✨🌌 OpenAI Kini Telah Merilis Model AI Baru yang Bernama GPT-6 Astra! Apa saja Kemampuannya?

Assalamu‘alaikum wr. wb.

Halo guys! Berjumpa lagi bersama Teknoblog, dari Inzaghi's Blog! Setelah OpenAI merilis GPT-5 Tahun lalu, akhirnya di Awal September ini kembali merilis GPT-6 Astra, atau lebih tepatnya pada 3 September 2026 (21 Rabi'ul Awal 1448 H). Model Flagship terbaru ini membawa Lompatan besar dalam kemampuan Agen AI Otonom, khususnya untuk mengontrol Komputer dan menyelesaikan Tugas-tugas Siber yang kompleks secara mandiri.

Sumber Artikel : OpenAI.com (Article), Datacamp.com (Blog), Analyticsvidhya.com (Blog), Thenewstack.io, BBC.com, CNBC.com, CNN Indonesia, Tekno.Kompas.com, dan Jagatreview.com

OpenAI secara resmi memperkenalkan model kecerdasan buatan (AI) terbarunya, GPT-6 Astra, pada Kamis (3/9/2026 | 21/3/1448). Sebelumnya, model tersebut telah diperkenalkan kepada publik dalam sebuah demonstrasi pada awal Agustus 2026.

Perusahaan pengembang ChatGPT tersebut menyebut GPT-6 sebagai model AI paling canggih sekaligus paling selaras (aligned) dengan kebutuhan dan preferensi pengguna yang pernah mereka kembangkan. Kemampuan tersebut membuat GPT-6 Astra digadang-gadang membawa peningkatan signifikan dalam perkembangan teknologi AI.

Namun, di balik kemampuan dan kecanggihannya, GPT-6 Astra juga menjadi salah satu model OpenAI yang menuai kontroversi. Pengembangannya bahkan sempat ditangguhkan karena sejumlah kemampuan yang dimilikinya dinilai menimbulkan kekhawatiran.

A. Pengertian GPT-6 Astra

GPT-6 Astra adalah model AI generasi terbaru dari OpenAI yang diperkenalkan pada 3 September 2026 (21 Rabi'ul Awal 1448 H). OpenAI memosisikannya sebagai model paling cerdas dan paling aligned yang pernah mereka kembangkan, dengan peningkatan besar pada computer use, software engineering, cybersecurity, scientific reasoning, browsing, dan pekerjaan profesional.

Berbeda dari model AI yang terutama berfungsi sebagai chatbot untuk menjawab pertanyaan, Astra dirancang untuk menjadi AI agent yang mampu menjalankan pekerjaan secara langsung di lingkungan komputer.

Artinya, pengguna tidak hanya dapat meminta:

"Bagaimana cara mengisi formulir pajak?"

Tetapi dapat memberikan tugas yang lebih konkret seperti:

"Ambil informasi dari dokumen ini dan isikan ke formulir pajak."

Astra kemudian dapat membaca informasi, menggunakan komputer, mengoperasikan aplikasi, mengisi formulir, memeriksa hasilnya, dan melanjutkan proses sesuai konteks.

Inilah salah satu perubahan paradigma terbesar yang dibawa GPT-6 Astra: AI tidak hanya menghasilkan jawaban, tetapi semakin mampu menyelesaikan pekerjaan.

OpenAI menyebut Astra sebagai :

• Model paling cerdas mereka;
• Model paling aligned mereka;
• Model yang unggul dalam computer use;
• Model untuk software engineering;
• Model untuk cybersecurity;
• Model untuk pekerjaan profesional;
• Model untuk ilmu pengetahuan dan matematika;
• Serta model yang dirancang untuk menjalankan pekerjaan multi-langkah secara lebih mandiri.

Berbeda dengan chatbot tradisional, Astra dirancang untuk melakukan action, bukan hanya memberikan answer.

Contohnya :

Pengguna tidak hanya meminta Astra menjelaskan bagaimana membuat website, tetapi dapat meminta Astra membuat website, menjalankan pengujian, menemukan masalah, memperbaikinya, dan melakukan pengecekan frontend.

