Relevansi Lebih Penting daripada Skala: Membangun AI yang Bertahan dalam Kontak dengan Realitas

Mengapa model yang lebih kecil dan khusus tugas penting untuk AI di lapangan

Tim kini dapat beralih dari prompt AI ke prototipe lebih cepat daripada sebelumnya. Namun prototipe ini sering gagal dalam alur kerja dunia nyata seperti layanan lapangan, manufaktur, atau manajemen fasilitas, ketika presisi, konsistensi, dan akuntabilitas sangat penting. Masalahnya adalah meskipun AI selalu dapat memberikan jawaban, yang sebenarnya Anda butuhkan adalah jawaban yang tepat, dalam konteks yang tepat, setiap saat.

Di sinilah sebagian besar Large Language Model (LLM) kehilangan nilainya. Dengan LLM, sekadar mengajukan pertanyaan yang sama dengan cara berbeda dapat menghasilkan output yang sepenuhnya berbeda. Hal ini disebabkan banyak LLM berfokus pada luasnya pengetahuan, bukan kedalaman khusus. Dan meskipun fleksibilitas dapat membantu dalam pekerjaan kreatif, luasnya pengetahuan tersebut dapat menjadi beban bagi siapa pun yang menginginkan presisi.

Lingkungan operasional menuntut konsistensi. Aset sudah diketahui, prosedur terdokumentasi, dan protokol keselamatan serta persyaratan regulasi menentukan parameter yang dapat diterima. Variabilitas output yang didasarkan pada pengetahuan umum internet dapat memperburuk masalah. Misalnya dalam perbaikan HVAC, teknisi membutuhkan output yang berlandaskan pada aset yang tepat – riwayat layanan dan pola kegagalan yang diketahui.

Bayangkan seorang teknisi yang menanggapi kegagalan peralatan di bawah tekanan waktu. Jika sistem menghasilkan jawaban yang tidak konsisten tergantung pada cara pertanyaan diajukan, atau tidak dapat mengaitkan rekomendasinya kembali ke data tepercaya, Anda tiba‑tiba menghadapi masalah besar. Waktu respons penting bagi pelanggan dan kesuksesan bisnis.

Peralihan dari Skala ke Relevansi

Perubahan yang terjadi saat ini adalah beralih dari AI generik ke AI yang relevan. Alih‑alih meminta AI melakukan segala hal, semakin banyak organisasi mempersempit perannya pada tugas‑tugas spesifik yang dapat diulang. Model yang lebih kecil dan khusus tugas serta sistem AI dengan ruang lingkup ketat semakin diminati karena dapat berlandaskan pada data operasional langsung, dibatasi oleh aturan bisnis, dan disematkan langsung ke dalam alur kerja yang ada.

Model yang lebih kecil telah terbukti lebih baik dalam:

• Troubleshooting: Model yang lebih kecil dapat mengubah masukan yang sangat halus seperti manual, pengalaman sebelumnya, dan berbagi pengetahuan informal menjadi distil pengetahuan, memungkinkan anggota tim yang lebih junior belajar lebih cepat dan bertindak dengan lebih percaya diri. Model AI kecil juga dapat menambah nilai ini dengan menggabungkan order kerja historis yang relevan, log perbaikan, dan pola kegagalan untuk menyarankan langkah selanjutnya yang kemungkinan besar. Hal ini mengurangi waktu yang dihabiskan untuk mencari di berbagai sistem.
• Serah terima kerja: Dokumentasi yang tidak lengkap atau tidak konsisten dapat membuat serah terima antara shift atau tim menjadi berbahaya. Namun model khusus tugas yang dilatih pada data layanan dapat merangkum apa yang telah dilakukan, bagian apa yang diganti, dan apa yang masih terbuka. Hal ini memungkinkan teknisi berikutnya memulai dengan gambaran yang jelas alih‑alih menyusunnya kembali.
• Kepatuhan dan keselamatan: Di lingkungan yang diatur, melewatkan satu langkah membawa risiko nyata. Model bahasa kecil yang khusus tugas dapat membimbing alur kerja inspeksi standar, mengonfirmasi langkah yang diperlukan, dan mengidentifikasi atau menandai inkonsistensi secara real‑time.

