Monitorday.com– Perkembangan Agentic AI pada 2026 semakin menempatkan Model Context Protocol (MCP) sebagai lapisan konektivitas penting antara AI agent dan dunia digital di sekitarnya. MCP memungkinkan agent berinteraksi dengan berbagai tools, sumber data, aplikasi, serta layanan eksternal melalui mekanisme yang terstandarisasi, sehingga pengembang tidak perlu membangun koneksi khusus untuk setiap model atau aplikasi .

MCP pada awalnya dikembangkan sebagai cara untuk menghubungkan model AI dengan tools dan konteks eksternal. Namun, penggunaannya berkembang jauh melampaui fungsi tersebut. Menurut Model Context Protocol, protokol ini kini telah digunakan dalam workflow agentic di berbagai organisasi dan berkembang menjadi infrastruktur untuk menghubungkan sistem AI dengan kemampuan eksternal .

Perkembangan terbaru terlihat pada spesifikasi MCP 2026-07-28 yang memperkenalkan arsitektur inti stateless. Perubahan ini memungkinkan server MCP beroperasi menggunakan infrastruktur HTTP standar tanpa ketergantungan pada sesi yang persisten. Setiap permintaan membawa informasi yang diperlukan sehingga request dapat diarahkan ke instance server mana pun di belakang load balancer.

Kemampuan tersebut penting bagi perusahaan yang ingin menjalankan agent dalam skala besar. Spesifikasi terbaru juga memperkenalkan Multi Round-Trip Requests (MRTR), mekanisme caching untuk hasil daftar tools, peningkatan keamanan otorisasi, serta kerangka ekstensi formal. Salah satu ekstensi yang semakin relevan adalah Tasks untuk menangani pekerjaan AI yang berlangsung lebih lama dan tidak selesai dalam satu permintaan .

Dari sisi ekosistem, pertumbuhan MCP juga terlihat dari penggunaan SDK. Menurut Model Context Protocol, SDK Tier 1 kini mencatat hampir setengah miliar unduhan per bulan, sementara SDK TypeScript dan Python telah masing-masing melampaui satu miliar total unduhan. Data tersebut menunjukkan bahwa MCP mulai bergerak dari eksperimen pengembang menuju lapisan infrastruktur yang lebih luas untuk aplikasi agentic .

MCP juga mulai diarahkan untuk menjawab kebutuhan enterprise, terutama terkait keamanan, identitas, dan tata kelola. Roadmap terbaru MCP menempatkan identitas agent, keamanan enterprise, komunikasi antargen, peningkatan primitive, serta transport HTTP sebagai prioritas pengembangan berikutnya (Model Context Protocol, 2026).

Dalam ekosistem Agentic AI, MCP dapat dipandang sebagai mekanisme yang menghubungkan agent dengan “dunia luar”, sementara protokol seperti Agent2Agent (A2A) berfokus pada komunikasi antargen. Kombinasi keduanya berpotensi membentuk lapisan infrastruktur yang memungkinkan satu agent menggunakan tools melalui MCP sekaligus bekerja sama dengan agent lain dalam workflow yang lebih kompleks.

Perkembangan tersebut mengubah posisi MCP dari sekadar protokol koneksi menjadi salah satu fondasi arsitektur Agentic AI. Jika tren ini berlanjut, masa depan aplikasi AI bukan hanya ditentukan oleh kemampuan model bahasa, tetapi juga oleh kemampuan agent untuk terhubung secara aman, standar, scalable, dan dapat diaudit dengan data, aplikasi, tools, serta agent lainnya.

Monitorday.com– Perkembangan kecerdasan artifisial (AI) pada 2026 menunjukkan perubahan penting dari model copilot menuju AI agent yang mampu menjalankan tugas berjangka panjang secara lebih mandiri. Jika copilot selama ini berfungsi sebagai pendamping yang menunggu instruksi manusia, agent mulai diberi tujuan untuk kemudian menyusun langkah, menggunakan berbagai tools, menjalankan tindakan, dan mengevaluasi hasilnya.

Perubahan tersebut mendorong munculnya konsep “AI worker”, yakni sistem AI yang tidak hanya menghasilkan teks atau memberikan jawaban, tetapi mengerjakan rangkaian aktivitas seperti pekerja digital. OpenAI menjelaskan bahwa agent mengubah unit kerja pengetahuan dari interaksi tunggal menjadi tugas yang dapat didelegasikan dalam jangka waktu lebih panjang, termasuk melakukan pemanggilan tools dan beriterasi hingga solusi ditemukan.