OpenAI bahkan menyatakan Astra mampu melakukan pekerjaan seperti:

• Mengisi formulir online;
• Memperbarui CRM;
• Mengatur kalender;
• Melakukan riset web;
• Membuat ringkasan;
• Menganalisis data;
• Membuat grafik;
• Membuat website;
• Melakukan frontend QA;
• Memasang dan menguji software;
• Serta melakukan troubleshooting berdasarkan apa yang terlihat pada layar.

B. Mengapa GPT-6 Astra Dianggap Berbeda?

Perbedaan utama Astra dibandingkan generasi sebelumnya dapat dirangkum dalam beberapa perubahan besar.

Dari "Answering" menjadi "Doing"

Model AI sebelumnya umumnya bekerja dengan pola :

Prompt → Reasoning → Answer

Astra semakin mendekati pola :

Prompt → Planning → Computer Use → Tool Use → Verification → Result

Artinya, model dapat menjadi pelaksana suatu pekerjaan.

Misalnya :

"Cari Apartemen di Tangerang dengan kriteria tertentu, bandingkan pilihannya, lalu buatkan tabel."

Model tradisional mungkin hanya memberikan daftar.

Astra dapat melakukan workflow :

• Membuka browser;
• Melakukan pencarian;
• Membaca informasi;
• Membandingkan hasil;
• Menyusun data;
• Membuat tabel;
• Menyajikan hasil akhir.

Inilah yang membuat Astra sangat relevan dengan perkembangan AI Agent.

C. Fitur-Fitur Utama GPT-6 Astra

OpenAI menyebut bahwa model AI ini dikembangkan lewat metode pelatihan yang terus disempurnakan agar dapat memberikan respons yang lebih bermanfaat dan sesuai dengan kebutuhan pengguna. Pengembangannya didukung oleh riset selama bertahun-tahun.

Berikut ini adalah beberapa Fitur Utama GPT-6 Astra.

1. Computer Use

Salah satu kemampuan terbesar GPT-6 Astra adalah computer use.

Astra dapat berinteraksi dengan komputer seperti seorang pengguna manusia.

Kemampuannya mencakup :

• Membaca layar;
• Mengklik elemen;
• Mengisi formulir;
• Menggunakan aplikasi;
• Melakukan navigasi website;
• Mengoperasikan software;
• Melakukan pengujian;
• Melakukan troubleshooting;
• Serta menjalankan workflow multi-langkah.

OpenAI melaporkan skor 72,6% pada OSWorld 2.0, dibandingkan 65,7% untuk GPT-5.6 Sol dan 70,2% untuk Claude Opus 5 dalam konfigurasi yang dibandingkan OpenAI.

Yang lebih menarik, OpenAI melaporkan bahwa dalam simulasi latency OSWorld 2.0, Astra menyelesaikan pekerjaan sekitar 47% lebih cepat daripada GPT-5.6 Sol :

• GPT-6 Astra: sekitar 40 menit/task
• GPT-5.6 Sol: sekitar 75 menit/task

Dengan skor masing-masing 72,6% dan 65,7%.

2. Kemampuan Menentukan Kapan Harus Bertanya

AI agent memiliki satu masalah penting:

Kapan harus bertindak dan kapan harus meminta klarifikasi?

Jika terlalu sering bertanya, AI menjadi lambat.

Jika terlalu jarang bertanya, AI dapat mengambil keputusan yang salah.

Astra diklaim mengalami peningkatan pada aspek ini.

Model dapat :

• Mengisi kekosongan informasi dengan asumsi yang masuk akal;
• Melanjutkan pekerjaan jika keputusan tersebut tidak terlalu penting;
• Berhenti dan bertanya jika keputusan dapat mengubah hasil secara signifikan.

3. Mengendalikan Komputer Secara Menyeluruh

GPT-6 Astra dapat mengoperasikan komputer secara langsung dan menangani berbagai pekerjaan multi-langkah yang biasanya membutuhkan banyak waktu jika dilakukan secara manual.

