Di sinilah letak persoalannya: percakapan menghargai kemampuan menafsirkan dan berimprovisasi, sedangkan otomasi rumah membutuhkan ketepatan. Lampu yang diminta menyala harus benar-benar menyala—di ruangan yang tepat, dengan tingkat kecerahan yang tepat, dan tanpa menunggu terlalu lama.

Dua arsitektur yang tidak sepenuhnya cocok

Asisten suara generasi lama umumnya bekerja dengan mencocokkan frasa atau maksud yang sudah dikenal dengan tindakan tertentu. Perintah terstruktur seperti set bedroom lamp brightness to 45% dapat diarahkan langsung ke integrasi perangkat yang telah ditentukan.

Sistem seperti ini memang terbatas. Pengguna harus menghafal pola kalimat tertentu dan menyebut perangkat secara spesifik. Namun, keterbatasan itu juga membuat hasilnya relatif mudah diprediksi.

Asisten generatif menambahkan banyak tahap sebelum perintah dijalankan. Sistem harus:

• menebak maksud pengguna;
• menentukan ruangan dan perangkat yang dimaksud;
• memahami konteks percakapan;
• memilih kemampuan atau integrasi yang tersedia;
• menyusun panggilan API atau tool call yang benar; lalu
• meneruskan perintah melalui platform rumah pintar dan berbagai integrasi perangkat.

Setiap tahap membuka peluang baru untuk salah tafsir, parameter yang tidak valid, informasi perangkat yang sudah kedaluwarsa, koneksi yang terputus, atau integrasi yang gagal.

Mark Riedl dari Georgia Tech menjelaskan pertukaran ini secara sederhana: model bahasa besar atau LLM dapat memahami lebih banyak bentuk komunikasi, tetapi keterbukaan tersebut juga menciptakan lebih banyak peluang untuk kesalahan interpretasi. Peliputan mengenai masalah ini membandingkan sistem lama berbasis pencocokan templat dengan sistem berbasis transformer yang bersifat probabilistik dan dapat memberikan respons berbeda terhadap permintaan yang serupa.

Perintah sederhana justru paling cepat membongkar kelemahannya

Mematikan lampu terdengar mudah karena hasil yang diinginkan sangat jelas. Asisten hanya perlu memilih satu target, mengubah satu status, lalu memastikan perangkat benar-benar menerima perubahan tersebut.

Tidak ada ruang bagi jawaban yang terdengar meyakinkan tetapi tidak melakukan apa-apa. Kesalahan yang mungkin terjadi antara lain:

• nama perangkat disalahartikan;
• perangkat yang dipilih berada di ruangan yang keliru;
• kemampuan yang dipanggil tidak sesuai;
• hanya sebagian perangkat dalam satu grup yang berubah; atau
• sistem menyatakan perintah berhasil tanpa memverifikasi status sebenarnya.

Model dapat terdengar lancar meski gagal melakukan tindakan. Dalam percakapan umum, pengguna mungkin memaklumi jika asisten meminta klarifikasi. Namun, toleransi itu jauh lebih kecil ketika rutinitas sebelum tidur gagal, lampu tetap menyala, atau kipas tidak berhenti sesuai durasi yang diminta.

Masalah tersebut juga mencerminkan tantangan integrasi Alexa+. Sistem ini harus menggabungkan model bahasa dengan layanan lama dan jutaan perangkat yang mendukung Alexa. Pelaporan sebelumnya menyebut kombinasi itu sulit diwujudkan secara konsisten, bahkan ketika model barunya lebih fleksibel dan mampu menangani lebih banyak jenis permintaan.

Apa yang ditunjukkan oleh pengujian David Pogue?

David Pogue mengatakan bahwa ia menguji Alexa+ dengan 135 tugas dan sistem tersebut menyelesaikan sedikit di bawah separuhnya dengan benar. Ini adalah pengujian langsung, bukan studi terkontrol yang mewakili seluruh pengguna Alexa+ atau semua perangkat yang didukung. Karena itu, hasilnya tidak boleh dianggap sebagai tingkat keberhasilan universal.