Di lingkungan perusahaan, penerapannya mulai mencakup layanan pelanggan, pengembangan perangkat lunak, operasi teknologi informasi, keuangan hingga procurement. Menurut survei Mayfield terhadap 266 CIO, CTO, CAIO, CISO, dan CDO, sebanyak 42 persen responden menyatakan agentic AI sudah digunakan dalam produksi, sementara 72 persen menggunakannya dalam kombinasi tahap produksi dan pilot.

Dalam layanan pelanggan, misalnya, agen dapat menerima persoalan pelanggan, memahami konteks, mencari informasi pada sistem perusahaan, menentukan langkah penyelesaian, kemudian mengeksekusi tindakan tanpa harus memindahkan pekerjaan dari satu sistem ke sistem lainnya. Zendesk pada Mei 2026 bahkan memperkenalkan konsep “Autonomous Service Workforce” yang menempatkan AI agent sebagai pelaksana penyelesaian masalah lintas kanal dan use case.

Transformasi serupa terjadi dalam procurement. Menurut BCG, sebagian besar perusahaan yang mereka survei telah melakukan pilot atau menerapkan agentic AI dalam procurement teknologi. Namun, tantangan terbesar bukan lagi sekadar teknologi, melainkan penataan ulang proses organisasi, kualitas data, integrasi dengan sistem lama, peningkatan kompetensi, dan governance.

Pada pengembangan perangkat lunak, agen bahkan mulai bergerak dari membantu programmer menjadi pelaksana sebagian siklus pengembangan. Data McKinsey yang dirilis Agustus 2026 menunjukkan 40 persen responden dari perusahaan besar dengan pendapatan lebih dari US$1 miliar melaporkan sedang meningkatkan penggunaan AI agent. Sekitar 20 persen organisasi juga sudah melakukan scaling terhadap agentic coding tools, sementara 32 persen responden menyebut perusahaannya memilih membangun sendiri perangkat lunak atau fitur yang sebelumnya mungkin dibeli dari vendor.

Perubahan paling besar terjadi ketika beberapa agent mulai bekerja sebagai sebuah workflow. Google Cloud melihat 2026 sebagai fase ketika perusahaan mulai menghubungkan sejumlah agent sesuai kebutuhan sehingga mereka dapat berkolaborasi, berkoordinasi, dan menjalankan proses kompleks dari awal hingga akhir. Dengan model ini, AI tidak lagi berdiri sebagai aplikasi tambahan, tetapi menjadi lapisan eksekusi di dalam proses bisnis.

Namun, semakin besar otonomi AI, semakin besar pula kebutuhan terhadap pengawasan. Perusahaan harus memastikan setiap agent memiliki batas kewenangan, akses data yang tepat, mekanisme audit, serta kemampuan untuk menghentikan atau mengoreksi tindakan yang keliru. Menurut IBM, tujuh dari 10 eksekutif yang disurvei menyatakan keterbatasan governance AI yang ada justru memperlambat transformasi agentic AI.

Dengan demikian, persaingan Agentic AI tidak lagi hanya ditentukan oleh siapa yang memiliki model paling pintar. Pertarungan berikutnya adalah siapa yang mampu membangun sistem yang dapat menghubungkan AI dengan data, aplikasi, workflow dan aturan bisnis secara aman. Pergeseran dari “AI yang membantu manusia” menuju “AI yang menjalankan pekerjaan” sekaligus menjadi salah satu perubahan paling signifikan dalam dunia kerja digital 2026.

Monitorday.com– Di tengah ketidakpastian ekonomi, strategi membangun bisnis tidak lagi semata-mata bergantung pada besarnya modal. Efisiensi, ketepatan memilih pasar, serta pemanfaatan teknologi menjadi faktor penting agar usaha dapat bertahan sekaligus membuka sumber pendapatan baru.

Ada tiga standar yang perlu diperhatikan dalam membangun bisnis pada masa krisis. Pertama adalah model rendah aset, yaitu bisnis yang tidak membutuhkan investasi besar seperti pabrik, gudang, atau persediaan barang dalam jumlah banyak. Model ini dapat mengurangi kebutuhan modal awal sekaligus menekan risiko utang.

Kedua, pelaku usaha perlu memilih target pasar secara tepat. Produk dan jasa sebaiknya diarahkan pada kebutuhan yang tetap penting selama krisis atau kelompok masyarakat yang memiliki daya beli relatif lebih kuat. Strategi ini membuat pengusaha tidak sekadar menjual produk, tetapi menyesuaikan penawaran dengan perubahan kebutuhan konsumen.

Standar ketiga adalah penggunaan teknologi dan kecerdasan artifisial (AI) sebagai pengungkit produktivitas. Berbagai pekerjaan seperti pembuatan konten, riset pasar, komunikasi pelanggan, desain, hingga administrasi dapat dibantu dengan perangkat digital. Dengan demikian, bisnis dapat beroperasi dengan struktur biaya yang lebih ringan dibandingkan model konvensional.