Beberapa contoh penggunaannya antara lain :

• Mengisi sejumlah formulir pengeluaran (expense forms) secara sekaligus.
• Memperbarui data atau catatan di dalam sistem CRM.
• Menjalankan pemeriksaan frontend QA pada website yang baru saja dibuat.
• Menginstal dan melakukan troubleshooting software sambil memantau apa yang terjadi pada layar.

Dalam simulasi latensi pada OSWorld 2.0, Astra memperoleh skor 72,6% dengan waktu sekitar 40 menit per tugas, sedangkan GPT-5.6 Sol memperoleh 65,7% dengan waktu sekitar 75 menit per tugas. Artinya, waktu yang dibutuhkan Astra untuk menyelesaikan tugas dapat berkurang sekitar 47%.

OSWorld 2.0 merupakan benchmark yang mengukur kemampuan model dalam benar-benar mengoperasikan komputer, seperti menavigasi antarmuka, mengklik, mengetik, dan menyelesaikan tugas yang terdiri dari beberapa langkah layaknya manusia.

Pengurangan waktu sebesar 47% ini sama pentingnya dengan peningkatan akurasi. Hal tersebut karena biaya menjalankan sebuah agent biasanya meningkat seiring lamanya waktu yang dibutuhkan untuk menyelesaikan tugas. Jika sebuah model dapat menyelesaikan pekerjaan dalam 40 menit dibandingkan 75 menit, model tersebut bukan hanya lebih cepat, tetapi secara kasar juga dapat membutuhkan sekitar setengah biaya operasional untuk beban kerja yang sama.

Namun, pengujian independen dari ARC Prize menunjukkan bahwa angka performa Astra dalam penggunaan komputer dan kemampuan reasoning sangat bergantung pada harness, yaitu lingkungan atau mekanisme yang digunakan untuk menjalankan dan mengevaluasi model.

Pada ARC-AGI-3, standard stateless harness menghasilkan skor sekitar 17% hingga 63%, tergantung pada tingkat reasoning yang digunakan. Sementara itu, provider adapter harness yang mempertahankan reasoning state mampu mencapai angka yang dipasarkan, yaitu sekitar 99,9%.

Dengan demikian, apabila model dipanggil menggunakan metode stateless, hasil yang diperoleh kemungkinan lebih rendah dibandingkan angka yang ditampilkan pada grafik atau materi peluncuran.

4. Ajukan Pertanyaan yang Terarah, Bukan Menebak

Astra dapat menentukan kapan harus mengajukan pertanyaan kepada pengguna dan kapan dapat melanjutkan pekerjaan berdasarkan asumsi yang masuk akal.

Ketika instruksi yang diberikan masih memiliki ruang untuk ditafsirkan, Astra akan mengisi kekurangan informasi yang bersifat rutin secara mandiri. Namun, jika jawaban pengguna berpotensi mengubah hasil akhir, Astra akan mengajukan pertanyaan yang spesifik dan terarah terlebih dahulu.

Dalam pengujian berdampingan yang dilakukan OpenAI, GPT-5.6 Sol secara mandiri membuat website karier pribadi dalam waktu 13 menit 15 detik. Sementara itu, Astra berhenti setelah sekitar 20 detik untuk menanyakan bidang karier yang akan ditekuni pengguna.

Di Codex, Astra juga dapat mengajukan pertanyaan secara asinkron. Artinya, Astra tetap dapat melanjutkan pekerjaan yang tidak bergantung pada jawaban pengguna dan hanya berhenti ketika membutuhkan keputusan yang benar-benar penting.

Astra juga mampu mempertahankan konteks ketika tujuan pekerjaan mengalami perubahan.

Pada model-model sebelumnya, pesan yang memberikan arahan baru di tengah proses terkadang dianggap sebagai tujuan yang sepenuhnya baru sehingga batasan atau tujuan awal dapat terlupakan. Astra dirancang untuk menggabungkan persyaratan baru dan menjawab pertanyaan tambahan tanpa kehilangan tujuan utama dari pekerjaan yang sedang dilakukan.

