Fugu dari Sakana AI Mengorkestrasi Model AI Terdepan untuk Menantang Raksasa Industri

Buku Panduan Baru untuk Kecerdasan Buatan

TOKYO -- Pada 22 Juni 2026, Sakana AI memperkenalkan Fugu, layanan orkestrasi multiagen yang melontarkan pertanyaan provokatif kepada industri teknologi. Apakah lompatan berikutnya dalam kecerdasan buatan mengharuskan pembangunan model monolitik yang lebih besar lagi, atau bisakah sistem yang lebih kecil dan lebih cerdas mencapai hasil serupa hanya dengan mengetahui siapa yang harus ditanya? Fugu, yang namanya diambil dari kata dalam bahasa Jepang untuk ikan buntal, mencerminkan taruhan perusahaan rintisan asal Tokyo itu pada pendekatan kedua. Platform ini beroperasi seperti satu model bagi dunia luar, sementara di dalamnya mengoordinasikan tim sistem kecerdasan buatan terdepan yang terspesialisasi untuk menyelesaikan tugas-tugas rumit.

Pengumuman ini hadir pada titik krusial dalam adopsi AI generatif oleh perusahaan. Selama bertahun-tahun, kemajuan sebagian besar diukur berdasarkan jumlah parameter, komputasi pelatihan, dan perlombaan membangun model fondasi yang lebih besar. OpenAI, Anthropic, Google, dan perusahaan lainnya menempuh filosofi penskalaan ini dengan hasil yang mengesankan, menghasilkan sistem yang mampu lulus ujian profesi hukum, menulis kode canggih, dan melakukan penalaran panjang. Namun, pemusatan kemampuan ini pada segelintir penyedia asal Amerika Serikat telah menciptakan kerentanan baru. Akses ke model paling canggih dapat berubah dalam semalam akibat kontrol ekspor, perubahan kebijakan perusahaan, atau sengketa geopolitik, sehingga bisnis internasional rentan terdampak.

Sakana AI menawarkan arsitektur alternatif yang berlandaskan kecerdasan kolektif. Alih-alih berupaya menyamai laboratorium terdepan dengan melatih model raksasa berparameter satu triliun, perusahaan itu membangun koordinator ringkas yang diperkirakan memiliki sekitar 7 miliar parameter dan berfungsi sebagai pendelegasi utama. Saat pengguna mengirim permintaan melalui API Fugu yang kompatibel dengan standar OpenAI, sistem menganalisis tugas tersebut lalu menjawabnya secara langsung atau membentuk tim model ahli untuk menangani sub-tugas tertentu. Sistem kemudian memverifikasi keluaran mereka dan menyusunnya menjadi satu jawaban terpadu. Bagi pengembang, pengalaman menggunakannya serupa dengan memanggil satu model bahasa besar. Namun, di balik layar, seluruh komite agen mungkin telah berkontribusi pada jawaban tersebut.

Waktunya hampir tak mungkin lebih strategis. Pada awal Juni, Anthropic tiba-tiba mencabut akses publik ke model Claude Mythos 5 dan Claude Fable 5 menyusul perintah kontrol ekspor dari pemerintah Amerika Serikat. Langkah itu mengguncang komunitas pengembang, terutama klien internasional yang telah membangun alur kerja dengan mengandalkan sistem tersebut. Sakana AI secara eksplisit menyebut gangguan semacam itu sebagai pendorong rancangan Fugu, dengan memosisikan layanan ini sebagai perlindungan dari ketergantungan pada satu vendor dan langkah menuju apa yang disebutnya sebagai kedaulatan AI.

Didirikan pada 2023 oleh mantan peneliti Google Brain, David Ha, dan Llion Jones, salah satu penulis makalah transformer penting pada 2017, Attention Is All You Need, Sakana AI telah menarik perhatian dan pendanaan yang signifikan. Pengungkapan publik menunjukkan bahwa sejumlah bank besar Jepang dan produsen chip Nvidia mendukung putaran pendanaan yang menilai perusahaan rintisan itu sekitar 30 miliar yen, memberinya sumber daya untuk bersaing dengan rival yang jauh lebih besar. Melalui Fugu, perusahaan itu ingin membuktikan bahwa inovasi Jepang dapat menantang paradigma model terdepan bukan dengan menirunya, melainkan dengan merancang ulang cara berbagai kemampuan yang sudah ada dirangkai.