Salah satu peluang yang disoroti adalah affiliate marketing. Model ini memungkinkan seseorang memperoleh komisi berdasarkan penjualan yang terjadi melalui tautan atau promosi yang dibuatnya. Strateginya adalah memilih satu niche, misalnya otomotif atau elektronik, membangun personal branding, kemudian memproduksi konten secara konsisten. Dalam video tersebut bahkan disebutkan target produksi sekitar 10–20 konten per hari.

Peluang kedua berasal dari industri edukasi. Ketika terjadi perubahan ekonomi dan pasar kerja, masyarakat justru dapat meningkatkan minat untuk mempelajari keterampilan baru. Kondisi tersebut membuka ruang bagi produk pendidikan seperti workshop, pelatihan intensif, dan kursus berbasis keterampilan. Namun, produk yang ditawarkan harus memiliki kualitas dan manfaat nyata, bukan sekadar menjual ebook dengan materi yang minim.

Peluang ketiga adalah remote working atau pekerjaan lepas dengan pasar internasional. Jasa desain, pemrograman, penerjemahan, digital marketing, hingga asisten virtual dapat ditawarkan kepada klien di luar negeri. Pendapatan dalam mata uang seperti dolar Amerika Serikat atau dolar Singapura berpotensi memberikan diversifikasi sumber penghasilan bagi pekerja di Indonesia.

Strategi tersebut menunjukkan bahwa krisis tidak hanya menghadirkan risiko, tetapi juga memunculkan perubahan perilaku pasar dan peluang baru. Kunci utamanya adalah menjaga struktur biaya tetap rendah, memilih kebutuhan pasar yang relevan, serta menggunakan teknologi untuk meningkatkan produktivitas. Bagi individu maupun usaha kecil, kombinasi ketiga strategi tersebut dapat menjadi fondasi untuk membangun sumber pendapatan yang lebih fleksibel di tengah ketidakpastian ekonomi.

Monitorday.com– Perbedaan kondisi finansial antara orang kaya dan pekerja tidak selalu ditentukan oleh besarnya penghasilan. Kebiasaan dalam menggunakan, menyimpan, dan mengembangkan uang turut menentukan apakah pendapatan yang diperoleh berubah menjadi aset atau justru habis untuk membiayai gaya hidup. Artikel Money Kompas.com pada 3 September 2026 menyoroti 10 kebiasaan finansial yang kerap membedakan keduanya.

Salah satu kebiasaan utama adalah memprioritaskan aset dibandingkan barang konsumtif. Orang yang sedang membangun kekayaan cenderung mengalokasikan uang untuk instrumen yang berpotensi menghasilkan nilai atau pendapatan di masa depan, seperti saham, properti, atau usaha. Sebaliknya, peningkatan pendapatan yang langsung diikuti peningkatan konsumsi dapat membuat kekayaan bersih sulit bertumbuh.

Kebiasaan kedua berkaitan dengan penggunaan utang. Utang tidak selalu buruk apabila digunakan untuk kegiatan produktif, misalnya mengembangkan usaha atau membeli aset yang menghasilkan pendapatan. Sebaliknya, utang konsumtif dengan bunga tinggi berpotensi menggerus kemampuan seseorang untuk menabung dan berinvestasi. Pola ini juga berkaitan dengan kemampuan mengendalikan pengeluaran dan menghindari gaya hidup yang terus meningkat seiring kenaikan pendapatan.

Selanjutnya, mereka yang berhasil membangun kekayaan biasanya memiliki perencanaan finansial jangka panjang. Uang tidak hanya dipandang untuk memenuhi kebutuhan bulan berjalan, tetapi juga sebagai modal untuk mencapai tujuan beberapa tahun atau bahkan puluhan tahun ke depan. Investasi jangka panjang memungkinkan seseorang memanfaatkan efek bunga berbunga atau compound interest.

Kebiasaan lain adalah membangun lebih dari satu sumber penghasilan. Selain gaji, pendapatan dapat berasal dari usaha, properti yang disewakan, dividen, maupun investasi lainnya. Diversifikasi pendapatan dapat menjadi perlindungan ketika salah satu sumber penghasilan mengalami gangguan.

Orang yang memiliki kondisi finansial lebih kuat juga cenderung menginvestasikan waktu untuk meningkatkan kemampuan dan jaringan. Mereka terus mempelajari investasi, bisnis, maupun keterampilan baru yang dapat meningkatkan nilai ekonominya. Jaringan profesional juga dapat membuka peluang usaha, pekerjaan, kemitraan, atau investasi yang sebelumnya tidak tersedia.

