Apabila Semua AI Sudah Cukup Pintar, Apa Lagi yang Tinggal untuk Produk? | CEO Insights

Kandungan

1. Pengajaran daripada McDonald's
2. Gelombang Pelancaran Ini Menyampaikan Mesej yang Sama
3. Benteng Sedang Berpindah: Daripada Model kepada Context
4. Kepercayaan Kini Menjadi Isu Reka Bentuk Produk
5. “Model Terbaik” Mungkin Bukan Jawapannya Langsung
6. OakMega: Context, Action dan Trust di Satu Tempat
7. Soalan Lazim

---

‍

Kecerdasan merebak keluar daripada satu teras kepada seluruh rangkaian konteks dan tindakan. Model hanyalah titik permulaan; persaingan sebenar terletak pada segala yang tumbuh di sekelilingnya.

Pengajaran daripada McDonald's

Bermula pada 2021, McDonald's bekerjasama dengan IBM untuk menguji sistem pandu lalu “pesanan suara AI” di lebih 100 cawangan di Amerika Syarikat. Visinya memang menarik: pelanggan tidak perlu lagi menjerit pesanan berulang kali ke pembesar suara. AI akan memahami mereka, membuat pesanan dan menyelesaikan pembayaran, dengan rancangan untuk melancarkannya ke seluruh negara.

Tidak lama kemudian, video kegagalan mula tular. AI salah dengar pelanggan, menimbun satu pesanan sehingga 260 ketul nugget ayam, dan meletakkan bakon serta mentega ke dalam aiskrim, dan walau berapa kali pelanggan membetulkannya, ia tetap tidak faham. (Salah satu klip yang paling banyak dikongsi menunjukkan seorang pelanggan menjerit ke arah pembesar suara sementara AI dengan riang mengulang semula sembilan teh manis, sebiji sundae karamel dengan bakon, dan nugget bernilai kira-kira USD222. Dia langsung tidak memesan semua itu.) Selepas klip-klip ini meletup di TikTok dan Twitter, McDonald's mengumumkan pada Jun 2024 bahawa ujian tersebut ditamatkan (CNBC). Mesin di lebih 100 cawangan ujian semuanya ditarik balik menjelang akhir Julai tahun itu, dan pengambilan pesanan kembali kepada manusia (Al Jazeera).

Apabila saya membaca kisah itu, kesimpulan saya bukanlah “AI tidak berkesan.” Sebaliknya: ia mendedahkan sesuatu yang lebih asas — sekuat mana pun kecerdasannya, itu tidak bermakna ia boleh dipercayai untuk bertindak pada skala besar. Sebaik mana pun pengecaman suaranya, tanpa konteks yang mencukupi (bunyi bising di sekeliling, apa yang sebenarnya dikehendaki pelanggan, bila perlu diserahkan kepada manusia) dan tanpa cara untuk pelanggan menghentikan atau membetulkannya pada bila-bila masa, sistem yang paling pintar pun boleh bertukar menjadi bencana yang dirakam dan dikongsi di seluruh internet.

Persoalan itu juga yang terus bermain di fikiran saya selepas menonton satu pusingan penuh acara pelancaran daripada makmal AI utama sejak beberapa minggu lalu: apabila keupayaan model semakin cepat menghampiri satu sama lain, apa sebenarnya yang tinggal untuk membezakan sesebuah produk AI?

Kesimpulan awal: Apabila kecerdasan GPT, Claude, Gemini dan Grok semakin cepat menyamai satu sama lain, pembeza produk AI sedang beralih daripada “sepintar mana modelnya” kepada tiga perkara — Context yang dimilikinya, kebenaran Action yang diberikan kepadanya, dan Trust yang sanggup diberikan oleh pengguna. Model akan terus menjadi komoditi. Tiga lapisan ini tidak.