Di Balik Mesin Orkestrasi

Untuk memahami Fugu, kita perlu melihat lebih jauh dari permukaan API-nya yang sederhana. Saat sebuah prompt masuk, sistem meneruskannya ke model pusat yang oleh Sakana AI disebut sebagai konduktor pembelajaran penguatan. Dalam kebanyakan kasus, konduktor ini tidak menghasilkan jawaban akhir sendiri. Sebaliknya, ia berperan seperti mandor di lokasi konstruksi, menganalisis jenis tugas secara dinamis dan membagikan bagian-bagian pekerjaan kepada agen yang paling sesuai dari kumpulan yang dapat dipertukarkan. Kumpulan itu mencakup model-model terdepan pihak ketiga dari penyedia seperti OpenAI, Anthropic, dan Google, serta instans Fugu yang dijalankan secara rekursif untuk penalaran bertingkat.

Landasan teoretis perilaku ini berasal dari dua makalah penelitian yang dipresentasikan di International Conference on Learning Representations 2026: Trinity: An Evolved LLM Coordinator dan Learning to Orchestrate Agents in Natural Language with the Conductor. Trinity memperkenalkan kerangka komputasi evolusioner yang memungkinkan koordinator pusat membuat dan memodifikasi struktur agen secara langsung, memberi mereka peran seperti Thinker, Worker, atau Verifier sesuai kebutuhan tugas. Thinker menganalisis persyaratan, Worker menjalankan komputasi tertentu, dan Verifier memeriksa konsistensi serta keakuratan keluaran.

Conductor mengembangkan pendekatan ini dengan menggunakan pembelajaran penguatan mendalam untuk melatih koordinator dalam seni mendelegasikan tugas menggunakan bahasa alami. Melalui pelatihan ekstensif, model pusat yang kecil belajar kapan harus mendelegasikan dan kapan harus menjawab langsung, bagaimana agen sebaiknya berkomunikasi satu sama lain, serta bagaimana menggabungkan keluaran yang berbeda menjadi hasil akhir yang koheren. Hasilnya bukan alur kerja yang telah ditentukan sebelumnya, melainkan sistem adaptif yang menemukan strategi koordinasi melalui pengalaman. Perbedaan ini penting karena memungkinkan Fugu menangani jenis tugas baru yang mungkin belum diantisipasi secara eksplisit oleh perancangnya, alih-alih terbatas pada prosedur kerja yang kaku.

Dari sudut pandang rekayasa, salah satu aspek Fugu yang paling menarik adalah kemampuan rekursifnya. Orkestrator dapat mengirim sub-tugas kembali kepada dirinya sendiri, membentuk rangkaian penalaran berlapis untuk masalah yang memerlukan analisis mendalam. Artinya, koordinator berparameter 7 miliar itu dapat mengelola alur kerja dengan kompleksitas apa pun tanpa harus memiliki sendiri pengetahuan ensiklopedis yang tersimpan dalam ratusan miliar parameter pada model fondasi terdepan. Ukurannya yang lebih kecil diimbangi kecerdasan organisasi yang lebih unggul, sebuah gagasan yang menantang anggapan umum bahwa lebih besar selalu lebih baik.

Tolok Ukur dan Uji Beta

Sakana AI menyertai peluncuran Fugu dengan serangkaian klaim kinerja yang berani. Pada SWE-Bench Pro, tolok ukur yang sangat dihormati untuk menguji kemampuan sistem AI menemukan dan memperbaiki bug di repositori perangkat lunak nyata, Fugu Ultra dilaporkan meraih skor 73,7. Menurut evaluasi yang dipublikasikan perusahaan, skor itu melampaui Claude 4.8 Opus dengan 69,2 dan GPT-5.5 dengan 58,6. Skor lain yang dilaporkan mencakup 95,5 pada GPQA-Diamond, tes tanya jawab tingkat pascasarjana yang dirancang agar tidak mudah dijawab lewat pencarian web sederhana; 93,2 pada LiveCodeBench; 82,1 pada TerminalBench 2.1, yang mengevaluasi kemampuan administrasi sistem; dan 50,0 pada Humanity's Last Exam, tes penalaran yang terkenal sangat sulit.