Kebiasaan berikutnya adalah membeli kembali waktu. Ketika memiliki sumber daya yang cukup, seseorang dapat membayar orang lain untuk mengerjakan pekerjaan tertentu sehingga waktunya dapat dialihkan untuk aktivitas yang dianggap lebih produktif, seperti membangun bisnis, mengembangkan aset, atau memperluas jaringan. Strategi ini membuat pendapatan tidak sepenuhnya bergantung pada pertukaran langsung antara waktu dan uang.

Namun, penting untuk tidak memahami daftar tersebut sebagai anggapan bahwa semua pekerja kurang disiplin secara finansial. Kemampuan menabung dan berinvestasi sangat dipengaruhi oleh pendapatan, biaya hidup, tanggungan, akses terhadap informasi, serta kondisi ekonomi. Bagi seseorang yang sebagian besar penghasilannya digunakan untuk kebutuhan dasar, ruang untuk membeli aset atau mengambil risiko investasi tentu lebih terbatas.

Karena itu, penerapan kebiasaan finansial tersebut dapat dimulai dari langkah sederhana, seperti mengurangi utang berbunga tinggi, mencatat arus kas, mempertahankan sebagian kenaikan pendapatan untuk tabungan dan investasi, meningkatkan keterampilan, serta secara berkala mengevaluasi kekayaan bersih. Intinya, membangun kekayaan bukan hanya persoalan berapa banyak uang yang masuk, tetapi juga berapa banyak yang dipertahankan, dialihkan menjadi aset, dan dikembangkan dalam jangka panjang.

Monitorday.com– Bill Gates mengusulkan sejumlah langkah konkret agar perkembangan artificial intelligence (AI) memberikan manfaat ekonomi dan sosial tanpa menimbulkan risiko yang sulit dikendalikan. Gagasan tersebut mencakup perubahan kebijakan pajak, perlindungan pekerjaan tertentu bagi manusia, pengawasan terhadap model AI berbahaya, perlindungan psikososial anak, serta penguatan peran pemerintah sebagai regulator.

Salah satu usulan Gates berkaitan dengan sistem perpajakan. Ia menilai pemerintah perlu mempertimbangkan pergeseran beban pajak dari tenaga kerja (labor) menuju modal (capital). Gagasan ini muncul karena otomatisasi berbasis AI dan robotika berpotensi mengubah struktur pasar kerja dan mengurangi kebutuhan terhadap sejumlah jenis pekerjaan manusia.

Menurut Gates, perubahan tersebut perlu dipikirkan sejak awal agar produktivitas yang dihasilkan AI tidak hanya meningkatkan keuntungan perusahaan, tetapi juga memberikan manfaat bagi masyarakat. Pendapatan dari aktivitas ekonomi berbasis modal dapat menjadi salah satu sumber pembiayaan untuk mendukung layanan publik dan membantu masyarakat menghadapi perubahan pasar kerja.

Tidak Semua Pekerjaan Harus Digantikan AI

Gates juga memperkenalkan gagasan mengenai pekerjaan yang dapat dikategorikan sebagai “human-reserved work”, yakni pekerjaan tertentu yang tetap diperuntukkan bagi manusia meskipun teknologi AI dan robot sudah mampu menjalankannya.

Contohnya adalah pekerjaan yang membutuhkan interaksi dan sentuhan manusia secara langsung, seperti perawatan anak (child care). Menurut gagasan tersebut, kemampuan teknologi untuk melakukan sebuah pekerjaan tidak selalu berarti pekerjaan itu harus sepenuhnya diserahkan kepada mesin.

Konsep tersebut membuka perdebatan menarik tentang masa depan pekerjaan. Jika AI semakin mampu melakukan pekerjaan administratif, analisis, pelayanan, bahkan tugas-tugas fisik tertentu, masyarakat perlu menentukan pekerjaan mana yang memiliki nilai kemanusiaan yang justru perlu dipertahankan.

Model AI Berbahaya Perlu Pengawasan Ketat

Persoalan lain yang menjadi perhatian Gates adalah potensi penyalahgunaan AI untuk menghasilkan ancaman biologis. Ia menyoroti model AI yang memiliki kemampuan membantu menciptakan atau merancang molekul berbahaya yang berpotensi digunakan dalam aksi bioterorisme.

Karena itu, model dengan kemampuan berisiko tinggi tidak seharusnya dilepas tanpa pengawasan. Gates mendorong agar teknologi semacam itu ditempatkan dalam lingkungan yang dapat dipantau dan dikendalikan, sehingga akses serta penggunaannya dapat diawasi.

