Guglielmo Faglioni, Salah Satu Pendiri dan Kepala Sains & Teknologi Callimacus – Seri Wawancara

Guglielmo Faglioni, Salah Satu Pendiri dan Kepala Sains & Teknologi di Callimacus, adalah pengusaha teknologi dan insinyur perangkat lunak dengan pengalaman lebih dari satu dekade dalam membangun produk dan aplikasi digital. Selain menjalankan perannya di Callimacus, ia menjabat sebagai CEO Gorilla Technologies sejak 2016, sebuah perusahaan pengembangan perangkat lunak yang berfokus pada aplikasi seluler, situs web, dan solusi niaga elektronik. Di awal kariernya, Faglioni mendirikan GuiDev dan bekerja sebagai insinyur perangkat lunak iOS utama di sana. Di Callimacus, ia turut memimpin pengembangan ilmiah dan teknis pendekatan perusahaan terhadap pengalaman digital berbasis AI.

Callimacus adalah platform AI yang dikembangkan oleh Solomei AI yang berbasis di Milan. Platform ini menggantikan konsep tradisional halaman web statis dengan pengalaman digital yang dirangkai secara dinamis untuk setiap pengunjung. Arsitekturnya memanfaatkan sebuah orkestra agen AI khusus untuk menafsirkan sinyal seperti pertanyaan, klik, dan perilaku menggulir, menentukan maksud pengguna, serta menyusun elemen antarmuka yang relevan secara waktu nyata. Platform ini dapat terhubung dengan berbagai sistem, termasuk Shopify, Salesforce, sistem manajemen konten, dan API, sekaligus menyediakan SDK bagi pengembang untuk mengintegrasikan kemampuan pemahaman maksud dan pembuatan antarmukanya ke antarmuka depan yang sudah ada. Callimacus juga telah digunakan untuk menghadirkan pengalaman digital berbasis AI bagi Brunello Cucinelli, perusahaan fesyen mewah.

Sebelum ikut mendirikan Callimacus, Anda menghabiskan bertahun-tahun membangun perangkat lunak sebagai insinyur iOS, lalu mendirikan dan memimpin Gorilla Technologies. Pengalaman apa dari perjalanan itu yang meyakinkan Anda bahwa arsitektur web tradisional berbasis halaman sudah siap untuk dipikirkan ulang secara mendasar demi era AI?

Membangun aplikasi iOS mengajarkan sesuatu yang baru sepenuhnya saya pahami setelah bertahun-tahun: setiap layar dirancang terlebih dahulu, dan setiap pengguna melihat layar yang sama. Anda merancang aplikasinya, merilisnya, lalu menyaksikan jutaan orang yang berbeda menjalani alur yang sama persis. Anda bisa melakukan segmentasi dan pengujian A/B, tetapi tetap hanya memilih di antara versi-versi yang telah dirancang seseorang sebelumnya. Web mewarisi model yang sama dari media cetak: halaman sebagai wadah tetap. Begitu model mampu memahami maksud dan mengambil keputusan terstruktur dengan cukup cepat, kita bisa mulai mempertanyakan wadah itu sendiri, alih-alih hanya mengoptimalkan apa yang ada di dalamnya.

Callimacus menggantikan alur situs web yang telah ditentukan sebelumnya dengan “orkestra” agen AI yang menafsirkan maksud pengunjung dan menyusun antarmuka secara waktu nyata. Bisakah Anda menjelaskan proses teknisnya, sejak pengunjung tiba hingga pengalaman yang dipersonalisasi itu muncul?

Callimacus dibangun dengan arsitektur tanpa halaman. Alih-alih mengatur konten ke dalam halaman web yang telah ditentukan sebelumnya, teknologi kami memisahkan konten dari halaman itu sendiri. Produk, konten editorial, media, dan komponen antarmuka berdiri sendiri sehingga dapat dirangkai ulang secara dinamis, alih-alih dikunci dalam wadah tetap.

Saat pengunjung mulai berinteraksi, Callimacus menganalisis sinyal multidimensi seperti klik, pola navigasi, dan percakapan berbasis perintah. Intent Agent menggunakan sinyal-sinyal tersebut untuk memahami konteks, minat, ekspektasi, perilaku pengunjung, serta hal yang ingin dicapainya pada saat itu. Setelah itu, Intent Agent mengaktifkan “reseptor” yang paling sesuai dengan motivasi tersebut. Misalnya, seseorang yang mencari inspirasi mungkin menempuh jalur interaksi yang berbeda dari orang yang jelas-jelas berniat membeli. Sistem kemudian memilih konten dan komponen antarmuka yang paling relevan, lalu menyusun pengalaman dalam hitungan milidetik. Proses ini tidak hanya terjadi sekali. Seiring pengunjung berinteraksi dan maksudnya berubah, pengalaman tanpa halaman dapat terus disusun ulang sesuai kebutuhannya, alih-alih memaksanya mengikuti alur yang dirancang sebelumnya.