---

Gelombang Pelancaran Ini Menyampaikan Mesej yang Sama

Dalam tempoh empat hingga enam minggu lalu, hampir setiap pemain utama bergerak ke arah yang sama. GPT-6 Astra daripada OpenAI tidak dipromosikan sebagai “lebih pandai berbual.” Ciri utamanya ialah Computer Use, Browser Use, dan keupayaan menghasilkan kerja lengkap seperti dokumen, hamparan dan slaid pembentangan — dan apabila keperluan berubah, ia terus memperhalusi hasilnya dan bukannya bermula semula dari kosong. SpaceXAI lebih berterus terang, meletakkan Grok Bot sebagai “rakan sepasukan AI untuk syarikat”: setiap Bot mempunyai komputer awannya sendiri, menggunakan laman web dan aplikasi secara berdikari, dan terus bekerja di latar belakang selepas anda log keluar. Muse daripada Meta pula lebih bersifat peribadi. Ia tidak menunggu soalan anda, sebaliknya terus mempelajari konteks anda dan secara proaktif menggerakkan matlamat anda ke hadapan. Claude Fable 5.1 dan Mythos 5.1 daripada Anthropic, yang dilancarkan dalam tempoh yang sama, juga memberi tumpuan kepada kerja jangka panjang yang melibatkan pelbagai langkah seperti pengekodan, kerja pengetahuan dan penyelidikan saintifik.

Letakkan semua pelancaran ini sebelah-menyebelah, dan ia bukan kebetulan. Ini adalah peralihan konsensus seluruh industri: pada 2026, fokus persaingan telah beralih daripada “Intelligence” kepada “Execution.” Dahulu kita mengambil berat sama ada model boleh menjawab dengan bijak. Kini semua orang mengambil berat sama ada ia benar-benar mampu menyiapkan sesuatu kerja secara menyeluruh.

Namun justeru kerana semua pihak berlumba-lumba ke arah “menyiapkan lebih banyak kerja,” timbul satu persoalan yang lebih tajam: jika GPT, Claude, Gemini dan Grok semuanya cukup pintar untuk menyiapkan keseluruhan aliran kerja, mengapa pengguna perlu memilih mana-mana satu daripadanya?

---

Benteng Sedang Berpindah: Daripada Model kepada Context

Jawapannya semakin tertumpu kepada satu idea: siapa yang paling memahami “kerja yang sedang dilakukan.”

Claudeforce, yang diumumkan oleh Salesforce dan Anthropic pada akhir Ogos, merupakan demonstrasi paling jelas yang pernah saya lihat setakat ini. Pada terasnya, ia langsung bukan pelancaran model baharu. Ia menghubungkan Claude dengan data hasil masa nyata, aliran kerja, logik perniagaan dan peraturan tadbir urus milik Salesforce sendiri. Gelombang pertama “Salesforce in Claude” didatangkan dengan 37 kemahiran jualan yang membolehkan Claude membuat penaakulan terus ke atas data saluran jualan secara langsung, mengemas kini status urus niaga dan mengambil tindakan yang ditadbir. Nilai kemahiran ini tidak pernah terletak pada model syarikat mana yang digunakan di sebaliknya — gantikan dengan mana-mana model yang setara kecerdasannya dan hasilnya tidak akan jauh berbeza. Yang benar-benar bernilai ialah data dan peraturan yang dipegang oleh Salesforce tentang “bagaimana sebenarnya rupa hubungan pelanggan syarikat ini.”

Ia mengesahkan satu formula yang semakin saya yakini:

Better AI ≠ Better Model Better AI Product = Model × Context × Tools × Memory

Context di sini bermaksud lapisan data dan peraturan yang membolehkan AI Agent memahami hubungan pelanggan, logik perniagaan dan peraturan tadbir urus yang unik bagi sesebuah syarikat. Ia bukan model itu sendiri. Ia adalah lapisan di luar model yang memberitahu Agent “bagaimana untuk bertindak.”

Kecerdasan model mungkin menjadi komoditi lebih cepat daripada yang kita sangka. Pelbagai analisis perniagaan 2026 menyuarakan perkara yang sama: model itu sendiri dengan cepat menjadi “lebih kurang sama tidak kira siapa pembuatnya,” dan kelebihan yang benar-benar terkumpul — yang tidak lenyap setiap kali model dinaik taraf — ialah “connector, evaluation harness, agent orchestration dan guardrails.” Secara mudahnya, itulah Context dan cara Context itu ditadbir. Ini sebenarnya cara lain untuk menyatakan apa yang selama ini kami katakan tentang data pihak pertama: dalam era AI, nilai data pelanggan bukan terletak pada “ia boleh dianalisis,” tetapi pada sama ada “ia membolehkan Agent tahu bagaimana untuk bertindak.”