Pendekatan tersebut menunjukkan bahwa regulasi AI tidak cukup hanya mengatur penggunaan aplikasi di tingkat pengguna. Pemerintah juga perlu memperhatikan kemampuan teknis model AI dan mengidentifikasi teknologi yang berpotensi menimbulkan dampak besar terhadap keselamatan publik.

Anak-Anak Jangan Menjadikan AI Pengganti Teman

Gates juga memberikan perhatian khusus terhadap hubungan anak dengan AI. Ia mengingatkan agar teknologi tidak membuat anak menjadikan AI sebagai pengganti interaksi sosial dengan teman sebaya di dunia nyata.

AI memang dapat berfungsi sebagai teman berbicara, tutor, atau pendamping belajar. Namun, perkembangan psikososial anak tetap membutuhkan interaksi langsung dengan manusia. Bermain bersama, bekerja dalam kelompok, berkomunikasi, menyelesaikan konflik, dan membangun empati merupakan pengalaman yang tidak sepenuhnya dapat digantikan oleh chatbot.

Karena itu, perlindungan anak menjadi salah satu area yang menurut gagasan Gates membutuhkan perhatian regulator. Batas penggunaan AI oleh anak dapat menjadi bagian dari kebijakan yang lebih luas untuk memastikan teknologi mendukung perkembangan manusia, bukan justru menggantikannya.

Pemerintah Tidak Bisa Menyerahkan Regulasi kepada Industri

Pada akhirnya, Gates menilai industri tidak dapat sepenuhnya mengatur dirinya sendiri. Pemerintah perlu menetapkan standar keamanan yang jelas, melakukan pengawasan, dan dalam kondisi tertentu menerapkan mekanisme lisensi bagi teknologi AI berisiko tinggi.

Dengan pendekatan tersebut, perusahaan yang mengembangkan AI harus memenuhi kriteria keamanan sebelum teknologi tertentu dapat digunakan atau diperluas. Pemerintah berperan sebagai mediator antara kepentingan inovasi industri dan kepentingan keselamatan masyarakat.

Lima gagasan Gates tersebut menunjukkan bahwa perdebatan mengenai AI telah bergeser dari sekadar pertanyaan “seberapa canggih teknologi ini?” menjadi “bagaimana masyarakat mengendalikannya?”. Tantangannya adalah menemukan keseimbangan antara inovasi dan perlindungan publik—agar AI tetap berkembang, tetapi risiko terhadap pekerjaan, keamanan, anak-anak, dan kehidupan sosial tidak dibiarkan tanpa kendali.

Monitorday.com– Dosen dapat memanfaatkan GenAI untuk mengembangkan berbagai kebutuhan pembelajaran, mulai dari menyusun materi ajar yang lebih personal, merancang studi kasus, membuat rubrik penilaian berbasis Outcome-Based Education (OBE), menyiapkan bahan presentasi, hingga mengembangkan bank soal.

Contoh konkretnya, seorang dosen mata kuliah Biologi dapat memberikan prompt kepada GenAI: “Buatkan materi pembelajaran tentang fotosintesis untuk mahasiswa semester pertama dengan tiga tingkat kompleksitas, dilengkapi contoh kehidupan sehari-hari, pertanyaan pemantik, dan aktivitas diskusi.” Dari perintah tersebut, AI dapat membantu menghasilkan rancangan awal yang kemudian disesuaikan dosen dengan kurikulum dan karakteristik mahasiswa.

Untuk penerapan OBE, misalnya, dosen mata kuliah Pemrograman menetapkan capaian bahwa mahasiswa mampu merancang program sederhana untuk menyelesaikan masalah. GenAI kemudian dapat membantu membuat rubrik dengan indikator seperti kemampuan menganalisis masalah, menyusun algoritma, menulis kode, menguji program, dan menjelaskan solusi. Dosen tetap memvalidasi bobot dan kriteria agar sesuai dengan capaian pembelajaran mata kuliah.

GenAI juga dapat digunakan untuk membuat studi kasus. Dalam mata kuliah Manajemen, misalnya, dosen dapat meminta AI menyusun kasus tentang sebuah perusahaan yang mengalami penurunan penjualan setelah perubahan perilaku konsumen. Mahasiswa kemudian diminta menganalisis penyebab masalah, mengolah data yang diberikan, dan menyusun strategi bisnis. Dengan cara ini, AI membantu dosen menyiapkan konteks pembelajaran, sementara proses analisis tetap dilakukan mahasiswa.

Pada pengembangan bank soal, dosen Matematika dapat meminta GenAI membuat 20 soal mengenai statistika dengan variasi tingkat kesulitan. Misalnya, lima soal menguji pemahaman konsep, sepuluh soal menguji penerapan, dan lima soal berbentuk masalah kontekstual yang menuntut penalaran tingkat tinggi. Dosen kemudian memeriksa perhitungan, tingkat kesulitan, kualitas pengecoh, dan kesesuaian soal dengan capaian pembelajaran.

