【Observasi Yunqi】Konferensi Yunqi Bukan Jawaban—Ia Peta Apa yang Sedang Dipertaruhkan Industri AI

Berkeliling di Konferensi Yunqi (acara teknologi tahunan Alibaba di Hangzhou) kali ini, hal paling berharga bagi saya bukan bertambahnya daftar model atau perusahaan baru yang melekat di kepala, melainkan berubahnya cara saya membaca sebuah pameran.

Dulu, ketika hadir di sebuah konferensi teknologi, gampang sekali terjebak pada beberapa asumsi baku: arah yang jadi sorotan perusahaan besar kemungkinan mewakili masa depan; konsep yang muncul berulang kali di panggung kemungkinan merupakan konsensus industri; produk yang sudah terpajang di booth rasanya juga sudah cukup matang. Setelah melihat cukup banyak, gampang pula terpelanting ke ekstrem sebaliknya—merasa konferensi cuma urusan pemasaran, booth cuma iklan, dan slide presentasi cuma bungkus kosmetik.

Dua-duanya terlalu menyederhanakan.

Pameran memang bernuansa pemasaran, tapi pemasaran sendiri juga merupakan informasi. Begitu sebuah vendor rela menggelontorkan anggaran, product manager, tim engineering, tim sales, dan sumber daya展位 ke satu arah, paling tidak ia sedang menyampaikan dua hal: apa yang ia ingin pasar yakini, dan masalah apa yang sedang ia coba wujudkan menjadi produk.

Karenanya kini saya lebih suka memperlakukan konferensi teknologi besar sebagai arena sampling industri berkepadatan tinggi. Ia tidak给出 jawaban, melainkan menyodorkan sampel, sinyal, pengecualian, serta sebuah peta “masa depan seperti apa yang sedang dipertaruhkan industri”.

1. Bongkar “Keramaian” Pameran Menjadi Beberapa Lapis Bukti

Kali ini saya mulai dengan sengaja membedah satu arah teknologi ke dalam lima tingkatan untuk diamati:

Narasi → Produk → Produksi → Bisnis → Pendapatan
(Narrative → Product → Production → Business → Revenue)

Lapisan teratas adalah lapisan Narasi (Narrative) — klaim-klaim yang vendor ingin percayai pasar. Misalnya, agen (Agent) akan menjadi pintu masuk kerja yang baru, perusahaan membutuhkan arsitektur AI-native, konteks (Context) akan menjadi aset inti, dan multi-agen akan menangani pekerjaan yang semakin kompleks. Klaim-klaim ini penting karena menunjukkan ke mana arah perhatian organisasi dan modal sedang bergerak, namun pada hakikatnya tetaplah penilaian dan pertaruhan.

Lapisan di bawahnya adalah Produk (Product) — sesuatu yang sudah bisa ditampilkan, dipanggil, dan dikirimkan. Di stan pameran tersedia antarmuka lengkap, API, workbench, dan platform tata kelola — pertanda bahwa sebuah arah sudah bergeser dari konsep ke tahap produk. Kendati demikian, jurang antara “bisa didemonstrasikan” dan “bisa berjalan stabil untuk jangka panjang” masihlah lebar.

Lapisan berikutnya adalah Produksi (Production) — ketika produk benar-benar masuk ke alur kerja pelanggan, berjalan terus-menerus, dan mulai menghadapi kenyataan pahit berupa perizinan, data, audit, pemulihan, biaya, hingga kolaborasi lintas organisasi. Barulah pada titik ini ia bisa disebut telah memasuki lingkungan produksi.

Lebih ke bawah lagi ada lapisan Bisnis (Business) — yang perlu terus ditanyakan: setelah diimplementasikan, apa yang sesungguhnya berubah? Memperpendek siklus pengiriman, menaikkan konversi, menekan biaya tenaga kerja, memperbanyak jumlah pengujian materi iklan, atau justru membuat sebuah proses bisnis yang sebelumnya tidak mungkin dijalankan menjadi bisa dieksekusi?

Paling bawah, sekaligus yang paling konkret, adalah lapisan Pendapatan (Revenue) — apakah pelanggan bersedia membayar dalam jangka panjang, hasil spesifik mana yang mau mereka bayar, dan dalam kondisi apa perpanjangan kontrak benar-benar terjadi.