Verifikasi independen atas angka-angka ini masih terbatas, sementara industri AI memiliki sejarah panjang dengan hasil tolok ukur yang sulit direproduksi di lingkungan produksi. Kondisi pengujian, teknik rekayasa prompt, dan jumlah percobaan yang diizinkan dapat memengaruhi skor. Meski demikian, luasnya bidang yang dicakup dalam laporan perusahaan menunjukkan bahwa pendekatan orkestrasi ini setidaknya mampu bersaing dengan model terdepan monolitik, bahkan mungkin lebih unggul dalam bidang tertentu.

Umpan balik dari hampir 500 penguji beta yang menggunakan Fugu selama masa pratinjau panjang dengan fokus pada alur kerja rumit dan berdurasi lama mungkin lebih mengungkap dibandingkan hasil tolok ukur. Dalam pengembangan perangkat lunak, para peserta melaporkan bahwa Fugu Ultra sangat teliti saat meninjau kode. Seorang teknisi yang mengikuti program beta mengatakan kepada Sakana AI bahwa model dasar biasanya menandai sekitar tiga masalah dalam suatu basis kode, sementara Fugu menemukan lebih dari dua puluh masalah serta memberikan penjelasan terperinci dan langkah-langkah perbaikan.

Untuk peninjauan kode, Fugu Ultra lebih baik daripada GPT-5.5. Jawabannya menyeluruh dan menemukan bug yang terlewat oleh model lain. Kini saya menggunakan model ini untuk semua peninjauan kode.

Di luar pengodean, tim keamanan siber menggunakan Fugu Ultra untuk mengotomatiskan seluruh siklus pengujian penetrasi. Operator manusia menentukan cakupannya, lalu mesin orkestrasi menjalankan pengintaian, menguji kerentanan XSS dan injeksi SQL, meninjau mekanisme autentikasi, serta menyusun laporan akhir yang dilengkapi bukti dan prosedur pengujian ulang secara terperinci. Para peserta beta mengonfirmasi bahwa sistem mematuhi parameter operasionalnya dengan ketat, menghindari tindakan merusak tanpa mengurangi ketelitian. Eksekutif perusahaan juga menyoroti stabilitas persona, dengan mencatat bahwa Fugu mempertahankan identitas dan fokus yang konsisten dalam sesi panjang, sementara model lain sering mengalami penurunan kualitas akibat keterbatasan konteks.

Dua Tingkatan, Satu API

Sakana AI mengomersialkan Fugu melalui dua tingkat layanan berbeda, yang keduanya dapat diakses melalui satu titik akhir API yang kompatibel dengan standar OpenAI. Model Fugu standar dioptimalkan untuk tugas produksi berlatensi rendah, seperti chatbot interaktif, bantuan pengodean langsung, dan alat peninjauan kode seperti Codex. Model ini menyeimbangkan kinerja dengan kecepatan, sehingga cocok untuk aplikasi yang mengharuskan respons hampir seketika. Bagi organisasi yang menerapkan tata kelola data ketat atau tunduk pada regulasi privasi, tingkat standar memungkinkan agen tertentu yang mendasarinya dikeluarkan secara manual dari kumpulan perutean. Fitur ini memungkinkan tim kepatuhan mencegah data sensitif dikirim ke penyedia pihak ketiga tertentu tanpa harus meninggalkan kerangka orkestrasi sepenuhnya.

Fugu Ultra menempati tingkat premium. Model ini dirancang untuk memaksimalkan kualitas jawaban atas tugas kompleks dan menantang yang membutuhkan penalaran mendalam dalam banyak tahap. Tugas tersebut mencakup replikasi makalah akademik, investigasi paten, alur kerja ilmu data tingkat lanjut, dan audit keamanan menyeluruh. Ultra mengoordinasikan kumpulan agen ahli yang lebih besar dan tetap, sehingga fitur untuk mengeluarkan agen tidak tersedia. Komprominya adalah latensi yang lebih tinggi dan konsumsi token yang lebih besar, tetapi Sakana AI berpendapat peningkatan akurasi sepadan dengan biayanya untuk aplikasi yang sangat penting. Identitas model saat ini untuk tingkat ini adalah fugu-ultra-20260615.

