Judul asli: What Karpathy Joining Anthropic Actually Means For Claude
Penulis asli: @nateherk
Diterjemahkan: Peggy, BlockBeats

Catatan editor: Bergabungnya Andrej Karpathy ke Anthropic bukan sekadar berita personal tentang "AI top expert bergabung ke laboratorium terkemuka". Yang lebih penting untuk diperhatikan adalah perubahan arah produk yang ditunjukkan oleh pergerakan ini.

Setahun terakhir, fokus kompetisi di industri AI masih banyak berkonsentrasi pada model itu sendiri: siapa yang memiliki benchmark lebih tinggi, siapa yang memiliki kemampuan inferensi lebih kuat, siapa yang memimpin di peringkat. Tapi seiring pengembangan produk seperti Claude Code, Skills, MCP, memori proyek, alur kerja Agent, kemampuan lain yang terus disempurnakan, muncul tren yang semakin jelas: model hanyalah satu lapisan dari produk, yang benar-benar menentukan efisiensi output pengguna adalah konteks, memori, alur kerja, skill, konektor, struktur file, panduan gaya, dan siklus tujuan yang membungkus model.

Beberapa bulan terakhir, Karpathy secara berulang menekankan "context engineering", yang secara tepat mencerminkan perubahan ini. Faktor utama yang menentukan apakah AI mampu menghasilkan nilai yang stabil bukan hanya prompt yang ditulis pengguna, tetapi apakah model mampu memahami dokumen, alur kerja, standar gaya, tujuan bisnis, dan sistem penilaian Anda. Dengan kata lain, kompetisi tahap berikutnya di AI mungkin tidak lagi soal "siapa yang modelnya lebih kuat", melainkan siapa yang mampu membuat model lebih baik masuk ke dalam skenario kerja nyata.

Dari LLM Wiki ke AutoResearch, hingga siklus berbasis tujuan seperti /goal, arah eksplorasi terbuka yang dilakukan Karpathy selalu berpusat pada satu pertanyaan: bagaimana mengubah AI dari "jendela obrolan untuk menjawab pertanyaan" menjadi sebuah sistem kerja yang mampu memahami konteks, menjalankan tugas secara berkelanjutan, dan beriterasi berdasarkan tujuan. Dan, pengembangan Claude Code, layanan perusahaan, konektor ekosistem, serta kemampuan alur kerja yang dilakukan Anthropic belakangan ini, juga mengikuti jalur yang sama.

Oleh karena itu, makna bergabungnya Karpathy ke Anthropic bukan sekadar pergerakan tenaga kerja, melainkan seperti catatan kaki terhadap arah produk Anthropic: alat AI masa depan tidak hanya bergantung pada parameter model, tetapi juga pada data yang dikumpulkan pengguna, alur kerja, sistem memori, dan pengetahuan industri. Siapa yang mampu mengorganisasi konteks ini, berpotensi benar-benar mengubah AI dari sekadar "alat" menjadi "infrastruktur".

Berikut teks asli:

Beberapa jam lalu, Andrej Karpathy mengumumkan di posting bahwa dia akan bergabung dengan Anthropic.

Versi paling sederhana dari cerita ini adalah: seorang tokoh besar di AI bergabung dengan laboratorium AI besar.

Tapi yang lebih penting untuk diperhatikan adalah: mengapa ke Anthropic? Dan mengapa sekarang?

Karena jika kita menengok kembali apa yang telah dibangun Karpathy selama beberapa bulan terakhir, dan melihat fitur-fitur terbaru yang dirilis Claude Code, kita akan melihat keduanya tampaknya sudah mengarah ke arah produk yang sama.

Latar Belakang

Karpathy adalah salah satu tokoh paling penting di bidang AI modern.

Dia adalah salah satu pendiri OpenAI tahun 2015, pernah bertanggung jawab atas bisnis AI di Tesla selama lima tahun; kembali ke OpenAI tahun 2023, lalu keluar setelah satu tahun; kemudian mendirikan perusahaan edukasi AI sendiri, Eureka Labs. Dia juga meluncurkan LLM 101, sebuah kursus gratis yang mengajarkan pengguna membangun model bahasa dari nol.

Dia juga pencetus konsep "vibe coding": cukup dengan deskripsi dalam bahasa Inggris tentang apa yang diinginkan, biarkan AI menulis kode, lalu terus merasakan, membimbing, dan mengiterasi. Dia juga memperkenalkan konsep "context engineering" (rekayasa konteks), yang akan menjadi kunci diskusi selanjutnya.

Jadi, ini bukan sekadar rekrutmen biasa. Ini menandakan salah satu suara paling berpengaruh di bidang AI bergabung dengan salah satu laboratorium AI yang sedang naik daun.