5. Menyimpan Catatan Antar-Context Window di Codex

GPT-6 Astra memperkenalkan pendekatan baru bagi Codex untuk mempertahankan dan mengambil kembali konteks ketika context window sudah penuh. Pendekatan ini menggantikan ketergantungan pada proses summarization berulang dengan catatan yang dapat dicari.

Secara historis, model menggunakan compaction untuk meringkas sesi debugging yang panjang atau proses refactoring yang besar menjadi satu ringkasan. Namun, metode tersebut dapat menghilangkan detail penting, misalnya alasan suatu perbaikan gagal atau bagaimana sebuah komponen bekerja dalam kondisi tertentu.

Dengan Astra, Codex dapat menyimpan catatan di antara beberapa context window sekaligus mempertahankan window sebelumnya agar tetap dapat dicari. Dengan demikian, Codex dapat menemukan kembali persyaratan atau hasil pengujian dari pesan sebelumnya meskipun informasi tersebut tidak tercantum dalam catatan ringkasan.

Fitur eksperimental ini dapat diaktifkan melalui file konfigurasi config.toml di Codex. OpenAI menyatakan bahwa fitur tersebut akan menjadi pengaturan default untuk Astra dalam beberapa minggu mendatang.

6. Menjalankan Pekerjaan Keamanan Siber secara Defensif

Astra mencapai tingkat Critical dalam kemampuan keamanan siber berdasarkan Preparedness Framework milik OpenAI. Kemampuan ini merupakan salah satu peningkatan paling kuat yang dimiliki Astra, tetapi sekaligus menjadi kemampuan yang paling dibatasi.

Pada saat peluncuran, Astra dapat membantu melakukan secure code review dan patching untuk memperbaiki kerentanan. Namun, Astra akan menolak tugas keamanan siber yang lebih berisiko, seperti membuat proof-of-concept (PoC) exploit.

OpenAI berencana memperluas akses terhadap kemampuan tersebut melalui program Daybreak, dengan mekanisme pengamanan yang lebih longgar. Program ini akan memungkinkan penggunaan Astra untuk aktivitas seperti validasi kerentanan dan proof-of-concept, analisis malware, serta detection engineering.

Karena kemampuan tersebut memiliki tingkat risiko yang lebih tinggi, sistem keamanan tambahan dapat menghentikan atau menunda pekerjaan yang sebenarnya sah. Di ChatGPT atau Codex, pengguna mungkin diminta untuk meninjau dan menyetujui suatu tindakan, sedangkan melalui API, proses tersebut dapat dihentikan secara langsung.

D. Benchmark GPT-6 Astra

Astra mencatatkan skor tertinggi baru dalam berbagai evaluasi yang mencakup computer use, matematika, coding, dan cybersecurity, berdasarkan hasil evaluasi yang dilaporkan oleh OpenAI. Dalam sejumlah benchmark, Astra bahkan mencapai performa tersebut dengan menggunakan output token yang lebih sedikit dibandingkan GPT-5.6 Sol maupun beberapa model Claude.

A

1. OSWorld 2.0 dan Computer Use

Astra memperoleh skor 72,6% pada offline set OSWorld 2.0, dibandingkan 65,7% untuk GPT-5.6 Sol dan 70,2% untuk Claude Opus 5.

OSWorld mengukur kemampuan AI agent dalam menyelesaikan tugas-tugas desktop secara nyata, seperti menavigasi aplikasi, mengelola file, serta melakukan berbagai tindakan pada komputer. Karena itu, benchmark ini dapat menjadi salah satu indikator paling dekat untuk menjawab pertanyaan: "Apakah AI ini benar-benar mampu menggunakan komputer untuk membantu saya?"

Pada ScreenSpot-Pro, yang menguji kemampuan model dalam mengenali dan menentukan posisi elemen UI pada layar tanpa menggunakan tool tambahan, Astra mencapai 92,7%. Sebagai perbandingan, GPT-5.6 Sol memperoleh 76,9%, sedangkan Claude Fable 5 mencapai 87,3%.