Model yang lebih kecil ini dapat dilatih dan dibatasi berdasarkan data yang diketahui, alur kerja yang disetujui, dan tindakan yang terdefinisi. Alih‑alih berfungsi sebagai alat terpisah, mereka berada di dalam sistem yang ada, di mana mereka dapat mengambil data langsung, memperbarui catatan, dan memicu langkah selanjutnya.  

Membangun AI yang Dapat Dipercaya oleh Tim Operasional

Agar AI berhasil di lingkungan layanan lapangan dan manufaktur, AI harus berlandaskan pada realitas cara kerja dilakukan: sistem yang terhubung, data operasional terstruktur, dan alur kerja yang sudah dipercaya tim. Dan AI harus dapat dipercaya.

Kepercayaan dimulai dengan fondasi data yang konsisten dan terstruktur sehingga model menafsirkan aset, order kerja, dan metrik dengan cara yang sama setiap kali. Output juga memerlukan batasan dan tata kelola agar panduan tetap dalam alur kerja yang disetujui, sumber data yang tervalidasi, dan tidak mendorong pekerja bertindak di luar peran atau keterampilan mereka. Jika sebuah rekomendasi tidak dapat ditelusuri kembali ke data yang diketahui, AI tidak seharusnya menyarankannya.

AI juga perlu terintegrasi – disematkan dalam sistem yang sudah digunakan tim saat keputusan dibuat; jika tidak, AI akan kurang berguna atau bahkan diabaikan. Dan pengawasan manusia tetap penting. Tujuannya bukan, dan tidak pernah seharusnya, menggantikan operator – melainkan bekerja berdampingan dengan mereka. Itu berarti manusia harus selalu menjadi pihak yang menyetujui tindakan kritis, mengesampingkan rekomendasi, melakukan tindakan penting, dan meningkatkan masalah ketika sesuatu berada di luar pola yang diharapkan.

Kepercayaan pada AI dibangun dengan cara yang sama seperti pada sistem operasional mana pun: dengan kinerja yang konsisten dan selaras dengan cara kerja dilakukan. Anda selalu dapat memperoleh jawaban dari AI, tetapi yang penting adalah mendapatkan jawaban yang secara andal benar dan konsisten. Lingkungan operasional tempat AI dapat menciptakan nilai terbesar juga merupakan lingkungan yang hampir tidak memiliki ambiguitas.

Efikasi AI yang Berukuran Tepat

Ada juga keuntungan praktis untuk model yang lebih kecil. Mereka lebih ringan, lebih cepat, dan lebih mudah dikelola. Mereka juga memerlukan lebih sedikit komputasi, menghasilkan hasil dengan latensi lebih rendah, dan dapat diperbarui seiring perubahan proses.

Dan memungkinkan untuk memadukan kedua pendekatan AI. Beberapa perusahaan menggunakan model yang lebih besar dan lebih generik untuk menangkap pola dan penalaran luas, kemudian menyaring pengetahuan tersebut ke dalam model yang lebih kecil yang disesuaikan untuk tugas spesifik. Hal ini memungkinkan organisasi mempertahankan keuntungan dari pelatihan skala besar sambil tetap menyediakan sistem yang beroperasi lebih dapat diandalkan di lapangan.

Efisiensi paling jelas terlihat pada proses bervolume tinggi seperti manajemen order kerja atau pemantauan produksi, di mana peningkatan kinerja dapat diukur melalui metrik operasional, seperti waktu penyelesaian yang lebih cepat dan downtime yang berkurang.  

Mendefinisikan Ulang Keberhasilan

Kepercayaan berada di inti fase selanjutnya AI. Sistem akan berhasil ketika mereka beroperasi dalam kondisi dunia nyata, bukan sekadar seberapa pintar mereka terlihat sebagai prototipe. AI berada pada puncaknya ketika dapat secara nyata membuat proses lebih aman, mengurangi serah terima, atau membuat akuntabilitas lebih jelas. AI dapat diandalkan ketika konsisten. Memperluas kecerdasan secara sembarangan demi semata‑mata tidak menciptakan keuntungan operasional apa pun. Sistem yang dirancang sehingga Anda dapat mengandalkannya untuk bekerja di lapangan kapan dan bagaimana Anda membutuhkannya adalah kunci kemajuan nyata.