Istilah AI Dijelaskan — Glosarium Bahasa Sederhana untuk Pembeli Alat

Setiap halaman produk AI mengasumsikan Anda sudah menguasai bahasanya. Tabel harga menagih per token, changelog merayakan context window yang lebih besar, sales deck menjanjikan agent yang di-grounding oleh RAG — dan tidak satu pun dari semua itu menjelaskan apa arti kata-kata tersebut untuk satu-satunya pertanyaan yang penting: apakah alat ini akan menyelesaikan pekerjaannya.

Jadi inilah istilah AI yang dijelaskan untuk pembeli, bukan untuk peneliti. Ini sengaja bukan kamus A sampai Z. Ini adalah kosakata praktis berisi sekitar dua lusin istilah, disusun berdasarkan empat pertanyaan yang benar-benar diajukan orang saat mengevaluasi sebuah alat: dengan apa saya berbicara, mengapa terkadang salah, apa arti angka-angka spesifikasinya, dan apa saja yang terlibat dalam deployment. Setiap entri terdiri dari beberapa kalimat bahasa sederhana ditambah alasan mengapa istilah itu penting saat membeli.

Baca dari awal sampai akhir, atau langsung lompat ke bagian yang Anda butuhkan. Ketika sebuah istilah lebih mudah dipahami melalui produk nyata, contohnya akan menautkan ke halaman listing-nya. ToolPotion melacak lebih dari 13.000 alat AI, diperbarui setiap hari, jadi setiap contoh memiliki halaman aktual di baliknya.

Dengan apa Anda berbicara: istilah AI inti dijelaskan

Kebingungan pertama adalah soal penamaan. "Model," "LLM," "chatbot," "assistant," dan "agent" digunakan secara bergantian dalam materi pemasaran, padahal semuanya bukan hal yang sama.

Model

Sistem terlatih itu sendiri: sebuah fungsi statistik yang sangat besar yang mengubah input menjadi output, dihasilkan dengan mendorong data dalam jumlah besar melalui proses pelatihan. Produk adalah pembungkus di sekitar model: sebuah aplikasi chat, sebuah API, dan sebuah ekstensi browser semuanya bisa berjalan di atas model yang sama. Ini penting saat membandingkan alat, karena model menentukan batas atas kualitas sementara produk menentukan alur kerjanya. Anda bisa menjelajahi model AI terkini sebagai kategori tersendiri di direktori.

Large language model (LLM)

Sebuah model yang dilatih sebagian besar pada teks untuk memprediksi apa yang muncul berikutnya dalam sebuah urutan. Ternyata itu sudah cukup untuk menyusun draf, meringkas, menerjemahkan, dan menulis kode. Claude Opus dan Gemini 3.1 Pro adalah contoh frontier saat ini. Direktori ini juga mencantumkan LLM open yang lebih kecil yang bisa Anda jalankan sendiri. Ketika sebuah vendor bilang "didukung oleh LLM," pertanyaan lanjutan yang berguna adalah yang mana, dan apakah Anda bisa menggantinya nanti.

Chatbot

Sebuah pola antarmuka, bukan teknologi: sebuah kotak pesan yang terhubung ke model, biasanya dibatasi untuk satu tugas, seperti menjawab pertanyaan pelanggan. Chatbot modern dibangun di atas LLM, tetapi kata itu sudah ada sebelum LLM, itulah mengapa ia bisa menggambarkan apa saja mulai dari skrip FAQ yang kaku hingga sistem dukungan yang benar-benar mumpuni.

Assistant (atau copilot)

Sebuah produk chat serbaguna yang ditujukan untuk pekerjaan sehari-hari satu orang: menyusun draf, meringkas, menjawab, biasanya berada di dalam aplikasi tempat pekerjaan itu berlangsung. ChatGPT adalah assistant mandiri yang menjadi acuan. "Copilot" biasanya menandakan sebuah assistant yang tertanam di dalam produk yang sudah ada. Pembeda dari sudut pandang pembelian dengan chatbot adalah audiensnya: assistant melayani staf Anda, chatbot biasanya melayani pelanggan Anda.