Claude Code sudah menjadi alat pilihan banyak builder dalam membangun Agent, menulis kode, atau mengelola pekerjaan pengetahuan nyata. Sekitar seminggu lalu, Ramp merilis indeks AI mereka. Berdasarkan data tersebut, Anthropic untuk pertama kalinya mengungguli OpenAI dalam adopsi perusahaan: 34.4% berbanding 32.3%.

Tentu saja, secara adil, data ini hanya dari klien Ramp. OpenAI tetap memiliki merek konsumen yang kuat dan banyak kontrak perusahaan besar yang tidak termasuk dalam sampel ini. Saya tidak ingin berlebihan menyoroti hal ini, tapi sinyal ini cukup sulit diabaikan.

Awal bulan ini, Anthropic juga mengumumkan pendirian perusahaan layanan AI perusahaan baru. Sebuah perusahaan patungan yang dibentuk bersama Blackstone, Hellman & Friedman, Goldman Sachs, bertujuan membantu perusahaan menengah mengintegrasikan Claude ke dalam proses bisnis utama mereka.

Lihat lagi langkah ini: mereka membangun model, juga membangun pintu masuk produk seperti Claude Code, Skills, MCP; mereka membangun jaringan mitra; dan sekarang menambahkan lapisan layanan untuk membantu perusahaan mewujudkan produk secara nyata.

Ini bukan lagi permainan "beri model, sisanya urus sendiri".

Wrapper adalah Produk

Sebagian besar diskusi tentang AI saat ini masih memandang model sebagai produk lengkap: model mana yang menang di benchmark tertentu, Opus 4.7, GPT-5.5, Gemini, siapa yang lebih unggul, dan peringkatnya.

Model tentu penting, saya tidak mengatakan model tidak penting. Tapi semakin lama kita gunakan alat ini, semakin jelas bahwa: model hanyalah satu lapisan dari produk. Yang benar-benar mengubah output harianmu adalah wrapper di luar model.

Ini juga alasan mengapa dua orang yang menggunakan model yang sama bisa mendapatkan hasil yang sangat berbeda.

Wrapper adalah segala sesuatu yang menentukan bagaimana model digunakan.

→ Claude Code, Codex, Skills, Subagents, Hooks, konektor MCP.

→ CLAUDE.md, memori, dokumen, kasusmu.

→ Struktur file, panduan gaya, dan definisi "hasil yang baik" yang kamu miliki.

Inilah lingkungan tempat model berada.

Jika kamu membuka jendela chat baru tanpa konteks apa pun, lalu minta model membantu urusan bisnis, dia sama sekali tidak tahu apa-apa dan hanya bisa menebak. Kamu harus berulang kali menjelaskan latar belakang yang sudah kamu katakan berkali-kali.

Tapi jika kamu berikan dokumen, kasus, alur kerja, panduan gaya, dan standar keberhasilan nyata, hasilnya akan sangat berbeda.

Ini adalah inti dari kesesuaian antara Karpathy dan Anthropic. Dia mengusulkan "context engineering" (rekayasa konteks), bukan sekadar prompt engineering, karena alasan ini. Kemampuan utama bukanlah menulis prompt yang sempurna, melainkan membangun lingkungan yang tepat agar model bisa bekerja secara efektif dan mengingat konteks antar sesi.

Anthropic secara diam-diam membangun lingkungan ini. Karpathy secara terbuka mengajarkan metode ini. Sekarang, kedua pendekatan ini bergabung di satu perusahaan.

Dengan pemahaman ini, apa yang dilakukan Karpathy selama beberapa bulan terakhir bukan lagi sekadar proyek acak, melainkan seperti peta jalan.

LLM Wiki dan Keunggulan Data Anda

Pada April lalu, Karpathy merilis LLM Wiki. Proyek ini langsung viral di X.

Strukturnya sangat sederhana. Jika ingin tahu, saya juga pernah membuat tutorial lengkap di YouTube.

→ Folder raw/ berisi banyak file markdown, bisa berupa catatan, sumber, transkrip, apa saja.
→ Folder wiki/ berisi rangkuman dari Agent, menghubungkan semua materi, dan membuat peta pikiran.
→ Dokumen schema, seperti CLAUDE.md atau AGENTS.md, yang menjelaskan cara kerja sistem dan cara menyerap materi baru.

Ini bukan sekadar AI mencari file asli, atau menjalankan query vektor sekali, melainkan membangun knowledge base yang hidup dan terus berkembang. AI akan membaca, memahami hubungan antar materi. Banyak orang mulai menggunakannya sebagai "otak kedua".

Ini jauh lebih penting dari sekadar data besar. Banyak yang menganggap "data adalah keunggulan kompetitif", tapi bagi builder biasa, keunggulan nyata lebih kecil dan praktis.

