Kekuatan super AI yang sebenarnya: konsumsi, bukan kreasi

 (msanroman.io)
20 poin oleh GN⁺ 2025-12-18 | 3 komentar | Bagikan ke WhatsApp
  • Kebanyakan orang menggunakan AI sebagai alat pembuat konten, tetapi kekuatan sebenarnya terletak pada kemampuannya membaca dan menghubungkan informasi dalam jumlah besar
  • Intinya adalah proses ketika AI mengkonsumsi dan menemukan pola dari data yang terakumulasi seperti catatan pribadi, rekaman rapat, dan ide
  • Dengan menghubungkan catatan Obsidian dan AI, penulis mengekstrak wawasan dari catatan lama serta menemukan perubahan pola pikir yang terlupakan atau keputusan desain yang berulang
  • AI memungkinkan pencarian berbasis konsep, bukan kata kunci, penelusuran pola lintas waktu, dan koneksi antargagasan
  • Daya saing manusia ada pada pengalaman, dan AI mengubahnya menjadi aset pengetahuan yang dapat ditelusuri untuk mendukung pembelajaran berkelanjutan dan peningkatan pengambilan keputusan

Jebakan kreasi

  • Sebagian besar pengguna memakai AI sebagai alat produktivitas untuk menulis email, membuat laporan, dan menulis kode
    • Ini digambarkan sebagai pemborosan seperti memakai superkomputer sebagai mesin tik
  • Penulis menyimpan catatan engineering selama 3 tahun, lebih dari 500 rekaman rapat, dan ribuan observasi di Obsidian
    • Jumlah ini terlalu besar untuk dibaca manusia seumur hidup, tetapi AI dapat mengkonsumsinya dalam hitungan detik

Titik balik menuju konsumsi

  • Setelah AI dihubungkan ke Obsidian, cara bertanya berubah dari “tolong tulis sesuatu yang baru” menjadi “apa yang sebenarnya sudah pernah saya temukan?”
  • Contoh nyata
    • Dari analisis pola 50 sesi 1:1 terbaru, ditemukan bahwa masalah kinerja muncul 2–3 minggu lebih awal daripada keluhan terhadap alat
    • Dengan melacak perubahan cara berpikir tentang utang teknis, teridentifikasi bahwa sekitar Maret 2023 sudut pandangnya berubah dari “sesuatu yang harus diperbaiki” menjadi “informasi tentang evolusi sistem”
    • Dalam perbandingan arsitektur Buffer API dan carpeta.app, ditemukan 12 keputusan desain yang berulang
    Iklan

Akumulasi pengetahuan dan aksesibilitas

  • Setiap rapat, pemikiran, dan pengalaman debugging memberi pembelajaran, tetapi jika tidak bisa ditelusuri, pengetahuan itu tetap tidak bermakna
  • Pencarian tradisional membutuhkan ingatan atas kata yang tepat, sementara memori manusia punya batas
  • AI mengatasi hal ini dengan memungkinkan
    • kueri berbasis konsep,
    • penelusuran pola selama bertahun-tahun,
    • menghubungkan ide melampaui waktu dan konteks
  • Keterbatasan manusia ternyata bukan pada kreasi, melainkan pada kurangnya kemampuan mengkonsumsi, mengingat, dan menghubungkan

Membangun sistem konsumsi

  • Konfigurasinya sederhana
    • Menyimpan semua catatan di Obsidian
    • AI memiliki akses ke seluruh data
    • Mengajukan pertanyaan kepada diri sendiri di masa lalu layaknya asisten riset
  • Kuncinya bukan alat, tetapi perubahan cara berpikir
    • AI perlu dipandang bukan sebagai pencipta, melainkan pembaca pengalaman
    • Setiap catatan berubah menjadi wawasan untuk masa depan, dan setiap refleksi menjadi kebijaksanaan yang dapat ditelusuri
Iklan

Efek bunga majemuk

  • Hasil eksperimen selama dua bulan
    • Kecepatan pemecahan masalah meningkat dengan menemukan kasus serupa di masa lalu
    • Kualitas pengambilan keputusan membaik dengan memulihkan konteks yang sempat terlupakan
    • Menjadi mungkin mengenali pola yang sebelumnya tak terlihat dan tersebar sepanjang waktu
  • Kebanyakan orang sebenarnya memiliki tambang emas wawasan yang terkubur dalam catatan, file, dan ingatan
    • AI mengubahnya menjadi database keahlian pribadi yang bisa diajukan pertanyaan

