| Tweet |
|
Topik:
|
19 Contoh Penggunaan GPT-6 Astra yang Dapat Kita BangunOleh: Hobon.id (20/11/2026)
OpenAI memperkenalkan GPT-6 Astra pada 3 September 2026, pertama kali kepada sejumlah organisasi terbatas, termasuk peserta dalam program keamanan siber mereka, dengan ketersediaan luas menyusul dalam beberapa hari. Produk ini ditawarkan di ChatGPT, di agen coding Codex, dan melalui API OpenAI sebagai gpt-6-astra, serta melalui Microsoft Azure dan Amazon Bedrock, dan varian Astra Pro tersedia pada paket tingkat yang lebih tinggi. Pada saat peluncuran, daftar API menunjukkan context window sekitar 1,05 juta token, hingga 128.000 token output, dan batas waktu pengetahuan pada 30 April 2026, dengan harga $10 per juta token input, $1 per juta token input yang di-cache, dan $50 per juta token output. Satu pembaruan penting lagi: OpenAI telah menindaklanjuti dengan GPT-6.2 Astra, yang dirilis pada pertengahan November 2026 dengan harga API yang lebih rendah. Semua yang ada dalam panduan ini berlaku sama untuk versi yang lebih baru, dan untuk build baru.Empat properti model membentuk sebagian besar desain di bawah ini. Yang pertama adalah penggunaan komputer. OpenAI menggambarkan Astra mampu bekerja di berbagai website, aplikasi desktop, dan alat internal tanpa memerlukan API, dengan melihat layar dan mengklik serta mengetik seperti yang dilakukan manusia. Pada benchmark OSWorld V2-Offline yang dilaporkan OpenAI, yang menguji kinerja di berbagai aplikasi desktop, Astra mencetak 72,6 persen, naik dari 65,7 persen untuk pendahulunya. Itu adalah laporan vendor, dan itu juga berarti kira-kira satu dari empat tugas masih gagal, yang merupakan pengingat untuk mendesain untuk pengawasan. Properti kedua adalah konteks panjang, yang memungkinkan sistem untuk menampilkan dokumen besar, codebase, atau riwayat kasus sekaligus. Yang ketiga adalah pelatihannya untuk pekerjaan profesional, yang menurut OpenAI mencakup pembuatan dokumen, presentasi, dan spreadsheet. Yang keempat adalah kontrol upaya, yaitu model dapat berjalan pada beberapa tingkat penalaran, dan pengukuran independen menunjukkan pertukaran tersebut dengan jelas. Pada tingkat upaya tertinggi, tugas evaluasi yang sulit membutuhkan waktu sekitar dua puluh menit, sementara tingkat yang lebih rendah membutuhkan beberapa menit. Dalam praktiknya, kita akan menyesuaikan tingkat upaya dengan tugas dan tidak menjalankan semuanya pada tingkat maksimum. Advertisement:
Cetak Biru Umum untuk Setiap Kasus PenggunaanHampir setiap sistem di bawah ini mengikuti kerangka yang sama, dan akan sangat membantu jika kita melihatnya sekali saja. Ada pemicu yang memulai pekerjaan, seperti tiket baru, pekerjaan terjadwal, kedatangan file, atau permintaan seseorang. Ada lapisan konteks yang menyediakan apa yang dibutuhkan model, seperti: dokumen, catatan, kebijakan, dan contoh yang relevan. Ada serangkaian alat yang dapat digunakan model, yang mungkin berupa API, kueri database, browser, atau lingkungan eksekusi kode. Ada lapisan kontrol yang menentukan seberapa besar otonomi yang dimiliki model, tindakan mana yang memerlukan persetujuan manusia, dan batasan apa yang berlaku untuk biaya dan jumlah langkah. Dan ada lapisan evaluasi dan pencatatan yang mencatat apa yang terjadi dan mengukur apakah itu baik. Dua prinsip desain berulang. Sesuaikan pengawasan dengan kemampuan untuk dibatalkan, yaitu menyusun pesan dapat dilakukan secara otomatis, tetapi mengirim uang, menghapus data, atau menghubungi pelanggan atas nama kita harus memiliki batasan yang proporsional dengan kerusakan yang dapat ditimbulkan oleh kesalahan. Dan mulailah dari yang sempit. Sistem yang menangani satu tugas yang terdefinisi dengan baik secara andal jauh lebih berharga daripada sistem yang mencoba segalanya dan gagal secara tak