Amazon Web Services merilis model AI baru pekan ini, dan uniknya bukan chatbot. Namanya Strands Decider 2B, dibangun khusus buat satu tugas sempit: memilih opsi dari daftar pilihan yang sudah ditentukan, lalu kasih tahu seberapa yakin pilihan itu benar.
Model ini terbuka penuh, bisa diunduh siapa saja, dan cukup kecil buat dijalankan di perangkat lokal tanpa server besar. Rilisnya bertepatan dengan minggu yang sama saat OpenAI mengumumkan produk serupa, jadi ini bukan kebetulan tunggal. Menurut laporan TechCrunch, sejumlah model sejenis juga sudah muncul dari berbagai peneliti belakangan ini.
Kenapa Butuh Model “Pengambil Keputusan” Terpisah
Buat paham kenapa ini penting, perlu dibedakan dulu dua jenis kebutuhan. LLM besar macam GPT atau Claude dirancang buat ngerti bahasa secara luas, nulis teks panjang, dan ngobrol natural. Tapi banyak alur kerja agen AI sebenarnya cuma butuh satu hal sederhana di tiap langkahnya: dari beberapa pilihan yang sudah jelas, mana yang paling masuk akal buat dilakukan sekarang?
Marc Brooker, distinguished engineer di Amazon, awalnya cuma iseng. Dia lihat model sejenis bernama Jev dari startup bernama TypeSafe, lalu coba bikin versi sendiri. Proyek sampingan itu ternyata lumayan bagus, sempat nangkring di posisi teratas Jevbench, sebuah ranking buat model berukuran serupa. Dari situ tim engineer Amazon merapikannya jadi produk resmi di bawah Strands Labs, unit internal AWS yang fokus bikin tools dan protokol buat agen AI.
Brooker bilang kebutuhan ini muncul dari percakapan langsung dengan pelanggan AWS. Alur kerja agen mereka nggak selalu butuh kapasitas penuh atau biaya penuh dari LLM besar di setiap langkahnya.
“Yang awalnya bikin saya tertarik dengan kelas model ini, mereka cocok banget jadi pengambil keputusan untuk satu langkah di alur kerja,” kata Brooker ke TechCrunch. Menurutnya, pendekatan ini menawarkan langkah kerja yang lebih bisa diandalkan karena ada skor kepercayaan, domain jawaban yang tertutup, dan (berpotensi) latensi serta biaya yang lebih rendah.
Cara Kerja Strands Decider
Secara teknis, model ini dibangun di atas “torso” sebuah LLM, dalam hal ini Qwen3.5-2B, tapi keluarannya bukan teks bebas. Dia menghasilkan pilihan yang sudah dikalibrasi dari sekumpulan opsi terbatas.
Soal nama Jev, yang jadi inspirasi awal tren ini, diambil dari ekonom William Stanley Jevons. TypeSafe berharap nama itu membawa semangat teori Jevons, bahwa turunnya biaya sesuatu, misalnya kecerdasan komputer, justru bisa mendorong naiknya permintaan terhadap hal itu.
Munculnya puluhan model serupa dari berbagai peneliti sejak TypeSafe memperkenalkan ide ini menunjukkan minat yang luas. Tapi itu juga memunculkan pertanyaan soal seberapa besar nilai praktisnya di lapangan.
Brooker sendiri mengakui tantangannya bukan sepele. Perlu keseimbangan hati-hati antara mendorong akurasi dan kalibrasi model pada tugas pengambilan keputusan, tanpa merusak kemampuannya memahami berbagai bahasa dan pengetahuan umum yang membuatnya tetap berguna secara luas.
Dampaknya Buat Developer dan Bisnis
Kalau kamu lagi bangun sistem agen AI, baik buat otomasi customer service, workflow internal, atau produk sendiri, model sekecil dan sefokus ini bisa jadi alternatif dibanding selalu memanggil LLM besar di setiap keputusan kecil. Biayanya berpotensi lebih murah, dan karena ukurannya kecil, bisa dijalankan dekat dengan aplikasi tanpa bolak-balik ke server jauh.
Buat pembaca yang berkecimpung di hosting dan infrastruktur cloud, tren ini juga punya implikasi praktis. Model kecil seperti ini lebih ringan buat di-deploy di VPS atau instance cloud dengan spesifikasi terbatas, dibanding menjalankan LLM penuh. Ini relevan buat pelaku bisnis kecil yang pengen eksperimen dengan agen AI tapi budget infrastrukturnya terbatas.
Meski begitu, Brooker tidak serta-merta menyebut model besar dari lab-lab utama bakal kalah saing di ranah ini. Detail soal arah kompetisi itu sendiri masih berkembang dan belum ada kesimpulan pasti dari pihak manapun.
Perbedaannya dari Fine-Tuning Biasa
Bisa saja ada yang bertanya, kenapa nggak pakai LLM yang sudah di-fine-tune buat tugas klasifikasi sederhana? Bedanya ada di output dan cara model itu dipakai dalam alur kerja. LLM biasa, meski sudah di-fine-tune, tetap menghasilkan teks bebas yang harus di-parse ulang supaya bisa dibaca sistem lain. Model keputusan seperti Strands Decider langsung keluarin struktur jawaban yang sudah dikalibrasi, lengkap dengan skor kepercayaan, siap dipakai sistem lain tanpa proses parsing tambahan.
Itu bedanya sepele secara teknis, tapi penting buat yang bangun sistem produksi. Parsing teks bebas dari LLM rawan error, apalagi kalau formatnya nggak konsisten antar panggilan. Output terstruktur dari model keputusan mengurangi risiko itu, meski artinya kemampuannya memang sengaja dipersempit, nggak fleksibel kayak LLM percakapan umum.
Siapa yang Cocok Mencoba Ini Lebih Dulu
Developer yang sudah bangun sistem agen dengan banyak langkah keputusan kecil, semacam routing permintaan customer service ke tim yang tepat atau memilih tindakan selanjutnya dalam pipeline otomatis, adalah kandidat paling pas buat coba model jenis ini duluan. Karena open-source dan ringan, biaya eksperimen relatif rendah dibanding harus berlangganan API LLM besar buat tugas serupa.
Buat tim kecil atau solo developer di Indonesia yang baru mulai eksplorasi agen AI, model seperti ini bisa jadi titik masuk yang lebih murah sebelum memutuskan investasi ke infrastruktur LLM penuh.
Yang Masih Perlu Diverifikasi
Belum ada angka pasti soal biaya operasional model ini dibanding LLM standar dalam skenario produksi nyata. Klaim soal latensi dan biaya yang lebih rendah juga masih bersifat potensi, belum didukung benchmark publik yang terukur.
Artikel Terkait
/posts/ai-agent-framework-terbaik-2026/ /posts/ai-router-panduan-lengkap-2026/ /posts/vps-untuk-ai/
Sumber & Referensi
- TechCrunch: Amazon releases its own Jev clone as decision models flood the web
- Strands Agents (AWS): Introducing Strands Decider