Meski demikian, temuannya tetap menjadi sinyal produk yang penting. Asisten rumah tangga yang gagal dengan frekuensi mendekati itu akan sulit dipercaya untuk mengendalikan lampu, dimmer, rutinitas, musik, atau tindakan berulang lainnya. Dalam pengalamannya, Pogue juga melaporkan bahwa Alexa versi lama lebih dapat diandalkan untuk sejumlah tugas yang sudah dikenal, termasuk menyalakan lampu dan mengatur tingkat kecerahan.

Perbedaannya penting: kemampuan yang lebih luas tidak selalu berarti keandalan yang lebih tinggi. Asisten bisa menangani lebih banyak jenis permintaan, tetapi menjadi kurang dapat diprediksi untuk perintah-perintah kecil yang paling sering digunakan setiap hari.

Jeda beberapa detik pun terasa seperti kegagalan

Kecepatan adalah bagian dari keandalan rumah pintar. Sakelar lampu tidak perlu menjelaskan proses berpikirnya; ia hanya perlu merespons.

Dalam beberapa pengujian, Alexa+ membutuhkan waktu hingga 15 detik untuk merespons permintaan tertentu. Penundaan seperti itu membuat pengguna tidak yakin apakah perintah sudah diterima atau belum. Bahkan jika perangkat akhirnya merespons, interaksinya tidak lagi terasa seperti mengoperasikan alat rumah tangga. Rasanya lebih seperti menunggu sebuah layanan memutuskan apa yang sebenarnya dimaksud pengguna.

Waktu tunggu yang panjang dapat menunjukkan bahwa perintah melewati lebih banyak lapisan: inferensi jarak jauh, pemrosesan konteks, orkestrasi layanan, dan eksekusi tool. Untuk tugas seperti menyalakan lampu, semua lapisan tambahan tersebut memperbesar jarak antara ucapan dan tindakan.

Apple menghadapi dilema yang sama

Masalah ini tidak hanya muncul di Amazon. Laporan mengenai rencana HomePod dan Apple TV menunjukkan bahwa perangkat keras rumah pintar Apple juga semakin terikat pada perkembangan perangkat lunak asistennya.

Kode beta tvOS 27 memuat rujukan pada integrasi Siri generasi berikutnya untuk HomePod dan Apple TV, sementara laporan lain menyebut Apple sedang menyiapkan dukungan Siri berbasis Apple Intelligence untuk produk-produk tersebut.

Sejumlah laporan bahkan mengklaim bahwa pembaruan perangkat keras HomePod dan Apple TV ditahan sampai pengalaman Siri generasi berikutnya lebih siap. Klaim tersebut masih berupa laporan media, bukan jadwal produk yang dikonfirmasi Apple, sehingga perlu dibaca dengan hati-hati.

Namun, pelajaran besarnya tetap jelas: ketika nilai sebuah speaker pintar bergantung pada asisten AI baru, asisten yang belum matang dapat menahan seluruh produk di sekitarnya. Perusahaan menghadapi risiko merilis sistem yang mengesankan saat demonstrasi, tetapi mengecewakan dalam rutinitas rumah sehari-hari.

Desain yang lebih masuk akal: AI di depan, kontrol deterministik di belakang

Solusinya bukan berarti antarmuka bahasa alami harus ditinggalkan. Model generatif tetap berguna untuk menerjemahkan ucapan fleksibel menjadi maksud yang terstruktur.

Yang berisiko adalah membiarkan model yang tidak sepenuhnya dapat diprediksi menjadi otoritas terakhir dalam menjalankan perintah. Arsitektur yang lebih andal seharusnya:

• memetakan permintaan ke skema perangkat, tindakan, dan parameter yang ketat;
• membatasi pemilihan tool hanya pada kemampuan yang benar-benar tersedia di rumah;
• menolak perintah yang ambigu atau tidak valid, alih-alih menebak;
• memeriksa status perangkat setelah tindakan dijalankan; dan
• kembali ke jalur perintah deterministik ketika model tidak yakin atau tidak tersedia.