terduga. Dengan cetak biru tersebut, berikut adalah sembilan belas sistem tersebut. Bagian 1: Agen yang Mengoperasikan Software1. Agen KomputerAgen komputer adalah penggunaan paling langsung dari kemampuan utama Astra, yaitu sebuah sistem yang menyelesaikan tugas dengan mengoperasikan komputer, menavigasi website dan aplikasi desktop melalui tangkapan layar, klik, dan penekanan tombol. Sistem ini paling berharga di tempat yang tidak memiliki API yang bersih, seperti alat internal lama, portal vendor, situs pemerintah, dan software desktop lama, di mana sejumlah besar pekerjaan kantor nyata masih ada. Untuk membangunnya, jalankan agen di dalam lingkungan terisolasi, seperti mesin virtual atau kontainer dengan browser dan aplikasi khusus yang dibutuhkannya. Berikan deskripsi tugas dan, idealnya, prosedur tertulis untuk diikuti, lalu biarkan berulang: amati layar, putuskan tindakan, lakukan, dan periksa hasilnya. Jaga agar tetap berada di dalam sandbox dengan kredensial yang terbatas, karena agen yang dapat mengklik apa pun juga dapat mengklik hal yang salah. Tambahkan checkpoint yang memerlukan persetujuan sebelum langkah-langkah yang tidak dapat dibatalkan seperti mengirimkan pembayaran atau menghapus catatan, dan rekam seluruh sesi, dengan tangkapan layar, sehingga kita dapat mengaudit apa yang terjadi. Proyek pertama yang masuk akal adalah tugas berulang dan berisiko rendah seperti mengambil laporan dari portal dan menyimpannya ke folder bersama. Yang perlu diperhatikan adalah konten web dapat berisi instruksi yang dimaksudkan untuk membajak agen, jadi perlakukan apa pun yang ada di layar sebagai tidak tepercaya dan batasi akses agen. 2. Agen CodingAgen coding mengambil tugas yang dijelaskan dalam bahasa sederhana, seperti laporan bug atau permintaan fitur, dan bekerja melalui repositori untuk menghasilkan perubahan, seperti: membaca kode, menulis dan mengedit file, menjalankan pengujian, dan mengulanginya hingga berhasil. Astra tersedia di Codex OpenAI, yang menyediakan siklus ini secara langsung, dan kita juga dapat membangun agen kita sendiri menggunakan API jika kita memerlukan alat khusus atau ingin menjalankannya di dalam infrastruktur kita sendiri. Kuncinya terletak pada lingkungannya. Berikan agen rangkaian pengujian yang cepat dan andal, karena pengujian adalah cara agen mengetahui apakah ia berhasil. Berikan panduan singkat tentang konvensi kita, seperti cara menjalankan proyek, gaya apa yang harus diikuti, dan apa yang tidak boleh diubah. Jalankan di cabang atau lingkungan pengujian (sandbox), dan arahkan outputnya melalui tinjauan kode yang sama yang kita terapkan pada pekerjaan kolega manusia. Tugas awal yang baik adalah tugas yang terdefinisi dengan baik dan berdampak kecil, seperti: memperbaiki pengujian yang gagal, memperbarui dependensi, menambahkan endpoint kecil, atau menulis pengujian yang hilang. Perubahan besar dan samar cenderung berjalan buruk karena agen tidak memiliki cara yang andal untuk mengetahui apakah telah mencapai tujuan yang tidak dinyatakan. Perlakukan apa yang ditulisnya sebagai pull request untuk ditinjau, bukan sebagai keputusan. 3. QA WebsiteQuality assurance website sangat cocok karena menggabungkan dua hal yang dilakukan model ini dengan baik, yaitu mengoperasikan browser dan menilai apakah apa yang muncul di layar sudah benar. Agen QA dapat menelusuri perjalanan pengguna seperti mendaftar, mencari, menambahkan ke keranjang, dan melakukan pembayaran, kemudian melaporkan apa yang rusak, menyertakan tangkapan layar, dan menjelaskan langkah-langkah untuk mereproduksinya. Ada dua cara untuk membangunnya. Pendekatan eksploratif memungkinkan agen untuk menjalankan browser sungguhan menggunakan kemampuannya dalam penggunaan komputer, mengikuti skrip pengujian bahasa alami seperti "mendaftarkan