Ini juga bukan sesuatu yang eksklusif kepada Silicon Valley. MaiAgent, sebuah platform AI Agent dari Taiwan, mengemukakan hujah yang hampir sama di VivaTech 2026: syarikat tidak memerlukan satu lagi alat AI yang terasing. Mereka memerlukan “governed AI Core” yang membolehkan pasukan menggunakan data yang betul dengan selamat di bawah kebenaran yang betul — cara berbeza untuk menyatakan hujah yang sama seperti dalam artikel ini.

Benteng berpindah daripada sfera bercahaya di tengah ke gelang ambar yang lebih luas di sekelilingnya. Benteng itu tidak hilang; ia cuma berpindah ke tempat yang tidak dapat dicapai oleh model.

---

Kepercayaan Kini Menjadi Isu Reka Bentuk Produk

Apabila Agent benar-benar boleh melakukan kerja, sifat masalahnya berubah sepenuhnya. Dahulu, apabila AI tersilap, ia hanya tersalah satu jawapan. Apabila Agent tersilap, ia menghantar e-mel yang salah, menyunting rekod CRM yang salah, memesan barang yang salah, atau menjalankan keseluruhan aliran kerja secara salah.

Itulah sebabnya kita melihat Permission dan Governance beralih daripada “senarai semak pematuhan selepas kejadian” kepada satu lapisan produk yang tersendiri. Meta Muse ialah contoh yang jelas. Ia sengaja memisahkan “pelaksanaan” dan “kebenaran” kepada dua agent yang diasingkan pada peringkat sistem. Muse sendiri merancang dan membuat cadangan, tetapi tanpa kelulusan daripada agent berasingan bernama Sentinel, tiada tindakan rangkaian atau operasi connector yang boleh dijalankan. Langkah sensitif sentiasa dikembalikan kepada pengguna untuk pengesahan, dan pengguna boleh melihat jejak audit yang lengkap. GPT-6 Astra juga mengambil laluan yang serupa. Oleh sebab keupayaan keselamatan sibernya buat pertama kali mencapai tahap “Critical” dalam rangka kerja keselamatan OpenAI sendiri, OpenAI sebenarnya mempertingkatkan pemantauan tingkah laku: jika sistem mendapati Astra mungkin tersalah faham arahan, ia akan menghentikan kerja seketika dan menunggu pengesahan pengguna sebelum meneruskan.

Satu set angka wajar diletakkan sebelah-menyebelah di sini: lebih 60% syarikat sudah pun mencuba AI agent, tetapi hanya 20–30% yang telah menggunakannya secara berskala dalam mana-mana fungsi. Lebih ketara lagi, hanya sedikit melebihi 10% pemimpin IT yang percaya mereka mampu mentadbir agent mereka dengan berkesan. Jurang itu bukan soal keupayaan teknikal. Ia soal mekanisme kepercayaan.

Antara muka produk pada masa hadapan mungkin tidak lagi berupa pilihan binari “benarkan AI / jangan benarkan AI.” Sebaliknya, ia akan menawarkan satu barisan kebenaran yang lebih terperinci:

• Baca ✓
• Analisis ✓
• Draf ✓
• Kemas kini CRM ✓
• Hantar ke luar → Tanya saya
• Belanja wang → Tanya saya
• Padam data ✕

Dalam erti kata lain, Trust dalam era Agent bukan lagi sekadar soal kepercayaan terhadap jenama. Ia perlu dibina ke dalam seni bina produk itu sendiri.

---

“Model Terbaik” Mungkin Bukan Jawapannya Langsung

Gemini 3.8 Flash daripada Google, yang dilancarkan pada minggu yang sama, memberi saya peringatan dari sudut yang berbeza. Kedudukannya bukan “kami telah membina model paling pintar.” Ia dipromosikan sebagai model kerja harian berkos rendah dan berprestasi tinggi, dengan harga USD0.75 bagi setiap sejuta token input dan USD3.75 bagi setiap sejuta token output. Google malah secara terbuka mencadangkan agar sesetengah beban kerja kekal pada model lama dan tidak perlu dinaik taraf setiap kali.

