Namun, meski banyak orang telah memanfaatkan riset mendalam secara individual—untuk mencari dan menyintesis informasi daring—hanya sedikit yang telah merasakan manfaatnya dalam konteks perusahaan. Bukan karena hal itu tidak berguna—justru sebaliknya—melainkan karena kekhawatiran yang lebih luas tentang keandalan, sumber data yang terpencar, dan/atau kemampuan model menangani konteks dalam jumlah besar, seperti begitu banyak berkas dengan beragam jenis.
Pengalaman kami membangun alat riset mendalam kelas perusahaan selama 12 bulan terakhir menunjukkan bahwa kekhawatiran tersebut semakin dapat diatasi melalui rekayasa yang matang. Dalam blog ini, kami membahas kendala utama bagi aplikasi riset mendalam perusahaan yang efektif, cara kami mengatasinya, serta arah perkembangan bidang ini sepanjang 2026.
Batas kemampuan eksekusi telah meningkat drastis. Kehadiran gpt-5 pada Agustus 2025 menandai titik balik bagi AI perusahaan. Dalam sistem produksi kami, termasuk platform penemuan target obat untuk salah satu perusahaan farmasi terbesar di dunia, kami melihat halusinasi sumber turun dari 3–4% menjadi nyaris nol. Kemudian, pada Desember, gpt-5.2 makin memperpanjang panjang konteks efektif. Hasil praktisnya: kini kami dapat meningkatkan skala dari ratusan menjadi ribuan sumber per proses riset tanpa mengorbankan keandalan. Hambatannya telah bergeser dari kemampuan model kembali ke tempat yang semestinya—data, eval, dan desain program Anda.
Strategi data: dapat diakses lebih penting daripada terpadu. Dorongan untuk memperlakukan AI perusahaan sebagai masalah integrasi data dapat dipahami, tetapi sering kali kontraproduktif. Penyatuan penuh berjalan lambat, sarat politik, dan memaksa komitmen prematur sebelum Anda mengetahui pertanyaan mana yang benar-benar penting. Langkah pragmatis pada 2026 adalah konektivitas renggang. Jadikan data dapat diakses melalui jangkar bersinyal tinggi (spesifikasi, kebijakan, SKU, klausul kontrak), alih-alih menunggu bertahun-tahun untuk menyatukan semuanya. Model terdepan kini dapat melakukan ‘soft join’ antarsistem saat inferensi, menghubungkan istilah terkait tanpa pemetaan formal. Anda tetap dapat menerapkan dengan cepat dan leluasa menambahkan sumber di kemudian hari.
Navigasi mencegah sistem tersesat. Data perusahaan bukanlah web. Datanya renggang, penuh konvensi lokal, dan sering kali hanya memiliki satu sumber yang tepat untuk fakta tertentu. Tanpa panduan, model cenderung terus menjalankan kueri tanpa akhir demi menemukan satu sumber tambahan, sehingga menghabiskan waktu dan kesabaran pengguna. Lapisan semantik ringan (peta hash, pencarian entitas, grafik relasi sederhana) memberi sistem langkah cepat dan murah untuk mencapai konteks yang tepat secara efisien. Bayangkan seperti saran seorang kolega berpengalaman kepada karyawan baru: “tandai situs-situs ini, hubungi Ross jika ada masalah AWS.” Tidak perlu rumit. Sistem hanya perlu dibantu menemukan kebutuhannya dengan cepat.
Mekanis (dijalankan pada setiap kueri): kesehatan kutipan, ketertiban penggunaan alat, latensi, dan biaya. Inilah pagar pengaman Anda—terlihat biasa, tetapi sangat penting.
Analitis (dijalankan berkala): Apakah sistem memilih alat yang tepat, menempuh arah riset yang masuk akal, memilih sumber tepercaya, dan tahu kapan harus berhenti? Biasanya dinilai dengan metode LLM-sebagai-juri berdasarkan contoh berlabel.
Pengguna (berkelanjutan): Tingkat penyelesaian tugas, umpan balik kualitatif dari pengguna mahir, dan analitik penggunaan. Ujian terakhir. Apakah kita telah membangun sesuatu yang berguna bagi orang lain?