akun baru dan memverifikasi email konfirmasi telah tiba." Pendekatan yang lebih tahan lama meminta agen untuk menulis skrip pengujian otomatis konvensional, menggunakan framework seperti Playwright, yang kemudian kita jalankan dengan murah dan berulang kali, dengan agen digunakan lagi ketika pengujian gagal dan perlu diperbaiki. Banyak tim menggabungkannya, menggunakan agen untuk eksplorasi dan untuk memelihara rangkaian skrip. Berikan persyaratan atau spesifikasi desain kita sehingga dapat membandingkan perilaku dengan tujuan, dan minta agen untuk memeriksa hal-hal di luar fungsionalitas, seperti masalah tata letak, tautan rusak, masalah aksesibilitas, dan konten yang tidak konsisten. Keterbatasannya adalah ketidakpastian: pengujian berbasis model dapat berhasil atau gagal secara berbeda pada setiap percobaan, jadi sebaiknya gunakan hanya untuk eksplorasi dan penanganan masalah, dan andalkan skrip deterministik untuk membatasi rilis. Bagian 2: Pekerjaan Pelanggan dan Pasar4. Agen DukunganAgen dukungan menjawab pertanyaan pelanggan menggunakan dokumentasi kita, tiket sebelumnya, dan data akun, serta menangani permintaan rutin seperti bantuan kata sandi, status pesanan, dan pertanyaan kebijakan. Pada tingkat paling sederhana, ini adalah pencarian di basis pengetahuan kita ditambah draf balasan. Pada tingkat paling canggih, ia dapat mencari akun pelanggan, mengambil tindakan seperti mengeluarkan pengembalian dana dalam batas yang ditentukan, dan meneruskan ke petugas dengan ringkasan yang jelas ketika suatu kasus berada di luar wewenangnya. Bangunlah sistem ini berdasarkan pengetahuan yang baik, karena keakuratan agen hanya sebaik sumbernya. Jaga agar dokumentasi selalu terkini, dan instruksikan agen untuk menyebutkan artikel mana yang digunakan dan untuk menyatakan jika tidak tahu daripada menebak. Tetapkan batasan tindakan yang eksplisit, seperti pengembalian dana hingga jumlah tertentu, dan arahkan semua hal lainnya ke petugas dengan percakapan dan data yang relevan terlampir. Evaluasi sistem ini pada tiket historis nyata sebelum diluncurkan, ukur akurasi penyelesaian dan tingkat jawaban yang salah, bukan hanya kecepatan. Mulailah dengan membuat draf balasan untuk disetujui oleh agen manusia, kemudian beralih ke penanganan otomatis untuk kategori paling sederhana seiring berjalannya waktu, dan permudah pelanggan untuk menghubungi seseorang kapan saja. 5. Agen PenjualanAgen penjualan mendukung bagian-bagian berulang dari penjualan, seperti: meneliti akun, mengkualifikasi prospek masuk, menyusun pesan yang dipersonalisasi, menyiapkan ringkasan panggilan, memperbarui CRM setelah pertemuan, dan menindaklanjuti kesepakatan yang macet. Kekuatan model ini adalah menggabungkan informasi yang tersebar, seperti website perusahaan, berita, dan percakapan sebelumnya, menjadi sesuatu yang dapat digunakan oleh tenaga penjualan dalam dua menit. Untuk membangunnya, hubungkan ke CRM kita, email dan kalender kita, dan sumber data yang disetujui, dan berikan profil pelanggan ideal kita, pedoman pesan, dan contoh pesan yang efektif. Libatkan seseorang untuk setiap hal yang dikirim ke prospek, setidaknya pada awalnya, karena pesan yang buruk merusak hubungan dan reputasi pengirim kita. Hormati aturan seputar email yang tidak diminta dan privasi data yang berlaku di pasar kita, dan jangan biarkan agen mengarang fakta tentang prospek agar terdengar personal, yang merupakan kesalahan umum. Titik awal yang baik adalah pekerjaan internal, seperti ringkasan panggilan dan pembaruan CRM, di mana kesalahan tidak terlalu signifikan, sebelum beralih ke pesan eksternal. 