Revolusi yang sesungguhnya

  • Masih banyak orang melihat AI hanya sebagai alat menulis dan pembuat kode
  • Revolusi yang sebenarnya adalah saat AI berfungsi sebagai pembaca yang membaca seluruh pemikiran manusia
  • Karena itu, pencatatan pengetahuan hari ini harus menjadi tindakan dokumentasi untuk diri sendiri di masa depan dan untuk AI
    • Untuk menghadirkan AI yang membantu mengingat hal-hal yang terlupakan, dibutuhkan kebiasaan mencatat secara konsisten

Bacaan terkait

3 komentar

 
choijaekyu 2025-12-18

Pada akhirnya, ini adalah analisis regresi yang dilakukan dengan teks
 
crawler 2025-12-18

Model itu sendiri pada dasarnya hanya setingkat pembaca biasa; mudah melewatkan bagian penting, tetapi ketika digabungkan dengan alat seperti test, compiler, dan linter, ia berubah menjadi alat kreasi dengan loop umpan balik yang cepat.

Ini terasa sangat masuk akal. Saya belum pernah mencoba seperti ini, tapi sepertinya harus saya coba.
 
GN⁺ 2025-12-18
Opini Hacker News

  • Menurut saya, salah satu bagian AI yang paling menakutkan adalah kemampuan mengonsumsi informasi
    NSA atau perusahaan besar sudah mengumpulkan pola browsing kita selama bertahun-tahun, dan mengkhawatirkan bahwa AI dapat menganalisis data itu jauh lebih cepat daripada manusia lalu memakainya untuk prediksi perilaku, manipulasi, profiling psikologis, identifikasi kerentanan, dan sebagainya
    Karena itu, terasa ironis melihat sebagian orang mengkritik AI sebagai teknologi yang tidak berguna

    • Bahkan jika AI memang tidak berguna, AI tetap akan dipakai untuk tujuan seperti ini
      Karena AI memberi orang-orang yang melakukan hal ini ilusi rasa percaya diri
    • Ungkapan “Worthless” itu ambigu
      AI bisa saja tak bernilai (valueless), tetapi bukan tak berguna (useless)
      Seperti ranjau darat yang punya kegunaan tetapi tidak punya nilai, AI generatif juga memunculkan perdebatan serupa dari sisi eksternalitas
    • Sebenarnya analisis data seperti ini sudah bisa dilakukan dengan teknologi ML 10 tahun lalu
      AI generatif tidak benar-benar diperlukan
    • Yang lebih mengkhawatirkan daripada pembahasan tentang superinteligensi atau kreativitas adalah masyarakat pengawasan
      Kota-kota sudah dipenuhi kamera, dan saat ini fakta bahwa manusia tidak bisa memantau semua rekaman berperan sebagai semacam pengaman, tetapi AI bisa meruntuhkan penghalang itu
      Dalam waktu dekat, sepertinya akan muncul sistem pengawasan berbasis bahasa alami seperti “beri tahu saya jika ada Nissan merah yang lewat”
    • Manusia terlalu kompleks, sehingga bahkan dengan data NSA atau perusahaan pun akurasi prediksi perilaku kemungkinan tetap rendah

  • Model itu sendiri, jika berdiri sendiri, hanya setara pembaca biasa
    Ia mudah melewatkan bagian penting, tetapi bila digabungkan dengan alat seperti test, compiler, dan linter, ia berubah menjadi alat kreasi dengan loop umpan balik yang cepat
    Hal yang benar-benar sulit tetaplah menentukan “apa yang ingin diklaim”
    Isi ini juga akan dimuat di newsletter HackerNewsAI

    • Ada guardrail pada AI yang tidak kita ketahui
      Misalnya, pernah ada kasus saat membahas energi surya, topiknya disalahartikan sebagai isu politik sehingga percakapannya diblokir
    • Google sejak lama sudah membaca dan mengindeks paten dan dokumen SEC
      Di beberapa bidang, sudah ada sistem yang membaca dokumen lebih cepat daripada pengacara

  • Walaupun AI bisa membaca data saya dalam hitungan detik, verifikasi akurasi tetap tidak mungkin
    Ada juga riset yang mengatakan itu bukan ringkasan, melainkan sekadar singkatan (abbreviation)
    Seperti pada contoh, hasil seperti “menemukan pola dari 50 pertemuan 1:1” sebenarnya bisa saja hanya berlaku untuk sebagian data

    • Saya ingin tahu metodologi riset terkait
      Ini berbahaya justru saat masalahnya sulit diverifikasi
      LLM sebaiknya dipakai sebagai alat eksplorasi, dan manusialah yang harus menarik insight
    • Manusia juga tidak sempurna
      Jika AI sedikit saja lebih baik daripada manusia, itu sudah cukup bernilai
    • Verifikasi sering kali lebih cepat daripada penyelesaiannya
      Item yang diajukan AI bisa diperiksa dengan pencarian teks
    • AI adalah alat pemrosesan skala besar
      Pengelolaan konteks adalah kuncinya, dan meski tidak sepenuhnya deterministik, tetap berguna
    • Jika model dibuat mencantumkan sumber, kita bisa memakainya tanpa harus menelannya mentah-mentah