Perkara ini amat penting bagi Agent. Chatbot mungkin selesai selepas satu pusingan penaakulan, tetapi untuk menyiapkan satu tugasan, Agent sering perlu menaakul, mencari, menaakul semula, membaca, menaakul lagi, menggunakan alat, menyemak, mencuba semula, menghasilkan dan mengesahkan — menjalankan berpuluh-puluh malah beratus-ratus inferens. Pada ketika itu, persoalannya bukan lagi “model mana yang paling pintar” tetapi “untuk langkah ini, model mana yang paling murah namun masih cukup boleh dipercayai.” Inferens hibrid tempatan-dan-awan yang baru-baru ini ditunjukkan oleh Perplexity juga mengikut logik yang sama: data sensitif kekal pada peranti, dan kerja hanya dinaikkan ke awan apabila ia benar-benar memerlukan keupayaan yang lebih tinggi.

Jadi saya percaya kelebihan daya saing teras sesebuah produk semakin beralih daripada “model syarikat mana yang kita gunakan” kepada “bagaimana kita memilih kecerdasan yang tepat untuk setiap tugasan.” Itulah Model Orchestration — secara ringkas, memilih gabungan model yang paling sesuai dan paling menjimatkan kos secara dinamik berdasarkan sifat setiap tugasan, dan bukannya menyerahkan setiap langkah kepada “model terkuat” yang sama. Dan ia sebenarnya hanyalah satu lagi sisi daripada perkara yang sama seperti Context dan Trust yang dibincangkan di atas: anda perlu memahami kerja tersebut dan peraturan syarikat terlebih dahulu sebelum dapat memutuskan tugasan mana memerlukan model mana, dan tindakan mana memerlukan kebenaran mana.

---

Kembali kepada OakMega: Context, Action dan Trust di Satu Tempat

Selepas memerhati perkembangan beberapa minggu kebelakangan ini, saya sebenarnya lebih yakin dengan hala tuju OakMega seterusnya.

Bahagian pertama ialah peranan Social CRM. Kami telah menjadikan “memahami dan mengurus hubungan pelanggan” sebagai produk, supaya pelanggan jenama yang telah mencapai skala tertentu dan mempunyai struktur data yang agak standard boleh mendapatkan keupayaan Context Layer ini secara terus melalui Social CRM. Inilah laluan untuk berkembang secara berskala: dahulu Social CRM ialah “alat untuk mengurus hubungan pelanggan”; ke hadapan, ia lebih hampir kepada “Context Layer yang membolehkan AI memahami dan mengurus hubungan pelanggan.”

Bahagian kedua ialah peranan FDE (Forward Deployed Engineering). Realitinya, struktur data, logik perniagaan dan peraturan kebenaran setiap syarikat adalah berbeza — tiada produk siap sedia yang sesuai untuk semua situasi. Itulah sebabnya FDE wujud. Apabila sesebuah syarikat bukan perlu “membeli satu ciri” tetapi perlu “menjadikan logik hubungan pelanggan unik kami sebagai sistem yang boleh dijalankan oleh Agent dengan selamat,” jurutera kami akan menyelami data dan proses pelanggan, lalu membina tiga lapisan peraturan — Context, Action dan Trust — satu syarikat demi satu syarikat. Corak yang telah disahkan dalam projek FDE akhirnya disalurkan semula ke dalam produk Social CRM, supaya gelombang pelanggan seterusnya mendapat manfaat secara langsung.

Tidak kira di peringkat mana sesebuah syarikat berada — sama ada sudah mempunyai keperluan yang standard, atau masih memerlukan pelaksanaan yang disesuaikan — saya percaya apa yang ditawarkan oleh OakMega sebenarnya ialah dua bentuk bagi perkara yang sama: menjadikan AI benar-benar memahami hubungan pelanggan anda, dan mempercayainya untuk mengurus hubungan tersebut.

Claudeforce daripada Salesforce telah menjelaskan satu perkara: model AI itu sendiri bukan benteng bagi CRM. Konteks pelanggan, logik perniagaan, kebenaran dan tindakan di dalam CRM itulah bentengnya. Apabila kecerdasan model terus menjadi komoditi, saya percaya inilah yang akan OakMega curahkan usaha paling banyak untuk dibina seterusnya — sama ada secara berskala melalui Social CRM, atau secara khusus satu syarikat demi satu syarikat melalui FDE.