Kegunaan kerangka ini adalah agar bukti-bukti dari jenis yang berbeda tidak dicampuradukkan begitu saja. Booth pameran bisa membuktikan sebuah arah layak dipamerkan, sesi forum bisa membuktikan vendor ingin memperkuat narasi tertentu, studi kasus pelanggan nyata bisa meningkatkan kredibilitas lapisan produksi dan bisnis, dan hanya pendapatan yang berkelanjutan yang bisa memvalidasi lapisan pendapatan.

Jadi, ramainya sebuah arah dibahas di konferensi besar tidak serta-merta berarti “sekarang waktunya berinvestasi”.

2. Perubahan paling mencolok kali ini: semakin banyak lapisan yang tumbuh di atas model

Beberapa tahun terakhir, ketika membicarakan AI, perhatian hampir sepenuhnya tertuju pada model: skala parameter, benchmark, kemampuan penalaran, harga, jendela konteks, kualitas gambar, kemampuan menghasilkan kode.

Kali ini, di lapangan, saya merasakan dengan jelas bahwa fokusnya tengah bergeser.

Model masih penting, tapi lapisan sistem yang melingkupi model jelas semakin tebal. Analogi sederhana: beberapa tahun lalu semua berlomba soal tenaga mesin, sekarang tenakanya sudah cukup, dan persaingan bergeser ke整车—sasis, transmisi, rem, dashboard, airbag, manajemen konsumsi. Fondasi data,接入 model, tata kelola Token, runtime agen, sandbox, konteks, memori, skill,操作浏览器,操作桌面, validasi, observabilitas,权限, audit, dan pengendalian biaya—semakin banyak kemampuan yang dijadikan produk tersendiri.

Alasannya lugas: model yang bisa menjawab pertanyaan dan model yang bisa masuk ke lini produksi dan menyelesaikan pekerjaan secara andal, di antaranya ada satu整套 rekayasa sistem.

Kalau Anda jalan-jalan satu hari di sebuah expo, Anda akan bertemu lima enam produk dengan nama yang berbeda-beda, padahal semuanya sedang收敛 ke struktur yang sama. QwenWork展示了智能体在隔离环境里调用多种工具完成工作。Qoder讲的是上下文、需求规范、测试框架、验证、记忆和多模型路由。阿里云生态合作厂商 TinyFish做的是让智能体进入真实网页世界执行任务。WonderClip把视频生产拆成脚本、分镜、素材、生成、审核、版本和批量生产。阿里云 OpenSearch的智能体搜索，又把搜索继续向规划、推理、记忆、行动和评估延伸。

看起来 mereka berasal dari领域 yang benar-benar berbeda, tapi struktur di lapisan bawah sedang趋同:

Konteks → Perencanaan → Keterampilan → Eksekusi → Verifikasi → Memori → Hasil Bisnis
(Context → Planning → Skill → Execution → Verification → Memory → Business Outcome)

Model berangsur-ansur menjadi salah satu komponen penting, sementara nilai produk makin banyak berpindah ke sistem di lapisan atas.

III. Konteks Bertransformasi dari “Bahan Input” Menjadi Aset Jangka Panjang

Dalam presentasi Qoder (coding assistant dari ByteDance), ada satu pernyataan yang intinya begini: kapasitas komputasi model akan menjadi semacam komoditas, sedangkan aset yang sesungguhnya adalah konteks.

Pernyataan ini memang sarat bias vendor, tetapi menyentuh masalah yang nyata. Semakin kuat kemampuan model dan semakin murah biaya untuk mendapatkannya, faktor penentu apakah sebuah agen AI dapat bekerja dalam jangka panjang akan makin berpindah ke “apa yang sebenarnya diketahuinya.”

Intinya, model bisa diganti kapan saja, tetapi “kekayaan internal” perusahaan Anda tidak bisa dipindahkan—kendala arsitektur, keputusan historis, aturan bisnis, jebakan yang pernah dialami, karakter pelanggan. Semakin banyak hal-hal semacam ini terakumulasi, semakin bermanfaat AI tersebut.

Dalam proyek software yang sudah matang, ada kendala arsitektur, keputusan historis, dependensi modul, standar kode, jebakan yang pernah dialami, catatan rilis. Dalam sebuah perusahaan, ada struktur organisasi, hak akses, SOP, dokumentasi, obrolan tim, aturan bisnis, status pelanggan. Dalam sebuah brand, ada informasi produk, panduan visual, materi historis, data performa iklan, kendala kanal.