ROI berasal dari masalah sulit, bukan masalah aman. Setelah muncul laporan bahwa sebagian besar proyek AI perusahaan gagal mencapai ROI, toleransi terhadap demo mengesankan yang tidak pernah diluncurkan pun lenyap. Para eksekutif menginginkan bukti, dan mereka menginginkannya segera. Secara paradoks, tekanan itu dapat mendorong tim mengambil pilihan yang keliru. Ada godaan untuk memulai dengan tugas berisiko rendah karena mudah diterapkan dan kecil kemungkinan menimbulkan gejolak. Namun, kasus penggunaan seperti ini jarang menghasilkan dampak yang cukup besar untuk membenarkan investasi berkelanjutan. Sistem riset mendalam perusahaan sangat tepat untuk membuktikan nilai karena menyasar pekerjaan yang memang mahal: alur kerja kompleks dan berisiko tinggi dengan biaya status quo yang terlihat jelas. Kasus penggunaan terkuat yang kami lihat mencakup pembuatan RFP dan penawaran, analisis lanskap ilmiah, serta riset investasi—bidang yang mengukur dampak lewat tingkat kemenangan, jalur lebih cepat menuju uji klinis, dan kecepatan mencapai keyakinan, bukan sekadar waktu yang dihemat.
Pergeseran UX: dari mengobrol menjadi mendelegasikan, dari jawaban menjadi artefak. Menurut kami, ini salah satu pergeseran pengalaman pengguna yang akan menentukan 2026. Saat mengamati implementasi yang belakangan paling banyak diadopsi, ada beberapa hal yang menonjol. Seiring meningkatnya keandalan sistem ini, pengguna mulai memperlakukannya bukan sebagai chatbot untuk ditanyai, melainkan sebagai analis yang dapat diberi tugas. Dua hal memungkinkan ini: memberi tim kemampuan menyesuaikan templat dan kriteria berhenti dengan alur kerja mereka, serta memungkinkan ekspor langsung ke format yang benar-benar dibutuhkan (memo, presentasi, ringkasan, dan sebagainya), alih-alih meminta mereka menyusun hasil akhir dari utas obrolan. Ketika keduanya tersedia, sistem berhenti menjadi alat referensi dan mulai menjadi sarana penyelesaian pekerjaan.
Tahun lalu kami menulis tentang menghadirkan riset mendalam ke perusahaan. Kami mengambil paradigma riset mendalam berpusat pada web yang awalnya dipopulerkan OpenAI, lalu memperluasnya ke sumber data milik perusahaan tanpa kehilangan asal-usul data atau kendali. Kami juga menegaskan bahwa sistem riset mendalam bukanlah penyimpangan dari sistem RAG klasik, melainkan evolusinya.
Menjelang 2026, yang berubah bukan terutama gagasan riset mendalam, melainkan batas kemampuan eksekusinya.
Saat mulai membangun sistem ini pada awal 2025, model terdepan mencakup o1, gpt-4o, dan claude-3.5-sonnet—perjalanan kita memang sangat jauh hanya dalam 12 bulan—disusul kemajuan besar dari model seperti o3 dan gemini-2.5-pro pada beberapa bulan pertama tahun tersebut. Model-model itu sangat baik pada masanya dan memang dapat digunakan untuk membangun aplikasi riset mendalam yang tangguh, hingga batas tertentu. Batas tersebut biasanya berkisar pada ratusan sumber dalam jumlah rendah. Setelah itu, konteks harus dipangkas secara agresif atau Anda harus menerima jawaban yang kehilangan informasi, kegagalan mengikuti instruksi, bahkan halusinasi.
Jika pernah membangun sistem ini, Anda pasti mengenali beberapa pola kegagalan tersebut.
Sebagai ilustrasi: pada pertengahan 2025, kami mulai membangun solusi riset mendalam perusahaan bersama salah satu perusahaan farmasi terbesar di dunia. Sistem ini mempercepat penemuan target obat, yaitu proses pencarian gen, hormon, atau unsur lain dalam tubuh manusia yang dapat dijadikan sasaran untuk mengobati suatu kondisi. Saat itu, model terkuat yang tersedia adalah o3. Meski kinerjanya kuat, sebanyak 3–4% respons yang dihasilkan model ini memuat sumber yang tidak pernah diberikan kepada model melalui panggilan alat dari sumber data milik klien. Kami mengatasinya dengan pemeriksaan kutipan setelah proses, yang menandai bagian jawaban tanpa dukungan konteks yang diberikan. Pada tahap PoC awal proyek, cara ini efektif dalam membangun kepercayaan pemangku kepentingan terhadap alat dan membantu kami bergerak cepat. Namun, kami terus berupaya menekan kesalahan tersebut, mengurangi keterbatasan model sembari memenuhi permintaan pemangku kepentingan untuk menambahkan lebih banyak sumber ke sistem.
Titik balik penting dalam pembangunan solusi riset mendalam terdepan—dan solusi agentik secara umum—terjadi saat gpt-5 hadir pada Agustus. Setelah beralih dari o3 ke gpt-5, evaluasi kami menunjukkan bahwa tingkat halusinasi sumber langsung turun menjadi 0%.
