Prentis dan Taruhan Baru pada Computer-Use Model untuk Automasi Bisnis
Prentis, lab AI baru yang dikaitkan dengan Reid Hoffman dan Mark Pincus, dilaporkan sedang membahas pendanaan besar. Di balik kabar itu, ada sinyal penting: computer-use model mulai diposisikan sebagai infrastruktur automasi lintas aplikasi, bukan sekadar fitur AI tambahan.
Prentis dan arah baru automasi AI
Prentis, lab AI baru yang disebut didirikan bersama oleh Reid Hoffman dan Mark Pincus, dilaporkan sedang dalam pembicaraan untuk menggalang pendanaan besar. Penting untuk dicatat, angka pendanaan dan valuasi yang beredar masih berupa pembicaraan yang dilaporkan media, bukan transaksi final.
Bagi saya, bagian paling menarik dari kabar ini bukan sekadar nominal pendanaannya. Yang lebih penting adalah tesis di baliknya: automasi pekerjaan komputer rutin bisa menjadi use case AI yang sangat besar, bahkan berpotensi melampaui coding assistant sebagai pasar utama AI produktivitas.
Inilah area yang sering disebut sebagai computer-use model, yaitu model AI yang tidak hanya menjawab pertanyaan atau menulis kode, tetapi bisa menggunakan antarmuka komputer: membuka aplikasi, membaca layar, mengisi formulir, menekan tombol, menyalin data, dan berpindah antar sistem.
Mengapa computer-use model penting
Selama ini banyak automasi bisnis dibangun dengan API, RPA, script internal, atau integrasi SaaS. Pendekatan itu efektif jika sistemnya rapi, terdokumentasi, dan punya akses teknis yang stabil. Masalahnya, banyak workflow nyata tidak sebersih itu.
Di banyak perusahaan, pekerjaan operasional sering terjadi lintas aplikasi: email, spreadsheet, CRM, ERP, dashboard marketplace, portal bank, sistem ticketing, dan aplikasi internal. Tidak semuanya punya API yang mudah dipakai. Tidak semuanya punya tim engineering yang siap membuat integrasi khusus.
Computer-use model mencoba masuk dari sisi lain. Alih-alih meminta setiap aplikasi menyediakan API, AI belajar memakai aplikasi seperti manusia memakai komputer. Jika ini matang, potensi automasinya besar untuk workflow seperti:
- Memindahkan data dari email ke spreadsheet atau CRM.
- Mengecek status pesanan di beberapa dashboard.
- Mengisi formulir operasional dari dokumen masuk.
- Membuat laporan rutin dari beberapa sumber.
- Membantu tim support mengambil konteks dari banyak aplikasi.
Bagi bisnis Indonesia, peluangnya terasa relevan karena banyak proses masih semi-manual, tersebar di banyak tools, dan bergantung pada operator yang hafal langkah kerja harian.
Tantangan besar: UI automation itu rapuh
Walaupun terlihat menjanjikan, saya tidak melihat computer-use model sebagai solusi ajaib yang langsung menggantikan semua automasi. Automasi berbasis UI punya keterbatasan mendasar.
Pertama, UI bisa berubah. Tombol pindah posisi, label berganti, modal baru muncul, atau layout berubah setelah update aplikasi. Jika model terlalu bergantung pada tampilan, workflow bisa gagal tanpa peringatan yang jelas.
Kedua, latensi bisa menjadi masalah. Menggunakan aplikasi lewat UI biasanya lebih lambat daripada integrasi API. Untuk proses volume tinggi, biaya waktu dan komputasi bisa membengkak.
Ketiga, ada risiko keputusan keliru. Model bisa salah membaca konteks, mengklik opsi yang tidak tepat, atau mengisi field dengan data yang tampak benar tetapi sebenarnya salah. Pada workflow yang menyentuh pembayaran, data pelanggan, pajak, atau kepatuhan, ini bukan risiko kecil.
Keempat, debugging tidak selalu mudah. Jika automasi API gagal, biasanya ada log, status code, dan payload. Jika automasi UI gagal, penyebabnya bisa lebih kabur: elemen tidak terbaca, halaman lambat, sesi login berakhir, atau model salah menafsirkan layar.
