Mengerti GPT-5.5 dalam satu artikel: Mulai hari ini OpenAI "tidak menjual" Token

Penulis: Li Hailun, Tencent Technology

Pada waktu setempat 23 April, OpenAI secara resmi merilis model flagship generasi baru GPT-5.5, yang secara resmi diposisikan sebagai “lapisan kecerdasan baru yang ditujukan untuk pekerjaan nyata”, dan juga sebagai langkah penting menuju cara kerja komputer yang baru.

Peluncuran kali ini fokus utama pada dua poin:

• Pertama adalah terobosan dari segi efisiensi: Dengan latensi yang sama, model menjadi lebih besar, tetapi kecepatannya tidak melambat. Jendela konteks GPT-5.5 mencapai 1 juta Token, tetapi ini bukan peningkatan kemampuan sederhana dari GPT-5.4, melainkan peningkatan kecerdasan yang lebih tinggi dengan efisiensi yang sama.

• Kedua adalah GPT-5.5 selama proses pelatihan, turut serta dalam pengoptimalan infrastruktur inferensi dirinya sendiri. Singkatnya, AI pertama kali belajar membantu mengatur parameter sendiri.

Dalam pengujian alur kerja baris perintah yang kompleks di Terminal-Bench 2.0, GPT-5.5 meraih skor 82,7%, sedangkan Claude Opus 4.7 dengan 69,4% melampaui 13 poin persentase; dalam pengujian operasi komputer nyata secara mandiri di OSWorld-Verified, tingkat keberhasilan 78,7%, melampaui baseline manusia; dalam pengujian pekerjaan lintas 44 bidang pengetahuan profesional di GDPval, 84,9% tugas mencapai atau melebihi tingkat ahli industri.

Namun, harga GPT-5.5 juga meningkat secara signifikan.

Harga API adalah 5 dolar AS per juta Token input, 30 dolar AS per juta Token output, dua kali lipat dari GPT-5.4 (2,50 dolar AS per juta Token input, 15 dolar AS output), tetapi pihak resmi menegaskan bahwa jumlah Token yang dibutuhkan GPT-5.5 untuk menyelesaikan tugas yang sama berkurang secara besar-besaran, sehingga biaya total mungkin tidak meningkat secara signifikan. Harga API GPT-5.5 Pro adalah 30 dolar AS per juta Token input, 180 dolar AS output. Pengolahan massal dan penetapan harga fleksibel mendapatkan diskon setengah harga, dengan prioritas diproses dengan tarif 2,5 kali lipat dari harga standar.

Di ChatGPT, GPT-5.5 diluncurkan dalam bentuk “GPT-5.5 Thinking”, secara bertahap menggantikan versi sebelumnya.

Salah satu fitur baru adalah: sebelum mulai berpikir, model akan memberikan gambaran alur pemikiran, dan pengguna dapat menyela kapan saja selama proses eksekusi, serta menyesuaikan arah.

Jika dirangkum dalam satu kalimat, makna GPT-5.5 adalah: model-model sebelumnya adalah kumpulan kemampuan, sedangkan GPT-5.5 lebih mendekati sebuah sistem kerja yang mampu merencanakan, memeriksa, dan terus mendorong pekerjaan secara berkelanjutan.

84,9% tugas, mencapai standar profesional

Gambar: Perbandingan GPT-5.5 dengan kompetitor dalam pengujian inti Terminal-Bench 2.0, GDPval, OSWorld-Verified, dan lain-lain

Pertama kita lihat performa model dalam skenario pekerjaan nyata. OpenAI menggunakan sebuah benchmark bernama “GDPval”, yang menuntut model menyelesaikan rangkaian tugas profesional lengkap. Pengujian mencakup 44 bidang pekerjaan, termasuk pemodelan keuangan, analisis hukum, laporan data ilmiah, perencanaan operasional, dan lain-lain.

Hasilnya menunjukkan: GPT-5.5 mencapai atau melampaui tingkat profesional industri dalam 84,9% tugas. Sebagai perbandingan, GPT-5.4 mencapai 83,0%, Claude Opus 4.7 80,3%, Gemini 3.1 Pro hanya 67,3%.

Perbedaan ini tidak hanya terlihat dari skor total. Dalam tugas pemodelan spreadsheet, pengujian internal GPT-5.5 mendapatkan 88,5%; dalam pemodelan tingkat perbankan investasi juga unggul dari pendahulunya. Umpan balik dari pengguna awal pun cukup konsisten: jawaban GPT-5.5 Pro dari segi kelengkapan, struktur, dan kegunaan jauh lebih baik daripada GPT-5.4 Pro, terutama di bidang bisnis, hukum, pendidikan, dan data ilmiah.

