Dari kode — menuju perubahan dunia fisik
AI modern saat ini sudah mahir menulis kode, menganalisis dokumen, dan mengotomatiskan rutinitas. Namun langkah ambisius berikutnya yang sesungguhnya adalah mengajari model untuk memengaruhi objek nyata, bukan hanya sistem digital. Itulah visi masa depan dari insinyur berusia 21 tahun, Kostiantyn Marunchenko. Tesisnya sederhana: manusia harus bisa "mengedit" materi dengan cara senatural agen coding mengedit kode program.
Karier yang tidak biasa: dari game hingga infrastruktur AI
Kisah Kostiantyn tidak seperti jalur standar lulusan universitas di bidangnya. Ia meninggalkan Ukraina, secara sadar tidak melanjutkan ke perguruan tinggi, dan sudah mulai memprogram di usia delapan tahun. Di usia dua belas tahun, ia mengikuti kursus untuk dewasa; di usia empat belas tahun, ia mendapat pekerjaan pertamanya; dan di usia lima belas tahun, ia mendirikan perusahaan game seluler. Perusahaan itu bertahan selama empat tahun, menghasilkan pendapatan, dan memiliki karyawan — bagi seorang remaja, ini adalah kursus manajemen yang sangat intensif.
Tahap berikutnya adalah bergabung dengan startup AI Echelon, tempat Kostiantyn menjadi salah satu insinyur pertama. Ia membantu membangun inti pipeline AI korporat dan memimpin proses on-boarding perusahaan. Seiring waktu, timnya berkembang hingga dua belas orang dan beberapa kontrak korporat. Namun yang terpenting bukanlah angka-angkanya, melainkan kesimpulan yang Kostiantyn ambil dari pengalaman ini: sistem nyata tidak datang dalam format yang ideal dan siap pakai. Strukturnya harus ditemukan, bukan diambil begitu saja.
Latar belakang game juga memengaruhi cara pandangnya. Bahkan dalam game seluler, yang tampak sepenuhnya terkendali, perilaku pengguna tidak mungkin diprediksi sebelumnya. Orang bertindak tak terduga, dan hal ini membuat kita berhati-hati dalam membuat prediksi. Jika produk digital saja tidak dapat diprediksi, apalagi dunia fisik.
Mengapa model "sempit" tidak memadai
Banyak proyek robotika dan otomasi menempuh jalur melatih model yang sangat terspesialisasi: satu untuk lengan robot tertentu, satu lagi untuk mesin tertentu, dan satu lagi untuk menyortir komponen. Kostiantyn menganggap pendekatan ini terbatas. Dunia fisik tidaklah "sempit"; ia berubah-ubah, kompleks, dan terus-menerus menghadirkan kondisi baru.
Model besar bisa menjadi alternatif yang fleksibel. Model-model ini kurang dapat diprediksi dalam tugas yang sempit, tetapi mampu menggeneralisasi, mentransfer pengetahuan dari satu bidang ke bidang lain, dan beradaptasi dengan konteks. Agen coding pun memberi petunjuk tentang cara menyusun interaksi: agen tidak hanya memberikan jawaban, tetapi merencanakan perubahan, menerapkannya, memeriksa hasilnya, dan jika perlu, memutar kembali.
Sistem yang mengubah lingkungan fisik juga harus bekerja seperti itu. Idenya adalah agar AI membantu manusia merencanakan operasi, memilih parameter, menguji hipotesis, dan mengendalikan proses — sementara manusia tetap menjadi pengambil keputusan akhir.
Data nyata tidak memaafkan kecerobohan
Pekerjaan pada pipeline AI korporat menunjukkan hal lain: data "kotor" dan ketidakpastian adalah norma, bukan pengecualian. Perusahaan jarang memberikan dataset berlabel yang rapi. Yang lebih sering ditemui adalah catatan yang tersebar, format yang berbeda-beda, faktor manusia, dan instruksi yang tidak lengkap. Seorang insinyur tidak boleh menunggu kondisi ideal, melainkan harus mampu mengekstrak struktur dari kekacauan.
Dalam perangkat lunak, kesalahan biasanya bisa diperbaiki dengan commit berikutnya. Di dunia fisik, segalanya berbeda: perubahan pada material, sumber daya, mesin, dan lingkungan bisa bersifat langsung dan tidak dapat diubah. Oleh karena itu, sistem semacam itu harus dibangun dengan sangat hati-hati. Sebaiknya mulai dari langkah kecil, menguji hipotesis dalam simulasi, dan baru kemudian menerapkannya pada objek nyata.
Semakin kuat AI, semakin penting penilaian manusia
Paradoks utama yang disampaikan Kostiantyn adalah peran manusia seiring dengan menguatnya alat-alat AI. Mungkin tampak bahwa semakin cerdas modelnya, semakin sedikit keterlibatan spesialis yang dibutuhkan. Kenyataannya justru sebaliknya: semakin banyak yang bisa dilakukan AI, semakin krusial pemilihan tugas yang tepat dan pemeriksaan apakah tugas itu layak diselesaikan.
Dalam game seluler, mudah untuk meluncurkan fitur yang tidak disukai audiens dan dengan cepat mendapatkan reaksi negatif. Dalam sistem nyata, harga dari keputusan yang salah jauh lebih tinggi. Oleh karena itu, masa depan yang dibayangkan oleh insinyur muda ini tidak hanya tentang percepatan pengembangan, tetapi juga tentang pengelolaan perubahan yang lebih tepat dan bertanggung jawab. AI bisa menjadi mitra, bukan diktator: ia merencanakan, menyetel, menguji, dan mengendalikan, tetapi manusia tetap memegang keputusan final.
Mungkin, tidak lama lagi menulis prompt akan terasa bukan seperti permintaan ke chatbot, melainkan seperti cetak biru perubahan di masa depan. Yang terpenting adalah mengembangkan budaya kehati-hatian lebih awal sebelum alat-alat ini digunakan secara massal di bidang manufaktur, energi, dan lingkungan perkotaan. Dunia fisik terlalu penting untuk membiarkan model belajar darinya dengan metode coba-coba.