---

Soalan Lazim

S1: Adakah benar-benar wujud konsensus bahawa model akan menjadi komoditi?

Ulasan industri menunjuk ke arah yang agak konsisten — termasuk perbincangan bahawa model semakin “menyerupai komoditi.” Kebanyakan pemerhati melihat perbezaan dalam kecerdasan model itu sendiri semakin mengecil, dengan kelebihan jangka panjang beralih kepada aset “di sekeliling model,” seperti connector, data dan peraturan tadbir urus. Namun ini adalah tafsiran terhadap trend, bukan kesimpulan muktamad, dan wajar terus diperhatikan.

S2: Di manakah syarikat biasanya tersekat apabila menerima pakai AI Agent hari ini?

Berdasarkan pemerhatian industri yang ada setakat ini, kebanyakan syarikat tidak tersekat kerana “model tidak cukup pintar.” Mereka tersekat pada mekanisme tadbir urus dan kepercayaan — tidak pasti berapa banyak kebenaran yang patut diberikan kepada Agent, siapa yang bertanggungjawab apabila berlaku kesilapan, dan bagaimana menjejak apa yang telah dilakukannya. Itulah sebabnya Permission/Governance kini menjadi isu reka bentuk produk yang tersendiri.

S3: Bagaimanakah syarikat patut memilih antara Social CRM dan perkhidmatan FDE daripada OakMega?

Secara ringkas, jika struktur data dan proses sesebuah syarikat sudah agak standard, Social CRM boleh menyediakan keupayaan Context Layer secara terus. Jika syarikat mempunyai logik perniagaan, integrasi sistem atau peraturan tadbir urus yang unik dan memerlukan pelaksanaan yang disesuaikan, FDE merupakan titik permulaan yang lebih sesuai. Anda juga boleh membuat pengesahan melalui FDE terlebih dahulu, kemudian menerima pakai Social CRM secara berperingkat.

S4: Apakah itu Context Layer?

Context Layer ialah lapisan data dan peraturan yang membolehkan AI Agent memahami hubungan pelanggan, logik perniagaan dan peraturan tadbir urus yang unik bagi sesebuah syarikat. Ia bukan model itu sendiri. Ia adalah lapisan di luar model yang memberitahu Agent “bagaimana untuk bertindak” — dan di situlah, menurut artikel ini, terletaknya benteng seterusnya.

---

References

• OpenAI, GPT-6 Astra: A new generation of intelligence
• Fortune, OpenAI launches GPT-6 Astra
• CSO Online, OpenAI launches GPT-6 Astra, its first model to cross a critical cybersecurity threshold
• Salesforce, Salesforce and Anthropic Announce Claudeforce
• Anthropic, Introducing Claude Fable 5.1 and Claude Mythos 5.1
• Enterprise DNA, SpaceXAI Launches Grok 4.6 for Enterprise Agents
• Reworked, xAI Wants In on the Enterprise With Grok Bot
• about.fb.com (Meta), Introducing Muse: The World's First Personal AI Agent
• Help Net Security, Google's Gemini 3.8 Flash takes on bigger AI models at a lower cost
• VentureBeat, Perplexity AI unveils hybrid local-cloud inference system at Computex 2026
• Seeking Alpha, AI's Next Moat: What Survives When Models Become Commodities
• Accelirate, Agentic AI Statistics 2026
• CXO XPERTS, AI Agent Governance: Why It's Enterprise AI's Biggest Challenge in 2026
• CNBC, McDonald's to end AI drive-thru test with IBM
• Al Jazeera, McDonald's scraps AI pilot after order mix-ups go viral
• Restaurant Dive, McDonald's ends IBM drive-thru voice order test
• Restaurant Business, McDonald's is ending its drive-thru AI test
• TikTok (@tech360.tv), McDonald's withdraws AI technology after bacon ice cream and nugget overload orders
• PR Newswire, At VivaTech 2026, Taiwan-Based MaiAgent Says Enterprises Should Stop Building RAG and AI Agent Systems From Scratch