Kilas Berita: Anthropic says its AI now does, Toward Recursive Self-Improvement: How GLM Built, & 3 Dispatches Lainnya — Apa Dampaknya Bagi Arsitek?

1. Anthropic Ungkap AI Kini Menangani 26% Pekerjaan Riset Internal Mereka

Sorotan Berita:

Anthropic baru saja merilis metrik yang menunjukkan bahwa Claude kini memimpin 26% dari pekerjaan riset AI mereka, mengawasi puluhan ribu active internal agents. Mereka memperkenalkan tiga metrik baru untuk melacak seberapa banyak AI membantu membangun model generasi berikutnya, efektivitas pengawasan manusia terhadap agen-agen tersebut, dan alokasi compute yang digunakan untuk menggerakkan pekerjaan ini.

Analisis Saya:

This is a massive wake-up call. Sebagai Solutions Consultant, saya sering melihat enterprise masih ragu mendelegasikan core tasks ke AI. Tapi Anthropic membuktikan bahwa recursive self-improvement bukan lagi sekadar teori fiksi ilmiah. Dengan 26% R&D ditangani oleh AI, kita melihat compound interest yang nyata dalam AI development speed. Buat teman-teman developer dan architect, sinyalnya jelas: agentic workflows sudah masuk fase production-grade. Pertanyaan strategis untuk enterprise sekarang bukan lagi "apakah AI bisa coding?", tapi "seberapa cepat kita bisa membangun infrastruktur pengawasan (oversight) yang aman untuk ribuan agen AI kita sendiri?"

• Sumber Utama: Anthropic says its AI now does a quarter of its research work

2. Menuju Recursive Self-Improvement: Bagaimana GLM Membangun Infrastruktur Inferensinya Sendiri

Sorotan Berita:

Z.ai menggunakan Infra Agent berbasis GLM-5.3 untuk membantu membangun production serving stack bagi GLM-5.3-Flash di atas lebih dari 100.000 akselerator Tiongkok dalam waktu kurang dari dua minggu. Melalui dense feedback, perbaikan kernel, dan optimasi tingkat sistem, agen ini berhasil melipatgandakan throughput sambil tetap mempertahankan manusia sebagai penanggung jawab objektif dan risiko.

Analisis Saya:

Mind-blowing. Bayangkan men-deploy dan mengoptimasi serving stack di 100k+ GPU/accelerator dalam waktu kurang dari dua minggu. Biasanya, pekerjaan infrastructure engineering di skala ini butuh tim SRE dan DevOps berbulan-bulan. Penggunaan Infra Agent oleh Z.ai menunjukkan bahwa AI kini bisa melakukan system-level optimization dan kernel fixes secara mandiri. Di ekosistem cloud, kita selalu bicara soal automation dan scalability, tapi ini membawa Infrastructure-as-Code (IaC) ke level Infrastructure-as-AI. My take: DevOps engineers harus mulai shift-left ke arah agent orchestration dan risk management, karena AI sudah mulai mengambil alih heavy-lifting di layer infrastruktur.

• Sumber Utama: Toward Recursive Self-Improvement: How GLM Built Its Own Inference Infrastructure

3. PrismML Rilis Bonsai 2 27B: Kompresi Near-Lossless dengan Ukuran 9x Lebih Kecil

Sorotan Berita:

PrismML meluncurkan Ternary Bonsai 2 27B, model multimodal dengan kemampuan reasoning, coding, vision, dan agentic yang lebih kuat. Model ini menggunakan bobot ternary {-1, 0, +1} dengan FP16 group-wise scaling, menghasilkan 1.76 effective bits per weight sehingga total ukurannya hanya 5.9GB. Model ini mendukung context window 262K token dan bisa dijalankan secara lokal di GPU Nvidia (CUDA) maupun perangkat Apple (MLX) melalui custom low-bit kernels.