6. Intelijen KompetitifSistem intelijen kompetitif memantau pesaing dan pasar, kemudian mengubah temuannya menjadi laporan berkala, seperti: peluncuran produk, perubahan harga, pola perekrutan, kemitraan, ulasan pelanggan, dan komentar eksekutif. Nilainya terletak bukan pada satu fakta tunggal, melainkan pada sintesis, seperti memperhatikan bahwa tiga pesaing semuanya mulai merekrut untuk jenis peran yang sama. Bangunlah sebagai alur kerja terjadwal. Kumpulkan sumber publik, termasuk website, siaran pers, pengajuan, papan lowongan kerja, situs ulasan, dan berita, menggunakan alat pencarian dan, jika perlu, agen penjelajah. Minta model untuk mengekstrak perubahan terstruktur, membandingkannya dengan snapshot sebelumnya, dan menulis ringkasan singkat dengan tautan ke bukti. Patuhi informasi publik dan hormati ketentuan layanan situs web. Mintalah model untuk memisahkan apa yang didokumentasikan dari apa yang disimpulkan, dan tinjau ringkasan selama beberapa minggu pertama untuk menangkap klaim yang dihalusinasi atau sudah usang. Ringkasan mingguan yang disesuaikan dengan audiens tertentu, seperti produk, penjualan, atau kepemimpinan, lebih bermanfaat daripada informasi yang diberikan secara terus-menerus. Bagian 3: Analisis dan Dokumen7. Analis KeuanganAsisten analisis keuangan membaca laporan keuangan, transkrip pendapatan, dan data keuangan internal, kemudian membangun model, meringkas kinerja, menandai anomali, dan menyusun komentar. Untuk tim keuangan perusahaan, ia dapat membantu analisis varians, komentar akhir bulan, dukungan penganggaran, dan draf paket dewan direksi. Untuk riset investasi, ia dapat meringkas serangkaian laporan keuangan dan mengekstrak metrik kunci, meskipun tidak boleh dianggap memberikan nasihat investasi. Prinsip desain intinya adalah memisahkan bahasa dari aritmatika. Biarkan model membaca dan bernalar, tetapi gunakan eksekusi kode atau alat spreadsheet untuk perhitungan, dan wajibkan untuk menunjukkan sumber dan asumsinya, dengan setiap angka dapat dilacak ke dokumen atau kueri. Periksa silang output terhadap angka yang diketahui, karena angka yang tampak masuk akal tetapi salah adalah karakteristik kegagalan. Tetapkan orang yang berkualifikasi bertanggung jawab atas kesimpulan yang menjadi dasar pengambilan keputusan, dan simpan jejak audit input dan output. Dengan cara ini, ia memadatkan berjam-jam membaca dan memformat menjadi beberapa menit sambil menyerahkan penilaian kepada orang-orang. 8. Kecerdasan SpreadsheetSpreadsheet menjalankan banyak bisnis, dan penuh dengan logika yang tidak terdokumentasi. Sistem kecerdasan spreadsheet dapat menjelaskan fungsi buku kerja yang tidak dikenal, menemukan kesalahan dan rumus yang tidak konsisten, membersihkan data yang berantakan, membangun model baru dari deskripsi, dan menjawab pertanyaan tentang angka-angka dalam bahasa yang mudah dipahami. OpenAI menggambarkan output profesional, termasuk spreadsheet, sebagai fokus Astra, dan context window yang panjang memungkinkannya membaca buku kerja besar dalam satu kali proses. Bangunlah dengan alat spreadsheet sungguhan: pustaka atau add-in yang memungkinkan model membaca sel dan rumus, menulis perubahan, dan menghitung ulang, daripada memintanya untuk menalar tentang blok teks yang ditempel. Selalu kerjakan pada salinan dan minta sistem untuk menjelaskan setiap perubahan. Mintalah untuk menambahkan pemeriksaan, seperti total yang harus direkonsiliasi, sehingga kesalahan muncul secara visual. Proyek pertama yang berguna adalah asisten audit yang meninjau buku kerja penting untuk referensi yang rusak, angka yang dikodekan secara permanen yang tersembunyi dalam rumus, dan rentang yang tidak konsisten, menghasilkan laporan untuk ditindaklanjuti oleh pemilik manusia. 