Secara tepat, metrik ini hanya melacak apakah model mengutip ID dokumen atau URL yang tidak terdapat dalam konteks yang diambil. Pada era o3 dan sebelumnya, model terkadang mengarang nama berkas atau makalah yang terdengar masuk akal untuk mengisi kesenjangan pengetahuan. gpt-5 memungkinkan kami secara efektif menghapus masalah khusus ini.
Perlu dicatat bahwa hal ini berbeda dari kesalahan kesetiaan—mengutip dokumen yang benar, tetapi salah menafsirkan teks—yang tetap menjadi tantangan dan kami kelola melalui pemeriksaan setelah proses seperti disebutkan di atas.
Ini membuka peluang yang sangat besar. Kami lalu mulai menguji seberapa jauh sistem dapat didorong dengan model generasi baru. Kami mendapati bahwa jumlah sumber yang dapat dipertimbangkan dalam satu proses riset mendalam bisa ditingkatkan sekitar 10 kali lipat, menjadi kira-kira 3.000–5.000. Batas akhirnya bukan kegagalan mengikuti instruksi, melainkan kinerja konteks panjang. Panjang konteks efektif model sering jauh lebih rendah daripada angka yang dilaporkan, terutama pada data farmasi yang padat.
Keterbatasan ini sebagian teratasi setelah gpt-5.2 dirilis pada pertengahan Desember. Tolok ukur konteks panjang internal kami menunjukkan peningkatan besar pada kinerja konteks panjang efektif, sehingga sistem riset mendalam terdepan kami dapat didorong lebih jauh. Hal ini bermanfaat karena pada akhirnya kami dapat menambah jumlah token yang diteruskan langsung ke model penghasil keluaran bagi pengguna, sehingga jawabannya lebih kaya. Meski demikian, kami berharap panjang konteks efektif model terdepan terus meningkat sepanjang 2026.
Berkat kemajuan kemampuan dasar model ini, hambatan dalam membangun sistem riset mendalam yang mumpuni telah kembali ke tempat yang semestinya: data, eval, serta cara Anda menyiapkan program riset mendalam dalam bisnis. Setiap langkah ini menuntut keputusan pragmatis tentang hal yang benar-benar menghasilkan dampak dalam pembangunan riset mendalam.
Bagian selanjutnya dari artikel ini menguraikan cara kami mempertimbangkan keputusan tersebut.
Ada godaan untuk memperlakukan proyek riset perusahaan sebagai masalah integrasi data. Satukan sumber, normalkan skema, lalu biarkan model bekerja di atasnya.
Dan perlu ditegaskan: terkadang itulah langkah yang tepat. Jika Anda beroperasi di bidang dengan entitas inti yang stabil, kueri berulang, dan tujuan akhirnya mengindustrialisasi alur kerja, penyatuan dapat memberikan manfaat nyata. Contoh klasiknya mencakup penggabungan data pelanggan dan pendapatan, data harga pasar, atau kebutuhan pelaporan lintas sistem yang andal.
Namun, dalam praktiknya, para pemimpin inovatif saat ini menginginkan sesuatu yang berbeda dari sistem riset mendalam perusahaan.
Seiring meningkatnya perhatian pada ROI belanja AI, tujuan utama pengambil keputusan adalah membuktikan nilai dengan cepat di tengah realitas operasional bisnis yang berantakan. Penyatuan penuh sumber data adalah salah satu cara paling lambat untuk mencapai bukti pertama tersebut. Prosesnya berat. Prosesnya menjadi sarat politik. Dan sering kali Anda dipaksa menentukan arah sebelum mengetahui pertanyaan mana yang benar-benar penting.
Karena itu, menurut kami, titik awal pragmatis untuk membangun sistem riset mendalam terdepan pada 2026 biasanya adalah: buat data Anda dapat diakses sebelum merapikannya.
Jika ada kemungkinan realistis untuk menambah sumber seiring waktu—seperti pada kebanyakan perusahaan—konektivitas yang lebih renggang sering diremehkan. Anda dapat menyediakan puluhan sumber melalui satu antarmuka pengambilan yang konsisten. Sistem akan tetap berfungsi dan, yang terpenting, Anda tetap dapat melakukan penerapan dengan cepat. Saat menambahkan sumber baru, Anda tidak perlu merombak segalanya. Cukup pasang konektor baru, jelaskan kepada sistem inti apa fungsinya dan cara menggunakannya, lalu biarkan model melanjutkan proses. Pendekatan ini berhasil karena model terdepan saat ini dapat melakukan soft join terhadap dua atau lebih sumber data saat inferensi, menghubungkan “Customer ID” di satu sistem dengan “Client Reference” di sistem lain tanpa pemetaan formal. Bukan hanya tim kami yang berpikir demikian. Bukan hanya tim kami yang berpikir demikian: agen data internal OpenAI dirancang agar model dapat menalar lebih dari 70.000 set data heterogen dengan membuat konteks dan koneksi dapat diakses saat kueri, alih-alih memaksakan penyatuan penuh di awal.