Sandbox, izin akses, dan fallback manual
Jika perusahaan ingin mencoba computer-use model, saya akan mulai dari desain kontrol, bukan dari demo. Model yang bisa mengoperasikan komputer harus dianggap sebagai aktor operasional yang memiliki hak akses, jejak audit, dan batasan tindakan.
Beberapa prinsip yang menurut saya wajib dipikirkan sejak awal:
-
Gunakan sandbox untuk eksperimen
Jangan langsung menjalankan model di akun produksi dengan data nyata. Mulai dari lingkungan terpisah, data dummy, atau akun terbatas. -
Batasi hak akses
Berikan akses minimum sesuai tugas. Jangan memakai akun admin untuk workflow yang hanya butuh membaca data atau mengisi laporan. -
Wajibkan approval untuk tindakan sensitif
Untuk pembayaran, penghapusan data, perubahan harga, atau pengiriman pesan massal, sebaiknya model hanya menyiapkan rekomendasi. Manusia tetap menekan tombol final. -
Sediakan fallback manual
Automasi harus punya jalur kembali ke operator manusia. Jika model tidak yakin, halaman berubah, atau validasi gagal, sistem harus berhenti dan meminta bantuan, bukan memaksakan aksi. -
Simpan audit trail
Rekam input, output, screenshot penting, waktu eksekusi, dan keputusan yang diambil. Ini penting untuk debugging, compliance, dan evaluasi performa.
Total cost of ownership untuk bisnis Indonesia
Satu hal yang sering terlupakan dalam diskusi AI automation adalah total cost of ownership. Biaya bukan hanya biaya model per token atau biaya langganan platform.
Untuk bisnis Indonesia, saya akan menghitung beberapa komponen berikut:
- Biaya lisensi model atau platform automasi.
- Biaya komputasi, terutama jika workflow memakai vision dan browser automation.
- Biaya integrasi awal dengan sistem internal.
- Biaya maintenance saat UI aplikasi berubah.
- Biaya monitoring dan audit.
- Biaya pelatihan operator.
- Biaya risiko jika terjadi salah input, duplikasi data, atau downtime proses.
Jika workflow berjalan sedikit tetapi kompleks, computer-use model bisa masuk akal karena mengurangi kebutuhan integrasi custom. Namun untuk workflow volume tinggi dan stabil, API tetap sering lebih murah, lebih cepat, dan lebih mudah diaudit.
Dengan kata lain, saya tidak akan memilih computer-use model hanya karena terlihat canggih. Saya akan memilihnya ketika biaya membangun API terlalu mahal, workflow berubah-ubah, atau aplikasi target tidak menyediakan integrasi yang layak.
Strategi adopsi yang lebih realistis
Untuk perusahaan yang ingin mengevaluasi tren seperti Prentis, pendekatan paling aman adalah mulai dari workflow kecil tetapi bernilai jelas. Jangan mulai dari proses paling kritikal.
Contoh kriteria workflow yang cocok untuk pilot:
- Sering dilakukan berulang.
- Memakan waktu operator.
- Risiko bisnis rendah sampai sedang.
- Output mudah diverifikasi.
- Ada SOP yang jelas.
- Jika gagal, bisa dilanjutkan manual.
Dari sana, ukur metrik yang konkret: waktu yang dihemat, tingkat keberhasilan, jumlah intervensi manusia, biaya per eksekusi, dan dampak terhadap kualitas data.
Kesimpulan
Kabar Prentis menunjukkan bahwa computer-use model mulai diperlakukan sebagai infrastruktur automasi masa depan, bukan sekadar eksperimen lab. Jika model AI bisa memakai komputer dengan andal, peluangnya besar untuk mengotomasi pekerjaan lintas aplikasi yang selama ini sulit dijangkau API.
Namun, jalan ke sana tidak sederhana. UI automation tetap rapuh, butuh sandbox, perlu fallback manual, dan harus dihitung total cost of ownership-nya. Untuk bisnis Indonesia, pendekatan terbaik adalah pragmatis: mulai kecil, batasi risiko, ukur hasil, lalu scale hanya jika manfaatnya terbukti.