Personalisasi telah hadir di web selama bertahun-tahun melalui mesin rekomendasi, segmentasi, dan pengujian A/B. Apa yang membuat antarmuka generatif berbasis maksud berbeda secara mendasar dari pendekatan-pendekatan sebelumnya?

Bagi kami, perbedaan mendasarnya terletak pada personalisasi berdasarkan masa lalu dibandingkan dengan memahami kebutuhan seseorang saat ini. Sebagian besar personalisasi yang ada mengandalkan hal-hal seperti profil CRM, kuki, dan perilaku terdahulu. Hal-hal tersebut dapat memberi tahu Anda tentang tindakan orang sebelumnya, tetapi maksud jauh lebih langsung dan dapat berubah selama satu sesi.

Callimacus dirancang untuk memahami maksud tersebut melalui sinyal waktu nyata dan melakukan personalisasi pada tingkat individu. Platform ini juga tidak terbatas pada perubahan rekomendasi atau satu elemen halaman. Konten, komponen antarmuka, dan jalur interaksi semuanya dapat disusun sesuai maksud seseorang saat ini, lalu disusun ulang seiring maksud tersebut berkembang. Jadi, pergeserannya adalah dari memilih di antara pengalaman yang telah ditentukan sebelumnya, yang sebagian besar didasarkan pada informasi historis, menjadi menghasilkan pengalaman itu sendiri berdasarkan apa yang ingin dicapai seseorang pada saat itu. Data historis dapat memberi konteks, tetapi maksud waktu nyata menentukan cara pengalaman tersebut beradaptasi.

Jika setiap pengunjung pada dasarnya dapat menerima situs web yang berbeda, bagaimana Anda mencegah personalisasi menjadi tidak terduga? Bagaimana Anda mempertahankan identitas merek, bahasa desain, dan aturan bisnis sambil tetap memberi AI keleluasaan yang berarti untuk menyesuaikan pengalaman?

Personalisasi bukan berarti memberikan kebebasan tanpa batas kepada AI. Kendali merek sudah tertanam dalam arsitektur, sehingga pengalaman selalu dihasilkan sesuai aturan dan aset yang telah disetujui merek. Setiap elemen antarmuka berasal dari pustaka komponen yang telah disetujui merek dan dirancang sesuai bahasa visualnya. Model menghasilkan deskripsi terstruktur tentang apa yang ditampilkan dan bagaimana menatanya, lalu deskripsi tersebut divalidasi terhadap skema ketat sebelum apa pun ditampilkan. Dengan kata lain, model menentukan komposisi, sedangkan sistem desain merek menentukan seperti apa tampilan komposisi tersebut. Aturan bisnis seperti harga, ketersediaan, dan ragam produk di tiap wilayah diberlakukan di luar model sebagai batasan mutlak.

Kendali juga berarti visibilitas. Melalui panel administrasi, tim bisnis dapat melihat perilaku situs web: pengalaman apa yang sedang disusun, untuk tujuan apa, dan bagaimana tanggapan pengunjung. Platform ini juga mendiagnosis dirinya sendiri secara proaktif. Platform menunjukkan bagian yang mungkin perlu ditingkatkan, mencoba konfigurasi baru, mengujinya berdasarkan interaksi pengguna sebelumnya, dan mengevaluasi apakah konfigurasi tersebut berfungsi. Tidak ada yang diluncurkan sebelum disetujui merek, sehingga AI mengusulkan peningkatan yang didukung bukti, sementara keputusan akhir tetap berada di tangan merek.

Hal ini penting karena salah satu masalah yang ingin kami atasi adalah kecenderungan situs web tradisional membuat banyak merek semakin mirip, baik dari segi tampilan maupun perilaku, di dunia maya. AI seharusnya memberi merek kemampuan yang lebih besar untuk mengekspresikan identitasnya sesuai dengan setiap pengunjung, sementara merek tetap menentukan batasan dalam menciptakan pengalaman tersebut.

