Andrej Karpathy baru saja membuat salah satu observasi terpenting tentang AI di tahun 2026: kini ada dua kelompok pengguna AI yang fundamentally berbeda, dan mereka sama sekali tidak saling memahami.

Tweet-nya (3,6 juta tayangan dan terus bertambah) menggambarkan jurang yang semakin dalam yang perlu dipahami oleh siapa pun yang bekerja dengan AI.

Kelompok 1: “AI Hanyalah Mainan”

Kelompok ini mencoba ChatGPT — biasanya versi gratisnya — suatu saat tahun lalu. Mereka melihat halusinasi, menertawakan video viral mode suara yang gagap menjawab pertanyaan sederhana, dan menyimpulkan bahwa AI terlalu dibesar-besarkan.

Mereka tidak salah tentang apa yang mereka alami. Model versi gratis tahun 2025 memang benar-benar terbatas. Namun inilah masalahnya: mereka membekukan model mental tentang AI pada titik itu dan tidak pernah memperbaruinya.

Seperti yang dikatakan Karpathy, model-model lama dan usang tersebut tidak mencerminkan kapabilitas model frontier saat ini.

Kelompok 2: “AI Psychosis”

Kelompok ini menggunakan model agentik mutakhir — Claude Code, OpenAI Codex — secara profesional, di domain teknis. Mereka membayar $200 per bulan. Mereka memberikan terminal komputer ke model-model ini dan menyaksikannya memecahkan masalah yang biasanya membutuhkan berhari-hari atau berminggu-minggu.

Karpathy mengatakan kelompok ini mengalami apa yang ia sebut “AI Psychosis” — bukan karena mereka delusi, tetapi karena kemajuannya begitu mengagumkan sehingga sulit mengomunikasikan apa yang mereka lihat kepada orang yang belum mengalaminya sendiri.

Mengapa Kesenjangan Ini Ada

Karpathy mengidentifikasi dua alasan struktural mengapa kapabilitas AI berkembang secara tidak merata:

1. Pembelajaran penguatan bekerja paling baik dengan hadiah yang dapat diverifikasi.

Tugas-tugas seperti coding, matematika, dan riset memiliki kriteria keberhasilan yang jelas — apakah kodenya terkompilasi? Apakah tesnya lulus? Apakah buktinya benar? Domain-domain ini secara alami cocok untuk pelatihan RL, di mana model mendapatkan umpan balik konkret tentang apakah ia berhasil.

Tugas-tugas seperti penulisan, saran, dan percakapan jauh lebih sulit dievaluasi secara objektif, sehingga perkembangannya lebih lambat.

2. Nilai B2B mendorong alokasi sumber daya.

Peluang pendapatan terbesar ada di domain teknis/profesional. Di situlah perusahaan AI memusatkan tim terbaik mereka. Fitur yang menghadap konsumen seperti mode suara mendapat investasi lebih sedikit dibandingkan produk B2B yang menghasilkan pendapatan paling besar.

Masalah Penerjemahan

Hasilnya adalah diskoneksi yang aneh. Secara bersamaan benar bahwa:

Asisten suara AI gratis akan gagap menjawab pertanyaan dasar di reels Instagram kamu
AI agentik berbayar akan menghabiskan satu jam untuk merestrukturisasi seluruh codebase secara koheren

Kedua hal ini terjadi di tahun 2026. Tapi orang di Kelompok 1 hanya melihat yang pertama. Orang di Kelompok 2 hanya melihat yang kedua. Dan ketika mereka mencoba berbicara satu sama lain tentang “AI,” mereka menggambarkan teknologi yang sama sekali berbeda.

Cara Menyeberangi Jurang

Jika kamu ada di Kelompok 1, jalan menuju Kelompok 2 bukan dengan menghabiskan $200 per bulan untuk chatbot yang berbeda. Melainkan mengubah bagaimana kamu menggunakan AI — dari tanya jawab santai ke pekerjaan pengetahuan yang terstruktur.

Inilah yang membedakan dua kelompok dalam praktik:

Perilaku Kelompok 1:

Membuka ChatGPT, mengajukan pertanyaan, membaca jawabannya
Tidak ada konteks yang berkelanjutan antar sesi
AI mulai dari nol setiap saat
Menilai AI dari kegagalan terburuknya

Perilaku Kelompok 2:

Membangun basis pengetahuan yang bisa direferensikan AI
Memberi AI akses ke file proyek, dokumentasi, dan riset
Menggunakan AI sebagai rekan kerja yang punya memori, bukan mesin pencari
Menilai AI dari kapabilitas terbaiknya

Wawasan kuncinya: kualitas output AI berbanding lurus dengan kualitas konteks yang kamu berikan.