Untuk bahan presentasi, GenAI juga dapat membantu mengubah materi yang panjang menjadi struktur pembelajaran yang lebih interaktif. Misalnya, dari topik “Kecerdasan Buatan dalam Pendidikan”, dosen dapat meminta AI menyusun 10 slide yang berisi konsep dasar, contoh penggunaan AI, studi kasus, pertanyaan diskusi, aktivitas kelompok, dan refleksi. Dosen kemudian dapat memperkaya materi dengan sumber ilmiah dan pengalaman praktis.

Contoh-contoh tersebut menunjukkan bahwa nilai GenAI bukan sekadar kemampuannya menghasilkan konten dalam hitungan detik. Yang lebih penting adalah bagaimana dosen mengarahkan teknologi tersebut untuk mendukung tujuan pembelajaran. AI dapat membuat draf materi, kasus, rubrik, atau soal, tetapi keputusan akademik tetap berada di tangan dosen.

Dengan demikian, pemanfaatan GenAI di perguruan tinggi idealnya mengikuti alur yang jelas: tentukan capaian pembelajaran, rancang aktivitas belajar, manfaatkan GenAI untuk memperkuat proses, lalu validasi hasilnya. Pendekatan ini membuat GenAI tidak menjadi jalan pintas untuk menyelesaikan pekerjaan akademik, melainkan menjadi asisten yang membantu dosen menciptakan pembelajaran yang lebih personal, kontekstual, dan berorientasi pada capaian mahasiswa.

Monitorday.com– Nvidia resmi menyepakati akuisisi platform pengembangan kecerdasan artifisial (AI) Hugging Face dengan nilai transaksi mencapai 12,93 miliar dollar AS atau sekitar Rp228 triliun. Kesepakatan tersebut dikonfirmasi Nvidia melalui blog resminya pada Kamis (3/9/2026), sekaligus menjadi salah satu akuisisi terbesar dalam sejarah perusahaan pembuat chip AI tersebut.

CEO Nvidia Jensen Huang mengatakan akuisisi ini ditujukan untuk memperluas infrastruktur Hugging Face sekaligus meningkatkan akses pengembang di seluruh dunia terhadap teknologi AI. Langkah tersebut memperlihatkan strategi Nvidia yang tidak lagi hanya berfokus pada penyediaan perangkat keras komputasi AI, tetapi juga memperkuat posisi di lapisan perangkat lunak dan komunitas pengembang.

Hugging Face merupakan platform terbuka yang memungkinkan pengembang dan peneliti menemukan, mengembangkan, menguji, membagikan, hingga menjalankan berbagai model AI. Menurut Kompas.com, platform ini telah digunakan lebih dari 18 juta pengembang, peneliti, dan kreator, serta menampung lebih dari tiga juta model AI, 500.000 dataset, dan satu juta aplikasi. Lebih dari 200.000 perusahaan juga disebut menggunakan platform tersebut.

Meski berada di bawah Nvidia, Hugging Face akan tetap mempertahankan prinsip open-source. Huang memastikan pengembang tetap memiliki kebebasan memilih model, framework, layanan cloud, penyedia layanan inferensi, maupun perangkat keras yang digunakan. Penggunaan komputasi Nvidia juga tidak akan menjadi persyaratan untuk membangun atau melakukan deployment melalui Hugging Face.

Komitmen tersebut menjadi penting karena Hugging Face selama ini berkembang sebagai salah satu alternatif terhadap layanan AI tertutup. CEO Hugging Face Clem Delangue melalui unggahan di X menyampaikan apresiasi kepada komunitas yang telah membuktikan bahwa ekosistem terbuka dapat menjadi alternatif bagi API closed-source.

Dalam transaksi tersebut, sekitar 11,9 miliar dollar AS akan dibayarkan kepada para pemegang saham Hugging Face. Nvidia juga menyiapkan program berbasis saham senilai hingga sekitar 1 miliar dollar AS untuk mempertahankan karyawan Hugging Face setelah proses akuisisi.

Akuisisi diperkirakan selesai pada paruh pertama 2027, dengan catatan seluruh persyaratan transaksi, termasuk persetujuan regulator, dapat dipenuhi. Bagi Nvidia, integrasi dengan Hugging Face berpotensi memperkuat ekosistem AI secara menyeluruh, mulai dari infrastruktur komputasi dan model AI hingga perangkat lunak serta komunitas pengembang global.