Satu nuansa yang perlu ditegaskan: renggang tidak harus berarti dangkal.
Integrasi renggang paling efektif ketika koneksi yang dibuat benar-benar bermakna dan dinyatakan dengan cara yang mudah dimanfaatkan sistem. Cara yang baik untuk memahaminya adalah memperlakukan informasi tertentu sebagai jangkar, seperti spesifikasi, kebijakan, definisi produk, SKU, klausul kontrak, dan sejenisnya. Anda tidak perlu menyatukan setiap set data agar jangkar ini bermanfaat; cukup sediakan pengidentifikasi stabil dengan beberapa hubungan bersinyal tinggi.
Sebagai contoh, bayangkan model—atau pengguna—mencari sebuah spesifikasi. Dalam sistem sederhana, interaksi berakhir di sana. Anda mengambil spesifikasinya, merangkumnya, lalu mungkin mengutipnya. Namun, saat merancang struktur data yang berguna, kami ingin mengubah pencarian itu menjadi awal perluasan yang terkendali. Misalnya, catatan spesifikasi tersebut dapat ditautkan secara opsional ke artefak historis yang relevan. Makna “relevan” dapat beragam, tetapi biasanya bergantung pada tugas sistem. Ini dapat mencakup RFP yang merujuk spesifikasi tersebut, tanggapan terdahulu yang memenangkan penawaran berdasarkan spesifikasi itu, revisi yang ditolak tim hukum, dan sebagainya. Pendekatan ini dapat sangat meningkatkan kualitas jawaban dan latensi dengan cepat menampilkan wawasan terpenting kepada sistem riset mendalam saat kueri.
Hal ini memunculkan pertanyaan berikutnya: setelah memiliki dunia sumber data yang terhubung secara renggang melalui segelintir hubungan bersinyal tinggi, bagaimana Anda mencegah sistem riset mendalam berkeliaran seperti anak di toko permen dan membuatnya menavigasi data seperti analis berpengalaman?
Sumber data perusahaan tidak berperilaku seperti web. Datanya renggang, penuh konvensi lokal, dan sering kali hanya memiliki satu sumber yang “tepat” untuk fakta tertentu—jika Anda dapat menemukannya. Selain itu, model saat ini cenderung selalu berusaha memaksimalkan recall pada pertanyaan pencarian, sering kali terus menjalankan kueri demi menemukan satu sumber lagi sembari menghabiskan waktu dan kesabaran pengguna. Hal ini dapat dikurangi sampai batas tertentu dengan prompt yang dirancang cermat.
Solusi paling efektif adalah alat ringan yang membantu model mengorientasikan diri di tengah lanskap data perusahaan yang berantakan. Sebagian tim menyebutnya ontologi. Tim lain menyebutnya lapisan semantik, layanan pencarian, grafik, atau penyimpanan konsep. Sebutan itu tidak terlalu penting.
Yang penting, alat tersebut memberi sistem serangkaian langkah cepat dan murah agar model dapat berpindah secara efisien di antara bagian konteks yang tepat, alih-alih tersandung ke sana kemari tanpa akhir.
Metafora sederhananya adalah saat Anda baru bergabung dengan perusahaan atau proyek baru dan kolega berkata, “You must bookmark these sites, you’ll use them all the time,” atau “any time you have an issue with AWS just speak to Ross, he’ll get you the info you need,” dan seterusnya. Demikian pula, di sini kita hanya berusaha membantu sistem riset mendalam menemukan kebutuhannya dengan cepat.
Dalam praktiknya, sistem ini tidak harus rumit atau dikelola secara manual. Implementasi terbaik yang kami temukan dibuat oleh LLM selama alur penyerapan data—dengan mengekstrak entitas untuk mengisi grafik secara otomatis—atau sekadar meneruskan permintaan ke sistem pencatatan yang ada, seperti pencarian melalui API Salesforce. Beberapa contoh umumnya meliputi:
Pencarian peta hash, misalnya kueri berisi nama produk akan menghasilkan deskripsi produk
Pencarian relasi “umum” sederhana, misalnya gen ini paling sering terhubung dengan penyakit-penyakit berikut dalam grafik relasi kausal gen kami
Model pengenalan entitas bernama, terutama berguna di bidang dengan masalah disambiguasi entitas yang kompleks, seperti farmasi
Untuk relasi data yang paling kompleks, grafik RDF ringan dapat menjadi solusi ontologi yang paling mudah dikembangkan
… dan banyak lagi
Dengan sistem ini, data Anda kini dapat dinavigasi secara efisien. Pertanyaan berikutnya sederhana: bagaimana Anda memastikan sistem terus melakukan hal yang benar dalam penggunaan nyata?