Melihat angka saja bisa membuat kita terbiasa, OpenAI kali ini secara terbuka menunjukkan proses internal mereka kepada publik.

OpenAI menyatakan bahwa lebih dari 85% karyawan internal mereka menggunakan Codex setiap minggu, di berbagai departemen seperti keuangan, komunikasi, pemasaran, produk, dan data ilmiah. Tim komunikasi memanfaatkan Codex untuk menganalisis data undangan pidato selama enam bulan, membangun proses otomatisasi pengklasifikasian; tim keuangan menggunakan Codex untuk meninjau 24.771 formulir pajak K-1, total 71.637 halaman, selesai dua minggu lebih awal dari jadwal tahun lalu; tim pengembangan pasar menggunakan otomatisasi pembuatan laporan mingguan, menghemat 5-10 jam per orang setiap minggu.

Ini bukan demo laboratorium, melainkan sudah menjadi bagian dari rutinitas kerja sehari-hari.

Model pemrograman otonom terkuat

OpenAI menyatakan, GPT-5.5 saat ini adalah model pemrograman otonom terkuat mereka.

Di Terminal-Bench 2.0 (mengukur alur kerja baris perintah kompleks yang membutuhkan perencanaan, iterasi, dan koordinasi alat), GPT-5.5 meraih skor 82,7%, dibandingkan GPT-5.4 dengan 75,1%, peningkatan hampir 8 poin persentase, sekaligus konsumsi Token yang lebih sedikit. Di SWE-Bench Pro (mengukur kemampuan menyelesaikan masalah GitHub secara langsung), GPT-5.5 mendapatkan skor 58,6%. Dalam pengujian internal Expert-SWE (tugas pemrograman jangka panjang, waktu penyelesaian median sekitar 20 jam manusia), GPT-5.5 juga melampaui GPT-5.4.

Gambar: Scatter plot Terminal-Bench 2.0 dan Expert-SWE

Berkat GPT-5.5 yang didukung Codex, model ini sudah mampu memulai dari satu prompt, dan secara mandiri menyelesaikan seluruh proses pengembangan mulai dari pembuatan kode, pengujian fungsi, hingga debugging visual.

Contoh demonstrasi resmi dari OpenAI menunjukkan, aplikasi misi luar angkasa berbasis data orbit nyata NASA, mendukung interaksi 3D, simulasi mekanika orbit mencapai tingkat fisika nyata; detektor gempa yang terhubung ke sumber data real-time dan melakukan visualisasi, menunjukkan bahwa model ini sudah mampu memanggil API eksternal, memproses data dinamis, dan melakukan rendering secara real-time.

Dalam hal umpan balik pengguna, CEO dan pendiri Every, Dan Shipper, menceritakan pengalaman: dia pernah menghadapi bug setelah peluncuran, dan harus memperbaikinya sendiri selama beberapa hari, hingga akhirnya meminta insinyur terbaik perusahaan untuk memperbaiki sebagian sistem. Setelah GPT-5.5 dirilis, dia melakukan eksperimen—mengembalikan model ke kondisi bug belum diperbaiki, dan melihat apakah model bisa menyusun solusi yang sama seperti insinyur. GPT-5.4 gagal, GPT-5.5 berhasil. Dia menilai: “Ini adalah model pemrograman pertama yang benar-benar memiliki kejelasan konsep.”

Seorang insinyur Nvidia memberi penilaian yang lebih lugas: “Tanpa akses ke GPT-5.5, rasanya seperti kehilangan anggota tubuh.”

Pendiri dan CEO Cursor, Michael Truell, menambahkan: GPT-5.5 lebih cerdas dan tangguh dibanding GPT-5.4, mampu bertahan lebih lama dalam tugas panjang dan kompleks—yang sangat dibutuhkan dalam pekerjaan rekayasa.

Pengetahuan kerja: AI pertama kali benar-benar bisa “menggunakan” komputer

Dalam pengujian OSWorld-Verified (mengukur kemampuan model mengoperasikan komputer nyata secara mandiri), GPT-5.5 berhasil dengan tingkat keberhasilan 78,7%, lebih tinggi dari GPT-5.4 yang 75,0%, dan Claude Opus 4.7 yang 78,0%.