Antarmuka generatif waktu nyata menghadirkan tantangan keandalan baru karena AI tidak lagi sekadar menghasilkan jawaban; AI turut menentukan apa yang benar-benar dilihat pengguna dan bagaimana mereka menjelajah. Bagaimana Anda menangani halusinasi, kekeliruan dalam menyimpulkan tujuan pengguna, keamanan, dan verifikasi dalam lingkungan seperti ini?

Kami memulainya dengan membatasi kemungkinan kesalahan AI. Model menentukan bagaimana pengalaman disusun, tetapi fakta di dalamnya bersumber dari sistem pencatatan merek. Penyimpulan tujuan pengguna diperlakukan sebagai probabilitas. Saat sistem tidak yakin, sistem menyusun pengalaman yang lebih luas dan eksploratif, alih-alih menetapkan satu tafsiran. Karena pengalaman terus disusun ulang saat pengunjung berinteraksi, setiap sinyal baru mengoreksi perkiraan sebelumnya.

Keandalan juga bergantung pada arsitektur. Lapisan yang menyajikan pengalaman dipisahkan dari lapisan AI dan memiliki sasaran ketersediaan yang lebih tinggi. Jika model lambat atau tidak tersedia, pengunjung tetap mendapatkan pengalaman lengkap yang selaras dengan merek dan dibangun dari pengaturan bawaan deterministik.

Butik AI Brunello Cucinelli merupakan salah satu penerapan nyata berskala besar pertama dari model ini. Apa yang Anda pelajari dari pengamatan terhadap interaksi pelanggan dengan pengalaman belanja yang disusun oleh AI, yang tidak Anda perkirakan saat membangun Callimacus?

Salah satu indikasi paling jelas adalah bahwa orang bersedia berinteraksi lebih mendalam dengan pengalaman yang terasa lebih relevan bagi mereka. Kami melihat pengguna menghabiskan waktu aktif di situs web sekitar dua kali lebih lama, disertai peningkatan signifikan pada tingkat penambahan produk ke keranjang dan konversi.

Bagi kami, hal ini menjadi validasi awal yang penting bahwa beralih dari perjalanan pengguna yang tetap dan seragam dapat memberikan dampak berarti, bukan hanya pada seberapa khas pengalaman tersebut terasa, tetapi juga pada keterlibatan dan kinerja komersial.

Situs web dinamis juga menantang banyak asumsi di balik optimasi mesin pencari, analitik, aksesibilitas, dan pengujian. Bagaimana teknologi yang dirancang untuk laman web yang relatif deterministik perlu berkembang ketika antarmuka dan perjalanan pengguna dihasilkan secara dinamis?

Sebagian besar perangkat web menganggap laman sebagai satuan untuk segala hal: laman diindeks, diukur, dan diuji. Dalam arsitektur tanpa halaman, satuannya bergeser ke konten itu sendiri, dan setiap disiplin harus menyesuaikan diri. Untuk pencarian, setiap konten tersedia secara terpisah dari cara konten itu disusun, sehingga dapat memiliki URL yang jelas dan menyesuaikan bahasa, serta tercantum dalam peta situs yang dibuat otomatis untuk setiap bahasa dan wilayah. Langkah berikutnya lebih jauh lagi: platform mendeteksi jalur navigasi yang paling sering digunakan pengunjung dan menampilkannya kepada mesin pencari, serta menyajikan konten pihak pertama tepercaya secara langsung kepada agen AI dan mesin pencari generatif. Dengan demikian, kemudahan ditemukan mencerminkan permintaan nyata, bukan peta situs yang dirancang sebelumnya.

Analitik beralih dari tayangan laman ke tujuan pengguna. Karena sistem menafsirkan apa yang ingin dicapai setiap pengunjung, termasuk pengunjung anonim yang luput dari analitik tradisional, merek dapat menganalisis perilaku pada tingkat tersebut dan mengekspor wawasannya ke CRM atau CDP. Tim juga dapat mengajukan pertanyaan tentang data ini dengan bahasa percakapan dan membuat dasbor sendiri.

Pengujian mengalami perubahan terbesar. Anda tidak dapat menelusuri setiap kemungkinan perjalanan ketika setiap perjalanan bersifat unik, jadi kami menguji ulang agen menggunakan interaksi nyata sebelumnya dan terus memantaunya di lingkungan produksi. Aksesibilitas mengikuti prinsip yang sama: aksesibilitas ditanamkan dalam setiap komponen, sehingga setiap komposisi mewarisinya.

Agar pengalaman AI waktu nyata terasa alami, inferensi harus berlangsung dengan latensi yang sangat rendah. Apa tantangan rekayasa tersulit dalam menempatkan AI secara langsung di jalur kritis situs web, khususnya terkait pemilihan model, penyimpanan tembolok, orkestrasi, biaya, dan mekanisme cadangan?