Penelitian mengenai LLM di lingkungan rumah pintar memperkuat pentingnya pengaman tersebut. Dalam evaluasi terhadap 13 model, GPT-4o mencatat tingkat keberhasilan 0 persen untuk instruksi multi-perangkat yang tidak valid dalam skenario pengujian tertentu, meski telah dibantu teknik seperti in-context learning, retrieval-augmented generation, dan fine-tuning.

Hasil itu tidak menggambarkan kinerja sehari-hari seluruh model. Namun, penelitian tersebut menunjukkan mengapa keluaran model harus divalidasi sebelum diberi kendali atas perangkat nyata.

Krisis identitas speaker pintar berbasis AI

Amazon, Google, dan Apple tampaknya ingin membuat satu produk memenuhi dua harapan yang berbeda.

Sebagai teman percakapan, asisten AI boleh bersikap eksploratif, panjang lebar, dan toleran terhadap ambiguitas. Sebagai pusat kendali rumah, ia harus cepat, senyap, memahami status perangkat, dan sangat presisi.

Sistem lama memang membuat frustrasi karena pengguna harus mengikuti frasa yang kaku. Sistem baru menjanjikan kebebasan berbicara secara alami, tetapi bahasa hanyalah lapisan depan. Di balik kalimat santai seperti “tolong redupkan lampu ruang keluarga sedikit” tetap ada tindakan konkret: memilih perangkat yang benar, mengubah satu status, lalu memberikan konfirmasi yang dapat dipercaya.

Sampai perusahaan mempertahankan eksekusi deterministik di balik lapisan percakapan, asisten yang disebut lebih pintar akan terus mengorbankan hal yang membuat kendali suara berguna sejak awal: kepercayaan.

Merilis sistem yang belum selesai memang dapat menghasilkan masukan berharga. Namun, ketika pengujian itu berlangsung di rumah pelanggan yang membayar, konsumen pada akhirnya menanggung biaya dari arsitektur yang belum mencapai tingkat keandalan sebuah perangkat rumah tangga.

Di sinilah letak persoalannya: percakapan menghargai kemampuan menafsirkan dan berimprovisasi, sedangkan otomasi rumah membutuhkan ketepatan. Lampu yang diminta menyala harus benar-benar menyala—di ruangan yang tepat, dengan tingkat kecerahan yang tepat, dan tanpa menunggu terlalu lama.

Dua arsitektur yang tidak sepenuhnya cocok

Asisten suara generasi lama umumnya bekerja dengan mencocokkan frasa atau maksud yang sudah dikenal dengan tindakan tertentu. Perintah terstruktur seperti set bedroom lamp brightness to 45% dapat diarahkan langsung ke integrasi perangkat yang telah ditentukan.

Sistem seperti ini memang terbatas. Pengguna harus menghafal pola kalimat tertentu dan menyebut perangkat secara spesifik. Namun, keterbatasan itu juga membuat hasilnya relatif mudah diprediksi.

Asisten generatif menambahkan banyak tahap sebelum perintah dijalankan. Sistem harus:

• menebak maksud pengguna;
• menentukan ruangan dan perangkat yang dimaksud;
• memahami konteks percakapan;
• memilih kemampuan atau integrasi yang tersedia;
• menyusun panggilan API atau tool call yang benar; lalu
• meneruskan perintah melalui platform rumah pintar dan berbagai integrasi perangkat.

Setiap tahap membuka peluang baru untuk salah tafsir, parameter yang tidak valid, informasi perangkat yang sudah kedaluwarsa, koneksi yang terputus, atau integrasi yang gagal.

Mark Riedl dari Georgia Tech menjelaskan pertukaran ini secara sederhana: model bahasa besar atau LLM dapat memahami lebih banyak bentuk komunikasi, tetapi keterbukaan tersebut juga menciptakan lebih banyak peluang untuk kesalahan interpretasi. Peliputan mengenai masalah ini membandingkan sistem lama berbasis pencocokan templat dengan sistem berbasis transformer yang bersifat probabilistik dan dapat memberikan respons berbeda terhadap permintaan yang serupa.

