Kenapa melatih AI memakai Mac alih-alih GPU?

Bukan menggantikan GPU, melainkan jenis beban kerja lain. Melatih model itu sendiri tetap mengandalkan GPU, tetapi melatih "agen yang bisa mengoperasikan komputer" butuh membiarkan AI melihat layar, mengeklik, dan mendapat umpan balik di dalam sistem operasi sungguhan, diulang berjuta kali. Yang dibutuhkan adalah banyak komputer yang benar-benar berjalan, bukan lebih banyak kartu grafis.

Kenapa Mac dan bukan mesin Windows atau Linux yang lebih murah?

Laporan publik tak merinci alasan pemilihannya. Faktor yang bisa diduga wajar antara lain: arsitektur unified memory Apple silicon membuat satu mesin bisa menjalankan model lokal yang lebih besar, ukuran mesin kecil dengan kepadatan tinggi, konsumsi daya rendah, dan macOS adalah salah satu sistem operasi target penting — agar agen belajar mengoperasikan Mac, cara paling langsung adalah berlatih di Mac.

Apakah dampaknya besar bagi pendapatan Apple?

Dengan skala pendapatan Apple, puluhan ribu Mac bukan angka yang menentukan. Makna sejatinya ada pada tataran narasi: Apple berubah dari "tertinggal dalam AI" menjadi "salah satu pemasok infrastruktur AI", dan ini memengaruhi cara pasar memandang posisi Apple silicon.

OpenAI Membeli Puluhan Ribu Mac mini untuk Melatih AI: Karena Agen Harus Belajar Memakai Komputer, Maka Harus Benar-benar Ada Sebuah Komputer

The Information pada 31 Agustus melaporkan OpenAI sudah membeli puluhan ribu unit Mac mini dan Mac Studio untuk melatih agen AI yang bisa mengoperasikan software secara mandiri; Anthropic menyewa daya komputasi Mac lewat AWS. Makna hal ini bagi Indonesia tersembunyi dalam kalimat "yang dilatih bukan model, melainkan pengoperasian".

Kalau pada 2023 Anda berkata kepada seorang peneliti AI "di masa depan melatih AI butuh membeli puluhan ribu komputer desktop", ia mungkin merasa ada yang salah dengan Anda — bukankah pelatihan seharusnya menumpuk GPU?

Tetapi laporan The Information pada 31 Agustus 2026 mengungkap hal ini: OpenAI sudah membeli puluhan ribu unit Mac mini dan Mac Studio, gunanya untuk melatih agen AI yang bisa mengoperasikan software secara mandiri. Anthropic menempuh jalur lain, menyewa daya komputasi Mac lewat AWS untuk pekerjaan serupa.

Latar Belakang

Untuk memahami hal ini, harus lebih dulu membedakan dua jenis pelatihan.

Melatih model: membuat model mempelajari bahasa dan penalaran dari teks masif. Ini butuh operasi matriks dalam jumlah besar, GPU adalah perangkat paling cocok, dan Nvidia hampir memonopolinya.

Melatih agen mengoperasikan komputer: membuat AI belajar "melihat layar ini, harus mengeklik di mana". Ini butuh AI berjalan di dalam sistem operasi sungguhan, mengamati layar, menjalankan aksi, menerima umpan balik, lalu mengulanginya jutaan kali.

Jenis kedua yang dibutuhkan bukan lebih banyak kartu grafis, melainkan lebih banyak komputer yang benar-benar berjalan.

Inilah kenyataan pelatihan agen computer-use. Anda tak bisa hanya menunjukkan tangkapan layar ke model, karena yang harus dipelajarinya adalah "apa yang terjadi setelah mengeklik" — hubungan sebab-akibat itu hanya bisa dipelajari setelah benar-benar dijalankan. Yang dibutuhkan reinforcement learning adalah lingkungan, dan sistem operasi itu sendiri adalah lingkungan.

Poin Utama

Waktu dan sumber: The Information melaporkan pada 31 Agustus 2026
Skala: OpenAI sudah membeli puluhan ribu unit Mac mini dan Mac Studio
Kegunaan: pelatihan reinforcement learning, khususnya agen computer-use yang bisa mengoperasikan software secara mandiri
Cara pesaing: Anthropic menyewa daya komputasi Mac lewat Amazon Web Services untuk beban kerja serupa
Makna industri: Apple tak disangka menjadi salah satu pemasok infrastruktur pelatihan AI, memunculkan peran baru di ranah yang selama ini didominasi Nvidia
Latar teknis: agen perlu mengamati, bertindak, dan menerima umpan balik dalam sistem operasi sungguhan, diulang dalam jumlah besar, baru bisa belajar mengoperasikan software

Analisis Dampak Pasar

Bagi pengguna di Indonesia

Dalam jangka pendek tak ada dampak langsung, tetapi ia menjadi pertanda apa yang akan Anda pakai di masa depan.