AI agent

Perangkat lunak yang menerima sebuah tujuan, merencanakan langkah-langkah, memanggil tool, dan memeriksa hasilnya sendiri: ia bertindak, bukan sekadar menjawab. Claude Code membaca sebuah codebase, menyunting file, dan menjalankan perintah. Intercom menghadirkan sebuah support agent, Fin, yang menangani percakapan alih-alih sekadar membalasnya. Konsekuensinya adalah jangkauan dampak: sistem yang bisa bertindak juga bisa gagal karena bertindak, jadi izin dan langkah peninjauan lebih penting di sini dibanding di mana pun. Kategori AI agent adalah bagian yang paling cepat berubah di direktori.

Multimodal

Sebuah model yang menangani lebih dari sekadar teks: gambar, audio, atau video, sebagai input, output, atau keduanya. Gemini 3.1 Pro membaca dan menalar atas media campuran. Di sisi generasi, Kling 3.0 mengubah teks dan gambar referensi menjadi video dengan audio. Jika pekerjaan Anda melibatkan tangkapan layar, PDF berisi grafik, atau rekaman, dukungan multimodal adalah keharusan, bukan sekadar nilai tambah.

Mengapa terkadang salah: hallucination, context, dan cutoff

Keempat istilah ini menjelaskan hampir setiap output AI yang mengecewakan yang pernah Anda lihat, dan istilah-istilah ini adalah kosakata dari setiap percakapan serius dengan vendor tentang akurasi.

Hallucination

Sebuah jawaban yang percaya diri, lancar, namun salah. Model sedang menghasilkan teks yang tampak masuk akal, bukan mengonsultasikan basis data fakta, jadi ia bisa mengarang kutipan, statistik, dan detail produk tanpa sinyal apa pun bahwa ia sedang melakukannya. Untuk pekerjaan faktual, utamakan alat yang mengutip sumber yang bisa ditelusuri, dan perlakukan setiap detail spesifik tanpa kutipan sebagai belum terverifikasi hingga Anda memeriksanya.

Context window

Seberapa banyak teks, diukur dalam token, yang bisa dipertimbangkan model dalam satu waktu: memori kerjanya, yang berbeda dari pengetahuannya. Window telah bertumbuh dengan cepat. Claude Opus mengiklankan window satu juta token, cukup untuk seluruh codebase atau beberapa buku dalam satu permintaan.

Context window yang lebih besar menaikkan batas atas berapa banyak yang bisa Anda tempelkan. Itu tidak menjamin model mempertimbangkan seluruhnya.

Dalam praktiknya, model bisa kehilangan jejak detail yang terkubur di tengah-tengah input yang sangat panjang, jadi "muat dalam window" dan "digunakan dengan baik" adalah klaim yang berbeda.

Training cutoff

Tanggal berakhirnya data pelatihan model. Apa pun yang terbit setelah itu tidak terlihat oleh model kecuali produknya menambahkan pencarian web atau retrieval. Mengapa ini penting: jika alat harus mengetahui harga, hukum, atau berita terkini, tanyakan kepada vendor secara persis bagaimana informasi terbaru masuk. "Modelnya pintar" bukanlah sebuah jawaban.

RAG (retrieval-augmented generation)

Cari dahulu, jawab kemudian: sistem menemukan bagian yang relevan dalam dokumen Anda, lalu meminta model menuliskan jawabannya menggunakan bagian-bagian tersebut. Ini menambatkan respons pada konten aktual Anda, memperkecil (tetapi tidak menghilangkan) hallucination, dan tetap terkini begitu sebuah dokumen berubah, tanpa pelatihan ulang. Ketika sebuah vendor bilang "dilatih dengan data Anda," tanyakan apakah maksudnya RAG. Biasanya iya, dan untuk pengetahuan internal, RAG biasanya adalah yang Anda inginkan.

Prompt dan system prompt

Prompt adalah apa pun yang Anda kirimkan ke model. System prompt adalah lembar instruksi tetap yang ditempatkan vendor di depan setiap percakapan: nada, aturan, batasan pengaman. Ada begitu banyak produk AI khusus yang pada dasarnya hanyalah sebuah system prompt di atas model milik orang lain. Itu tetap bisa layak dibayar, tetapi harganya seharusnya seperti kemasan, bukan seperti riset.

Membaca lembar spesifikasi: token, parameter, inference

Angka-angka pada halaman harga AI bukanlah hiasan pemasaran. Tiga di antaranya secara langsung menentukan tagihan Anda.

