Mengapa energi terdistribusi menjadi tantangan bagi operator
Jaringan distribusi aktif semakin tidak mirip dengan "pipa" klasik tempat listrik mengalir satu arah. Karena banyaknya koneksi panel surya, penyimpan energi, stasiun pengisian daya, dan munculnya konsumen aktif yang sekaligus membeli dan menjual energi, pengelolaan jaringan semacam itu berubah menjadi tugas dengan banyak skenario dan tujuan yang saling bertentangan. Satu keputusan yang sama harus mempertimbangkan keandalan, ekonomi, batasan peralatan, dan sinyal pasar — dan semuanya dalam mode yang mendekati waktu nyata.
Untuk memecahkan masalah semacam ini, para insinyur dan peneliti selama beberapa tahun terakhir telah menciptakan banyak model yang sangat terspesialisasi: sebagian memprediksi beban, sebagian lainnya mengoptimalkan aliran daya, dan sebagian lagi menilai kondisi jaringan. Secara terpisah, model-model semacam itu bekerja dengan baik. Tetapi ketika operator dihadapkan pada tugas kompleks baru, ia harus secara manual memilih algoritme yang diperlukan, memahami antarmukanya, mentransfer data di antara model-model tersebut, dan menginterpretasikan hasilnya. Ini membutuhkan kualifikasi tinggi dan banyak pekerjaan manual. Hampir setiap skenario baru berubah menjadi proyek integrasi tersendiri.
Hasilnya adalah paradoks: model AI khusus semakin banyak, tetapi manfaat gabungannya bagi operator tidak tumbuh secepat itu, karena terlalu banyak waktu yang dihabiskan untuk orkestrasi. Diperlukan alat yang dapat mengambil alih bagian rutin dari pekerjaan ini: memahami permintaan manusia, memecahnya menjadi subtugas, dan memanggil model yang diperlukan dalam urutan yang benar.
Koordinator LLM mengubah permintaan kompleks menjadi alur kerja
Sekelompok peneliti yang dipimpin oleh Xu Yang mengusulkan pendekatan di mana model bahasa besar berperan sebagai pengatur. Pengembangan ini diberi nama ADN-Agent. Idenya adalah pengguna berkomunikasi dengan sistem dalam bahasa sehari-hari, sementara model bahasa di dalamnya mengoordinasikan serangkaian model domain — para spesialis sempit yang sudah ada di bidang energi.
Dalam praktiknya, ini terlihat seperti ini: operator menulis satu permintaan, misalnya, "menilai konsekuensi pemutusan penyulang dengan prakiraan cuaca tertentu dan mengusulkan peralihan yang optimal." Tidak perlu menjalankan prakiraan, perhitungan aliran daya, dan model optimasi secara manual. ADN-Agent sendiri mengenali maksud, menguraikan tugas menjadi beberapa tahap, dan menentukan model khusus mana yang akan dihubungkan untuk bekerja. Berkat pemilihan model yang adaptif, sistem dapat menyesuaikan diri dengan berbagai jenis pertanyaan dan tidak mengharuskan manusia mengetahui detail implementasi setiap model.
Penting bahwa LLM tidak mencoba menghitung energi atau memecahkan persamaan sendiri. Ini adalah poin mendasar: model bahasa pandai dalam memahami konteks dan perencanaan, tetapi tidak dalam perhitungan numerik. Oleh karena itu, ADN-Agent menyerahkan komputasi kepada model domain yang telah teruji, dan untuk dirinya sendiri menyimpan peran "koordinator" — dekomposisi tugas, pemilihan alat, dan perakitan jawaban dalam bentuk yang dapat dipahami manusia.
Antarmuka terpadu untuk "keragaman" model
Salah satu masalah utama dalam menciptakan sistem semacam itu adalah heterogenitas model domain. Model-model tersebut ditulis dalam bahasa pemrograman yang berbeda, menggunakan format data yang berbeda, dan mengharapkan struktur yang berbeda sebagai masukan. "Memberi makan" kebun binatang semacam itu ke model bahasa tidak bisa dilakukan begitu saja. Oleh karena itu, dalam arsitekturnya, penulis mengusulkan mekanisme interaksi baru yang memberikan antarmuka terpadu dan fleksibel kepada semua model. Berkat ini, koordinator dapat berkomunikasi dengan cara yang sama baik dengan skrip sederhana maupun dengan pengoptimal berat, tanpa mendalami cara kerja internalnya.
Lapisan terpadu semacam itu bukan sekadar detail teknis, melainkan kondisi yang diperlukan untuk penskalaan. Jika besok muncul model domain baru, cukup sekali menghubungkannya ke bus umum, dan model tersebut segera tersedia bagi semua pengguna melalui permintaan bahasa standar.
Bagaimana sistem menjadi lebih cerdas: pelatihan lanjutan model bahasa kecil
Koordinasi dengan LLM hanyalah setengah dari cerita. Beberapa subtugas dalam permintaan kompleks membutuhkan lebih banyak pemrosesan bahasa daripada perhitungan numerik. Misalnya, perlu mengekstrak parameter objek dari teks bebas, mencocokkan nama peralatan, atau membuat penjelasan untuk hasilnya. Untuk operasi yang intensif bahasa semacam itu, para peneliti menerapkan teknik terpisah: mereka menyematkan model bahasa kecil ke dalam sistem, yang dilatih lanjut oleh jalur otomatis untuk fungsi-fungsi tertentu.
Mengapa ini perlu jika sudah ada model bahasa besar? Karena model kecil dapat dijalankan dengan cepat dan murah secara waktu nyata, dan pelatihan lanjutnya untuk spesifikasi energi meningkatkan akurasi sistem secara keseluruhan. Selain itu, jalur pelatihan bersifat otomatis, artinya tidak memerlukan pengumpulan contoh secara manual di setiap langkah — sistem sebagian besar menyiapkan data dan melatih asistennya sendiri. Hasilnya adalah arsitektur berlapis: LLM besar "berpikir" secara strategis, sementara model terlatih kecil melakukan operasi bahasa lokal tanpa membebani koordinator utama.
Eksperimen: ansambel mengungguli LLM tunggal
Penulis tidak membatasi diri pada deskripsi ide. Mereka melakukan perbandingan terperinci dan eksperimen ablasi, di mana mereka menguji kontribusi setiap komponen — dari mekanisme perutean hingga pelatihan lanjut model kecil. Hasilnya menunjukkan bahwa pendekatan ADN-Agent melampaui paradigma yang ada dalam penggunaan model bahasa besar untuk tugas-tugas energi. Keunggulannya terutama terlihat pada permintaan multi-skenario dan kompleks, di mana satu model bahasa tidak memiliki akurasi yang cukup atau kemampuan untuk mengakses pemecah eksternal.
Artikel itu sendiri, "One Request, Multiple Experts: LLM Orchestrates Domain Specific Models via Adaptive Task Routing," tersedia di arXiv dengan nomor 2511.12484 dan telah diterima untuk publikasi di CSEE Journal of Power and Energy Systems pada musim panas 2026. Ini adalah sinyal bahwa karya tersebut telah melalui tinjauan ahli yang serius, bukan sekadar tetap menjadi pracetak. Arah di mana model bahasa menjadi bukan "tahu segalanya" yang otonom, melainkan koordinator fleksibel dari ansambel khusus, tampak menjanjikan untuk banyak bidang industri — dan energi hanyalah salah satu contoh awal di sini.