Sementara itu, pada Agents' Last Exam, Astra memperoleh 59,3%, mengungguli Claude Opus 5 dengan 55,5% dan GPT-5.6 Sol dengan 53,6%. Menariknya, Astra mencapai skor tersebut dengan menggunakan sekitar 65% lebih sedikit output token dibandingkan Opus 5.

2. FrontierMath Tier 4 dan GPQA Diamond

Pada FrontierMath Tier 4 v2, yang merupakan tingkat paling sulit dari benchmark matematika research-grade tersebut, Astra memperoleh skor 97,6%.

Sebagai perbandingan :

• Claude Fable 5.1: 87,8%
• Claude Fable 5: 87,8%
• Claude Opus 5: 73,2%
• Astra: 97,6%

OpenAI menggambarkan hasil tersebut sebagai kondisi saturation, yaitu ketika performa model sudah mendekati batas maksimum benchmark. Mengingat skor Astra yang sangat dekat dengan 100%, interpretasi tersebut cukup masuk akal.

Pada GPQA Diamond, yang berisi pertanyaan tingkat pascasarjana (graduate-level) dalam bidang biologi, kimia, dan fisika, Astra mendapatkan skor 96,0%. Hasil ini sedikit lebih tinggi dibandingkan Gemini 3.8 Flash dengan 95,3% dan GPT-5.6 Sol dengan 94,6%.

Namun, Astra tidak memenangkan seluruh benchmark reasoning. Pada Humanity's Last Exam with tools, Astra memperoleh 57,2%, masih berada di bawah Claude Fable 5.1 dengan 65,0% dan Claude Opus 5 dengan 63,6%.

Artinya, performa Astra memang sangat kuat, tetapi tidak berarti Astra unggul dalam setiap jenis evaluasi reasoning.

3. Coding: Terminal-Bench dan FrontierCode

Dalam Terminal-Bench 4.0, yang menguji kemampuan AI agent dalam software engineering, konfigurasi sistem, dan analisis data melalui terminal, Astra memperoleh skor 57,7%.

Sebagai perbandingan:

• Astra: 57,7%
• Claude Fable 5.1: 55,8%
• GPT-5.6 Sol: 37,3%
• Gemini 3.8 Flash: 19,1%

Hasil ini menunjukkan keunggulan yang cukup besar Astra dibandingkan Gemini Flash dan keunggulan yang lebih tipis dibandingkan Fable 5.1.

Namun, performa coding menjadi jauh lebih ketat pada benchmark lainnya.

Pada FrontierCode 1.1 Main, Astra memperoleh 53,3%, hampir sama dengan Claude Fable 5 (53,5%) dan Claude Opus 5 (53,4%). Dengan selisih yang sangat kecil, ketiganya pada dasarnya dapat dianggap imbang.

Pada DeepSWE v1.1, Astra mencapai 74,1%, sedikit lebih tinggi dibandingkan Gemini 3.8 Flash (73,8%) dan Claude Fable 5 (69,9%).

Perlu diperhatikan bahwa ketika GPT-5.6 Terra dibandingkan dengan Claude Sonnet 5, Terra sebelumnya memperoleh 87,4% pada Terminal-Bench 2.1. Namun, Terminal-Bench 2.1 dan 4.0 merupakan versi benchmark yang berbeda, sehingga hasil tersebut tidak dapat dibandingkan secara langsung. Perbandingan lintas versi benchmark tidak sepenuhnya apple-to-apple.

4. Cybersecurity: ExploitBench dan SRE-Bench

Pada bidang cybersecurity, Astra menunjukkan performa yang sangat tinggi.

Pada ExploitBench, Astra mendapatkan skor sempurna 100%, dibandingkan GPT-5.6 Sol dengan 78,5% dan Claude Opus 5 dengan 70%.

Sementara pada ExploitGym, Astra memperoleh 42,4%, dibandingkan 30,3% untuk GPT-5.6 Sol.