Token

Unit yang dibaca dan dikeluarkan model: sepotong teks, di mana sebuah kata bahasa Inggris yang umum sering kali adalah satu token. Aturan praktisnya: 1.000 token kira-kira setara 750 kata bahasa Inggris. Harga API dikutip per satu juta token, dengan input dan output dihargai terpisah, itulah mengapa dokumen panjang yang masuk dan jawaban panjang yang keluar adalah yang mendorong biaya.

Parameter

Bobot numerik internal yang dipelajari model selama pelatihan. Jumlah parameter adalah singkatan standar untuk ukuran model. Muse Glimmer, misalnya, adalah model 30 miliar parameter yang dibangun untuk menjalankan tugas agent pada perangkat keras konsumen. Lebih banyak parameter umumnya membeli kemampuan dengan harga kecepatan dan biaya, dan sebuah model kecil yang menangani tugas Anda dengan baik mengalahkan model besar yang Anda bayar berlebih untuk digunakan setengah-setengah.

Inference

Menjalankan model terlatih untuk menghasilkan output. Pelatihan terjadi sekali, atas biaya vendor; inference terjadi pada setiap permintaan, atas biaya Anda. Latensi dan biaya per permintaan adalah properti inference, jadi ketika sebuah vendor mengiklankan inference yang lebih murah atau lebih cepat, klaim itu adalah soal tagihan Anda dan waktu tunggu pengguna Anda, bukan soal kualitas jawaban.

Fine-tuning

Pelatihan tambahan pada contoh-contoh milik Anda sendiri untuk menggeser perilaku model: nada, format, kebiasaan domain. Ini bagus untuk gaya yang konsisten dan output yang terstruktur, dan cara yang buruk untuk mengajarkan fakta yang berubah-ubah, yang merupakan tugas RAG. Biaya tersembunyinya adalah pemeliharaan: setiap peningkatan model dasar bisa berarti mengulang pekerjaan tersebut.

Reasoning model

Sebuah model yang menghabiskan komputasi ekstra untuk menelusuri langkah-langkah antara sebelum menjawab, yang secara terukur membantu pada matematika, perencanaan, dan kode yang sulit. Beberapa merupakan hibrida: Claude Opus bisa menjawab dengan cepat atau berpikir lebih lama sesuai kebutuhan. Konsekuensinya nyata: proses reasoning lebih lambat dan memakan lebih banyak token, jadi mengarahkan tugas ekstraksi sederhana melaluinya sama saja membayar pemikiran yang tidak Anda butuhkan.

Benchmark

Sebuah uji terstandar yang menghasilkan skor papan peringkat dalam postingan peluncuran. Perlakukan mereka sebagai sinyal kasar kemampuan, bukan prediksi tentang beban kerja Anda: vendor tentu saja memamerkan benchmark yang mereka menangkan. Dua puluh tugas nyata Anda sendiri, dijalankan pada dua alat kandidat, memberi tahu Anda lebih banyak daripada papan peringkat mana pun.

Istilah deployment: API, open weights, dan tempat ia berjalan

Kumpulan istilah terakhir menentukan struktur biaya, postur privasi, dan seberapa banyak pekerjaan rekayasa yang Anda ambil.

API

Akses terprogram: perangkat lunak Anda memanggil model melalui internet dan membayar per token, alih-alih seseorang membayar per kursi untuk sebuah aplikasi. Vendor yang sama sering menjual keduanya, dan itu adalah anggaran yang berbeda: kursi berskala dengan jumlah karyawan, biaya API berskala dengan penggunaan. Ketahui mana yang sebenarnya Anda cari sebelum membandingkan harga.

Open weights vs. closed

Model open-weight mempublikasikan file modelnya: unduh, jalankan pada perangkat keras Anda sendiri, simpan data secara internal, tidak bayar biaya per token kepada pembuatnya. Gemma 4 menawarkan model open yang ringan yang dibangun dari teknologi yang sama dengan Gemini, dan Stability AI mempublikasikan model generatif open untuk gambar, video, dan audio. Model closed disewa melalui server vendor: kontrol lebih sedikit, beban operasional jauh lebih ringan, dan model closed terkuat masih cenderung memimpin pada kemampuan mentah.

