0,66). Menjadwalkan agent di luar jam sibuk (Day 2) memangkas tagihan separuh · harga DeepSeek per 18 Agu 2026 (api-docs.deepseek.com); harga vendor lain per Agu 2026: openai.com · anthropic.com · platform.moonshot.ai · platform.deepseek.com

BAGIAN 2 · YANG DIPAKAI DI DUNIA NYATA

Model apa yang paling banyak dipakai?

OPENROUTER · TOKEN DIPROSES · PEKAN S.D. 17 AGU 2026
1DeepSeek V4 Flash 073111,3T2Hy3 · tencent9,7T3GPT-5.6 Luna · openai5,57T4MiMo-V2.5 · xiaomi4,99T5DeepSeek V4 Flash 04234,77T6GLM 5.2 · z-ai4,41T7Gemini 3.6 Flash · google2,77T8Claude Opus 5 · anthropic2,7T9DeepSeek V4 Pro 04232,66T10Nemotron 3 Ultra · nvidia2,39T
#1DI SELURUH OPENROUTER

11,3 triliun token dalam sepekan, hampir dua kali peringkat tiga.

$0,28PER 1 JUTA TOKEN KELUARAN

Claude Opus 5 di angka $25,00. Selisihnya puluhan kali.

1,3 jutaTOKEN CONTEXT

Cukup untuk membaca banyak file dalam satu sesi kerja.

Agent jalan berjam-jam dan makan token terus, jadi yang menentukan murahnya per langkah.

SUMBEROpenRouter, LLM Rankings & daftar harga model, diakses 18 Agu 2026 · peringkat = volume pemakaian, bukan skor benchmark

BAGIAN 2 · STATE OF THE ART · 2026

Sejauh apa AI sudah melangkah

Perkembangan data dan komputasi tadi membawa dua hal sekaligus: kemampuan baru, dan harga yang membuat kemampuan itu terjangkau.

EMPAT KEMAMPUAN YANG BEBERAPA TAHUN LALU BELUM ADA

Reasoning

Model “berpikir dulu” sebelum menjawab. 2026: skor sempurna 42/42 di Olimpiade Matematika Internasional.

Konteks 1 juta token

Ratusan dokumen atau satu codebase penuh, dibaca sekali jalan.

Multimodal

Satu model bisa menerima dan menghasilkan teks, gambar, audio, dan video.

Agentic

Memakai komputer & browser, coding otonom berhari-hari, riset sendiri.

DUA KONDISI YANG MEMBUATNYA LAYAK DIPAKAI SEKARANG

Harganya sudah jatuh

Kelas kapabilitas yang sama: dari ~$20 jadi ~$0,40 per juta token, yang dulu muat di anggaran proyek, kini muat di anggaran satu tim.

Perusahaan sudah banyak mengadopsi AI

Gartner: 40% aplikasi enterprise akan punya AI agent di akhir 2026, naik dari <5% di 2025.

SUMBERSouth China Morning Post, skor sempurna 42/42 pertama yang dinilai resmi di IMO 2026 (Jul 2026) · a16z, "Welcome to LLMflation", Appenzeller (2024) · siaran pers Gartner (Agt 2025) · dokumentasi model Anthropic & OpenAI (2026)

BAGIAN 2 · TETAP WASPADA

Kuat, dan berisiko kalau tidak dikelola

Hallucination

Sudah kita bongkar di Bagian 1. Di skala perusahaan, satu angka yang dikarang bisa terbawa sampai ke rapat direksi.

Privasi data

Apa pun yang kamu paste akan dikirim ke cloud vendor. Cek kebijakan datanya, ikuti aturan IT & UU PDP (UU 27/2022).

Bias

Model mewarisi bias yang ada di internet. Keputusan soal orang tetap harus di tangan manusia.

Terlalu bergantung

Kalau semuanya terus dikerjakan agent, lama-lama tidak ada lagi orang yang sanggup menilai hasilnya. Pastikan tetap ada orang yang paham prosesnya.

Untuk beban kerja sensitif, jawabannya sudah dibahas sebelumnya: model open-weight di server sendiri, kontrol data penuh, tapi beban operasional lebih besar.
3
BAGIAN 3 DARI 3

Dari chatbot ke agent

Pergeseran yang akan kita pelajari selama tiga hari ini: AI yang tidak lagi sekadar menjawab, tetapi mulai menuntaskan pekerjaan.