Ini bukan sekadar analisis screenshot, melainkan pengendalian layar nyata: melihat antarmuka, klik, input, beralih antar alat, hingga tugas selesai. GPT-5.5 membuat orang pertama kali merasakan bahwa AI benar-benar bisa bekerja sama dengan pengguna dalam menggunakan satu komputer yang sama.

Dalam pengujian alur kerja layanan pelanggan telekomunikasi Tau2-bench, tanpa prompt tuning, GPT-5.5 mencapai akurasi 98,0%, sedangkan GPT-5.4 hanya 92,8%.

Ini menunjukkan bahwa model memahami maksud tugas secara cukup mendalam, sehingga tidak perlu prompt yang dirancang secara khusus untuk menangani alur dialog multi langkah yang kompleks.

Dalam kemampuan pencarian alat, GPT-5.5 meraih skor 84,4% di BrowseComp, dan GPT-5.5 Pro mencapai 90,1%, menunjukkan bahwa dalam tugas penelitian yang membutuhkan pencarian dan penggabungan informasi dari berbagai sumber, model ini menunjukkan kemampuan pencarian dan integrasi informasi yang cukup kuat secara berkelanjutan.

Penelitian ilmiah: Membantu penemuan pembuktian matematika baru

Dalam peluncuran ini, performa GPT-5.5 di bidang penelitian ilmiah mungkin adalah bagian yang paling mengejutkan.

Dulu, saat membicarakan AI dalam penelitian, lebih sering sebagai “alat bantu”, untuk mencari literatur, menulis kode, mengatur data. Tapi kali ini, perannya jelas lebih maju, mulai terlibat dalam bagian yang lebih inti: penalaran kompleks, bahkan penemuan itu sendiri.

Di GeneBench (pengujian analisis data multi-tahap di genetika dan biologi kuantitatif), GPT-5.5 meraih skor 25,0%, sedangkan GPT-5.4 19,0%. Tugas ini biasanya memakan waktu beberapa hari kerja para ilmuwan, dan model harus mampu menalar data yang berpotensi salah, menghadapi faktor pengacau tersembunyi, serta menerapkan metode statistik modern secara benar.

Dari kurva grafik terlihat bahwa, seiring meningkatnya jumlah Token keluaran, skor GPT-5.5 selalu lebih tinggi dari GPT-5.4, dan mulai menonjol secara nyata di sekitar 15.000 Token—yang berarti, untuk tugas panjang yang membutuhkan penalaran mendalam, keunggulan GPT-5.5 akan semakin terlihat seiring kompleksitas tugas meningkat.

Di BixBench (benchmark analisis data dan bioinformatika dunia nyata), GPT-5.5 meraih skor 80,5%, unggul dari GPT-5.4 yang 74,0%, dan menempati posisi terdepan di antara model yang sudah dirilis.

Yang benar-benar menarik perhatian adalah sebuah studi kasus: versi internal GPT-5.5 yang dilengkapi kerangka alat kustom, membantu menemukan sebuah pembuktian matematika baru tentang angka Ramsey, dan diverifikasi dalam alat pembuktian formal Lean. Angka Ramsey adalah objek utama dalam matematika kombinatorial, dan pencapaian di bidang ini sangat jarang dan sangat sulit. Ini bukan sekadar AI yang menyediakan kode atau penjelasan, tetapi benar-benar menyumbangkan argumen matematis.

Dalam aplikasi nyata, juga sangat meyakinkan. Profesor imunologi di Jackson Laboratory, Derya Unutmaz, menggunakan GPT-5.5 Pro untuk menganalisis dataset ekspresi gen berisi 62 sampel dan hampir 28.000 gen, menghasilkan laporan penelitian lengkap, mengekstrak temuan utama dan pertanyaan penelitian—yang biasanya memakan waktu berbulan-bulan.

Asisten profesor dari Universitas Adam Mickiewicz di Poznan, Bartosz Naskręcki, hanya dengan satu prompt, menggunakan Codex dan GPT-5.5, dalam 11 menit membangun aplikasi geometri aljabar yang memvisualisasikan irisan dua permukaan kuadratik dan mengubah kurva yang dihasilkan menjadi model Weierstrass. Koefisien persamaan yang muncul dapat langsung digunakan untuk penelitian matematika lanjutan, dari prompt hingga alat penelitian yang dapat dijalankan, seluruh proses dilakukan secara mandiri oleh model.