ExploitBench mengukur apakah model mampu mengubah sebuah kerentanan keamanan yang telah diketahui menjadi exploit yang dapat berfungsi. Karena kemampuan tersebut memiliki risiko keamanan yang tinggi, skor sempurna Astra juga menjadi salah satu alasan mengapa OpenAI menerapkan pembatasan (gating) terhadap kemampuan tersebut saat peluncuran.

Pada versi contamination-controlled ExploitBench yang menggunakan kerentanan dari tiga bulan sebelumnya, yaitu periode Juni–Agustus 2026, Astra memperoleh 39,0%, sementara GPT-5.6 Sol hanya mencapai 5,5%.

Dalam SRE-Bench, yang mengukur kemampuan melakukan reverse engineering terhadap binary tanpa source code, Astra berhasil menyelesaikan 88,0% tugas dalam satu percobaan, dibandingkan 55,9% untuk GPT-5.6 Sol.

Laboratorium independen Irregular juga melaporkan bahwa Astra berhasil menyelesaikan 86 dari 226 tantangan FrontierCyber, sedangkan Sol menyelesaikan 34 tantangan. Tantangan tersebut termasuk penemuan zero-day pada browser dan database cloud.

5. ARC-AGI-3 dan Long Context

Pada ARC-AGI-3, Astra mendapatkan skor 99,9% ketika menggunakan provider adapter harness milik OpenAI. Sebagai perbandingan, GPT-5.6 Sol memperoleh 7,8%, sedangkan Claude Opus 5 mendapatkan 30,2%.

Namun, angka 99,9% tersebut perlu dibaca dengan hati-hati.

Pengujian independen dari ARC Prize menunjukkan bahwa standard stateless harness menghasilkan skor sekitar 17% hingga 63%, bergantung pada tingkat reasoning yang digunakan. Sementara itu, angka sekitar 99,9% membutuhkan stateful adapter harness serta pengujian komprehensif yang biayanya dapat mencapai puluhan ribu dolar.

Untuk kemampuan long context, Astra mencapai :

• 100% pada OpenAI MRCR v2 8-needle dalam rentang 256K–512K token
• 96,3% dalam rentang 512K–1M token

Sebagai perbandingan, GPT-5.6 Sol mendapatkan :

• 91,5% pada 256K–512K
• 73,8% pada 512K–1M

Kemampuan Astra dalam mempertahankan reliabilitas retrieval hingga 1 juta token merupakan peningkatan yang cukup signifikan dibandingkan Sol, terutama untuk pipeline yang banyak menangani dokumen berukuran besar.

6. Alignment Benchmarks

Pada benchmark keselamatan internal OpenAI untuk computer use, Astra memperoleh 2,4%, dengan prinsip bahwa semakin rendah semakin baik.

Sebagai perbandingan :

• Astra: 2,4%
• GPT-5.6 Sol: 22,0%
• Fable 5.1: 9,5%
• Opus 5: 11,5%

Dalam lingkungan kerja yang lebih realistis, tingkat misaligned outcome Astra tanpa menerapkan kebijakan konfirmasi (confirmation policy) berada di 3,4%. Angka tersebut dibandingkan dengan 18,8% pada Sol dan 13,5% pada GPT-5.6 Terra.

Namun, OpenAI juga mencatat adanya satu regresi, yaitu pada aspek chain-of-thought monitorability.

Astra menghasilkan reasoning yang lebih pendek dan tidak terlalu verbose serta memiliki kontrol CoT (Chain-of-Thought) yang jauh lebih baik dibandingkan Sol. Dalam pengujian CoT-Control pada rentang 750–1.250 token, Astra mengikuti constraint sebanyak 60,9% dari waktu pengujian, sedangkan Sol hanya 16,1%.

Di sisi lain, UK AISI menemukan bahwa Astra dapat menghindari mekanisme monitoring ketika diberikan adversarial prompting. OpenAI menganggap penurunan performa pada aspek ini cukup serius sehingga menjadikannya sebagai salah satu prioritas penelitian lebih lanjut.

Secara Keseluruhan, inilah Perbandingan Skor GPT-6 Astra dengan para pesaing yang menjadi sasarannya pada beberapa tolok ukur utama.

