Asana GPT-6.1 Sol: Trik Bikin Browser Agent 76x Lebih Murah

Masalah Besar di Balik Mahalnya Browser Agent

Lewat platform StackAI yang diakuisisi Asana, pelanggan mereka terbiasa bikin alur kerja otomatis lintas aplikasi bisnis tanpa perlu nulis kode sama sekali. Agent ini disuruh menavigasi situs web, ngisi formulir, dan ngumpulin data bisnis penting secara otomatis. Tapi di skala bisnis Asana yang melayani ribuan pelanggan korporat, pemborosan kecil bakal cepat banget menumpuk jadi tagihan jutaan dolar.

Sebelum dioptimasi, agen peramban Asana berjalan di atas model frontier yang disebut Model B di lingkungan produksi. Setiap kali agent menjalankan tugas riset katalog web sederhana, sistem menghabiskan estimasi biaya model minimal $36,21 per tugas. Nggak cuma mahal, prosesnya juga lelet banget karena butuh waktu setidaknya 22,5 menit, bahkan sebagian proses keburu mandek di tengah jalan karena nabrak batas kuota langkah kerja (step limit).

CTO StackAI Asana, Frank Hidalgo, PhD, langsung turun tangan buat nyari tahu biang kerok pemborosan ini. Hidalgo mengerahkan GPT-6 Astra di dalam Codex buat memetakan repositori kode agen mereka dan menganalisis gimana agen menyusun setiap permintaan (request) API ke model AI.

Dari investigasi itu, ketahuan dua kelemahan fatal:

1. Caching cuma aktif sebagian: Agen memang menyimpan instruksi dasar dan definisi alat (tool definitions) di dalam cache. Tapi, riwayat teks halaman dan tangkapan layar (screenshot) yang terus bertambah sama sekali nggak masuk cache. Ujungnya, setiap langkah baru mengirim ulang seluruh riwayat browsing dengan harga penuh tanpa diskon cache.
2. Riwayat dipotong sembarangan: Setiap langkah kerja baru, sistem langsung menghapus screenshot lama dan memangkas potongan teks. Karena data riwayat selalu berubah di tiap langkah, sistem caching gagal mengenali pola data yang berulang. Selain itu, hilangnya data bikin si agen sering pikun dan terpaksa bolak-balik ngebuka halaman web yang sebenarnya udah pernah dibaca.

Riset 2 Bulan Beres Seminggu Pakai GPT-6 Astra di Codex

Buat merombak sistem sebesar ini, riset manual biasanya butuh waktu satu sampai dua bulan penuh. Tim harus ngutak-ngatik parameter, ngetes berbagai model, dan nyatet performanya satu-satu. Tapi Hidalgo mengambil jalan pintas yang cerdas: dia menugaskan GPT-6 Astra di Codex buat jadi asisten riset mandiri.

GPT-6 Astra merestrukturisasi kode agen peramban Asana biar satu komponen frontend dan backend bisa menjalankan banyak alur kerja pengujian secara paralel. Begitu fondasi siap, Astra disuruh menjalankan studi eksperimen berskala 144 alur kerja pengujian (runs).

Frank Hidalgo menceritakan pengalamannya mengarahkan AI coding agent tersebut:

“Ini normalnya butuh satu sampai dua bulan kerja manual. Lewat GPT-6 Astra di Codex, semuanya tuntas sekitar seminggu: saya tinggal pasang /goal sebelum tidur malam, lalu memeriksa hasilnya di pagi hari.”

Semua riwayat pemanggilan API, pelacakan data, dan output pengujian dicatat rapi lewat Command, platform pengiriman software milik Asana. Tim kemudian meninjau hasil akhirnya, mengubah temuan riset jadi tiket kerja dan pull request, lalu langsung menerapkannya ke server produksi.

Perbandingan GPT-6.1 Sol Lawan Model Frontier Lain

Dalam studi 144 uji coba tersebut, Asana menguji performa GPT-6.1 Sol bersama tiga model frontier lain. Semua model diberi tugas yang sama persis: mengumpulkan enam kolom data dari 32 buku di katalog demo publik, representasi dari beban kerja nyata pelanggan StackAI.