Informasi semacam ini tidak tiba-tiba muncul hanya dengan berpindah ke model yang lebih kuat.

Karena itulah Qoder membangun Wiki repositori kode (Repo Wiki), Memori (Memory), dan Kartu Pengetahuan (Knowledge Cards); QwenWork menitikberatkan Konteks Tingkat Perusahaan (Enterprise Context); OpenSearch menekankan memori jangka panjang, memori tugas, dan kompresi konteks. Mereka semua berusaha memecahkan masalah yang sama: agar agen tidak perlu setiap kali memahami dunia dari nol.

Ini juga berarti bahwa bank prompt yang sering dikumpulkan banyak tim, di era agen, kemungkinan tidak lagi memiliki nilai jangka panjang sebesar yang dibayangkan. Prompt lebih merupakan cara pemanggilan sebuah tugas; yang benar-benar memberikan efek compounding adalah konteks bisnis, riwayat keputusan, hasil verifikasi, penyebab kegagalan, dan keterampilan yang dapat digunakan ulang.

Empat, Unit Kompetisi Produk AI Mulai Beralih dari “Satu Fitur” ke “Alur Kerja Lengkap”

WonderClip memberi kesan yang sangat jelas bagi saya.

Kalau hanya melihat daftar kemampuannya, banyak fitur yang sebenarnya tidak baru: menghasilkan gambar, menghasilkan video, penerjemahan, dubbing, penggantian materi, produksi massal. Kalau diambil satu per satu, setiap fitur itu sangat mudah untuk digantikan secara bertahap oleh vendor model, perangkat lunak editing, atau SaaS lainnya.

Namun struktur produk yang ditunjukkan secara langsung sudah bergerak ke arah sistem produksi yang lebih lengkap:

Unggah skrip → Tinjau breakdown → Siapkan aset → Generate secara massal

Selanjutnya hadir Storyboard, Canvas, skill kustom, shared asset, kolaborasi tim, dan version management. Produk mengembalikan “generate” ke tengah alur kerja.

Ini memberikan implikasi langsung bagi pengembangan aplikasi AI.

Kalau inti produk masih berupa “unggah sesuatu, AI proses, unduh hasil”, model upgrade berikutnya bisa dengan mudah mengikis nilainya. Arah yang lebih aman adalah mengambil alih keseluruhan pekerjaan yang sebenarnya ingin diselesaikan pengguna.

Misalnya di skenario konten e-commerce. Fitur terpisah untuk ganti produk, ganti background, terjemahan, atau dubbing masih terlalu dangkal. Selangkah lebih maju, objek produk seharusnya perlahan bergeser ke Brand, SKU, Campaign, Market, Creative Strategy, Variants, Distribution, dan Performance. Generate hanyalah eksekutor; nilai sejatinya berasal dari keseluruhan Creative Operations Workflow.

5. Agen Bergerak dari “Menjawab Pertanyaan” Menuju “Menyelesaikan Tugas”

Mendengarkan presentasi agentic search dari Alibaba Cloud OpenSearch, ada satu diagram evolusi yang cukup representatif.

Pencarian generasi pertama: kamu mengetik sebuah kata kunci, sistem mengembalikan sepuluh tautan, dan kamu sendiri yang mencari jawabannya.
Pencarian generasi kedua (generatif): kamu mengajukan pertanyaan, sistem langsung memberikan jawaban.
Pencarian generasi ketiga (agen): kamu menyebutkan sebuah tujuan, sistem sendiri mencari informasi, mengambil keputusan, memanggil berbagai alat, dan akhirnya memberikanmu sebuah hasil tindakan.

Perbedaan ketiga generasi ini bisa dijelaskan dengan satu contoh: kamu ingin membandingkan solusi enterprise dari tiga vendor cloud—generasi pertama memberimu tautan situs web resmi, generasi kedua memberimu sebuah ringkasan, generasi ketiga langsung memberimu sebuah proposal rekomendasi pengadaan yang sudah siap pakai.

Pencarian itu sendiri sedang mengalami reposisi. Pencarian bukan lagi tujuan akhir, melainkan infrastruktur bagi agen untuk mendapatkan informasi eksternal—sebuah agen riset akan secara otomatis memecah masalah, memanggil berbagai sumber pencarian, melakukan verifikasi silang, menyusun kesimpulan antara, lalu memanggil alat lain untuk melanjutkan eksekusi.