9. Dokumen dan PresentasiPembuat dokumen dan presentasi mengubah bahan mentah, seperti catatan, data, transkrip, dan garis besar, menjadi hasil akhir yang sudah dipoles, seperti: laporan, proposal, memo, slide presentasi, dan dokumen pengarahan. OpenAI menyebutkan dokumen dan presentasi sebagai salah satu pekerjaan profesional yang menjadi fokus Astra, dan menyatakan bahwa Astra memiliki kemampuan penulisan dan desain yang lebih kuat daripada model sebelumnya. Untuk membuatnya, tentukan template dan panduan gaya agar output sesuai dengan merek dan format kita, dan berikan sistem materi sumber dengan arahan yang jelas yang mencakup audiens, tujuan, dan panjang. Gunakan alat yang membuat file nyata, seperti pengolah kata dan dokumen presentasi atau slide yang dibuat dari konten terstruktur, sehingga hasilnya dapat diedit dan bukan hanya teks. Sertakan langkah peninjauan di mana model mengkritik drafnya sendiri terhadap arahan sebelum dilihat oleh manusia. Risiko utamanya adalah detail yang dibuat-buat, jadi mintalah kutipan dari sumber yang diberikan untuk klaim faktual dan minta seseorang untuk memverifikasi angka dan kutipan sebelum apa pun dibagikan secara eksternal. 10. Agen RisetAgen riset mengambil sebuah pertanyaan, merencanakan investigasi, mencari dan membaca banyak sumber, dan menghasilkan laporan terstruktur dengan kutipan. Ini adalah pola di balik fitur riset mendalam yang ditawarkan produk AI utama saat ini, dan kita dapat membangun versi yang sesuai dengan kebutuhan kita, seperti mencari literatur tertentu, dokumen internal kita, atau serangkaian situs yang telah ditentukan. Arsitekturnya adalah siklus perencanaan, pencarian, membaca, dan menulis, dengan model yang memutuskan kapan sudah cukup. Kualitas bergantung pada pemilihan dan verifikasi sumber. Berikan akses ke sumber-sumber yang bereputasi, minta untuk mencatat dasar setiap klaim, dan tambahkan tahap kedua yang memeriksa bahwa setiap sumber yang dikutip benar-benar mendukung kalimat yang dilampirkan, karena kutipan yang salah atribusi adalah kegagalan yang terdokumentasi dengan baik dari alat riset AI. Tentukan kedalaman yang kita inginkan, karena tugas riset dapat menghabiskan banyak waktu dan token. Hasilnya sebaiknya diperlakukan sebagai draf pertama yang terorganisir dengan baik yang diverifikasi oleh seseorang, bukan sebagai karya otoritatif yang sudah selesai. 11. Peninjauan KontrakAsisten peninjauan kontrak membaca perjanjian dan mengekstrak ketentuan-ketentuan kunci, menandai klausul yang berisiko atau tidak biasa, membandingkannya dengan posisi standar kita, dan menyarankan pengeditan. Konteks yang panjang sangat berharga di sini, karena kontrak dan lampirannya dapat panjang dan saling merujuk satu sama lain. Penggunaan umum meliputi peninjauan awal perjanjian rutin seperti NDA, kontrak vendor, dan sewa, serta meringkas kewajiban, tanggal perpanjangan, dan hak penghentian di seluruh portofolio. Bangunlah berdasarkan panduan, seperti: serangkaian posisi pilihan kita yang tertulis, alternatif yang dapat diterima, dan hal-hal yang tidak dapat ditawar, yang dibandingkan oleh model untuk setiap klausul dan dikutip per bagian. Persyaratkan agar model tersebut mengutip bahasa yang tepat yang diandalkannya, dan untuk menyatakan jika ada sesuatu yang hilang atau ambigu. Jelaskan perannya dengan jelas. Ini adalah alat yang mempercepat peninjauan pengacara atau manajer kontrak, bukan pengganti penilaian hukum, dan tidak memberikan nasihat hukum. Simpan dokumen-dokumen istimewa dan rahasia di dalam lingkungan implementasi dengan perlindungan data yang memadai, dan mintalah persetujuan dari orang yang berkualifikasi untuk segala sesuatu yang akan dikirimkan kepada pihak lawan. Komentar pelanggan OpenAI sendiri menyoroti kecenderungan model untuk menolak menyatakan kesimpulan yang tidak didukung oleh dokumen, yang merupakan perilaku yang kita inginkan, tetapi verifikasilah dengan pengujian kita sendiri. Bagian 4: Menjalankan Bisnis12. Operasi E-CommerceAgen operasi e-commerce menangani arus