Membangun Konteks: Lapisan yang Hilang

Di sinilah kebanyakan orang tersandung. Mereka mendengar “beri AI konteks yang lebih baik” dan berpikir itu berarti menulis prompt yang lebih panjang atau menghabiskan lebih banyak waktu menjelaskan. Itu pendekatan brute-force. Pendekatan yang lebih cerdas adalah membangun lapisan pengetahuan yang persisten yang bisa diakses AI secara otomatis.

Inilah tampilannya dalam praktik:

Rekam riset web sebagai Markdown terstruktur — Daripada menandai halaman atau menyalin cuplikan ke dokumen, konversikan konten lengkap ke Markdown yang bersih. Ini melestarikan informasi dalam format yang bisa dicerna oleh alat AI mana pun.
Organisasikan ke dalam basis pengetahuan yang dapat dicari — Kelompokkan konten tersimpan Anda berdasarkan proyek, topik, atau area riset. Ini memberi AI kemampuan untuk menemukan konteks yang relevan tanpa Anda harus mengingat apa yang pernah disimpan.
Hubungkan AI ke pengetahuan Anda — Alat seperti MCP (Model Context Protocol) memungkinkan Claude mencari dan mereferensikan konten tersimpan Anda secara langsung. Ketika Anda mengajukan pertanyaan, Claude memeriksa basis pengetahuan Anda terlebih dahulu, mendasarkan jawabannya pada riset yang Anda kurasi daripada data pelatihan umum.

Inilah alur kerja yang diaktifkan oleh Save. Setiap halaman web yang Anda simpan menjadi file Markdown di basis pengetahuan lokal Anda. Server MCP bawaan Save Vault menghubungkannya ke Claude. Asisten AI Anda kini memiliki akses ke semua yang pernah Anda baca dan teliti.

Efek Majemuk

Kesenjangan antara Kelompok 1 dan Kelompok 2 bukan hanya soal model mana yang Anda gunakan. Ini tentang konteks terakumulasi yang telah Anda bangun dari waktu ke waktu.

Seorang developer yang telah menyimpan enam bulan dokumentasi, jawaban Stack Overflow, dan artikel arsitektur memiliki asisten AI yang memahami codebase, stack, dan masalah spesifik mereka. Pengguna kasual yang membuka ChatGPT dari awal setiap saat memiliki alat generik yang tidak tahu apa-apa tentang pekerjaan mereka.

Inilah mengapa observasi Karpathy penting di luar siklus hype AI. Kesenjangan kapabilitas tidak menyempit — ia semakin melebar. Dan garis pemisahnya bukan keterampilan teknis atau anggaran. Melainkan apakah Anda sedang membangun praktik pengetahuan terstruktur di sekitar AI atau memperlakukannya sebagai mesin pencari yang lebih canggih.

Mulai Hari Ini

Anda tidak perlu menghabiskan $200 per bulan untuk mulai menyeberangi jurang. Anda perlu mulai merekam dan mengorganisasi pengetahuan yang sudah Anda temui setiap hari:

Instal Save dan mulai mengonversi halaman web yang berguna ke Markdown saat Anda menjelajah
Buat basis pengetahuan untuk area kerja atau minat utama Anda
Hubungkan Claude melalui server MCP Save Vault agar asisten AI Anda bisa mereferensikan konten tersimpan
Konsisten — simpan 2-3 halaman per hari dan saksikan basis pengetahuan Anda berkembang

Dalam sebulan, Anda akan memiliki lapisan pengetahuan pribadi yang membuat setiap interaksi AI menjadi jauh lebih baik. Itulah perbedaan antara Kelompok 1 dan Kelompok 2 — dan itu dimulai dari cara Anda merekam pengetahuan, bukan model mana yang Anda bayar.

Save mengonversi halaman web mana pun ke Markdown yang bersih dengan satu klik dan menyimpannya di basis pengetahuan lokal Anda. Dengan server MCP Save Vault, Claude mencari konten tersimpan Anda sebelum menjawab. Coba Save gratis.