Pencarian tidak hilang—ia mulai tertanam dalam loop tertutup tugas yang lebih besar.

VI. Masalah Sebenarnya AI Perusahaan, Mulai Masuk ke Lapisan Organisasi

Di konferensi tersebut, isu-isu teknis tentang AI perusahaan dibahas cukup banyak: data, hak akses, keamanan, tata kelola, integrasi model, arsitektur cloud, platform Agent.

Semuanya penting. Tapi setelah mendengarkan beberapa studi kasus korporat, saya justru lebih tertarik pada pertanyaan lain:

Siapa yang punya motivasi untuk benar-benar menggunakannya?

Bayangkan seorang karyawan menggunakan AI, sehingga pekerjaan yang awalnya memakan waktu 8 jam dapat dirampungkan dalam 5 jam. Lalu, apa yang terjadi dengan sisa 3 jam itu? Kalau jawabannya hanya “kasih dia lebih banyak pekerjaan”, motivasi karyawan untuk secara proaktif mendorong adopsi AI jelas akan terbatas.

Contoh lain: kalau KPI tim AI cuma sebatas jumlah Agent yang go-live dan volume pemanggilannya, tim itu punya insentif untuk terus menambah fitur; tim bisnis menanggung biaya restrukturisasi proses; tim IT dan keamanan menanggung risiko error; sementara peningkatan pendapatan pada akhirnya tidak bisa diatribusikan secara jelas. Dalam struktur organisasi seperti ini, sekalipun teknologinya sudah tersedia, implementasinya bisa jalan sangat lambat.

Inisiatif AI perusahaan tidak cukup dilihat dari sisi arsitekturnya — desain insentiflah yang sebenarnya menjadi pembatasnya.

Masalah teknis dapat dipecahkan dengan uang; masalah organisasi belum tentu. Setiap proyek setidaknya harus menjawab enam pertanyaan: peran, indikator kinerja, manfaat, biaya, risiko, dan wewenang keputusan. Siapa yang meraih manfaat, siapa yang menanggung risiko, siapa yang punya otoritas keputusan, siapa yang bertanggung jawab atas hasilnya.

Tim Gaode (layanan pemetaan milik Alibaba) memakai Qoder knowledge engine untuk mengubah pengetahuan domain dari jutaan baris kode menjadi aset yang dapat di-retrieve — hasilnya, tingkat keberhasilan lulus pertama melonjak dari 37,3% menjadi 61,5%. Angka ini muncul bukan sekadar karena tool-nya sudah diadopsi, melainkan karena tim mengubah “akumulasi pengetahuan domain” dari hal yang semula opsional menjadi indikator wajib. Kalau hanya melempar tool ke tim tanpa ada pihak yang bertanggung jawab atas “kualitas akumulasi pengetahuan”, hasilnya hampir pasti cuma separuh.

Banyak yang disebut “masalah implementasi AI” pada dasarnya adalah masalah desain organisasi.

Tujuh: Metrik yang Paling Menyesatkan Seringkali Justru yang Terlihat Paling Intuitif

Dalam pemaparannya, Qoder menyampaikan satu 观点: rasio generasi kode adalah vanity metric.

Di sesi tersebut, mereka membandingkan proporsi generasi kode AI di berbagai tahap sekaligus menunjukkan bahwa siklus delivery perangkat lunak tidak berkurang dengan proporsi yang sama. Angka-angka spesifik di sini berasal dari studi kasus vendor dan tidak bisa langsung dipakai sebagai tolok ukur industri, namun logika di baliknya tetap valid.

Ketika AI menekan biaya menulis kode, bottleneck akan bergeser ke requirements, konteks, arsitektur, review, testing, integrasi, deployment, dan acceptance.

Pola yang sama berlaku di skenario bisnis. Jangan hanya melihat “berapa banyak gambar yang dihasilkan AI”, tapi tanyakan “apakah materi kampanye marketing yang biasanya memakan waktu dua minggu kini rampung dalam tiga hari”. Jangan hanya melihat “berapa kali AI dipanggil”, tapi tanyakan “apakah rata-rata tiket yang ditangani agen customer service meningkat? Apakah keluhan pelanggan berkurang?” Rasio generasi kode, jumlah token, jumlah agen, jumlah pemanggilan, volume generasi gambar—semuanya bisa jadi hanya metrik efisiensi parsial. Yang benar-benar penting adalah hasil end-to-end: apakah siklus delivery memendek, apakah jam kerja manual turun, apakah first-pass rate meningkat, apakah biaya per acceptance task menurun, dan apakah metrik bisnis akhir berubah.