Setelah data dapat diakses dan lapisan navigasi menyediakan peta, sistem Anda kini mampu melakukan pekerjaan. Namun, dalam konteks perusahaan, kemampuan tidak berarti apa-apa tanpa keandalan.
Di sinilah kuburan terbesar proyek AI berada. Banyak tim terjebak dalam evaluasi yang sekadar “berdasarkan kesan”. Mereka menjalankan kueri, membaca hasilnya, mengangguk puas, lalu meluncurkannya. Pendekatan ini tidak berlaku saat membangun sistem riset mendalam yang mungkin menelusuri 5.000 dokumen secara mandiri untuk memberi rekomendasi atas keputusan rantai pasok bernilai jutaan dolar.
Pergeseran pentingnya adalah Anda tidak lagi mengevaluasi sebuah model, melainkan sebuah sistem. Penafsiran pertanyaan, perencanaan, pemanggilan alat, interpretasi, pemangkasan konteks, pemeringkatan ulang, bahkan detail konektor yang tampak membosankan seperti stempel waktu—semuanya memengaruhi pengalaman pengguna.
Eval yang terstruktur dan dapat diulang membantu kita mengatasi masalah ini.
Saat menyusun eval, secara umum kita dapat membaginya menjadi tiga kategori, mulai dari mekanis hingga subjektif.
Bagian ini paling menyerupai pengujian unit dan biasanya menjadi area tempat tim dapat meraih kemajuan tercepat pada tahap awal. Evaluasi ini juga biasanya paling stabil dari waktu ke waktu; setelah disiapkan, manfaatnya dapat terus dirasakan sepanjang masa proyek.
“Eval mekanis” umumnya berupa pemeriksaan yang dapat dijalankan pada setiap kueri tanpa keterlibatan manusia. Pemeriksaan ini membantu kami meyakini bahwa sistem berperilaku secara aman dan dapat diprediksi di bawah beban pengguna nyata.
Beberapa contohnya meliputi:
Kesehatan kutipan: Apakah semua kutipan mengarah ke bagian yang benar-benar diambil? Apakah ada klaim tanpa kutipan? Apakah ada klaim yang tidak didukung materi sumber? Apakah kutipan terlalu umum, misalnya seluruh dokumen dikutip untuk satu klaim?
Ketertiban penggunaan alat: Apakah sistem menggunakan semua alat yang dinyatakan telah digunakan? Apakah sistem menggunakan alat navigasi dengan benar? Apakah ada permintaan alat yang salah format? Apakah sistem mencoba kembali secara wajar ketika terjadi kesalahan?
Anggaran latensi dan biaya: Apakah waktu hingga token pertama tetap sesuai target? Apakah jumlah panggilan alat atau biayanya melampaui perkiraan? Apakah sistem menghabiskan banyak waktu dan komputasi hanya demi peningkatan kecil?
Hal-hal ini terdengar biasa, tetapi justru pengujian semacam inilah yang mencegah sistem perusahaan memburuk.
Sebagai contoh nyata, dalam proyek riset mendalam untuk penemuan target obat, kami menggunakan dua lapisan pemeriksaan kutipan yang berjalan pada setiap kueri. Pertama, saat menghasilkan jawaban, kami menginstruksikan model untuk sering menyertakan kutipan di dalam teks. Kemampuan LLM melakukan ini secara andal juga tergolong baru dan muncul pada paruh pertama 2025. Siapa pun yang sebelumnya pernah mencobanya pada data dalam jumlah signifikan tentu memahami tantangannya. Dengan demikian, kami dapat menjalankan serangkaian pemeriksaan regex sederhana untuk mengetahui, misalnya, apakah ada tautan artikel yang disebutkan tetapi tidak terdapat dalam sumber yang diberikan.
Lapisan pemeriksaan kedua dilakukan setelah jawaban selesai dialirkan. Pertama, jawaban dibagi menjadi beberapa bagian. Setiap bagian kemudian dinilai dengan mencari sumber dalam data yang telah diambil untuk mendukung klaim di bagian tersebut. Jika tidak ditemukan bukti pendukung, hal itu ditandai sebagai kemungkinan halusinasi.