pekerjaan yang terus menerus menjalankan toko online, seperti: menulis dan meningkatkan daftar produk, menjaga konsistensi data katalog di berbagai saluran, memantau inventaris dan titik pemesanan ulang, menyesuaikan harga sesuai aturan, memproses pengembalian, menjawab pertanyaan pesanan, dan merekonsiliasi laporan pasar. Banyak dari tugas-tugas ini mencakup beberapa sistem, di sinilah penggunaan alat dan penggunaan komputer berpadu dengan baik, terutama untuk portal penjual pasar yang memiliki API terbatas. Bangunlah sebagai serangkaian rutinitas yang terfokus daripada satu agen yang mahakuasa: satu untuk daftar produk, satu untuk peringatan inventaris, satu untuk pesan pelanggan. Berikan masing-masing cakupan dan batasan yang jelas, seperti perubahan harga hanya dalam rentang yang ditentukan dan pengembalian dana hanya di bawah ambang batas. Catat setiap perubahan sehingga dapat dibatalkan, dan pantau kesalahan yang akan mahal jika diterapkan dalam skala besar, seperti harga yang salah diterapkan di seluruh katalog. Proyek pertama yang baik adalah pengayaan katalog, di mana agen menyusun judul, deskripsi, dan atribut dari data pemasok untuk disetujui oleh manusia, karena pekerjaan ini bervolume tinggi dan kerugian akibat kesalahan dapat diminimalisir. 13. Sistem Operasi AI StartupSistem operasi AI startup adalah sekumpulan agen terkoordinasi yang menangani beban administratif perusahaan kecil, seperti: memilah kotak masuk pendiri, menyiapkan ringkasan rapat, melacak percakapan investor dan pelanggan, menangani persiapan pembukuan, menyaring pelamar kerja, menyusun pembaruan, dan mencatat keputusan yang sedang berjalan. Idenya bukanlah satu agen raksasa, tetapi memori bersama dan beberapa rutinitas khusus yang memberinya informasi. Tantangan desainnya adalah akses dan kepercayaan. Sistem seperti itu menyentuh email, kalender, dokumen, alat keuangan, dan data pelanggan, jadi gunakan prinsip hak akses minimal: setiap agen hanya mendapatkan akses yang dibutuhkan tugasnya, dengan izin baca saja jika memungkinkan. Pertahankan basis pengetahuan pusat yang terstruktur yang dibaca dan ditulis oleh agen, sehingga konteks tetap terjaga. Lakukan tinjauan harian atau mingguan di mana pendiri melihat apa yang dilakukan sistem dan memperbaikinya. Hindari otomatisasi apa pun yang melibatkan pergerakan uang, komitmen hukum, atau masalah kepegawaian yang sensitif tanpa persetujuan eksplisit. Jika dilakukan dengan hati-hati, hal itu dapat memberikan tim yang sangat kecil pengaruh yang setara dengan tim yang lebih besar, tetapi kegagalan akibat akses luas ditambah pengawasan yang longgar sangatlah serius. Bagian 5: Pekerjaan Teknis dan Ilmiah14. Data ScienceAgen data science bekerja melalui alur kerja analitis, seperti: menjelajahi kumpulan data, membersihkan dan mentransformasinya, menjalankan uji statistik, membangun dan mengevaluasi model, membuat visualisasi, dan menuliskan temuan. OpenAI juga melaporkan kinerja yang kuat pada evaluasi berorientasi sains, yang menunjukkan bahwa sistem tersebut dapat menangani lebih banyak penalaran seputar metode, bukan hanya kode. Bangunlah dengan lingkungan eksekusi kode, seperti notebook atau runtime sandbox dengan library yang relevan, dan berikan akses baca ke data yang dibutuhkannya. Tekankan reproduksibilitas: ia harus menghasilkan skrip atau notebook yang dapat dijalankan ulang oleh seseorang, dan mencatat asumsi dan pilihannya. Penilaian statistik masih membutuhkan manusia. Model dapat menjalankan uji yang tidak sesuai untuk data, mengabaikan faktor pengganggu, atau melebih-lebihkan signifikansi, jadi mintalah untuk menyatakan asumsi di balik setiap metode dan untuk menandai keterbatasan. Penggunaan pertama yang kuat adalah analisis eksplorasi dan audit kualitas data, di mana ia memunculkan masalah dan hipotesis untuk ditindaklanjuti oleh analis, daripada kesimpulan akhir. 