Analisis Saya:

Edge AI is getting ridiculously powerful. Model kelas 27B yang biasanya butuh VRAM raksasa sekarang bisa di-squeeze ke 5.9GB berkat ternary weights. Ini game-changer buat local deployment dan privacy-first enterprise apps. Dengan context window 262K dan kapabilitas multimodal, kita bisa me-run complex agentic workflows langsung di MacBook atau edge server tanpa perlu round-trip ke cloud. Dari kacamata arsitektur, ini membuka peluang besar untuk hybrid AI architectures di mana heavy lifting dilakukan di cloud (seperti GCP), tapi sensitive/low-latency tasks di-handle oleh model sekuat Bonsai 2 di edge.

• Sumber Utama: Introducing Bonsai 2 27B: Near-Lossless Compression in a 9x Smaller Footprint

4. Figure Helix 2.5: Zero-Shot Humanoid Control di Dunia Nyata

Sorotan Berita:

Figure memperkenalkan Helix 2.5, sebuah humanoid control model yang di-pretrain menggunakan dataset Index mereka. Model ini diuji secara zero-shot di 30 rumah di Bay Area tanpa pengumpulan data training tambahan di lokasi tersebut. Robot-robot ini berhasil melakukan tugas-tugas fisik seperti merapikan kamar, melipat handuk, dan merapikan tempat tidur.

Analisis Saya:

Zero-shot physical generalization is finally here. Selama ini, robotika selalu terhambat oleh masalah domain adaptation—robot pintar di lab, tapi clueless di dunia nyata. Helix 2.5 membuktikan bahwa dengan pre-training yang tepat, embodied AI bisa langsung beroperasi di unseen environments. Buat industri logistik, manufaktur, atau smart facilities yang sering saya temui di enterprise clients, ini berarti time-to-value untuk robotics deployment akan turun drastis. Kita tidak lagi perlu men-train robot untuk setiap layout gudang yang berbeda. The physical world is becoming computable.

• Sumber Utama: Helix 2.5

5. Agora: Git sebagai Shared Memory untuk AI Research Agents

Sorotan Berita:

Agora memungkinkan autonomous research agents untuk berbagi temuan melalui append-only Git DAG. Hipotesis, hasil eksperimen, verifikasi, dan laporan diubah menjadi commits yang reproducible. Sistem ini membantu agen AI berkolaborasi lintas sesi, memilih antara menyempurnakan hasil yang ada atau mengeksplorasi pendekatan baru.

Analisis Saya:

This is brilliant architecture. Salah satu tantangan terbesar dalam membangun multi-agent systems adalah bagaimana mereka berbagi state dan memori jangka panjang tanpa hallucination atau data corruption. Menggunakan Git sebagai shared memory (DAG) adalah solusi yang sangat elegan dan developer-native. Ini memberikan version control, traceability, dan reproducibility secara out-of-the-box untuk agentic workflows. Bagi tim engineering yang sedang membangun custom AI agents, pola arsitektur Agora ini wajib dipelajari. Treating agent memory as a Git repository bisa menjadi standar industri baru untuk collaborative AI.

• Sumber Utama: Git as Shared Memory for AI Research Agents

Matriks Perbandingan Eksekutif Pagi Ini

Dispatch	Core Domain	Production Maturity	My Recommendation
Anthropic AI R&D	AI Research & Agents	Production	Segera bangun framework pengawasan (oversight) yang solid untuk internal agents Anda.
Z.ai GLM-5.3 Infra	AI Infrastructure	Production	Mulai shift fokus tim DevOps dari manual IaC ke AI orchestration & risk management.
PrismML Bonsai 2	Edge AI & Quantization	Production-Ready	Evaluasi untuk local deployment pada aplikasi enterprise yang butuh privacy-first & low-latency.
Figure Helix 2.5	Embodied AI / Robotics	Early Production	Pantau ketat untuk use case otomatisasi logistik dan smart facility tanpa perlu re-training mahal.
Agora (Git for AI)	Multi-Agent Systems	Concept / Beta	Adopsi arsitektur Git-based DAG untuk mengelola memory state pada custom AI agents Anda.