Jika eval mekanis adalah pengujian unit, eval analitis adalah peninjauan kode.
Di sini kita mulai berupaya memahami apakah sistem menyelesaikan pekerjaan dengan baik. Kami biasanya ingin memahami apakah sistem menggunakan alat yang tepat, menempuh arah riset yang benar, memilih sumber paling tepercaya, dan tahu kapan harus berhenti, di antara berbagai hal lainnya.
Dalam praktiknya, evaluasi ini biasanya berbentuk rangkaian pasangan pertanyaan-jawaban (Q-A), misalnya ketika urutan pemanggilan alat yang masuk akal telah diketahui, atau ketika sistem harus mengambil keputusan yang benar berdasarkan hasil riset dari alat pertama. Perlu dicatat bahwa pasangan Q-A tidak harus memetakan masukan dan keluaran sistem riset mendalam secara 1:1; metode ini juga dapat menguji subproses. Dengan label yang dibuat oleh pelabel manusia atau model pelabel yang kuat—dengan “kuat” bersifat relatif—kami dapat menggunakan metode LLM-sebagai-juri untuk menilai kinerja proses riset. Dengan melacak skor ini dari waktu ke waktu, kami dapat mengetahui apakah perubahan yang dibuat meningkatkan sistem ke arah yang benar atau justru menimbulkan penurunan kinerja.
Karena setiap proses membutuhkan biaya dan waktu lebih besar, evaluasi ini biasanya dijalankan secara berkala, baik menurut jadwal tertentu maupun sebelum pembaruan versi.
Ada pula manfaat lanjutan: evaluasi analitis seperti ini dapat secara langsung menjadi masukan untuk meningkatkan koneksi renggang yang dibahas sebelumnya. Jika Anda berulang kali melihat model membuat lompatan berkualitas tinggi yang sama—misalnya, “spec → historically relevant RFP examples”—meski manusia belum menghubungkan artefak tersebut secara eksplisit, itu merupakan temuan yang berguna. Anda dapat menjadikan lompatan itu sebagai hubungan atau pintasan utama agar proses berikutnya memperoleh manfaat dengan latensi lebih rendah dan konsistensi lebih tinggi.
Di sinilah Anda juga menemukan salah satu masalah termahal dalam sistem riset mendalam: kecenderungan memaksimalkan recall secara default. Model selalu dapat menemukan satu sumber lagi. Pertanyaannya, apakah model perlu melakukannya? Kita dapat menyesuaikan model untuk memperkuat perilaku berhenti yang wajar, yaitu ketika sistem menyadari bahwa pengambilan tambahan kemungkinan tidak akan mengubah kesimpulan lalu memilih memberikan jawaban yang didukung dengan baik dan menjawab pertanyaan pengguna.
Eval mekanis memberi tahu Anda bahwa sistem aman. Eval analitis memberi tahu Anda bahwa sistem kompeten. Eval pengguna memberi tahu Anda apakah sistem benar-benar berguna.
Ini area lain tempat banyak tim tersandung. Mereka membangun sesuatu yang mengesankan secara teknis, tetapi tidak ingin digunakan siapa pun untuk kedua kalinya. Dalam konteks perusahaan, inilah perbedaan antara penerapan yang berhasil dan proyek riset yang mahal.
Pada dasarnya, evaluasi pengguna bertujuan memahami apakah sistem memecahkan masalah yang tepat dengan cara yang tepat. Artinya, evaluasi harus melampaui pertanyaan “apakah jawabannya benar?” dan menanyakan “apakah hasilnya dapat saya tindak lanjuti?”
Dalam praktiknya, eval pengguna biasanya memiliki beberapa bentuk:
Studi penyelesaian tugas: Apakah pengguna benar-benar dapat menyelesaikan pekerjaan nyata dengan lebih cepat atau lebih baik menggunakan sistem? Masalahnya bukan apakah model dapat menjawab pertanyaan, melainkan apakah pengguna nyata memperoleh kebutuhannya dalam alur kerja sesungguhnya.
Siklus umpan balik kualitatif: Percakapan terstruktur secara rutin dengan pengguna mahir. Kueri apa yang berulang kali mereka jalankan? Di titik mana mereka kehilangan kepercayaan? Kapan mereka menyerah dan kembali ke cara lama? Sesi ini sering mengungkap pola kegagalan yang tidak pernah muncul dalam set pengujian, karena pengguna mengajukan pertanyaan dengan cara yang tidak Anda perkirakan atau memiliki standar kualitas tersirat yang tidak Anda ketahui.