Monitorday.com– China secara agresif mempercepat pengembangan kecerdasan buatan dengan menetapkan serangkaian target ambisius yang akan dicapai pada akhir tahun 2027. Pemerintah Tiongkok menargetkan untuk membina setidaknya 3.000 penyedia layanan aplikasi kecerdasan buatan di seluruh negeri. Langkah ini merupakan bagian dari strategi nasional untuk memastikan pasokan teknologi inti yang aman, andal, dan mandiri dari ketergantungan eksternal.

Dukungan infrastruktur menjadi pondasi utama dalam rencana tersebut, terlihat dari proyeksi peningkatan daya komputasi cerdas yang sangat signifikan. Berdasarkan data industri, skala daya komputasi cerdas China tercatat sebesar 725,3 EFlops pada tahun 2024 dan diproyeksikan akan melonjak drastis menjadi 2.781,9 EFlops pada tahun 2028. Akselerasi ini menunjukkan komitmen serius Beijing dalam membangun ekosistem yang mampu menopang berbagai sektor, mulai dari manufaktur hingga layanan publik.

Namun, ambisi besar ini tidak lepas dari tantangan geopolitik yang semakin kompleks, terutama terkait pembatasan ekspor chip canggih dari negara Barat. Data dari laporan indeks kecerdasan buatan terbaru menunjukkan bahwa investasi swasta di Amerika Serikat mencapai 285,9 miliar dolar AS pada tahun 2025. Angka ini tercatat lebih dari 23 kali lipat dibandingkan dengan 12,4 miliar dolar AS yang diinvestasikan di China, menciptakan kesenjangan pendanaan yang memaksa Tiongkok untuk semakin mengandalkan inovasi domestik.

Menyikapi tekanan tersebut, China mengalihkan fokusnya pada pengembangan model yang lebih efisien dan optimalisasi sumber daya komputasi yang ada. Berbagai perusahaan teknologi domestik didorong untuk berkolaborasi dalam riset menyeluruh dan menciptakan terobosan baru tanpa bergantung sepenuhnya pada perangkat keras kelas atas impor. Strategi ini juga diperkuat dengan regulasi yang mulai mengarahkan pemanfaatan teknologi untuk meningkatkan produktivitas nasional tanpa mengorbankan stabilitas ketenagakerjaan.

Ke depan, tahun 2027 akan menjadi tahun penentuan apakah China berhasil mempertahankan posisinya sebagai pesaing utama dalam persaingan global. Keberhasilan mencapai target ribuan penyedia layanan dan kemandirian teknologi inti akan menjadi indikator kunci keberhasilan peta jalan kecerdasan buatan negeri ini. Dunia akan terus mengamati bagaimana Beijing menavigasi hambatan eksternal sambil terus mendorong batas-batas inovasi di dalam negeri.

Monitorday.com– NotebookLM menjadi salah satu alat kecerdasan artifisial (AI) yang dirancang khusus untuk membantu riset, pembelajaran, dan pemahaman dokumen secara lebih mendalam. Berbeda dari penggunaan AI generatif secara umum, NotebookLM bekerja terutama berdasarkan sumber yang diberikan pengguna, sehingga percakapan dapat difokuskan pada isi dokumen tertentu seperti PDF, catatan, laporan, maupun berbagai bahan pembelajaran.

Pendekatan berbasis sumber menjadi salah satu keunggulan utama NotebookLM. Pengguna dapat memasukkan sejumlah dokumen sebagai basis pengetahuan, kemudian mengajukan pertanyaan berdasarkan materi tersebut. Dengan cara ini, AI tidak hanya diminta membuat ringkasan, tetapi dapat digunakan untuk menemukan informasi, membandingkan gagasan, menjelaskan konsep sulit, serta menelusuri hubungan antarbagian dokumen.

Salah satu fitur yang menarik adalah Audio Overview. Fitur ini dapat mengubah materi dalam dokumen menjadi percakapan audio bergaya podcast antara dua pembicara. Format tersebut memungkinkan pengguna mempelajari kembali materi ketika sedang melakukan aktivitas lain, seperti perjalanan, olahraga, atau pekerjaan rutin. Bagi peserta didik maupun guru, fitur ini berpotensi menjadi alternatif pembelajaran berbasis audio.

NotebookLM juga menyediakan berbagai keluaran yang dapat membantu proses belajar, termasuk study guide, FAQ, dan linimasa. Pengguna dapat memanfaatkan fitur tersebut untuk mengorganisasi materi sebelum ujian, memahami dokumen kebijakan, menyiapkan bahan presentasi, atau mengeksplorasi sebuah topik secara sistematis.

Strategi penggunaan yang disarankan adalah mengunggah sekitar tiga hingga lima sumber yang paling relevan terlebih dahulu. Jumlah tersebut membuat ruang kerja tetap fokus sekaligus memberikan konteks yang cukup bagi AI. Setelah sumber dimasukkan, pengguna dapat membaca briefing document yang disiapkan sistem untuk mendapatkan gambaran awal mengenai isi materi.

