Inherent, Didirikan oleh Alumni DeepMind, Klaim AI 'Rekan Kerja'-nya Lampaui Anthropic dan OpenAI dalam Mereplikasi Penelitian

Sebuah lab AI Inggris yang dibangun oleh peneliti mantan DeepMind baru saja membuat klaim yang seharusnya menghentikan setiap developer dan founder di Asia di tengah-tengah scroll: agen AI mereka, Faraday, dapat mereplikasi makalah ilmiah lebih akurat daripada apa pun yang telah dirilis Anthropic atau OpenAI hingga saat ini. Inherent, didirikan oleh alumni DeepMind, mengatakan sistem AI mereka bukan sekadar asisten penelitian lain — ini adalah rekan kerja ilmiah yang sesungguhnya. Jika benchmark ini bertahan dari pengujian ketat, ini adalah salah satu lompatan kemampuan paling signifikan dalam tooling penelitian AI terapan yang telah kami lihat pada 2026.

Apa yang Terjadi

Inherent, lab AI Inggris yang diliput oleh TechCrunch pada 22 Agustus 2026, merilis agen AI bernama Faraday. Klaim inti sangat spesifik dan layak dinyatakan dengan jelas: Faraday mengungguli sistem AI pesaing dari Anthropic dan OpenAI khususnya dalam tugas mereplikasi makalah penelitian ilmiah.

Replikasi bukanlah benchmark yang sepele. Ini memerlukan sistem AI untuk membaca makalah yang dipublikasikan, memahami metodologinya, mereproduksi setup eksperimental, dan mencapai hasil yang konsisten dengan temuan asli — tanpa dipandu melalui prosesnya. Ini secara kualitatif berbeda dari merangkum makalah atau menjawab pertanyaan tentangnya. Faraday, menurut Inherent, melakukan ini secara otonom, berperilaku lebih seperti rekan kerja yang Anda tugaskan pekerjaan daripada alat yang Anda prompt.

Pedigri tim pendiri penting di sini. DeepMind secara historis telah menjadi salah satu lingkungan penelitian AI paling ketat di planet ini — lab di balik AlphaFold, AlphaGo, dan daftar panjang terobosan yang ditinjau sejawat. Pendiri yang keluar dari budaya itu cenderung membangun dengan standar lebih tinggi untuk apa yang "berhasil" sebenarnya berarti. Itu tidak menjamin benchmark Inherent kedap udara, tetapi itu berarti metodologi di balik Faraday lebih mungkin dapat dipertahankan daripada klaim siaran pers startup rata-rata.

Positioning Faraday sebagai "rekan kerja" daripada alat adalah deliberat dan secara filosofis signifikan. Ini menandakan filosofi desain: sistem dimaksudkan untuk beroperasi dengan otonomi yang cukup sehingga peneliti atau developer dapat menyerahkan tugas dan mengharapkan output yang bermakna, bukan hanya titik awal untuk pekerjaan manusia lebih lanjut. Apakah framing itu bertahan kontak dengan alur kerja penelitian dunia nyata masih harus dilihat — tetapi hasil benchmark memberikannya kredibilitas yang layak diambil dengan serius.

Mengapa Ini Penting untuk Asia

Lanskap penelitian dan pengembangan Asia berada di titik infleksi. Universitas di seluruh Singapura, Korea Selatan, Jepang, Taiwan, dan semakin banyak Asia Tenggara menghasilkan penelitian AI dan ilmu kehidupan kelas dunia. Pada saat yang sama, kesenjangan antara output penelitian dan aplikasi komersial tetap membandel lebar di banyak pasar ini. Alat yang dapat mempercepat replikasi dan verifikasi pekerjaan ilmiah tidak hanya membantu akademisi — ini memampatkan timeline dari makalah yang dipublikasikan hingga insight siap produksi.

Pertimbangkan sektor farmasi dan biotek di Singapura dan Korea Selatan, di mana tim penelitian kecil relatif terhadap ambisi mereka. Agen kelas Faraday yang dapat mereplikasi hasil eksperimental secara otonom berarti tim lima peneliti dapat secara efektif bersaing dengan berat tim lima belas. Logika yang sama berlaku untuk lab penelitian AI di seluruh wilayah yang berlomba untuk membangun di atas model dasar — memahami apa yang benar-benar ditunjukkan oleh pekerjaan sebelumnya, bukan hanya apa yang diklaim, adalah bottleneck kritis.