Analitik penggunaan: Kueri mana yang dijalankan ulang? Jawaban mana yang disalin dan digunakan di tempat lain? Di bagian mana pengguna mengeklik tombol tidak suka? Penurunan penggunaan tidak selalu berarti kegagalan—terkadang pengguna telah memperoleh jawaban lalu melanjutkan pekerjaan—tetapi pola waktu dan cara pengguna meninggalkan kueri banyak menjelaskan bagian sistem yang tidak memenuhi harapan.
Secara keseluruhan, semua ini memungkinkan Anda mengukur kegunaan tanpa menebak serta menemukan masalah sebelum mulai mengikis kepercayaan pengguna.
Namun, sistem dengan nilai sempurna dalam akurasi mekanis dan disukai pengguna awal tetap dapat gagal dalam ujian terakhir: meningkatkan pendapatan bisnis. Keandalan dan kepuasan pengguna hanyalah prasyarat untuk mencapainya. Untuk menyeberangi jurang dari proyek percontohan yang berhasil menuju aset perusahaan yang transformatif, Anda harus melihat melampaui cara kerja sistem dan berfokus pada tempat penerapannya.
Kita telah membahas cara membuat data mendukung sistem, lalu cara membuat sistem mendukung pengguna. Sekarang kita perlu membahas cara membuat sistem ini mendukung bisnis Anda.
Belakangan ini para pemimpin bisnis sangat berfokus pada hal tersebut, dan memang sudah semestinya. Setelah muncul laporan seperti klaim MIT bahwa 95% proyek AI perusahaan gagal mencapai ROI, toleransi terhadap demo mengesankan yang tidak pernah diluncurkan pun lenyap. Modelnya sudah siap. Arsitekturnya telah terbukti. Pertanyaannya sekarang: dapatkah Anda benar-benar menerapkannya dengan cara yang menciptakan nilai bagi bisnis?
Kabar baiknya, sistem riset mendalam terdepan yang dibangun berdasarkan prinsip di atas berada dalam posisi yang tepat untuk memenuhi standar tersebut. Sistem ini tidak berusaha mengotomatiskan segalanya atau menggantikan seluruh fungsi pekerjaan. Tujuannya adalah membuat orang-orang terbaik Anda jauh lebih efektif dalam pekerjaan bernilai tinggi yang sudah mereka lakukan.
Namun, beralih dari “berfungsi secara teknis” menjadi “menghasilkan ROI” memerlukan beberapa terobosan tambahan: pilihan organisasi, pengalaman pengguna (UX), dan pengukuran yang menentukan apakah sistem ini menjadi alat sehari-hari atau tab yang terlupakan.
Berdasarkan pengalaman kami, ada dua.
Sering kali ada godaan untuk memulai dengan tugas internal berisiko rendah seperti “summarise this meeting.” Meski aman, kasus penggunaan ini jarang membuktikan nilai yang cukup untuk membenarkan biayanya.
Sistem riset mendalam paling berhasil ketika diarahkan pada tugas besar dan sulit—masalah mahal yang peningkatan kualitas atau kecepatannya menghasilkan lonjakan pendapatan atau keunggulan strategis yang dapat dibuktikan.
Kami melihat ROI tertinggi ketika perusahaan menyasar pintu masuk seperti:
Pembuatan Penawaran & RFP Kompleks: sistem riset mendalam dapat secara otomatis mengambil kemenangan historis paling serupa—dan kegagalannya—mengekstrak klausul yang selalu memicu revisi, menemukan bukti terkuat untuk persyaratan tertentu, dan banyak lagi, lalu menerjemahkan semuanya menjadi positioning tender yang kuat dan koheren. Metriknya bukan waktu yang dihemat, melainkan tingkat kemenangan, margin yang terjaga, serta lebih sedikit kejutan hukum atau komersial pada tahap akhir.
Analisis Lanskap Ilmiah: Di organisasi yang intensif R&D—farmasi, bioteknologi, dan semikonduktor—pintu masuknya adalah memadatkan berminggu-minggu kajian literatur dan pengetahuan internal menjadi arah riset yang dapat digunakan. Sistem riset mendalam dapat membaca ribuan makalah, paten, laporan internal, catatan laboratorium, dan tinjauan program terdahulu untuk memetakan hal yang sudah diketahui dan masih diperdebatkan, lalu menghasilkan lanskap berbasis bukti. Hasilnya adalah siklus iterasi yang lebih cepat, lebih sedikit langkah buntu, dan yang terpenting, waktu lebih singkat menuju uji klinis pertama pada manusia.