Untuk inferensi, saat ini kami menggunakan LPU Groq, yang memberikan latensi sangat rendah, dan mengorkestrasi beberapa model dengan mengarahkan setiap tugas ke model yang paling sesuai. Kami menguji model-model baru saat dirilis untuk mencari yang paling tepat bagi setiap tugas dari segi kualitas, biaya, dan latensi. Karena arsitekturnya tidak bergantung pada model tertentu, kami dapat dengan cepat beralih ke model atau penyedia inferensi baru kapan pun hal itu layak dilakukan. Kedalaman analisis juga disesuaikan dengan permintaan: pertanyaan sederhana mendapat jawaban cepat, sedangkan hanya permintaan yang kompleks yang memicu analisis lebih mendalam. Ini membantu mengendalikan biaya karena penalaran terberat hanya digunakan jika dapat mengubah hasil.
Mekanisme cadangan sudah menjadi bagian dari arsitektur sejak awal. Lapisan yang menghadirkan pengalaman dipisahkan dari pengayaan berbasis AI, sehingga jika model melambat atau gagal, pengunjung tetap mendapatkan pengalaman yang utuh.

Salesforce baru-baru ini berinvestasi di Callimacus saat perusahaan tersebut berupaya memperluas operasi rekayasa, riset AI, dan komersialnya. Apa yang dilihat Salesforce dalam teknologi ini, dan bagaimana menghubungkan antarmuka generatif dengan data CRM dan perdagangan perusahaan dapat mengubah kemampuan situs web?

Yang disadari Salesforce adalah Callimacus bukan sekadar menambahkan AI ke situs web yang sudah ada. Platform ini memikirkan kembali pengalaman digital itu sendiri dengan memadukan AI percakapan, konteks perusahaan, dan personalisasi waktu nyata untuk menciptakan cara baru bagi perusahaan dalam berinteraksi dengan pelanggan. Saat ini, sistem CRM dan perdagangan menyimpan banyak sekali konteks tentang pelanggan, produk, dan interaksi, tetapi pengalaman di situs web sebagian besar masih statis. Menghubungkan konteks tersebut dengan antarmuka generatif membuka peluang agar situs web menjadi jauh lebih responsif. Situs web tidak hanya menampilkan informasi, tetapi juga menyesuaikan konten, produk, dan interaksi secara waktu nyata berdasarkan hal yang ingin dicapai pengunjung. Bagi kami, inilah salah satu peluang terpenting ke depan. Situs web dapat menjadi antarmuka cerdas antara sistem perusahaan yang sudah ada dan masing-masing pelanggan, alih-alih sekadar lapisan penyajian yang statis.

Ketika agen AI semakin sering menjelajahi web, meneliti, membandingkan produk, dan berpotensi melakukan transaksi atas nama orang, mungkinkah perubahan yang lebih besar pada akhirnya melampaui penyesuaian situs web untuk pengunjung manusia? Bagaimana Anda membayangkan perubahan web ketika merek perlu melayani manusia dan agen AI otonom secara bersamaan?

Ketika semakin banyak aktivitas pencarian informasi dan belanja beralih ke asisten AI, merek berisiko kehilangan kendali atas cara mereka ditampilkan. Pengalaman merek yang kaya dapat dengan mudah direduksi menjadi gambar produk, deskripsi singkat, dan harga di dalam antarmuka pihak ketiga. Hal ini menghadirkan tantangan baru bagi merek: bagaimana Anda tetap berguna bagi agen AI tanpa mengorbankan identitas, penceritaan, dan hubungan langsung yang telah Anda bangun dengan pelanggan? Menambahkan chatbot ke situs web tidak menyelesaikan masalah ini. Jendela percakapan dapat menjawab pertanyaan, tetapi tidak dapat menampilkan keseluruhan ekspresi sebuah merek: bahasa visualnya, keahlian dalam pembuatannya, serta cara merek tersebut bertutur. Merek akan selalu membutuhkan tempat yang mereka kendalikan, tempat mereka dapat mengekspresikan diri dengan cara mereka sendiri. Kami yakin situs web akan tetap menjadi tempat itu, meskipun semakin banyak bagian dari perjalanan pelanggan dimediasi oleh AI, dan situs web perlu beradaptasi untuk setiap pengunjung, baik manusia maupun agen.

Terima kasih atas wawancara yang menarik ini. Pembaca yang ingin mengetahui lebih lanjut dapat mengunjungi Callimacus.