15. Engineering dan CADEngineering dan CAD adalah bidang di mana ambisi dan realitas berbeda, dan penting untuk bersikap jujur. Sebuah model dapat membantu pekerjaan engineering dalam beberapa cara realistis, seperti: menghasilkan desain parametrik sebagai kode menggunakan alat yang dapat diprogram seperti OpenSCAD, CadQuery, atau antarmuka skrip dari paket CAD umum, menjalankan perhitungan, menyusun spesifikasi dan rencana pengujian, meninjau desain terhadap standar, dan menghasilkan dokumentasi. Mengoperasikan program CAD grafis murni dengan mengklik dimungkinkan dengan penggunaan komputer, tetapi lebih lambat dan lebih rapuh daripada bekerja melalui kode atau API. Pendekatan yang tepat adalah membuat model menghasilkan desain sebagai kode atau parameter terstruktur, kemudian memvalidasinya dengan alat deterministik, seperti pemeriksaan geometri, simulasi, dan analisis toleransi, sebelum apa pun dibangun. Untuk hal-hal yang kritis terhadap keselamatan, seperti komponen struktural, medis, otomotif, atau kedirgantaraan, seorang insinyur yang bertanggung jawab harus meninjau dan memiliki hasilnya, dan keluaran model tidak boleh menjadi otoritas akhir. Proyek awal yang baik adalah mengotomatiskan pembuatan gambar berulang, seperti menghasilkan varian suatu bagian dari tabel parameter, atau menulis draf pertama prosedur inspeksi. 16. Operasi TIAsisten operasi TI menangani triase tiket, menjawab pertanyaan karyawan, melakukan tugas administratif rutin seperti pengaturan akun dan perubahan akses, menganalisis log dan peringatan, serta menyusun ringkasan insiden dan pembaruan runbook. Ia juga dapat membantu dalam tahap diagnosis insiden dengan membaca log dan metrik serta mengusulkan kemungkinan penyebabnya. Karena bekerja dengan sistem yang canggih, kontrol sangat penting di sini. Berikan akses hak istimewa minimal, dengan akses baca saja untuk diagnosis dan izin yang terbatas, tercatat, dan dapat dibatalkan untuk tindakan. Perlukan persetujuan manusia untuk perubahan pada sistem produksi, pemberian akses, dan apa pun yang memengaruhi keamanan. Enkripsikan runbook kita sehingga mengikuti prosedur kita alih-alih berimprovisasi. Implementasi awal yang baik adalah asisten insiden baca saja yang mengumpulkan bukti dan mengusulkan langkah selanjutnya untuk teknisi yang siaga, dan agen helpdesk untuk permintaan berisiko rendah seperti pengaturan ulang kata sandi dengan verifikasi identitas yang tepat. Seperti yang telah disebutkan sebelumnya, jika penggunaan kita mencakup pekerjaan keamanan ofensif, periksa kebijakan penggunaan penyedia, karena akses ke kemampuan siber tercanggih dari model ini dibatasi. Bagian 6: Fungsi Bisnis dengan Aturannya Sendiri17. Operasi PemasaranOperasi pemasaran penuh dengan pekerjaan terstruktur dan berulang yang cocok untuk otomatisasi, seperti: membangun laporan kampanye dari beberapa platform, mempertahankan parameter pelacakan yang konsisten, merencanakan kalender konten, menghasilkan variasi iklan dan salinan email, meringkas kinerja, menandai anomali dalam pengeluaran atau konversi, dan menjaga aset tetap terorganisir. Agen operasi pemasaran dapat menghubungkan tugas-tugas ini, mengambil data, menganalisisnya, dan menulis ringkasan mingguan. Bangunlah di atas alat pemasaran dan analitik kita, dengan panduan merek dan kepatuhan yang digunakan model untuk memeriksa pekerjaannya, mencakup nada, klaim yang boleh dan tidak boleh kita buat, dan bahasa yang diatur. Pertahankan langkah persetujuan manusia sebelum apa pun dipublikasikan atau dibelanjakan, terutama untuk media berbayar di mana kesalahan akan langsung merugikan. Tunjukkan analisisnya bersama dengan kesimpulannya, karena mengaitkan hasil dengan penyebab yang salah adalah jebakan analitis yang umum. Pelaporan dan kebersihan data adalah titik awal yang baik karena memakan waktu, terikat aturan, dan relatif berisiko rendah. 