Wawasan Pasar: Bagi bank dan hedge fund, nilainya terletak pada pengubahan riset internal yang terpencar—catatan, model, transkrip, komentar broker—serta sinyal eksternal—dokumen resmi, laporan pendapatan, data makro, berita—menjadi dukungan perdagangan yang layak dijadikan dasar keputusan. Sistem riset mendalam dapat terus membangun dan memperbarui pandangan tentang perusahaan, tema, atau pertanyaan makro—menampilkan perubahan utama sejak pekan lalu, menyelaraskan sumber yang bertentangan, serta menghasilkan memo investasi atau paket perdagangan dengan asal-usul data lengkap.
Benang merahnya: semua ini bukan obrolan. Ini adalah alur kerja kompleks yang biasanya membutuhkan konsultan eksternal mahal atau waktu berminggu-minggu dari staf senior. Ketika sistem riset mendalam diarahkan pada masalah ini, nilainya tidak terbantahkan.
Ini salah satu pergeseran pengalaman pengguna yang akan menentukan 2026.
Jika sistem riset mendalam Anda sekadar chatbot yang ditanyai pengguna untuk menemukan sesuatu, penggunaannya dapat dengan cepat kembali menjadi sporadis. Sistem itu tetap menjadi alat referensi, sedangkan pengguna pada akhirnya harus menyusun sendiri hasilnya menjadi keluaran akhir yang diinginkan. Namun, jika terasa seperti analis yang selalu aktif dan dapat diberi tugas, sistem ini dapat sepenuhnya mengubah model operasi tim.
Kami melihat peralihan dari “mengobrol”—percakapan singkat bolak-balik—menuju pendelegasian, yakni menetapkan cakupan, templat, dan tujuan, lalu membiarkan sistem bekerja.
Tiga pergeseran khusus memungkinkan hal ini:
Keluaran sebagai Artefak: Pekerjaan bernilai tinggi jarang berada di jendela obrolan; hasilnya berupa dokumen, memo, dan presentasi. Sistem riset mendalam modern semestinya melewati tahap obrolan dan langsung menghasilkan artefak bisnis akhir. Ketika pengguna dapat meminta “3-page investment memo in our corporate format” dan menerima berkas yang dapat diunduh alih-alih aliran teks, waktu untuk memperoleh nilai turun drastis. Kemampuan ini juga umum diperluas ke pembuatan terjadwal. Pengguna dapat meminta agar email atau laporan otomatis dibuat dengan wawasan baru dan dibagikan kepada pihak terkait saat data baru muncul.
Optimisasi Lokal melalui Templat Khusus: Model kini cukup tangguh sehingga unit bisnis, bahkan pengguna perorangan, dapat membentuk prompt dan perilakunya sendiri tanpa merusak sistem. Laporan risiko di London tampak berbeda dengan laporan di New York. Dengan memungkinkan tim mengunggah atau merancang templat struktur sendiri serta menentukan kriteria berhenti—misalnya, “always check these three specific internal databases”—atau format keluaran, pengguna dapat memperoleh jauh lebih banyak nilai dan menciptakan sesuatu yang semakin ingin mereka gunakan.
Kepercayaan sebagai Antarmuka: Ketika pengguna mendelegasikan tugas yang memerlukan lebih dari 20 menit, kepercayaan menjadi prioritas utama. Anda tidak dapat menyajikan kotak hitam. Antarmuka harus memperlihatkan pemikiran dan pilihan sistem, termasuk alat yang sedang digunakan, kutipan yang dibuat, dan informasi lainnya. Menurut kami, UX terbaik untuk sistem ini secara default menampilkan wawasan tingkat tinggi tentang kemajuan riset, sekaligus memberi pengguna opsi untuk mendalami informasi dengan membuka detail tambahan di bilah sisi atau sejenisnya.
Kami membayangkan masa depan ketika setiap perusahaan terkemuka memiliki sistem riset mendalam khusus yang mendukung alur kerja terpentingnya. Wujudnya adalah serangkaian analis yang selalu aktif, mampu menelusuri ribuan artefak internal secara andal serta menghasilkan keputusan dan keluaran yang dapat ditindaklanjuti. Seiring model terdepan meningkatkan batas kemampuan eksekusi, faktor pembeda beralih ke fondasi: membuat data dapat diakses, memberi sistem sebuah peta, dan mengoperasionalkan keandalan melalui eval.
Peningkatan kemampuan model yang kami lihat sepanjang tahun lalu adalah sinyal paling jelas tentang arah perkembangannya. Peluang bagi para pemimpin pada 2026 adalah bergerak lebih awal. Pilih pintu masuk dengan nilai yang terlihat jelas, bangun kepercayaan melalui asal-usul data dan pagar pengaman, lalu ubah solusi riset mendalam perusahaan dari proyek percontohan menjadi kemampuan yang terus berkembang dan digunakan bisnis setiap hari.