Prediksi 2026: Dari Komoditisasi LLM hingga Era Memori Agensi

Pada awal 2025, saya memprediksi komoditisasi model bahasa besar.

Ketika harga token runtuh dan perusahaan berpindah dari eksperimen ke produksi, prediksi tersebut dengan cepat menjadi kenyataan, mengubah cara sistem AI dibangun dan dikelola menuju 2026.

Apa yang 2025 dapatkan dengan benar

Beberapa tren yang tampaknya tidak pasti tahun lalu sekarang telah terwujud.

Pertama, LLM menjadi infrastruktur AI dasar. Pemotongan biaya dan perbaikan pipa inferensi telah mendorong banyak beban kerja ke produksi, terutama untuk tugas yang lebih sederhana seperti ekstraksi entitas, klasifikasi, dan ringkasan. Pertanyaan bagi bisnis tidak lagi “model mana yang harus kita gunakan?” tetapi “bagaimana kita merancang sistem yang dapat bertahan dari perubahan model?”

Kedua, agen telah membuktikan bahwa mereka dapat mengonsumsi volume teks perusahaan yang besar. Pemimpin terus menghadapi tantangan kekacauan yang dibawa oleh dokumentasi kepatuhan ketika ingin mengekstrak data untuk memandu keputusan. Data komunikasi yang sebelumnya diabaikan dalam email, tiket, dan log obrolan sekarang secara aktif digunakan oleh agen untuk memberikan wawasan dan rekomendasi. Ini menyerupai gelombang besar data pertama pada awal 2010-an, ketika penyimpanan yang terjangkau dan alat baru membuka kumpulan data yang dorman.

Ketiga, pengetahuan simbolik secara diam-diam kembali. Graf pengetahuan, yang dulunya dianggap mahal dan rapuh, telah menemukan kehidupan baru melalui GraphRAG dan ekstraksi yang digerakkan oleh agen. Graf yang tidak sempurna telah terbukti berguna. Iterasi sekarang lebih penting daripada kesempurnaan awal. Ini bukan hanya upaya rebranding tetapi pergeseran nyata dalam cara sistem simbolik dan statistik bekerja bersama.

Terakhir, penyetelan halus telah mendapatkan kembali pentingnya. Ketika pembelajaran dalam konteks menghadapi keterbatasan untuk tugas yang sensitif terhadap keterlambatan dan berat pada penalaran, model yang lebih kecil dan khusus telah menjadi menarik lagi. Industri menemukan kembali kebenaran lama: tidak setiap masalah memerlukan model umum yang besar.

Sementara tren-tren ini telah menjadi penting, titik balik nyata akan terjadi pada 2026.

Memori agensi menjadi dasar

Pada 2026, agen akan berhenti menjadi alat yang tidak memiliki keadaan dan mulai berperilaku seperti sistem dengan memori.

Inilah tempat di mana konsep memori agensi muncul. Sementara itu menggoda untuk menggambarkannya sebagai rebranding graf pengetahuan, kerangka itu melewatkan titiknya. Memori agensi adalah evolusi. Ini menggabungkan representasi simbolik yang terstruktur dengan kemampuan agen untuk beralasan, memperbarui, dan bertindak seiring waktu.

Memori adalah apa yang mengubah agen dari responsif menjadi sistem pengambil keputusan. Tanpa itu, agen mengulangi pekerjaan, menghalusikan konteks, dan gagal belajar dari tindakan sebelumnya. Dengan itu, perusahaan dapat membangun sistem AI yang mengumpulkan pengetahuan institusional daripada membuangnya pada setiap prompt.

Penggabungan model menggantikan penyembahan model

Salah satu perkembangan yang paling kurang dibahas adalah munculnya penggabungan model dan pelatihan terdistribusi. Sebagai gantinya untuk melatih model monolitik dari awal hingga akhir, peneliti semakin memecah masalah. Model yang lebih kecil dan khusus dilatih secara independen dan kemudian digabungkan.

Pendekatan ini pertama kali muncul dalam kompetisi penelitian dan tantangan eksperimental. Pada 2025, itu matang menjadi tutorial lengkap dan pipa produksi yang siap. Contoh publik, termasuk eksperimen pelatihan terdistribusi dari Cohere, menandakan pergeseran yang lebih luas.

Pada 2026, kita akan melihat pasar nyata untuk model bahasa yang lebih kecil yang dapat dimiliki, disusun, dan disesuaikan oleh perusahaan. Pusat gravitasi berpindah dari “siapa yang memiliki model terbesar” ke “siapa yang dapat merakit sistem yang paling efektif.”