Harga mencerminkan perbedaan kedua produk. Fugu Ultra dikenai biaya $5 per satu juta token masukan dan $30 per satu juta token keluaran, dengan tarif dua kali lipat untuk konteks yang lebih panjang dari 272.000 token. Paket berlangganan berkisar dari $20 hingga $200 per bulan, dan Sakana AI menawarkan bulan kedua gratis bagi pelanggan yang berlangganan sebelum akhir Juli 2026, sesuai tingkat yang mereka pilih. Penggunaan token dan biaya terkait dilaporkan untuk setiap permintaan, sehingga tim keuangan dan rekayasa dapat memantau pengeluaran secara waktu nyata. Perlu dicatat, layanan ini belum tersedia di Uni Eropa atau Wilayah Ekonomi Eropa karena perusahaan sedang berupaya menyelaraskan operasinya dengan Peraturan Perlindungan Data Umum (GDPR), sebuah keterbatasan yang menghambat jangkauan global platform ini saat diluncurkan.

Geopolitik Perutean Model

Penawaran komersial Fugu melampaui arsitektur teknis hingga memasuki ranah manajemen risiko geopolitik. Rantai pasokan AI modern sangat terkonsentrasi. Segelintir perusahaan Amerika mengendalikan akses ke model fondasi paling canggih, dan keputusan mereka semakin berada di bawah pengawasan pemerintah. Ketika Amerika Serikat memberlakukan kontrol ekspor terhadap model Anthropic Fable dan Mythos pada Juni 2026, peristiwa itu menjadi peringatan bagi perusahaan di luar Amerika yang telah membangun alur kerja penting dengan mengandalkan satu penyedia. Akses langsung terputus, sementara tim pengadaan tidak memiliki alternatif yang siap digunakan.

Sakana AI menawarkan Fugu sebagai perlindungan terhadap skenario semacam itu. Karena orkestrator dapat secara dinamis mengalihkan pekerjaan dari penyedia yang tidak tersedia atau dibatasi, perusahaan itu berpendapat pelanggan memperoleh ketahanan tanpa mengorbankan kemampuan. Jika model Anthropic tidak dapat diakses, Fugu mengalihkan beban kerja ke OpenAI, Google, atau alternatif yang tersedia secara terbuka. Jika model baru memasuki pasar dan unggul dalam tugas tertentu, Sakana AI mengatakan model itu dapat dimasukkan ke dalam kumpulan tanpa mengharuskan pelanggan menulis ulang aplikasi mereka agar menggunakan API baru. Arsitektur yang dapat dipertukarkan ini menawarkan wujud kedaulatan AI yang lebih konkret dibandingkan banyak perbincangan kebijakan abstrak yang kini beredar di kalangan teknologi.

Bagi perusahaan dan lembaga pemerintah Jepang, penawaran ini memiliki gaung khusus. Jepang menjadikan kemampuan AI domestik sebagai prioritas strategis, sementara ketergantungan penuh pada tumpukan teknologi terdepan Amerika menimbulkan kekhawatiran ekonomi dan keamanan nasional. Vendor yang berbasis di Tokyo, menawarkan dukungan lokal dan opsi pengelolaan data regional, serta memiliki filosofi teknis alternatif, menyajikan narasi yang menarik bagi pembeli yang ingin mendiversifikasi portofolio teknologi mereka. Basis investor Sakana AI, yang mencakup lembaga keuangan besar Jepang, memperkuat posisi ini.

Meski demikian, sikap skeptis tetap beralasan. Kumpulan agen Fugu masih sangat bergantung pada raksasa-raksasa Amerika yang diklaim ingin dihindarinya. Sistem ini tidak dapat memberikan hasil setingkat model terdepan jika akses API ke GPT, Claude, dan Gemini terputus sepenuhnya. Kemandirian sejati memerlukan ekosistem model domestik atau yang tersedia secara terbuka dan mampu menyamai sistem-sistem tersebut, sementara ekosistem semacam itu belum tersedia dalam skala besar. Para pengkritik juga mencatat bahwa Fugu merupakan layanan komersial berpemilik, bukan kerangka kerja terbuka. Artinya, pelanggan menukar ketergantungan pada satu vendor dengan ketergantungan pada vendor lain, meski dengan model bisnis berbeda.