  • Saya enggan mengunggah dokumen pribadi ke cloud
    Risiko privasi terlalu besar, jadi saya sedang menunggu LLM lokal berkembang lebih jauh

    • Saya juga memakai model lokal karena alasan yang sama
      Model sekitar 30B masih bisa dipakai untuk merangkum di MacBook, tetapi usability-nya masih kurang
    • Saya hanya mengunggah dokumen yang tidak masalah jika bocor
      Untuk bisnis yang terikat NDA, sulit rasanya merekomendasikan apa pun selain model lokal
      Harga perangkat memang mahal, tetapi saya kira suatu saat kita akan kembali ke lingkungan eksekusi model yang berpusat pada PC
    • Saya sedang menganalisis catatan Obsidian dengan mlx_lm milik Apple
      Saya sudah mencoba model Qwen 3, tetapi halusinasi (hallucination)-nya terlalu banyak dan tidak praktis
      Bahkan model SOTA pun tampaknya kualitas ringkasannya akan mirip
    • Saya memakai LLM sebagai hobi
      Saya membeli 3 GPU untuk menjalankan model lokal, tetapi ROI-nya sama sekali tidak masuk
      Semata-mata karena menyenangkan
      Jika tidak ada kunci sensitif, menyewa GPU cloud skala kecil juga pilihan yang cukup baik

  • Inti tulisan ini tampaknya adalah mendelegasikan proses berpikir ke mesin
    Saya menulis catatan dengan berfokus pada ingatan dan keterkaitan, jadi menyerahkannya kepada AI terasa seperti menyerah dalam berpikir

    • Sebaliknya, AI adalah perangkat memori yang bisa menghidupkan kembali pikiran, catatan, dan pengalaman kita secara instan
      Kemampuannya untuk menggali kembali pengetahuan yang terkubur di email atau laporan lama itu berguna

  • Setengah dari “kekuatan super” AI di sini sebenarnya berasal dari semua data yang sudah tertata di Obsidian
    Karena fondasinya ada, alat apa pun jadi terasa kuat

    • Kebanyakan orang tidak mencatat dengan konsisten seperti itu
      Hebat sekali bahwa dia bisa menuai hasil dari usahanya

  • Kemampuan AI yang sebenarnya adalah mengatakan hal yang ingin kita dengar
    Kecenderungan itu makin kuat terutama setelah RLHF
    Kemampuan merangkumnya masih kurang, dan sebagian besar tetap bukan ringkasan melainkan pemendekan
    LLM unggul dalam menyambung teks, tetapi lemah dalam memahami gambaran besar
    Jika “perkembangan eksponensial” yang dibicarakan pada 2023 itu benar adanya, perdebatan seperti ini bahkan mungkin tidak akan ada

  • Saat kuliah matematika, saya mencari istilah yang tidak saya kenal, dan ringkasan AI ternyata cukup bagus
    Memang hanya merekonstruksi sumber aslinya, tetapi justru itulah fungsi yang saya inginkan

    • Namun kemampuan verifikasi dari ringkasan itu penting
      Kebanyakan orang lebih suka konsumsi cepat sehingga tidak memahami secara mendalam
    • Menurut saya, bahkan ringkasan berkualitas rendah pun sudah cukup jika bisa membantu memahami gambaran umum dengan cepat
    • Saat mencari istilah medis, Gemini memberikan campuran informasi yang salah dan yang benar
      Saya ngeri melihat bahkan pakar pun mempercayainya begitu saja
      Selain itu, saya juga merasa tidak nyaman membayangkan Google mungkin mengaitkan penyakit itu dengan profil saya

  • Saya pernah percaya pada pernyataan AI bahwa “JS Set lebih cepat daripada Array”, lalu sadar itu salah karena konteksnya hilang
    Meski begitu, AI sangat unggul dalam mensintesis materi yang sangat banyak untuk topik yang asing
    Misalnya, saat menerjemahkan puisi Lorca dan Cavafy, AI menjelaskan dengan baik teks aslinya dan kesulitan-kesulitan dalam penerjemahan
    Saya mendapatkan hasil yang jauh lebih baik saat memakainya sebagai alat bantu, bukan menyerahkan penerjemahan langsung kepadanya
    Pengalaman detailnya saya tulis di posting blog saya