Saya adalah kepala strategi Cloudera dan inilah mengapa anggaran AI $1 miliar Anda baru saja menjadi usang

AI memasuki fase baru: era 2.0-nya. AI 1.0 dibangun berdasarkan data tidak terstruktur yang menerapkan pembelajaran mesin umum untuk masalah bisnis yang luas. Ini menandai pergeseran dari AI eksperimental ke sistem operasional awal dan agenik, yang didasarkan pada keyakinan bahwa model yang lebih besar secara alami akan menghasilkan hasil yang paling kuat. Konsep ini diperkuat oleh perusahaan hyperscaler yang berlomba membangun model frontier yang semakin besar, menciptakan perlombaan senjata yang mendorong terobosan tetapi juga menimbulkan permintaan komputasi yang tidak berkelanjutan dan biaya infrastruktur yang meningkat.

Video Rekomendasi

AI 2.0 berbeda dan menantang kepercayaan tersebut karena model yang lebih besar terbukti jauh kurang berharga dalam praktiknya. Alih-alih memodelkan bahasa atau kemungkinan statistik, AI 2.0 fokus pada pemodelan dinamika dunia nyata. Ia mengandalkan pembelajaran mesin berbasis fisika – model yang ketat, didorong oleh simulasi, berlandaskan pada persamaan diferensial tetapi dipercepat oleh AI. Model ini tidak halusinasi; mereka menghitung dan memprediksi dalam batasan operasi dunia nyata, membuatnya jauh lebih cocok untuk lingkungan produksi. Pergeseran ini juga menegaskan bahwa perusahaan tidak lagi dapat bergantung hanya pada ekonomi hyperscaler. Melatih model skala frontier membutuhkan jejak komputasi yang hanya dapat didukung oleh beberapa penyedia, mendorong organisasi untuk memikirkan kembali apakah “lebih besar” bahkan dapat diakses, apalagi optimal, untuk kasus penggunaan mereka.

Pada akhirnya, karakteristik utama AI 2.0 bukanlah skala, melainkan pembatasan. Kita bergerak menuju sistem AI yang tahu kapan harus berhenti berpikir. Ini adalah model yang dirancang untuk ketepatan, efisiensi biaya, dan penalaran yang sehat daripada perhitungan tanpa henti.

Transisi dari AI 1.0 ke AI 2.0

AI 1.0 sebagian besar dibangun berdasarkan inferensi, dan didominasi oleh eksperimen dan bukti konsep, di mana organisasi mengoptimalkan untuk demo dan tolok ukur daripada hasil operasional. Pertanyaan utama bukanlah apakah AI dapat berkembang secara ekonomi atau andal; melainkan apakah AI dapat bekerja sama sekali.

Dalam fase ini, banyak pemimpin terjebak dalam apa yang dikenal sebagai “perangkap akurasi,” di mana mereka mengoptimalkan hanya untuk akurasi, bukan komputasi atau kesadaran konteks. Model yang tampak kuat di lingkungan terkendali akhirnya gagal dalam penerapan nyata karena mereka terlalu lambat untuk tuntutan dunia nyata atau terlalu mahal untuk diskalakan dengan ekonomi unit yang sehat. Instingnya adalah memulai dengan model terbesar yang mungkin, dengan asumsi bahwa adaptasi secara alami akan meningkatkan kinerja.

AI 2.0 mengubah pola pikir ini. Pemimpin sekarang bertanggung jawab atas ROI yang terukur, bukan demo atau skor tolok ukur. Dalam 2.0, kita perlu berhenti melatih model untuk mengetahui segalanya dan sebaliknya melatih model AI untuk mensimulasikan apa yang penting. Ini adalah paradigma yang lebih khusus, di mana tujuannya adalah mempelajari dan menyempurnakan satu atau beberapa kemampuan daripada mengejar generalisasi demi kepentingan sendiri.

Dalam AI 2.0, setiap industri – dari kesehatan hingga manufaktur hingga layanan keuangan – akan memiliki kemampuan untuk membangun model yang lebih kecil dan domain-spesifik yang mensimulasikan fisika, batasan, dan lingkungan unik mereka. Ini mirip dengan beralih dari manufaktur mobil massal ke perakitan kustom: orang akan dapat “membuat mobil mereka sendiri” karena produksi tidak lagi didikte hanya oleh ekonomi skala. Dalam kesehatan, misalnya, model berbasis fisika yang lebih kecil dapat mensimulasikan perkembangan penyakit atau respons pengobatan tanpa bergantung pada sistem umum yang besar. Ini menghilangkan risiko halusinasi dan meningkatkan keandalan dalam alur kerja yang kritis terhadap keselamatan.

Selain itu, dinamika hyperscaler juga bergeser di sini. Alih-alih menjalankan semuanya melalui model besar terpusat, perusahaan mendistribusikan kecerdasan dengan menggabungkan model dasar dengan model bahasa kecil, mengurangi ketergantungan pada hyperscaler dan mengoptimalkan kinerja untuk lingkungan lokal tertentu.

Perpindahan ini tidak hanya bersifat teknis, tetapi juga ekonomi dan operasional.