Berikut ringkasan profil model yang diuji oleh Asana dalam eksperimen ini:

Hasilnya mengejutkan banyak pihak. Alur kerja yang sudah dioptimasi di atas GPT-6.1 Sol mencatatkan rata-rata biaya model cuma $0,47 per alur kerja dan selesai dalam waktu sekitar empat menit saja. Angka ini 76 kali lebih murah dan 5 kali lebih kencang dibanding sistem produksi awal Asana yang memakai Model B.

Bahkan ketika alur kerja baru ini diuji kembali pada Model B, biayanya turun dari minimal $36,21 menjadi $1,24 per proses (turun 29 kali lipat). Tapi alur kerja di GPT-6.1 Sol masih 2,6 kali lebih murah lagi dibanding Model B yang sudah dioptimasi, dengan tingkat keberhasilan 100% menjawab semua data dengan benar.

3 Trik Optimasi: Caching, Batch Screenshot, dan Kuota Riwayat

Penurunan biaya dari puluhan dolar menjadi cuma $0,47 per proses bukan sulap. Ada tiga modifikasi teknis utama yang ditemukan oleh GPT-6 Astra dan diterapkan oleh tim Asana:

1. Memperluas Cakupan Prompt Caching

Sebelumnya, riwayat penjelajahan web selalu dikirim sebagai data baru. Dengan arsitektur baru, riwayat penjelajahan disimpan secara stabil sehingga terbaca oleh fitur prompt caching penyedia model. Hasilnya luar biasa: sekitar 89% dari total token input berhasil ditarik dari cache, yang biayanya cuma 5% dari tarif input normal (uncached price). Tiap pemanggilan model jadi 3 kali lipat lebih murah hanya dari mekanisme ini.

2. Menghapus Screenshot Secara Bertahap (Batching)

Alih-alih memangkas gambar di tiap langkah kerja yang bikin susunan data berubah terus, Asana mengubah aturannya. Sistem membiarkan tangkapan layar terkumpul sampai 20 gambar dulu sebelum memotongnya kembali ke satu screenshot paling baru. Trik ini menjaga data riwayat tetap stabil dan nggak berubah-ubah dalam rentang langkah yang panjang, bikin efisiensi caching melonjak tajam.

3. Menaikkan Kuota Karakter Riwayat (History Budget)

Asana membandingkan performa batas riwayat 120.000 karakter versus 480.000 karakter. Hasil pengujian menunjukkan bahwa memori yang terlalu sempit justru bikin agen gagal menyelesaikan tugas. Di kuota 120.000 karakter, GPT-6.1 Sol cuma berhasil menuntaskan 3 dari 18 pengujian. Tapi begitu kuota diperlebar ke 480.000 karakter, seluruh 18 pengujian berhasil tuntas tanpa eror dan memberikan jawaban yang tepat.

Tren Otomasi Perusahaan Besar Memakai Codex dan AI Agent

Langkah berani Asana mengoptimalkan agen peramban dengan GPT-6 Astra di Codex sejalan dengan tren adopsi AI di berbagai perusahaan teknologi global. Efisiensi bukan cuma dinikmati oleh Asana saja.

Sebagai contoh, Oracle juga melaporkan keberhasilan serupa dalam memangkas alur riset dan analisis panjang menjadi hitungan menit saja berkat ChatGPT dan Codex.

Nggak ketinggalan, perusahaan keamanan siber 1Password juga membagikan catatan sukses mereka. Dengan memanfaatkan Codex dalam alur pengembangan software internal, 1Password berhasil mendongkrak produktivitas tim engineering mereka hingga 21%.

Bahkan perusahaan travel loveholidays membuktikan bagaimana ekosistem Codex bisa memberdayakan setiap orang di perusahaan untuk menjadi pembuat solusi (builder) tanpa batasan teknis yang rumit.

Cerita dari perusahaan-perusahaan global ini menunjukkan bahwa efisiensi AI bukan sekadar teori, melainkan strategi wajib agar bisnis tetap kompetitif di pasar yang serba cepat.

Dampak Nyata untuk Bisnis dan Pengembang di Indonesia

Eksperimen Asana ini ngasih angin segar buat pelaku bisnis, startup, dan pengembang software di Indonesia yang selama ini ragu mengadopsi AI agent otonom. Biaya operasional sering jadi momok paling menakutkan saat merancang sistem otomatisasi kantor.