AI untuk sains keluar dari laboratorium

AI untuk sains tidak lagi hanya merupakan keingintahuan penelitian. Pada 2025, workshop fisika, biologi, dan ilmu bahan di konferensi besar menarik perhatian yang tidak terduga. Yayasan kaya dan donatur swasta mulai mendanai upaya AI ilmiah skala besar. Perusahaan rintisan muncul dengan fokus yang jelas pada penemuan obat, desain bahan, dan simulasi.

Pada 2026, penciptaan nilai akan mulai terlihat. Jika AI mempercepat penemuan antibiotik baru, pengobatan kanker, atau bahan baru, maka pengembalian biaya lebih besar daripada biaya komputasi. Ini membuat AI ilmiah salah satu aplikasi yang paling dapat dipertahankan secara ekonomis di bidang ini.

Namun, AI tidak akan secara ajaib menghasilkan hukum fisik baru. AlphaFold berhasil karena masalahnya sudah ditentukan. Fisika masih kekurangan momen Hilbert, definisi yang jelas dan bersama dari masalah inti yang harus diselesaikan. Mendefinisikan masalah yang tepat masih merupakan tugas manusia.

Bukti pembuatan konten tumbuh dalam pentingnya

Salah satu wawasan yang paling mengejutkan tahun lalu datang tidak dari teknolog, tetapi dari sosiolog.

Risiko terbesar AI generatif bukanlah kehilangan pekerjaan. Ini adalah erosi bukti. Bukti kepenulisan. Bukti pekerjaan. Bukti keaslian. Bukti kemanusiaan.

Ketika konten yang dihasilkan AI membanjiri setiap medium, masyarakat akan menuntut mekanisme baru untuk memverifikasi siapa yang menciptakannya. Inilah tempat di mana ide dari kriptografi dan blockchain kembali ke dalam percakapan, bukan sebagai aset spekulatif tetapi sebagai infrastruktur untuk atribusi dan verifikasi.

AI mungkin menjadi katalis yang akhirnya memberikan sistem-sistem ini tujuan yang nyata.

Agen belajar melalui alat, bukan teks

LLM yang dilengkapi dengan alat secara fundamental berbeda dari chatbot. Alat paling penting untuk agen saat ini adalah terminal.

Benchmarks seperti Terminal Bench formalisasi pergeseran ini. Agen yang dapat berinteraksi dengan baris perintah, API, dan lingkungan belajar dengan melakukan. Laboratorium garis depan sekarang menghabiskan ratusan juta dolar untuk mengakuisisi data tugas keterampilan tinggi untuk melatih agen-agen ini.

Datasetnya bersifat pribadi dan terfragmentasi, yang memiliki efek sampingan penting. Model akan berhenti berpikir sama. Ketika data pelatihan divergen, model garis depan akan mengembangkan keterampilan dan gaya penalaran yang berbeda. Homogenitas adalah artefak sementara dari data yang dibagikan. Keanekaragaman kembali.

Ketika asisten pengkodean seperti Claude Code dan OpenAI Codex membaik setiap hari, kita manusia menyuling pengetahuan dari mereka dalam bentuk perangkat lunak. Secara efektif, ini mulai menyerupai apa yang beberapa orang sebut sebagai “distilasi perangkat lunak”, di mana model besar membantu merancang sistem yang kemudian disuling menjadi perangkat lunak yang lebih murah dan khusus tugas, yang lebih murah untuk dijalankan pada CPU daripada dieksekusi langsung oleh model garis depan. Jika generasi token menjadi jauh lebih murah dan asisten pengkodean jauh lebih canggih, perangkat lunak itu sendiri bisa menjadi hal yang lampau, karena manusia mungkin perlu berada dalam loop. Ide ini terdengar tidak masuk akal hari ini, tetapi begitu juga ide bahwa miliaran transistor suatu hari nanti bisa muat di dalam ponsel pada 1960-an.

Menghadap ke depan

Jika 2025 adalah tahun LLM menjadi murah, 2026 akan menjadi tahun kecerdasan menjadi terstruktur.

Pemenangnya tidak akan menjadi mereka yang memiliki model terbesar, tetapi mereka yang membangun sistem yang dapat mengingat, beralasan, mengatributkan, dan berkembang. AI tidak lagi tentang kemampuan mentah sebanyak tentang arsitektur.

Dan itulah tempat di mana kemajuan nyata berikutnya akan terjadi.

Pada 2026, akan menjadi tahun kecerdasan menjadi terstruktur. Pemenangnya tidak akan menjadi mereka yang memiliki model terbesar, tetapi mereka yang membangun sistem yang dapat mengingat, beralasan, mengatributikan, dan berkembang. AI tidak lagi tentang kemampuan mentah sebanyak tentang arsitektur. Dan itulah tempat di mana kemajuan nyata berikutnya akan terjadi.