On-device vs. cloud

Tempat inference secara fisik terjadi. Cloud berarti permintaan meninggalkan jaringan Anda; on-device atau self-hosted berarti tidak, itulah mengapa tim yang sarat kepatuhan peduli, dan mengapa model seperti Muse Glimmer yang berjalan pada perangkat keras konsumen ada. Harapkan adanya kesenjangan kemampuan: model terbesar tidak muat di dalam sebuah laptop.

Embedding

Teks yang diubah menjadi daftar angka yang diposisikan sedemikian rupa sehingga makna yang serupa berdekatan satu sama lain. Embedding adalah cara perangkat lunak mencari berdasarkan makna alih-alih kata kunci persis, alasan mengapa sebuah kueri untuk "aturan pengembalian dana" bisa menemukan dokumen berjudul "kebijakan retur."

Vector database

Penyimpanan yang dibangun untuk menampung embedding dan menemukan kecocokan terdekat dengan cepat. Ini adalah bagian retrieval dari sebagian besar sistem RAG. Chroma adalah contoh open-source yang menggabungkan pencarian vector, full-text, dan metadata. Jika sebuah vendor bilang mereka "melakukan RAG atas dokumen Anda," salah satu dari ini ada dalam tumpukannya. Tanyakan di mana ia berjalan dan apa yang disimpannya.

Framework

Kerangka kode untuk merangkai model, tool, dan retrieval ke dalam sebuah aplikasi: jalur bangun-sendiri, yang dipilih sejak awal oleh tim yang mengerjakan pekerjaan secara internal. Jelajahi kategori AI framework untuk melihat opsi terkini. Jika tidak ada seorang pun di tim yang menulis kode, pembangun visual seperti Microsoft Copilot Studio menangani kasus-kasus umum, dan direktori menyimpan satu halaman tugas lengkap berisi alat untuk membangun AI agent yang mencakup kedua pendekatan.

Observability dan evals

Observability adalah menelusuri apa yang sebenarnya dilakukan sebuah model atau agent: setiap langkah, panggilan tool, biaya token, dan jeda. Evals adalah uji output yang dinilai kualitasnya, dijalankan berulang kali agar regresi muncul ke permukaan sebelum pelanggan mengetahuinya. Langfuse adalah platform open-source yang mencakup tracing, manajemen prompt, dan evaluasi. Jika Anda membeli sebuah agent alih-alih membangunnya, pertanyaan setara untuk vendor sederhana saja: ketika agent melakukan kesalahan, apa persisnya yang akan Anda tunjukkan kepada saya?

Pertanyaan yang sering diajukan

Apakah ChatGPT itu sebuah LLM?

Secara ketat, tidak: ChatGPT adalah sebuah aplikasi yang dibangun di atas LLM dari keluarga GPT milik OpenAI. Perbedaan ini penting karena fitur seperti memori, unggah file, dan penjelajahan web adalah milik aplikasi, bukan model, dan produk lain yang menggunakan model yang sama mungkin tidak memiliki semuanya.

Apa perbedaan antara AI agent dan chatbot?

Sebuah chatbot menjawab; sebuah agent bertindak. Agent merencanakan pekerjaan multi-langkah, memanggil perangkat lunak lain, dan mengubah hal-hal di sistem nyata, yang membuatnya sekaligus lebih berguna dan lebih berisiko. Pertanyaan pembelian yang praktis adalah soal izin: apa yang boleh disentuh oleh agent, dan apa yang ditinjau sebelum ia melakukannya.

Apakah lebih banyak parameter berarti model AI yang lebih baik?

Belum tentu untuk tugas Anda. Model yang lebih besar umumnya lebih mumpuni secara abstrak, tetapi mereka lebih mahal dan merespons lebih lambat, dan banyak pekerjaan sehari-hari — klasifikasi, ekstraksi, penyusunan draf rutin — berjalan baik pada model kecil. Uji model termurah yang mungkin bisa bekerja sebelum langsung memilih yang terbesar.

Bisakah saya menjalankan model AI di komputer saya sendiri?

Bisa, jika ia memiliki open weights dan ukuran yang sederhana: model open kecil seperti keluarga Gemma dirancang untuk itu, dan beberapa model 30 miliar parameter kini menargetkan perangkat keras konsumen. Harapkan hasil yang lebih lemah dibanding model cloud frontier, sebagai gantinya nol biaya per token dan data yang tidak pernah meninggalkan mesin Anda.