18. Administrasi Pelayanan KesehatanAdministrasi pelayanan kesehatan melibatkan banyak pekerjaan administrasi yang tidak memerlukan penilaian klinis, seperti: penjadwalan dan pengingat, pengecekan kelayakan asuransi, paket otorisasi sebelumnya, tindak lanjut klaim, koordinasi rujukan, permintaan catatan medis, dan penyusunan komunikasi rutin kepada pasien. Seorang agen dapat mengumpulkan dokumentasi, memeriksanya terhadap persyaratan pembayar, mengisi formulir, dan menyiapkan pengajuan, termasuk melalui portal yang tidak memiliki API. Ini adalah area yang diatur, dan desainnya harus mencerminkan hal itu. Tangani informasi kesehatan yang dilindungi hanya di lingkungan dengan perjanjian dan perlindungan yang diperlukan, seperti perjanjian rekan bisnis jika berlaku, dan minimalkan data yang dilihat oleh model. Pertahankan sistem di sisi administratif, seperti: sistem tersebut tidak boleh mendiagnosis, merekomendasikan perawatan, atau membuat keputusan klinis, dan apa pun yang menyentuh konten klinis harus ditinjau oleh profesional yang berkualifikasi. Pertahankan log audit, batasi akses berdasarkan peran, dan uji secara menyeluruh, karena kesalahan dalam penagihan dan otorisasi membawa konsekuensi finansial dan akses pasien. Keuntungannya nyata, karena beban administratif merupakan sumber utama biaya dan kelelahan staf, tetapi standar perawatan dalam desain sangat tinggi. Advertisement:
Bagian 7: Puncak Proyek19. Sistem Multi-AgenSistem multi-agen membagi tugas besar di antara beberapa agen khusus yang dikoordinasikan oleh seorang pengawas. Pengaturan tipikal memiliki perencana yang memecah tujuan menjadi sub-tugas, pekerja yang melaksanakannya secara paralel, seperti meneliti, menulis, menganalisis, atau menguji, dan peninjau yang memeriksa hasilnya sebelum digabungkan. Keuntungannya adalah fokus dan paralelisme: setiap agen memiliki perintah yang sempit, seperangkat alat yang terbatas, dan konteksnya sendiri, yang mencegahnya kewalahan, dan sub-tugas independen dapat berjalan secara bersamaan. Desain yang mempertimbangkan biaya menggunakan model yang berbeda untuk peran yang berbeda. Model terdepan seperti Astra dapat menangani perencanaan, penalaran yang sulit, dan tinjauan akhir, sementara model yang lebih kecil dan lebih murah, seperti model Sol dan Luna yang dirilis OpenAI pada bulan September, menangani sub-tugas rutin. Biaya pendekatan ini nyata: lebih banyak panggilan model, lebih banyak tempat untuk salah komunikasi, dan debugging yang lebih sulit. Mulailah dengan satu agen atau alur kerja sederhana, dan perkenalkan beberapa agen hanya ketika satu agen terbukti kesulitan karena konteksnya terlalu padat atau tugas-tugasnya benar-benar dapat dipisahkan. Tetapkan antarmuka yang jelas antar agen, seperti keluaran terstruktur, tetapkan anggaran dan batasan langkah, dan lacak setiap proses peralihan sehingga kita dapat melihat di mana terjadi kesalahan. Banyak kasus penggunaan di atas, seperti penelitian, uji tuntas, atau sistem operasi AI untuk perusahaan rintisan, menjadi sistem multi-agen setelah berkembang. Jadi, GPT-6 Astra tidak membuat sistem-sistem ini membangun diri sendiri, tetapi menurunkan hambatan bagi beberapa sistem yang sebelumnya tidak praktis, seperti: agen yang mengoperasikan software tanpa API, asisten yang membaca seluruh codebase atau kumpulan dokumen, dan sistem yang menghasilkan pekerjaan profesional yang lengkap. Sembilan belas kasus penggunaan di sini mencakup berbagai hal, mulai dari mengoperasikan komputer dan menulis kode hingga menganalisis keuangan, meninjau kontrak, menjalankan operasi, dan mengoordinasikan tim agen. Artikel Terkait:
|