E. Contoh Penggunaan GPT-6 Astra

Semua feed media sosial saya belakangan ini ramai dengan berbagai contoh use case GPT-6 Astra. Meskipun saya sendiri belum sempat mencobanya secara langsung, sudah ada beberapa demonstrasi menarik yang cukup layak untuk dibahas.

1. 3D Design

Saya melihat banyak postingan yang menunjukkan bagaimana orang menggunakan GPT-6 Astra bersama Blender untuk membuat model 3D yang sangat detail dan realistis.

Dalam salah satu demonstrasi, pengguna X, Tom Krcha, memberikan GPT-6 sebuah gambar rumah dan memintanya untuk membuat versi 3D lengkap dengan berbagai detail di dalamnya, termasuk mainan, peralatan rumah tangga, dan furnitur.

Hasilnya bukan sekadar gambar atau visualisasi sederhana. GPT-6 menghasilkan rekonstruksi model 3D secara penuh di Blender, termasuk geometri objek yang masih dapat diedit secara manual. Model tersebut bahkan dapat dijalankan pada sekitar 60 FPS sebagai semacam game yang dirender secara lokal di perangkat.

Hal ini menunjukkan potensi AI generatif dalam mengubah referensi visual 2D menjadi aset 3D yang dapat digunakan dan dimodifikasi secara langsung.

2. Game Design

Saya juga menemukan beberapa contoh orang yang berhasil membuat game hanya dengan satu instruksi atau satu kali proses (one-shot) menggunakan GPT-6 Astra. Bahkan, sudah tersedia berbagai hasil yang jauh lebih kompleks dan polished dibandingkan sekadar prototype sederhana.

Salah satu contoh yang cukup banyak dibagikan berasal dari materi peluncuran OpenAI dan dibuat oleh Pietro Schirano.

Game tersebut merupakan demonstrasi yang cukup mengesankan karena tidak hanya menampilkan elemen visual, tetapi juga memperlihatkan grafis, gameplay, dan animasi/motion yang cukup lengkap.

Seperti yang disampaikan OpenAI, kemampuan semacam ini berpotensi memungkinkan orang tanpa latar belakang teknis untuk membuat dan memainkan game custom mereka sendiri hanya dalam hitungan menit.

Artinya, pengguna tidak lagi harus memahami secara mendalam bahasa pemrograman, game engine, 3D modeling, atau berbagai aspek teknis lainnya hanya untuk membuat sebuah game sederhana. AI dapat menangani sebagian besar pekerjaan teknis tersebut berdasarkan instruksi dalam bahasa natural.

3. Video to Code

Contoh lainnya adalah kemampuan Video-to-Code, yang diperlihatkan oleh Pietro Schirano.

Dalam demonstrasi tersebut, GPT-6 Astra diberikan sebuah video sebagai input, yang ditampilkan di sisi kiri. Kemudian, AI mencoba merekonstruksi apa yang terlihat dalam video tersebut menggunakan kode interaktif, yang ditampilkan di sisi kanan.

Hasilnya cukup mengesankan karena rekonstruksi yang dibuat AI terlihat sangat mendekati tampilan dan perilaku dari video aslinya.

Kemampuan ini menunjukkan bahwa AI tidak hanya dapat memahami teks atau gambar, tetapi juga dapat menganalisis gerakan, visual, interaksi, dan perilaku suatu interface dari video, kemudian menerjemahkannya menjadi kode yang dapat dijalankan.

Secara praktis, teknologi seperti ini berpotensi sangat berguna untuk prototyping UI/UX, rekonstruksi animasi, pembuatan interactive demo, reverse engineering interface, hingga mempercepat proses development dari sebuah referensi visual.

Untuk selengkapnya mengenai GPT-6 Astra, silakan lihat pada Video YouTube ini.

Untuk melihat dan membaca Artikel terdahulu tentang GPT-5, silakan lihat di sini.

Nantikan Pembahasan Selanjutnya tentang Perbandingan ChatGPT Images 2.0 vs Gemini Nano Banana 2!

Terima Kasih 😄😊👌👍 :)

Wassalammu‘alaikum wr. wb.