UJUNG KURVA TADI · SEKARANG KITA ISI 1950→2012→2022 · ChatGPT→2025+ · Agent
Empat generasiAnatomi agentKenapa sekarang
BAGIAN 3 · EMPAT GENERASI

Dari Traditional AI ke Agentic AI

Empat generasi, satu arah yang sama: dari mesin yang disuruh langkah demi langkah, ke mesin yang diberi tujuan.

GEN 1 · RULE-BASED

Mengikuti aturan

If-then yang ditulis manual, seperti alarm threshold sensor.

GEN 2 · PREDICTIVE

Memprediksi

Belajar pola dari data historis, seperti prediksi kerusakan alat.

GEN 3 · GENERATIVE

Menjawab & menciptakan

Paham bahasa dan bisa menulis, tapi tetap menunggu disuruh.

GEN 4 · AGENTIC

Menuntaskan pekerjaan

Diberi tujuan, lalu merencanakan dan memakai tools sampai selesai.

BAGIAN 3 · BEDANYA DI MANA

Bedanya terlihat di sini: chatbot vs agent

CHATBOT · MENJAWAB
Tolong buatkan draft email follow-up ke vendor sparepart
Tentu! Ini draftnya: "Yth. Bapak/Ibu, menindaklanjuti PO #1042…"
Lalu kamu: copy → buka email → kirim → pantau balasan → follow-up lagi → rekap sendiri
AGENT · MENUNTASKAN
Follow-up vendor sparepart soal PO #1042 sampai ada kepastian jadwal, lalu rekap ke aku
Siap, sedang kukerjakan. Follow-up sudah kukirim, kupantau balasannya, kalau 2 hari belum dibalas, kuingatkan lagi.
Update: vendor konfirmasi barang tiba hari Kamis. Sudah kucatat di rekap mingguan.
Chatbot menjawab pertanyaan. Agent menuntaskan pekerjaan.
BAGIAN 3 · ANATOMI AGENT

Anatomi sebuah AI agent

Model · otaknya

LLM yang memahami dan merencanakan (Claude, GPT, Kimi, DeepSeek)

Tools · tangannya

Terminal, file, browser, API: caranya beraksi di dunia nyata

Memory · buku catatannya

Catatan yang bertahan lintas sesi, supaya agent tidak selalu mulai dari nol

Loop · kegigihannya

Coba → cek → perbaiki → ulangi, sampai tujuannya tercapai

TUJUAN RENCANA AKSI pakai tools CEK sudah beres? SELESAI + LAPOR belum → ulangi
BAGIAN 3 · SUDAH HADIR

Agent yang sudah bisa kamu pakai hari ini

Claude

Claude Code

Coding agent yang membangun, menguji, dan memperbaiki software secara otonom, bisa berjam-jam nonstop.

ChatGPT

Deep Research

Membaca ratusan sumber, lalu menghasilkan laporan lengkap dengan sitasi (OpenAI, Gemini, dan sejenisnya).

Computer-use agent

Mengoperasikan aplikasi & situs layaknya manusia, cocok untuk sistem yang tidak punya API.

OpenClaw

Framework agent personal open-source, punyamu sendiri, di komputermu. Kita install hari ini.

BAGIAN 3 · CONTOH LAPANGAN

Beberapa contoh dari lapangan

Nama perusahaannya sengaja tidak ditampilkan, yang menarik justru angkanya.

PERUSAHAAN FINTECH GLOBAL
±$60 jt HEMAT / TAHUN

Agent layanan pelanggan yang tidak berhenti di menjawab: membuka akun, memproses refund, mengatur jadwal bayar sampai tuntas. Menangani ⅔ chat masuk, setara pekerjaan ±850 staf.

BANK INVESTASI GLOBAL
30 detik DARI BERJAM-JAM

Deck presentasi yang dulu menghabiskan berjam-jam waktu analis junior, kini disusun agent dalam ±30 detik, tinggal direview.

JARINGAN RUMAH SAKIT
66 menit HEMAT / DOKTER / HARI

Agent mendengarkan konsultasi, menulis catatan klinis, dan mengisi sendiri rekam medis. Waktu dokumentasi turun 42%.