Makna Peluncuran Ini bagi Pengembangan AI

Jika klaim kinerja Fugu terbukti melalui pengawasan eksternal berkelanjutan, dampaknya terhadap riset kecerdasan buatan bisa signifikan. Selama hampir satu dekade, bidang ini berpegang pada hipotesis penskalaan: lebih banyak parameter, lebih banyak data, dan lebih banyak komputasi menghasilkan kinerja yang lebih baik. Filosofi ini telah menghasilkan sistem yang benar-benar mengesankan, tetapi juga menciptakan hambatan masuk begitu tinggi sehingga hanya korporasi dan pemerintah terkaya yang dapat berpartisipasi. Pelatihan model fondasi terdepan menelan biaya ratusan juta dolar dan membutuhkan perangkat keras khusus yang juga tunduk pada pembatasan ekspor.

Fugu menunjukkan jalur yang berbeda. Sistem ini menyiratkan bahwa model yang relatif kecil dan dilatih khusus untuk koordinasi, bukan untuk pengetahuan ensiklopedis, dapat menghasilkan kinerja melampaui ukurannya dengan memanfaatkan sumber daya yang ada secara cerdas. Hal ini menggeser persaingan dari kapasitas pelatihan mentah ke kecerdikan arsitektur dan efisiensi orkestrasi. Pendekatan ini juga memperluas akses ke AI berkinerja tinggi, karena secara teoretis perute yang dirancang dengan baik dapat dibangun oleh organisasi dengan anggaran jauh lebih kecil daripada biaya untuk melatih model sekelas GPT dari awal.

Komunitas riset telah lama mengeksplorasi sistem multiagen dan model campuran para ahli, tetapi Fugu merupakan salah satu implementasi komersial terkemuka pertama yang diposisikan sebagai alternatif langsung bagi model terdepan monolitik. Keberhasilan atau kegagalannya kemungkinan akan memengaruhi apakah modal ventura dan dana riset perusahaan mulai mengalir ke teknologi orkestrasi dan koordinasi, alih-alih hanya ke penskalaan model fondasi. Umpan balik awal dari program beta menunjukkan bahwa alur kerja perusahaan tertentu, terutama yang mencakup tugas jangka panjang seperti peninjauan kode dan audit keamanan, mungkin lebih cocok ditangani sistem terdistribusi daripada model yang dipanggil dalam satu permintaan.

Tentu saja, pendekatan ini memiliki kompromi. Tahapan penalaran multiagen yang kompleks dapat menimbulkan latensi, sehingga Fugu tidak cocok untuk aplikasi yang membutuhkan respons dalam hitungan milidetik. Tugas berintensitas tinggi juga menghabiskan kuota komputasi dalam jumlah besar, sementara logika perutean yang tidak transparan membuat pengguna tidak selalu tahu model mana yang menangani data mereka, sehingga upaya kepatuhan di industri yang diatur menjadi lebih rumit. Sakana AI mengakui keterbatasan ini, tetapi berpendapat bahwa manfaatnya lebih besar daripada biayanya untuk berbagai pekerjaan analitis dan rekayasa.

Poin Utama

• Sakana AI meluncurkan Fugu, layanan orkestrasi multiagen yang merutekan tugas ke berbagai model AI terdepan yang dapat dipertukarkan melalui satu API yang kompatibel dengan standar OpenAI.
• Sistem ini mengandalkan model koordinator ringkas dengan sekitar 7 miliar parameter, bukan model fondasi monolitik raksasa, serta menggunakan riset dari makalah Trinity dan Conductor karya Sakana AI.
• Fugu Ultra mengklaim meraih skor tolok ukur yang kompetitif pada SWE-Bench Pro, GPQA-Diamond, LiveCodeBench, dan tes lainnya dibandingkan sistem terkemuka, termasuk GPT-5.5 dan Claude Opus 4.8.
• Tersedia dua tingkat layanan: Fugu standar untuk tugas produksi berlatensi rendah dengan kontrol kepatuhan untuk mengeluarkan agen secara manual, serta Fugu Ultra untuk penalaran kompleks dengan kumpulan agen yang lebih besar dan tetap.
• Peluncuran ini menyasar perusahaan yang ingin menghindari ketergantungan pada vendor dan gangguan akibat kontrol ekspor, meskipun layanan ini masih bergantung pada API model terdepan Amerika.
• Fugu tersedia secara global kecuali di Uni Eropa dan Wilayah Ekonomi Eropa, sambil menunggu pemenuhan GDPR; harga Ultra dimulai dari $5 per satu juta token masukan dan $30 per satu juta token keluaran.