Konferensi ini menjadi pengingat bagi saya: jangan terbius oleh “seberapa banyak yang dikerjakan AI”, tapi perhatikan “apa yang berubah pada keseluruhan sistem sebagai dampaknya”.

Delapan: Konferensi Menyediakan Peluang Menaruh Taruhan, tapi Hak Menentukan Tetap di Tangan Sendiri

Hal paling gampang terjadi ketika mengikuti konferensi adalah dunia luar mulai menentukan prioritas kita.

Karena sebuah arah sering digaungkan di panggung, orang merasa perlu ikut membahas; karena raksasa teknologi menggelontorkan investasi besar, orang merasa perlu ikut bergerak; karena sebuah produk terlihat canggih, orang merasa harus membangun versinya sendiri.

Kali ini saya lebih memilih mengembalikan semua informasi itu ke satu pertanyaan yang jauh lebih sederhana:

Informasi ini akan mengubah Decision yang mana dari saya?

Jika ia hanya membuat saya merasa “wah, menarik”, itu masih sebatas input.

Jika ia membuat saya menilai ulang antara membangun sendiri (Build), membeli (Buy), atau mengabaikan (Ignore); mengubah batas produk; menghentikan inisiatif bernilai rendah; mendesain ulang sebuah alur kerja; atau mendefinisikan ulang metrik eksperimen—barulah ia benar-benar masuk ke ranah keputusan.

Apsara Conference bukan jawaban.

Ia lebih mirip sebuah peta pertaruhan industri. Peta itu bisa menunjukkan ke arah mana pelaku lain sedang melangkah, jalur mana yang mulai padat, infrastruktur mana yang sedang terbentuk, dan masalah mana yang mulai diproduksikan secara massal.

Pada akhirnya, jalur mana yang harus diambil tetap harus kembali pada tujuan, keterbatasan, sumber daya, dan bukti yang kita miliki sendiri.

Inilah yang paling ingin saya pertahankan ketika hadir di sebuah konferensi teknologi: melihat lebih banyak pertaruhan, sambil tetap memegang kendali penilaian di tangan sendiri.

Jika Anda sedang menimbang dari mana seharusnya investasi AI enterprise sebaiknya dimulai, arah mana yang benar-benar layak, dan mana yang hanya gelembung narasi—silakan berdiskusi dengan kami. Kami menyediakan konsultasi khusus untuk transformasi AI enterprise—mulai dari pemilihan teknologi, desain organisasi, hingga sistem pengukuran—untuk membantu Anda mengubah “hingar-bingar di panggung konferensi” menjadi “pertimbangan yang Anda bangun sendiri”. Surel kerja sama: [email protected].

Bacaan lanjutan: 《Kerangka Tujuh Langkah Transformasi AI》, yang menguraikan secara sistematis jalur lengkap implementasi AI di perusahaan.

Tentang Seri Ini

「Observasi Yunqi」 adalah seri liputan dari garis depan industri yang diluncurkan oleh IAIUSE. Berangkat dari Konferensi Yunqi 2026, seri ini mengurai perubahan nyata yang tengah terjadi di industri AI dari sudut pandang seorang peneliti—tidak mengejar tren, melainkan mengamati ke mana arah investasi diarahkan dan seberapa kuat buktinya.

Seri ini mencakup topik-topik seperti lapisan sistem di atas model, implementasi Agent, aset Context, desain organisasi AI enterprise, hingga pergeseran unit persaingan pada produk AI—total sekitar 10 artikel.

Saya memiliki hampir 8 tahun pengalaman di bidang konsultasi perusahaan besar dan analisis bisnis, pernah bekerja di IBM dengan keterlibatan pada proyek-proyek di sektor telekomunikasi, keuangan, asuransi, dan manufaktur. Setelah itu, saya melanjutkan karier di lini depan produk operator telekomunikasi, produk internet, serta pengembangan aplikasi AI—mencakup analisis kebutuhan, desain produk, dan implementasi lintas tim. Penilaian dalam seri ini lahir dari observasi lapangan dan verifikasi silang antar-sektor yang saya lakukan, dengan sudut pandang penulis yang jelas—dan tidak mencerminkan posisi vendor mana pun.