Mungkin berupa catatan rapat, SOP internal, rekaman panggilan klien, transkrip, standar penamaan, dan kerangka kerja yang benar-benar milikmu.

Jika Claude mampu mengubah semua ini menjadi konteks yang terlihat dan bisa digunakan model, maka model akan semakin pintar dan berguna setiap minggu.

Ini adalah efek penguncian. Bukan karena kamu tidak bisa ganti model, tentu bisa. Tapi jika kamu terus membangun konteks, alur kerja, dan memori di satu alat, semakin lama kamu melakukannya, semakin sulit untuk beralih.

LLM Wiki bukan sekadar proyek sampingan. Ia adalah petunjuk arah. Saya tidak akan terkejut jika di masa depan Claude Code atau memori proyek Claude memiliki versi yang lebih asli dari fitur serupa. Kamu sudah bisa melihat beberapa tanda di fitur auto-dream.

Tentu saja, kamu tidak perlu menunggu. Akhir pekan ini, kamu bisa mulai sendiri, biarkan Claude Code membaca dokumen pentingmu dan membangun wiki seperti ini.

Jika ingin menjadi orang yang AI-first, data kamu hanya berharga jika Agent tahu cara menemukannya dan menggunakannya dengan benar.

AutoResearch dan Siklus /Goal

Pada Maret lalu, Karpathy merilis proyek bernama AutoResearch. Ini adalah siklus penelitian otomatis. Jika kamu pernah main Ralph Loop, kamu akan melihat ada kemiripan ide.

Polanya kira-kira seperti ini:

1. Dapatkan skrip pelatihan.

2. Ajukan modifikasi.

3. Jalankan pelatihan singkat.

4. Periksa hasil berdasarkan indikator objektif: berhasil atau gagal.

5. Ulangi sampai mencapai target.

Sejujurnya, AutoResearch bukan fitur yang sering saya pakai. Saya tidak melatih model, dan tidak membangun aplikasi yang membutuhkan siklus ini. Tapi bentuknya sangat penting.

Tentukan tujuan. Biarkan Agent bekerja. Setelah selesai, kembali lagi.

Lihat lagi apa yang sedang dikembangkan ekosistem: Codex punya /goal, Hermes punya /goal, Claude Code juga punya /goal bawaan.

Saya tidak bilang Karpathy menciptakan fitur ini sendiri. Saya tidak tahu. Tapi dari segi pola, AutoResearch dan /goal jelas terkait.

Keduanya mengajak kita keluar dari pola "prompt dan jawaban".

Mereka mendorong kita ke mode interaksi baru: tetapkan hasil, biarkan Agent memutuskan langkahnya, kembali setelah kondisi terpenuhi.

Ini adalah versi yang diperkuat dari vibe coding. Tentukan "apa yang diinginkan", bukan "bagaimana melakukannya", lalu biarkan selesai.

Jika digabungkan dengan konsep LLM Wiki, seluruh sistem ini tidak lagi sekadar chatbot. Ia mulai berfungsi seperti karyawan nyata: memahami bisnis, bekerja berkelanjutan, dan terus berusaha mencapai tujuan.

Jejak Pendidikan

Dalam pengumuman bergabungnya Karpathy, ada satu kalimat yang layak diperhatikan: "Saya tetap memiliki semangat besar terhadap pendidikan."

Eureka Labs, perusahaan sebelumnya, sebenarnya adalah proyek edukasi. Tujuannya bukan sekadar mengajarkan "klik tombol ini, sambungkan node ini", tetapi membantu orang memahami AI dari dalam: bagaimana sistem ini benar-benar bekerja.

Karpathy jarang sekali mampu menjelaskan hal teknis yang sangat rumit dengan cara yang mudah dipahami dan dekat. Mengerti sesuatu adalah satu kemampuan. Mengajarkannya agar orang lain benar-benar bisa pakai adalah kemampuan yang sama sekali berbeda.

Ini sangat penting bagi Anthropic. Jika kompetisi berikutnya berfokus pada konteks, alur kerja, Skills, memori, dan siklus, maka hambatannya bukan hanya teknologi, tetapi juga pendidikan.

Studi terbaru IBM tentang adopsi AI dan manajemen perubahan menunjukkan jarak besar antara "bisa pakai AI" dan "menggunakan AI secara optimal". Banyak perusahaan terjebak di sini.

Memiliki orang yang ahli mengedukasi AI di dalam organisasi untuk memperkecil jarak ini bukanlah hal kecil.

Tiga prediksi tentang Claude Code

Ini hanyalah prediksi. Saya tidak punya informasi rahasia, dan tidak tahu peta jalan Anthropic. Tapi berdasarkan produk terbaru mereka dan konten yang dipublikasikan Karpathy selama beberapa bulan terakhir, arahnya sudah cukup jelas.