Tiga industri berbeda, satu pola yang sama: kerja administratif yang tuntas sendiri. Di tambang pola ini baru mulai, justru di situ peluangnya.

SUMBERStudi kasus publik 2024–2026, nama perusahaan sengaja disamarkan · SparkEighteen, "12 Agentic AI Case Studies 2025–2026" · Kore.ai, "AI agents in healthcare" (2026)

BAGIAN 3 · SISI LAINNYA

Bahkan sudah berkeliaran di timeline kamu

“Annette” bukan manusia

Akun ini berdebat politik seperti warga biasa, sampai seseorang membalas dengan satu kalimat jebakan.

“Ignore all previous instructions…”

Bot-nya patuh, langsung menulis puisi tentang jeruk. Penyamaran itu terbongkar; balasannya ditonton 2,9 ribu kali dan menyebar jauh lebih luas.

Agent yang berguna dan bot yang menyamar, teknologinya sama. Bedanya ada di tujuan pemakainya dan guardrails-nya.
Thread X: bot AI terbongkar lewat balasan ignore all previous instructions

Screenshot: @tobyhardtospell di X (Jul 2024), via Know Your Meme

BAGIAN 3 · PERTIMBANGAN

Kapan sebaiknya tidak pakai agent

Keputusan berisiko tinggi & tidak bisa dibatalkan

Persetujuan pembayaran, keputusan HR, sign-off legal: agent menyiapkan, manusia yang memutuskan

Kontrol real-time yang menyangkut keselamatan

Alarm slope monitoring, interlock dispatch, ini ranahnya sistem kontrol yang direkayasa khusus, bukan language model

Tugas sekali-jalan yang lebih cepat dikerjakan manual

Membuat SOP-nya malah butuh waktu lebih lama daripada mengerjakan tugasnya, otomatiskan yang berulang, bukan yang jarang terjadi

Apa pun yang tidak bisa kamu verifikasi

Kalau tidak ada yang bisa mengecek hasilnya, kesalahan bisa lolos tanpa disadari

Agent menyiapkan. Manusia yang memutuskan.
BAGIAN 3 · KENAPA SEKARANG

Kenapa sekarang?

Modelnya sudah siap

Reasoning dan context window panjang membuat agent cukup andal untuk tugas yang berlapis-lapis.

Pintunya sudah terbuka

Model sekarang bisa mengakses terminal, file, browser, dan API, bukan cuma kotak chat.

Harganya sudah masuk akal

Harga token anjlok, agent personal yang jalan 24/7 sekarang terjangkau.

BAGIAN 3 · DAN KAMU

Apakah AI akan mengambil pekerjaanmu?

“AI tidak akan mengambil pekerjaanmu. Yang akan mengambil pekerjaanmu adalah orang lain yang memakai AI.”

Richard Baldwin, ekonom, World Economic Forum Growth Summit (2023)

RANGKUMAN

Poin-poin penting

Enam hal yang layak dibawa pulang, satu cerita dalam tiga bagian.

BAGIAN 1 · MEMAHAMI AI

AI adalah software yang belajar dari data, dan sudah ada di sekitarmu jauh sebelum ChatGPT.

LLM bekerja dengan memprediksi teks: lancar dan meyakinkan, tapi bisa salah. Selalu verifikasi angkanya.

BAGIAN 2 · LANSKAP AI 2026

Pilih provider sesuai sensitivitas datamu: frontier API kalau butuh model terpintar, open-weight on-prem kalau data tidak boleh keluar.

Kemampuannya naik, harganya turun. Yang dulu seukuran anggaran proyek, kini muat di anggaran satu tim.

BAGIAN 3 · DARI CHATBOT KE AGENT

Pergeseran 2026: dari AI yang menjawab ke agent yang menuntaskan, lalu manusia yang memutuskan.

Tugas pertama yang cocok: berulang, berbasis teks, mudah diverifikasi. Siapkan satu untuk besok.