Perintah sederhana justru paling cepat membongkar kelemahannya

Mematikan lampu terdengar mudah karena hasil yang diinginkan sangat jelas. Asisten hanya perlu memilih satu target, mengubah satu status, lalu memastikan perangkat benar-benar menerima perubahan tersebut.

Tidak ada ruang bagi jawaban yang terdengar meyakinkan tetapi tidak melakukan apa-apa. Kesalahan yang mungkin terjadi antara lain:

• nama perangkat disalahartikan;
• perangkat yang dipilih berada di ruangan yang keliru;
• kemampuan yang dipanggil tidak sesuai;
• hanya sebagian perangkat dalam satu grup yang berubah; atau
• sistem menyatakan perintah berhasil tanpa memverifikasi status sebenarnya.

Model dapat terdengar lancar meski gagal melakukan tindakan. Dalam percakapan umum, pengguna mungkin memaklumi jika asisten meminta klarifikasi. Namun, toleransi itu jauh lebih kecil ketika rutinitas sebelum tidur gagal, lampu tetap menyala, atau kipas tidak berhenti sesuai durasi yang diminta.

Masalah tersebut juga mencerminkan tantangan integrasi Alexa+. Sistem ini harus menggabungkan model bahasa dengan layanan lama dan jutaan perangkat yang mendukung Alexa. Pelaporan sebelumnya menyebut kombinasi itu sulit diwujudkan secara konsisten, bahkan ketika model barunya lebih fleksibel dan mampu menangani lebih banyak jenis permintaan.

Apa yang ditunjukkan oleh pengujian David Pogue?

David Pogue mengatakan bahwa ia menguji Alexa+ dengan 135 tugas dan sistem tersebut menyelesaikan sedikit di bawah separuhnya dengan benar. Ini adalah pengujian langsung, bukan studi terkontrol yang mewakili seluruh pengguna Alexa+ atau semua perangkat yang didukung. Karena itu, hasilnya tidak boleh dianggap sebagai tingkat keberhasilan universal.

Meski demikian, temuannya tetap menjadi sinyal produk yang penting. Asisten rumah tangga yang gagal dengan frekuensi mendekati itu akan sulit dipercaya untuk mengendalikan lampu, dimmer, rutinitas, musik, atau tindakan berulang lainnya. Dalam pengalamannya, Pogue juga melaporkan bahwa Alexa versi lama lebih dapat diandalkan untuk sejumlah tugas yang sudah dikenal, termasuk menyalakan lampu dan mengatur tingkat kecerahan.

Perbedaannya penting: kemampuan yang lebih luas tidak selalu berarti keandalan yang lebih tinggi. Asisten bisa menangani lebih banyak jenis permintaan, tetapi menjadi kurang dapat diprediksi untuk perintah-perintah kecil yang paling sering digunakan setiap hari.

Jeda beberapa detik pun terasa seperti kegagalan

Kecepatan adalah bagian dari keandalan rumah pintar. Sakelar lampu tidak perlu menjelaskan proses berpikirnya; ia hanya perlu merespons.

Dalam beberapa pengujian, Alexa+ membutuhkan waktu hingga 15 detik untuk merespons permintaan tertentu. Penundaan seperti itu membuat pengguna tidak yakin apakah perintah sudah diterima atau belum. Bahkan jika perangkat akhirnya merespons, interaksinya tidak lagi terasa seperti mengoperasikan alat rumah tangga. Rasanya lebih seperti menunggu sebuah layanan memutuskan apa yang sebenarnya dimaksud pengguna.

Waktu tunggu yang panjang dapat menunjukkan bahwa perintah melewati lebih banyak lapisan: inferensi jarak jauh, pemrosesan konteks, orkestrasi layanan, dan eksekusi tool. Untuk tugas seperti menyalakan lampu, semua lapisan tambahan tersebut memperbesar jarak antara ucapan dan tindakan.