Anthropic akan membangun "toko aplikasi konteks"

Mereka sudah mulai melakukannya. Plugin resmi, Skills, dan komponen pasar sedang terbentuk.

Tapi yang saya maksud bukan pasar prompt.

Saya berbicara tentang jenis komponen: Skills, alur kerja, memori proyek, konteks bidang vertikal, siklus evaluasi, dan konektor ke data nyata. Termasuk contoh yang mengajarkan model apa arti "baik" dalam posisi tertentu.

Dengan mengintegrasikan komponen ini ke domain mereka, pengguna bisa langsung mendapatkan nilai lebih dari model, meskipun modelnya sudah cukup pintar.

Karena bagi pengguna biasa, model bukan lagi satu-satunya faktor pembeda. Masalah utama adalah: siapa yang mampu membangun data dan wrapper yang tepat agar model menghasilkan ROI nyata bagi bisnis.

LLM Wiki adalah cara mengubah informasi acak menjadi memori yang bisa digunakan. /Goal adalah cara mengubah tujuan menjadi siklus otomatis. Pendidikan Karpathy adalah cara menyederhanakan konsep AI yang kompleks agar bisa dipakai.

Yang dia kemas sebenarnya adalah sebuah pola perilaku. Jika Anthropic mampu menjadikan pola ini sebagai ekosistem nyata, Claude Code tidak lagi sekadar alat pemrograman, melainkan sebuah pasar.

Akan muncul lebih banyak perintah bergaya /goal dalam produk

/Goal mungkin hanya versi awal, bukan bentuk akhirnya.

Bayangkan, di masa depan akan muncul banyak versi khusus: siklus riset, siklus debugging, siklus penutupan. Mungkin juga perintah yang dioptimalkan untuk bidang tertentu, di mana Agent sudah tahu apa arti "selesai".

Saya tidak tahu apa nama akhirnya nanti, itu bukan poin utama.

Yang penting adalah antarmuka interaksi akan berubah. Kamu tidak lagi mengatakan "lakukan langkah ini", melainkan "di bidang vertikal ini, terus lakukan sampai kondisi ini terpenuhi."

Anthropic akan meluncurkan sistem edukasi yang membantu pengguna membangun alur kerja mereka sendiri

Ini adalah prediksi paling berani. Jujur saja, yang paling menarik menurut saya.

Jika Anthropic ingin membangun pasar konteks yang nyata, orang biasa harus bisa berpartisipasi dan berkontribusi, tidak hanya pengembang dan peneliti.

Artinya, para ahli dari bidang lain juga harus bisa ikut serta.

→ Akuntan yang benar-benar memahami proses penutupan bulanan.

→ Petugas operasional properti yang paham setiap langkah input data.

→ YouTuber yang tahu apa itu packaging yang baik dan mampu melakukan brainstorming topik dari nol.

Pengetahuan ini sangat berharga. Tapi saat ini, mereka terkunci di kepala orang, tersebar di dokumen, thread Slack, dan ClickUp yang berantakan.

Kita sudah mulai melihat tanda-tandanya. Banyak pelatih mulai membangun AI avatar dan chatbot mereka sendiri, lalu mengenakan biaya agar pengguna bisa berinteraksi. Ini versi manual. Mereka ingin mengekstrak keahlian orang lain dan mengaplikasikannya ke bisnis mereka.

Kalau saya ingin membangun Agent iklan, saya akan terhambat karena tidak punya keahlian di bidang itu. Tapi jika ada pasar yang memungkinkan saya berlangganan konteks SME berkualitas tinggi, saya pasti akan jadi pelanggan.

Ini adalah lapisan yang akan saya fokuskan selanjutnya.

Penutup

Cerita sebenarnya adalah tentang pola ini sendiri.

Model hanyalah satu lapisan. Wrapper di luar model sedang menjadi produk nyata. Data dan alur kerja kamu sedang membangun efek penguncian yang nyata. Apa yang diajarkan Karpathy selama beberapa bulan terakhir adalah tentang ini. Apa yang dilakukan Anthropic selama ini juga tentang ini.

Jadi, bergabungnya ini bukan sekadar berita, melainkan peta jalan. Saya telah membahas seluruh logika ini dalam video lengkap, link-nya ada di reply pertama.

[Link asli]

Klik untuk tahu lebih banyak tentang posisi yang dibuka di律动BlockBeats

Selamat bergabung dengan komunitas resmi律动BlockBeats：

Telegram Langganan: https://t.me/theblockbeats

Telegram Grup Diskusi: https://t.me/BlockBeats_App

Akun resmi Twitter: https://twitter.com/BlockBeatsAsia