Ada juga dimensi bahasa dan akses khusus untuk teknologi Asia. Sebagian signifikan dari literatur ilmiah bernilai tinggi ada dalam bahasa Inggris, sementara banyak peneliti yang perlu bertindak atas hal itu bekerja dalam Mandarin, Korea, Jepang, atau Bahasa Indonesia. Agen AI yang dapat mereplikasi dan mensintesis penelitian — bukan hanya menerjemahkannya — menghilangkan lapisan gesekan yang secara historis telah memperlambat transfer pengetahuan di seluruh wilayah.

Lebih luas, kemunculan Faraday menandakan bahwa gelombang berikutnya dari aplikasi AI bernilai tinggi tidak akan menjadi chatbot tujuan umum. Mereka akan menjadi agen khusus domain dengan kemampuan mendalam dalam tugas sempit dan berisiko tinggi. Untuk founder Asia yang mengevaluasi di mana membangun, itu adalah sinyal yang jelas: kedalaman vertikal mengalahkan lebar horizontal dalam fase AI market berikutnya ini. Tim yang akan menang adalah tim yang memilih domain — penelitian ilmiah, analisis hukum, pemodelan keuangan — dan membangun agen yang benar-benar mendapatkan label "rekan kerja."

Apa Artinya Ini untuk Developer

Untuk developer, Faraday menimbulkan pertanyaan arsitektur konkret: bagaimana Anda membangun agen AI yang dapat menjalankan tugas horizon panjang dengan cukup andal untuk dipercaya dengan sesuatu yang setepat replikasi ilmiah?

Jawaban singkatnya, berdasarkan apa yang telah diungkapkan Inherent, adalah bahwa ini memerlukan lebih dari sekadar model frontier yang diprompt dengan baik. Faraday tampaknya menjadi sistem agentic multi-langkah — yang dapat merencanakan urutan tindakan, menjalankannya, mengevaluasi output menengah, dan memperbaiki arah. Itu adalah tantangan teknik yang secara fundamental berbeda dari membangun pipeline retrieval-augmented generation (RAG) atau antarmuka chatbot standar.

Jika Anda membangun agen hari ini, beberapa hal jatuh dari cerita ini sebagai panduan praktis:

• Evaluasi adalah bagian tersulit. Kemampuan Inherent untuk mengklaim Faraday mengungguli Anthropic dan OpenAI hanya kredibel karena mereka memiliki benchmark yang ketat dan objektif — replikasi makalah dengan hasil yang dapat diverifikasi. Jika Anda membangun agen untuk tugas domain, tentukan metrik kesuksesan Anda sebelum menulis satu baris kode. Apa yang "berhasil" terlihat seperti, secara numerik?
• Dekomposisi tugas lebih penting daripada pilihan model. Model adalah komponen. Arsitektur — bagaimana Anda memecah tugas kompleks menjadi sub-tugas, bagaimana Anda menangani kegagalan, bagaimana Anda memvalidasi output menengah — adalah tempat teknik nyata tinggal. Model yang lebih lemah dengan lapisan dekomposisi tugas yang kuat sering kali akan mengungguli model yang lebih kuat yang hanya diprompt end-to-end.
• Otonomi memerlukan scaffolding kepercayaan. Memanggil Faraday "rekan kerja" menyiratkan sistem dapat dipercaya untuk bekerja tanpa pengawasan untuk rentang waktu yang bermakna. Membangun kepercayaan itu memerlukan logging, explainability, dan mode kegagalan yang elegan. Pengguna tidak akan mendelegasikan ke agen yang tidak dapat mereka audit.

Di sisi platform, ini adalah pola pengembangan yang tepat yang MonstarX dibangun untuk mendukung. Developer Asia yang membangun sistem agentic memerlukan infrastruktur yang menangani lapisan orkestrasi — menghubungkan model ke sumber data, mengelola status di seluruh alur kerja multi-langkah, dan mengekspos konektor yang tepat ke API eksternal dan database penelitian — tanpa memaksa setiap tim untuk membangun kembali scaffolding itu dari awal.

Cerita Faraday juga memperkuat poin tentang spesialisasi. Inherent tidak mencoba membangun agen penelitian tujuan umum. Mereka memilih satu tugas — replikasi — dan mengoptimalkan keras untuk itu. Developer yang membangun di Asia harus menganggap itu dengan serius. Godaan untuk membangun secara luas kuat, terutama ketika Anda pitch kepada investor yang menginginkan TAM. Tetapi agen yang benar-benar akan diadopsi adalah yang melakukan satu hal bernilai tinggi lebih baik daripada manusia yang bisa melakukannya sendiri.

Satu catatan praktis lagi: kasus penggunaan replikasi penelitian memiliki analogi langsung dalam pengembangan perangkat lunak. Review kode, generasi tes, dan — paling relevan — mereproduksi bug