Sebagai ketua perancangan pengeluaran dan operasi di AINNA, saya melihat AI agents seperti aset kilang - perlu dijadual, diagihkan dan dihantar ke sumber yang betul. Dalam jadual operasi kami sekarang, setiap hari kami membina sekurang-kurangnya tiga detached system, dan setiap minggu menghasilkan kira-kira empat pitch deck lengkap - kesemuanya dengan sokongan AI agents.
Dari sudut perancangan kapasiti, merentasi pembangunan, penyelidikan, pengekodan, ujian, dokumentasi, analisis dan iterasi, beban token AI kami boleh mencecah 3–5 billion tokens sebulan.
Kalau ditukar kepada commercial premium LLM API pricing, kos setara itu dengan mudah boleh mencecah ratusan ribu ringgit sebulan.
Bayangkan pula bila skenario ini berlaku dalam persekitaran korporat.
Bayangkan sebuah organisasi dengan ratusan atau ribuan pekerja, setiap orang menjadi stesen permintaan AI agents untuk penyelidikan, analisis, pelaporan, pengekodan, dokumentasi, operasi dan sokongan keputusan.
Penggunaan token akan meningkat dengan sangat pantas.
Pada masa yang sama, korporat semakin tiada pilihan selain mengguna pakai AI agents.
Kenapa?
Kerana syarikat kecil seperti kami kini boleh mencapai tahap produktiviti yang dahulu memerlukan ratusan atau ribuan pekerja.
AI sedang mengecilkan jurang produktiviti antara syarikat kecil dengan korporat besar dengan sangat pantas.
Tapi ada satu lagi sudut pandang.
Produktiviti AI tidak semestinya bermaksud perbelanjaan AI yang besar.
Dalam persekitaran kami, walaupun penggunaan mencecah 3 billion tokens sebulan, kos AI terus boleh kekal dalam lingkungan RM100–RM200 sebulan.
Perbezaannya bukan kerana kami kurang menggunakan AI.
Ia adalah kerana kami membina Smart Routing architecture di sekeliling AI agents kami.
Sama seperti dalam pengaturan jadual kerja kilang, bukan setiap tugas perlu dihantar ke model yang paling besar atau paling mahal.
Tugas mudah → model ringan.
Tugas pengekodan → model khusus.
Penaakulan kompleks → model kuat.
Pengesahan deterministik → detached systems.
Pemprosesan berulang → automation dan conventional computing.
Prinsipnya mudah:
Gunakan kepintaran premium hanya apabila ia benar-benar diperlukan.
Detached systems kami mengendalikan pengesahan, pengiraan, penapisan, penyesuaian, keputusan berasaskan peraturan dan pemprosesan berstruktur yang tidak memerlukan LLM.
Ini membolehkan kami memaksimumkan penggunaan AI - seperti memaksimumkan throughput - tanpa membayar harga premium untuk setiap operasi.
Bagi saya, masa depan Enterprise AI bukan sekadar:
“Berikan setiap pekerja satu AI agent.”
Sebaliknya, ia haruslah:
“Berikan setiap pekerja satu AI agent - tetapi bina infrastruktur pintar di bawahnya.”
Kerana apabila sebuah organisasi mempunyai 1,000 atau 10,000 pekerja yang dibekalkan AI agents, persoalan sebenar bukan lagi sama ada ia menggunakan AI.
Persoalan sebenarnya menjadi:
Berapa banyak kepintaran yang organisasi itu bayar sedangkan ia sebenarnya tidak pernah diperlukan?
Inilah sebabnya kami di AINNA melihat Smart Routing, specialised models dan detached systems sebagai lebih sekadar pengoptimuman.
Ia sedang menjadi AI cost-control infrastructure.
Pada skala enterprise, perbezaan itu boleh bernilai jutaan ringgit setahun.
Fasa seterusnya penggunaan AI bukan hanya tentang model yang paling berkuasa.
Ia akan menjadi tentang mengetahui bila tidak perlu menggunakannya.
#ArtificialIntelligence #AIAgents #EnterpriseAI #SmartRouting #NeuralOps #Automation #DigitalTransformation #AIInfrastructure #LLM #Productivity