Kunci Keberhasilan: Mengetahui Kapan “Berhenti Berpikir”

Di lingkungan perusahaan, “berpikir” memiliki biaya nyata. Lebih banyak parameter jarang berujung pada hasil yang lebih baik untuk sebagian besar beban kerja. Untuk banyak aplikasi, model kelas GPT-5 terlalu kuat, mahal, dan lambat, menyebabkan peluncuran yang terhambat dan penggunaan yang terbatas.

Dasar dari AI 2.0 adalah kecerdasan yang sadar batasan. Model dunia memungkinkan sistem membangun representasi realitas yang spesifik terhadap tugas tertentu, memungkinkan sistem untuk bernalar tentang apa yang penting daripada menghitung ulang pemahaman dari awal di setiap langkah. Diskusi serupa juga muncul di Davos tahun ini ketika pelopor AI Yann LeCun menyatakan bahwa kita “tidak akan pernah mencapai kecerdasan setara manusia dengan melatih LLM atau hanya melatih teks. Kita membutuhkan dunia nyata.” Pendekatannya adalah bahwa menghasilkan kode adalah satu hal, tetapi mencapai kompleksitas kognitif seperti mobil otonom tingkat lima jauh di luar kemampuan model besar saat ini.

Semua ini mengarah pada kenyataan bahwa model kelas GPT-5 tidak dilatih pada skenario dunia nyata. Sementara model yang lebih kecil, khusus, dan dioptimalkan secara efisien dapat mencapai akurasi yang cukup lebih cepat, memberikan latensi yang jauh lebih rendah, berjalan dengan biaya yang jauh lebih kecil, dan diskalakan secara prediktif sesuai permintaan dunia nyata. Dalam praktiknya, AI tidak boleh berpikir tanpa henti dan pasti tidak dapat beroperasi dengan pendekatan arsitektur “satu model untuk menguasai semuanya.” Ia harus beroperasi dalam ruang keputusan yang terdefinisi. Pola yang muncul mencakup arsitektur yang mengarahkan tugas ke model yang paling sederhana dan efektif, hanya meningkatkannya jika diperlukan, dan terus menyeimbangkan akurasi dengan kecepatan dan biaya.

Dengan kata lain, ukuran model adalah metrik paling berbahaya di dashboard. Ini adalah sisa dari era 1.0 yang membingungkan kapasitas dengan kemampuan. Yang benar-benar penting adalah biaya per masalah yang terselesaikan: seberapa efisien sistem dapat memberikan hasil yang akurat dan andal dalam batasan operasi nyata.

Perusahaan tidak akan menang dengan menjalankan model terbesar; mereka akan menang dengan menjalankan model yang paling ekonomis yang menyelesaikan masalah secara skala.

Arbitrase Talenta dalam AI 2.0

Talenta adalah variabel penting lain dari AI 2.0 yang akan secara dramatis mengubah dinamika industri AI, karena keberhasilan membutuhkan tenaga kerja yang mampu membangun model untuk aplikasi yang sangat variatif. Saat ini, hanya persentase kecil dari talenta global yang mampu mengembangkan model dasar, dan mayoritas dari talenta tersebut terkonsentrasi di beberapa pusat teknologi global.

Saat ini, peneliti adalah bintang utama dan mereka mendapatkan kompensasi sesuai karena permintaannya tinggi. Tetapi pergeseran ke AI 2.0 menuntut peralihan dari ahli sulap ke mekanik: profesional yang dapat menyetel, memelihara, dan mengoptimalkan model untuk menyelesaikan masalah dunia nyata tertentu. Transisi talenta ini akan menjadi salah satu peluang arbitrase terbesar dari fase berikutnya AI. Jika AI benar-benar ingin didemokratisasi, perusahaan perlu talenta di mana saja yang memahami fisika sektor—baik di bidang kedokteran, manufaktur, logistik, dan lain-lain—dan dapat menerjemahkan keahlian tersebut ke dalam sistem AI yang khusus dan dapat digunakan.

Lalu, bagaimana ini mempengaruhi peta jalan AI 2026? Artinya kita perlu bekerja lebih cerdas, bukan lebih keras. Anggaran dan strategi harus bergeser ke arah efisiensi tetapi juga kegunaan, dengan mengutamakan model yang lebih kecil dan teroptimasi, arsitektur hibrid dan multi-model, serta sistem yang dirancang untuk ketahanan dalam skala besar. Metode keberhasilan akan beralih dari ukuran model ke biaya per hasil, waktu pengambilan keputusan, dan dampak nyata di dunia nyata.

AI 2.0 bukan tentang meninggalkan model besar. Ini tentang menggunakannya secara sengaja dan ekonomis. Organisasi yang mengadopsi praktik ini akan bergerak lebih cepat, menghabiskan lebih sedikit, dan mencapai lebih banyak daripada yang masih mengejar skala brute-force.

Opini yang disampaikan dalam artikel Fortune.com ini sepenuhnya merupakan pandangan penulisnya dan tidak harus mencerminkan pendapat dan kepercayaan Fortune.

Bergabunglah dengan kami di Fortune Workplace Innovation Summit 19–20 Mei 2026, di Atlanta. Era inovasi tempat kerja berikutnya telah tiba—dan buku panduan lama sedang ditulis ulang. Dalam acara eksklusif yang penuh energi ini, para pemimpin paling inovatif di dunia akan berkumpul untuk menjelajahi bagaimana AI, manusia, dan strategi bersatu kembali untuk mendefinisikan masa depan kerja. Daftar sekarang.