Apple menghadapi dilema yang sama

Masalah ini tidak hanya muncul di Amazon. Laporan mengenai rencana HomePod dan Apple TV menunjukkan bahwa perangkat keras rumah pintar Apple juga semakin terikat pada perkembangan perangkat lunak asistennya.

Kode beta tvOS 27 memuat rujukan pada integrasi Siri generasi berikutnya untuk HomePod dan Apple TV, sementara laporan lain menyebut Apple sedang menyiapkan dukungan Siri berbasis Apple Intelligence untuk produk-produk tersebut.

Sejumlah laporan bahkan mengklaim bahwa pembaruan perangkat keras HomePod dan Apple TV ditahan sampai pengalaman Siri generasi berikutnya lebih siap. Klaim tersebut masih berupa laporan media, bukan jadwal produk yang dikonfirmasi Apple, sehingga perlu dibaca dengan hati-hati.

Namun, pelajaran besarnya tetap jelas: ketika nilai sebuah speaker pintar bergantung pada asisten AI baru, asisten yang belum matang dapat menahan seluruh produk di sekitarnya. Perusahaan menghadapi risiko merilis sistem yang mengesankan saat demonstrasi, tetapi mengecewakan dalam rutinitas rumah sehari-hari.

Desain yang lebih masuk akal: AI di depan, kontrol deterministik di belakang

Solusinya bukan berarti antarmuka bahasa alami harus ditinggalkan. Model generatif tetap berguna untuk menerjemahkan ucapan fleksibel menjadi maksud yang terstruktur.

Yang berisiko adalah membiarkan model yang tidak sepenuhnya dapat diprediksi menjadi otoritas terakhir dalam menjalankan perintah. Arsitektur yang lebih andal seharusnya:

• memetakan permintaan ke skema perangkat, tindakan, dan parameter yang ketat;
• membatasi pemilihan tool hanya pada kemampuan yang benar-benar tersedia di rumah;
• menolak perintah yang ambigu atau tidak valid, alih-alih menebak;
• memeriksa status perangkat setelah tindakan dijalankan; dan
• kembali ke jalur perintah deterministik ketika model tidak yakin atau tidak tersedia.

Penelitian mengenai LLM di lingkungan rumah pintar memperkuat pentingnya pengaman tersebut. Dalam evaluasi terhadap 13 model, GPT-4o mencatat tingkat keberhasilan 0 persen untuk instruksi multi-perangkat yang tidak valid dalam skenario pengujian tertentu, meski telah dibantu teknik seperti in-context learning, retrieval-augmented generation, dan fine-tuning.

Hasil itu tidak menggambarkan kinerja sehari-hari seluruh model. Namun, penelitian tersebut menunjukkan mengapa keluaran model harus divalidasi sebelum diberi kendali atas perangkat nyata.

Krisis identitas speaker pintar berbasis AI

Amazon, Google, dan Apple tampaknya ingin membuat satu produk memenuhi dua harapan yang berbeda.

Sebagai teman percakapan, asisten AI boleh bersikap eksploratif, panjang lebar, dan toleran terhadap ambiguitas. Sebagai pusat kendali rumah, ia harus cepat, senyap, memahami status perangkat, dan sangat presisi.

Sistem lama memang membuat frustrasi karena pengguna harus mengikuti frasa yang kaku. Sistem baru menjanjikan kebebasan berbicara secara alami, tetapi bahasa hanyalah lapisan depan. Di balik kalimat santai seperti “tolong redupkan lampu ruang keluarga sedikit” tetap ada tindakan konkret: memilih perangkat yang benar, mengubah satu status, lalu memberikan konfirmasi yang dapat dipercaya.

Sampai perusahaan mempertahankan eksekusi deterministik di balik lapisan percakapan, asisten yang disebut lebih pintar akan terus mengorbankan hal yang membuat kendali suara berguna sejak awal: kepercayaan.

Merilis sistem yang belum selesai memang dapat menghasilkan masukan berharga. Namun, ketika pengujian itu berlangsung di rumah pelanggan yang membayar, konsumen pada akhirnya menanggung biaya dari arsitektur yang belum mencapai tingkat keandalan sebuah perangkat rumah tangga.