Nvidia CEO Jensen Huang baru-baru ini menyatakan bahwa “AGI telah tiba” setelah peluncuran GPT-6 Astra oleh OpenAI. Namun, OpenAI sendiri tidak pernah mengklaim hal tersebut. Para peneliti bahkan menyebut istilah “jagged AGI” untuk mendeskripsikan keadaan saat ini, yang lebih tepat dibandingkan dengan pernyataan umum tentang AGI.
Astra dan Claude Fable 5.1 mencatat skor yang hampir identik di beberapa benchmark, tetapi hasil nyata di dunia menunjukkan perbedaan yang mencolok. Selisih ini sebenarnya kembali ke “harness” yang digunakan untuk mendukung model, bukan karena model itu sendiri.
AGI, atau artificial general intelligence, berarti sistem yang bisa menyamai atau bahkan melampaui kinerja manusia dalam hampir semua tugas kognitif, bukan hanya tugas-tugas sempit yang telah dilatih sebelumnya. Perbedaan ini sangat penting, karena itu yang sedang diperdebatkan saat ini.
Huang dikenal sering menyatakan kemenangan pada saat yang tepat ketika perusahaannya ingin pasar percaya. Begitu OpenAI meluncurkan GPT-6 Astra pada 3 September, Huang langsung memposting di X bahwa “AGI telah tiba” dan menambahkan bahwa “400K GPU” sedang “siap digunakan.”
Apa Sih yang Sebenarnya Dilakukan Astra?
Astra bukan sekadar pembaruan chatbot. OpenAI memposisikan Astra sebagai operator — sistem yang dapat melakukan browsing, pengkodean, menjalankan alur kerja multi-langkah, dan menangani tugas cybersecurity dengan pengawasan minimal. Angka-angka benchmarknya mengesankan: 97,6% di FrontierMath Tier 4, 99,9% di ARC-AGI-3, dan skor sempurna 100% di ExploitBench, meningkat dari 78,5% untuk pendahulunya, GPT-5.6 Sol. Ini jelas bukan kemajuan yang sepele.
Namun, OpenAI sendiri memilih untuk tidak menyebut Astra sebagai AGI, melainkan menekankan “kecepatan dan fleksibilitas”. Pilihan kata yang hati-hati ini menunjukkan bahwa perusahaan yang menciptakannya pun ragu dengan klaim ambisius itu.
Mengapa Banyak yang Tidak Yakin?
Tanggapan negatif sebenarnya bukan soal seberapa mengesankannya Astra, karena itu jelas. Namun, lebih kepada istilah AGI itu sendiri. Profesor Wharton, Ethan Mollick, telah berargumen selama berbulan-bulan bahwa apa yang kita lihat sekarang adalah “jagged AGI,” sistem-sistem yang superhuman dalam domain sempit tetapi tidak dapat diandalkan di area lain. Ini adalah hal yang sangat berbeda dengan kecerdasan umum.
Hingga saat ini, belum ada tes yang disepakati untuk AGI, sehingga menyatakan bahwa AGI telah “tiba” lebih dekat ke penilaian subjektif daripada ukuran yang jelas. Augmented Mind dan Manolo Remiddi menyatakan dengan tegas: “AGI adalah saat di mana Anda bisa mempercayai hasil tanpa memeriksa. Kita belum sampai ke sana.”
Perbandingan Fable 5.1 dan Mengapa Skor Bisa Menipu
Ini saatnya menjadi menarik bagi siapa saja yang sebenarnya membangun dengan model-model ini. Di atas kertas, Astra dan Claude Fable 5.1 tampak berimbang di beberapa benchmark pengkodean dan penalaran. Namun, dalam praktiknya, para insinyur melaporkan kualitas output yang sangat berbeda. Fable cenderung menghasilkan kode yang lebih siap produksi dengan lebih sedikit token output, sementara kekuatan Astra lebih terlihat dalam penggunaan komputer dan otomatisasi multi-langkah. Pengujian oleh Snorkel AI menunjukkan bahwa Fable gagal melalui pola yang sangat berbeda daripada cara ia berhasil, kehilangan pekerjaan yang valid di tengah proses, yang jauh lebih penting bagi tim pengiriman ketimbang persentase di papan peringkat.
Alasan mengapa skor yang mirip bisa menyembunyikan hasil yang sangat berbeda berkaitan dengan sesuatu yang mungkin belum pernah didengar oleh kebanyakan orang di luar rekayasa AI: harness.
Apa Itu “Harness” Sebenarnya?
Harness adalah infrastruktur yang menyelimuti sebuah model: perakitan prompt, akses alat, manajemen memori, dan pemulihan kesalahan yang menentukan bagaimana model mentah sebenarnya digunakan. Seperti yang dijelaskan oleh MindStudio: “Sebuah model adalah mesin. Harness adalah mobil. Kebanyakan benchmark menguji mobil.” Mengganti harness dan model yang sama bisa menghasilkan hasil yang sangat berbeda. Penelitian Cursor sendiri menemukan satu model dengan akurasi 46% menggunakan satu harness dan 80% dengan harness lainnya, tanpa ada perubahan model sama sekali.
Sejarah benchmark Astra juga menyoroti poin ini dengan lebih baik daripada penjelasan apapun. Di ARC-AGI-3, Astra mencetak 62,7% menggunakan harness standar, hampir setara dengan pendahulunya, dan 99,9% menggunakan “Provider Adapter” yang memungkinkannya untuk mempertahankan dan menggunakan penalaran sebelumnya alih-alih memulai dari awal di setiap langkah. Itu artinya, dengan bobot yang sama dan model yang sama, bisa terjadi perubahan 37 poin hanya dari infrastruktur. Ini bukan hal sepele. Sebagian besar dari apa yang dilaporkan sebagai “perbaikan model” sebenarnya adalah perbaikan harness, dan papan peringkat yang tidak mengontrol ini hanya menceritakan kisah, bukan melaporkan fakta.
Mengapa Akuisisi Cursor Sangat Penting
Inilah mengapa akuisisi Cursor oleh SpaceX senilai $60 miliar menjadi sangat penting. Cursor bukan perusahaan model. Mereka adalah salah satu perusahaan harness terbaik di dunia, lapisan yang menentukan bagaimana model pengkodean sebenarnya digunakan. Menggabungkan mereka ke dalam armada GPU SpaceX adalah bet yang inovatif, bahwa mengendalikan lapisan ini sama berharganya dengan memiliki model itu sendiri, mungkin bahkan lebih. OpenAI telah memutus akses Cursor ke model-modelnya karena masalah kepercayaan yang terkait dengan perusahaan Musk, yang menunjukkan bahwa penyedia model memahami hal yang sama: Siapa pun yang mengontrol harness mengontrol pengalaman produk, tidak peduli model mana yang ada di bawahnya.
Kesimpulan
Tak ada yang sungguh-sungguh membantah bahwa GPT-6 Astra adalah model besar. Yang diperdebatkan adalah loncatan dari “model besar” ke “AGI telah tiba.” Jika Anda sedang menilai sistem ini untuk bisnis Anda sendiri, abaikan sepenuhnya kerangka AGI. Perhatikan harness yang disediakan vendor untuk model tersebut, tanyakan bagaimana ia gagal, dan uji di alur kerja Anda yang sebenarnya. Selisih benchmark antara Astra dan Fable 5.1 sudah membuktikan bahwa papan peringkat saja tidak akan memberi tahu Anda semua yang Anda perlu tahu.