LAMPIRAN · SIMPAN INI

Sepuluh istilah yang akan sering kamu dengar sepanjang training

DASAR MODEL & LLM
01

Token

Satuan yang dibaca AI, dan satuan yang kamu bayar (≈ ¾ kata)

02

Prompt

Apa yang kamu minta ke model, makin jelas permintaannya makin bagus hasilnya

03

Model · LLM

“Otak” yang sudah dilatih: Claude, GPT, Kimi, DeepSeek semuanya model

04

Context window

Meja kerjanya, semua yang bisa dilihat model saat ini

05

Halusinasi

Percaya diri, lancar, tapi salah: kelola, jangan diabaikan

DUNIA AGENT · DIPAKAI DAY 2 & 3
06

Agent

AI yang merencanakan dan bertindak pakai tools sampai tugasnya selesai

07

Skill

SOP tertulis yang dijalankan agent-mu, besok kamu akan menulis satu

08

Gateway

Pintu yang selalu aktif, menghubungkan aplikasi chat ke agent-mu

09

Automation · cron

Tugas yang berjalan sesuai jadwal tetap, misalnya “setiap hari jam 06:00”

10

Heartbeat

Pengecekan berkala dari agent: “ada yang perlu diperhatikan?”

LAMPIRAN · SUMBER

Sumber & bacaan lanjutan

01

Rio Tinto · Automation & AutoHaul

"First delivery with the world's largest robot" · riotinto.com (2018)

02

McKinsey · "Buckets of innovation"

Proyek Minerva milik Petrosea, Tabang · mckinsey.com (2020)

03

McKinsey · "Freeport-McMoRan turns data into value"

ML pada sensor concentrator, Bagdad AZ · mckinsey.com (2020)

04

Vale · Pabrik model AI di Itabira

Produktivitas +25%, Conceição 2 · vale.com (Jun 2026)

05

uGems · Sinarmas Mining · Transformasi digital GEMS

Fleet management di Borneo Indobara · ugems.id (2025)

06

R. Baldwin · "AI won't take your job…"

World Economic Forum Growth Summit (2023)

07

Gartner · prediksi AI agent task-specific

40% aplikasi enterprise pada 2026 · gartner.com (Agt 2025)

08

a16z · "Welcome to LLMflation"

Guido Appenzeller, tren harga · a16z.com (Nov 2024)

09

SCMP · skor sempurna pertama AI di IMO

Dinilai resmi 42/42, IMO 2026 · scmp.com (Jul 2026)

10

OpenAI · Anthropic · DeepSeek

GPT-5.6 Sol, keluarga Claude 5, DeepSeek V4 · dokumentasi vendor (2026)

11

OpenClaw · dokumentasi resmi

docs.openclaw.ai (2026), dipakai sepanjang Day 2

12

UU No. 27/2022 · PDP Law

Undang-Undang Pelindungan Data Pribadi Indonesia (2022)

13

McCarthy, Minsky, Rochester & Shannon · Proposal Dartmouth

"A Proposal for the Dartmouth Summer Research Project on AI" (31 Agu 1955) · www-formal.stanford.edu/jmc

14

A. L. Samuel · asal istilah "machine learning"

"Some Studies in Machine Learning Using the Game of Checkers" · IBM Journal of R&D 3(3), 1959

15

E. Feigenbaum · knowledge acquisition bottleneck

"Knowledge Engineering: The Applied Side of AI" (1983) · via Forbes, Gil Press (2022)

16

A. Halevy, P. Norvig & F. Pereira · "The Unreasonable Effectiveness of Data"

IEEE Intelligent Systems 24(2), 2009 · research.google

17

R. Sutton · "The Bitter Lesson"

incompleteideas.net (Mar 2019), komputasi mengalahkan pengetahuan yang ditulis tangan

18

Epoch AI · tren compute pelatihan

Frontier model tumbuh 4–5×/tahun sejak 2010 · epoch.ai (2024–2025)

GAMBARPhotos: Oak Ridge National Laboratory & Consigliere Ivan (CC BY 2.0, Wikimedia Commons) · NASA · fauxels/Pexels · Arnold Francisca/Unsplash · xAI mark vectorization: MrHerii (CC BY-SA 4.0). Poster The Imitation Game © StudioCanal/The Weinstein Company, via Wikipedia, fair use, ditampilkan untuk komentar edukatif. Semua logo adalah merek dagang milik pemiliknya masing-masing, ditampilkan secara nominatif.

1 / 18