Ada beberapa pelajaran penting yang relevan buat kita di Indonesia:

1. Otomasi bisnis kini terjangkau: Biaya di bawah $0,50 per tugas browsing web yang membaca puluhan halaman artinya proses pengumpulan data pasar, pengecekan harga kompetitor, atau audit dokumen internal bisa dijalankan rutin tanpa bikin anggaran operasional bocor.
2. Peran baru software engineer: Menurut Arnab Bose, CPO Asana, pola kerja ini membuktikan kolaborasi nyata antara manusia dan AI. Frank Hidalgo menambahkan kalau kecepatan pengiriman fitur (shipping speed) sekarang bukan lagi kendala utama, melainkan fokus perhatian manusia. Engineer kini berperan layaknya product manager yang memimpin sepasukan AI agent.
3. Quality Assurance (QA) otomatis: Asana sekarang memakai GPT-6 Astra di Codex buat menjelajahi aplikasi mereka, mencoba berbagai input, dan melaporkan bug sebelum software dirilis ke publik. Tim QA manusia tinggal memvalidasi laporan tersebut.

Buat kamu yang lagi membangun solusi bisnis otomatis atau ingin meningkatkan skill manajemen tim berbasis AI, kamu bisa mendalami strategi adopsi teknologi ini lewat kelas AI untuk Pemilik Bisnis & UMKM atau pelajari alur integrasinya di kelas AI untuk Developer.

Cara Menerapkan Alur Kerja Hemat Biaya di Sistem AI Milikmu

Kalau kamu lagi merancang agent otomatis—baik buat kebutuhan scraping data, riset pasar, maupun integrasi API internal—kamu bisa meniru langkah Asana lewat tahapan berikut:

1. Petakan stabilitas data input: Pisahkan instruksi sistem, definisi fungsi (tools), dan riwayat percakapan. Taruh bagian yang jarang berubah di bagian paling awal prompt biar kena fasilitas prompt caching.
2. Terapkan pembersihan data berkala (batch pruning): Jangan edit atau hapus memori agent di tiap langkah. Biarkan data menumpuk sampai batas tertentu sebelum dibersihkan sekaligus, supaya blok cache prefix kamu nggak gampang hangus.
3. Uji beberapa model frontier: Jangan terpaku pada satu model saja. Uji kombinasi antara model penalaran tingkat tinggi dan model yang punya efisiensi caching bagus.
4. Manfaatkan router multi-model: Kalau kamu butuh fleksibilitas berganti model tanpa pusing bayar langganan kartu kredit luar negeri yang ribet, kamu bisa mencoba layanan Classai Router.

Lewat Classai Router, kamu cukup memakai satu API key buat memanggil berbagai model AI kelas dunia seperti GPT-6 Astra (Rp2.240 per 1 juta token input / Rp11.200 per 1 juta token output), GPT-6 Sol (Rp2.240 / Rp11.200), Claude Sonnet 5.5, sampai DeepSeek V4.1 Flash (Rp160 / Rp800). Kamu bisa top up mulai dari Rp10.000 pakai QRIS atau transfer virtual account lokal, dan kodenya kompatibel penuh dengan SDK OpenAI standar.

Kalau kamu tertarik mencoba teknik serupa dengan artikel sebelumnya mengenai optimasi biaya developer, kamu juga bisa membaca ulasan LegalOn Pangkas Biaya OpenAI 65% atau melihat implementasi korporat lainnya di Oracle Pakai ChatGPT Work.

Contoh Prompt Pengujian Alur Kerja Agent

Biar kamu punya gambaran gimana mengarahkan model penalaran buat merancang strategi caching dan penanganan memori browser agent, kamu bisa pakai template prompt siap pakai berikut:

Kamu adalah arsitek sistem AI dan pakar optimasi biaya token API.Saya memiliki browser agent yang bertugas mengumpulkan data katalog produk dari situs web secara bertahap. Kondisi saat ini:1. Agen mengambil tangkapan layar (screenshot) dan teks DOM pada setiap langkah navigasi.2. Setiap langkah baru, sistem menghapus screenshot sebelumnya dan memotong riwayat teks.3. Biaya API membengkak karena prompt caching sering gagal (cache miss). Bantu saya merancang:1. Strategi batch retention untuk tangkapan layar agar riwayat konteks tetap stabil lebih lama.2. Struktur payload prompt yang memaksimalkan prompt caching pada penyedia model frontier.3. Rekomendasi alokasi character budget untuk riwayat teks agar akurasi tetap tinggi tanpa pemborosan token.