Gambar: Cuplikan aplikasi geometri aljabar karya Profesor Bartosz Naskręcki—visualisasi irisan permukaan kuadratik dan antarmuka kalkulasi persamaan Weierstrass secara real-time

Co-founder Axiom Bio, Brandon White, memberi penilaian yang lebih lugas: “Jika OpenAI terus mempertahankan momentum ini, dasar penemuan obat akan berubah secara fundamental sebelum akhir tahun.”

Efisiensi penalaran: AI pertama kali membantu mengoptimalkan infrastruktur sendiri

Peluncuran ini menyisipkan detail yang mudah terabaikan, tetapi mungkin adalah kemajuan teknis paling penting.

GPT-5.5 adalah model yang lebih besar dan lebih kuat, tetapi latensi per Token saat layanan nyata tetap setara dengan GPT-5.4. Untuk mempertahankan kemampuan yang lebih tinggi dengan latensi yang sama, OpenAI merancang ulang sistem inferensi secara keseluruhan—dan Codex serta GPT-5.5 sendiri secara langsung terlibat dalam proses pengoptimalan ini.

Dari grafik indeks kecerdasan Artificial Analysis dapat dilihat secara langsung: sumbu horizontal adalah total Token output (skala logaritmik), sumbu vertikal adalah skor kecerdasan komprehensif. Kurva GPT-5.5 tidak hanya unggul dari GPT-5.4, Claude Opus 4.7, dan Gemini 3.1 Pro Preview dari segi skor, tetapi yang lebih penting, sudah mencapai tingkat skor yang sama di area konsumsi Token yang lebih rendah—kemampuan lebih kuat, biaya lebih rendah, ini adalah gambaran nyata dari “peningkatan efisiensi”.

Gambar: Grafik garis indeks kecerdasan Artificial Analysis

Secara spesifik, tantangan tim adalah penyeimbangan beban: sebelumnya membagi permintaan menjadi blok tetap untuk menyeimbangkan kerja GPU, tetapi pembagian statis ini tidak optimal untuk semua pola trafik. Codex menganalisis data trafik produksi selama beberapa minggu, dan menulis algoritma heuristik kustom yang meningkatkan kecepatan generasi Token lebih dari 20%.

GPT-5.5 bekerja sama dengan sistem NVIDIA GB200 dan GB300 NVL72 dalam desain, pelatihan, dan deployment yang terkoordinasi. Dengan kata lain, generasi model ini turut mengoptimalkan arsitektur inferensi layanan mereka sendiri—ini bukan sekadar kiasan, tetapi secara harfiah “AI memperbaiki sistem yang menjalankan dirinya sendiri”.

Keamanan siber: kemampuan meningkat, pengendalian juga semakin ketat

GPT-5.5 menunjukkan peningkatan yang jelas dalam kemampuan keamanan siber. Dalam pengujian CyberGym, GPT-5.5 meraih skor 81,8%, sedangkan GPT-5.4 79,0%, dan Claude Opus 4.7 73,1%. Dalam tantangan “Capture The Flag” (CTF) internal, GPT-5.5 mendapatkan skor 88,1%, GPT-5.4 83,7%.

Gambar: Grafik batang CyberGym dan scatter plot tantangan CTF

OpenAI menempatkan penilaian kemampuan keamanan siber dan kemampuan biokimia/kimia GPT-5.5 pada level “tinggi” dalam kerangka kesiapsiagaan darurat, belum mencapai level “kritis”, tetapi jelas menunjukkan peningkatan dibanding pendahulunya. Mereka juga mengakui bahwa classifier risiko yang lebih ketat yang baru diterapkan “mungkin awalnya akan membuat beberapa pengguna merasa kurang nyaman”, dan akan terus disesuaikan.

Untuk menyeimbangkan kebutuhan pertahanan dan pembatasan akses, OpenAI meluncurkan program “Akses Tepercaya Keamanan Siber”: peneliti keamanan dan pelindung infrastruktur penting yang memenuhi syarat dapat mengajukan permohonan akses yang lebih longgar, agar dapat menggunakan kemampuan keamanan siber tingkat tinggi dengan lebih mudah.

Dasar logika di balik ini adalah: penyebaran kemampuan adalah tren yang tidak dapat dibalik, dan jalan yang lebih realistis daripada membatasi penyebarannya adalah membiarkan para pelindung menggunakan alat paling kuat terlebih dahulu daripada para penyerang.