Tahap berikutnya adalah melakukan “interogasi dokumen” melalui pertanyaan aktif. Pengguna tidak cukup hanya meminta, “buatkan rangkuman”, tetapi dapat mengajukan pertanyaan seperti apa argumen utama dokumen, apa bukti yang mendukungnya, bagian mana yang saling bertentangan, atau bagaimana konsep tertentu diterapkan dalam kasus nyata. Pendekatan ini membuat AI berfungsi sebagai mitra dialog dalam proses belajar, bukan sekadar mesin pembuat ringkasan.

Bagi dunia pendidikan, pendekatan tersebut memiliki potensi besar. Guru dapat menggunakan NotebookLM untuk mengolah modul, regulasi, jurnal, dan bahan ajar, sedangkan siswa dapat memanfaatkannya untuk mengeksplorasi materi secara mandiri. Dengan pertanyaan yang tepat, proses pembelajaran dapat bergerak dari sekadar memahami isi dokumen menuju penerapan, analisis, evaluasi, dan refleksi.

NotebookLM dengan demikian memperlihatkan arah baru pemanfaatan AI dalam pembelajaran: bukan menggantikan aktivitas membaca, melainkan membuat membaca menjadi lebih interaktif. Kunci keberhasilannya tetap berada pada kualitas sumber yang digunakan dan kualitas pertanyaan yang diajukan. Semakin relevan sumber dan semakin kritis pertanyaan pengguna, semakin besar manfaat AI sebagai pendamping riset dan pembelajaran.

Monitorday.com– Perkembangan kecerdasan artifisial (AI) mengubah cara profesional teknologi bekerja, termasuk dalam ekosistem Salesforce. Perubahan tersebut membuat penguasaan platform saja tidak lagi cukup. Profesional Salesforce perlu memahami bagaimana AI dapat diintegrasikan ke dalam proses bisnis sekaligus meningkatkan produktivitas dan kualitas pengambilan keputusan.

Langkah pertama adalah memperkuat literasi AI sekaligus menguasai fitur AI yang tersedia dalam ekosistem Salesforce. Fitur seperti Prompt Builder dan Agentforce dapat menjadi titik awal bagi profesional untuk memahami penerapan AI secara langsung dalam pekerjaan. Platform pembelajaran seperti Trailhead juga dapat dimanfaatkan untuk mempelajari teknologi terbaru dan mempersiapkan sertifikasi yang relevan.

Penguasaan AI perlu dilanjutkan dengan praktik langsung atau hands-on. Profesional dapat memulai dari proyek sederhana, misalnya menggunakan AI untuk membantu membuat test case, menyusun dokumentasi, melakukan analisis data, atau melakukan review terhadap rancangan sistem. Pendekatan berbasis proyek memungkinkan pengguna memahami bukan hanya cara menggunakan AI, tetapi juga batasan dan risiko dari hasil yang dihasilkan AI.

Kemampuan teknis juga perlu diimbangi dengan soft skills. Ketika AI semakin mampu mengerjakan tugas teknis rutin, kemampuan berpikir kritis dan strategis menjadi semakin penting. Profesional dituntut mampu merumuskan pertanyaan atau prompt yang tepat, memeriksa akurasi keluaran AI, serta menentukan bagaimana teknologi tersebut dapat memberikan dampak bisnis yang nyata.

Literasi data menjadi kompetensi penting lainnya. AI sangat bergantung pada kualitas data yang digunakan. Karena itu, profesional Salesforce perlu memahami struktur data, kualitas data, integrasi, keamanan, serta tata kelola data. Kemampuan tersebut akan membantu memastikan penerapan AI tidak hanya menghasilkan otomatisasi, tetapi juga menghasilkan keputusan yang lebih akurat dan dapat dipertanggungjawabkan.

Pembelajaran juga harus berlangsung secara berkelanjutan. Perkembangan model AI, agentic AI, otomatisasi, dan fitur-fitur baru dalam platform digital berlangsung sangat cepat. Profesional dapat mengikuti komunitas, newsletter industri, pelatihan, sertifikasi, maupun hackathon untuk memperbarui kompetensinya.

Dengan demikian, strategi terbaik bukan menggantikan keahlian Salesforce dengan AI, melainkan menggabungkan keahlian Salesforce dengan kemampuan AI, data, dan pemecahan masalah. Profesional yang mampu menggunakan AI sebagai co-pilot sekaligus tetap memiliki kemampuan mengevaluasi dan mengarahkan teknologi akan memiliki posisi yang lebih kuat dalam ekosistem kerja masa depan.