Hal yang dilatih OpenAI dengan usaha sebesar ini pada akhirnya akan menjadi fitur yang Anda lihat di komputer — agen AI membantu Anda mengisi formulir di sistem pajak, mengecek rekening koran di situs bank, memindahkan data di sistem lama perusahaan. Ini hal yang sekarang AI belum bisa lakukan dengan baik, karena semua itu tak punya API, hanya punya tampilan layar.

Indonesia punya banyak sistem semacam ini. Platform pengurusan pemerintah, sistem pendaftaran rumah sakit, ERP internal perusahaan yang dikembangkan belasan tahun lalu — hal-hal ini takkan membuka API demi AI, tetapi punya tampilan layar. Ketika agen computer-use cukup matang, sebongkah besar aset yang "sudah terdigitalisasi tetapi belum termodernisasi" ini baru benar-benar bisa diotomatiskan.

Menurut saya makna hal ini bagi Indonesia lebih besar daripada dugaan banyak orang, karena tingkat penuaan sistem di Indonesia tidak rendah.

Bagi penerapan di perusahaan

Yang harus diperhatikan perusahaan adalah "batas otomatisasi" sedang bergerak.

Perusahaan yang membuat RPA (robotic process automation) tahu mata rantai paling rapuh adalah pencocokan tampilan layar — tombol bergeser posisi, ukuran jendela berubah, seluruh alur langsung mati. Karena itu biaya pemeliharaan proyek RPA sangat tinggi, dan banyak perusahaan Indonesia menyerah dua tahun setelah menerapkannya.

Agen computer-use menempuh jalur berbeda: ia memahami apa yang sedang dilakukan tampilan layar, alih-alih menghafal koordinat. Ini secara prinsip lebih dekat ke cara operasi manusia, dan secara teoretis lebih tahan terhadap perubahan antarmuka.

Kalau jalur ini berhasil, yang akan terjadi tiga tahun ke depan adalah: alur yang "tak bisa diotomatiskan karena sistemnya terlalu tua dan tak punya API" akan turun ambang batasnya secara drastis. Yang harus dipersiapkan perusahaan Indonesia sekarang bukan membeli alat, melainkan memetakan dulu — alur mana yang berupa manusia mengeklik-klik di layar, dan berapa jam kerja terbuang tiap bulan. Setelah daftar ini rapi, saat alat matang Anda baru tahu harus mulai dari mana. Untuk melihat dulu sampai mana kemampuan alat otomatisasi yang ada, halaman tugas telah merapikan kombinasi alat menurut skenario.

Bagi pengembang

Ada dua pengamatan tingkat teknis.

Lingkungan adalah infrastruktur. Hal ini tak baru bagi orang di ranah reinforcement learning — melatih robot butuh simulator, melatih AI game butuh lingkungan game. Tetapi menjadikan "komputer kantor biasa" sebagai lingkungan pelatihan dan menskalakannya adalah soal engineering yang baru. Bagaimana cepat mereset status, bagaimana menjalankan ribuan instance paralel, bagaimana memastikan konsistensi tiap lingkungan, semua ini tantangan nyata.

Posisi Apple silicon berubah. Arsitektur unified memory membuat Mac bisa menjalankan model lokal yang lebih besar dengan biaya relatif rendah, dan hal ini sudah lama dibahas di komunitas pengembang. Sekarang bahkan laboratorium terdepan membelinya besar-besaran, setara sebuah dukungan terhadap arsitektur ini. Ada laporan menyebut Nvidia sudah menganggap Apple sebagai pesaing utama pemrosesan AI lokal — hal yang dua tahun lalu tak akan diucapkan siapa pun.

Makna praktisnya bagi pengembang Indonesia: kalau Anda sedang menilai perangkat keras untuk menjalankan model lokal, rasio harga-manfaat Apple silicon layak dihitung ulang, terutama pada skenario yang butuh memori besar. Kalau ingin mencoba langsung, Tutorial lengkap LM Studio adalah titik awal tercepat.

Tren Perkembangan ke Depan

Kebutuhan pelatihan pada terminal fisik akan berlanjut. Selama agen masih perlu belajar mengoperasikan software manusia, dibutuhkan mesin yang bisa menjalankan software itu. Ini mungkin melahirkan bentuk layanan baru — "lingkungan pelatihan agen sebagai layanan", dan Anthropic menyewa Mac lewat AWS adalah cikal bakal model ini.

Peran pemasok perangkat keras akan beragam. Dulu bicara perangkat keras AI hanya ada satu jawaban GPU, sekarang muncul jenis kebutuhan kedua. Makna hal ini bagi seluruh rantai pasok adalah: infrastruktur AI bukan lagi perlombaan satu jenis barang.

Titik pengamatan bagi rantai pasok. Perakitan dan komponen Mac memang sudah banyak bergantung pada produsen di kawasan ini, dan bertambahnya pesanan tentu positif. Tetapi harus realistis — puluhan ribu unit proporsinya terbatas dalam total pengiriman Mac, dan takkan mengubah laporan keuangan perusahaan mana pun. Yang benar-benar layak dilacak adalah: apakah ini pengadaan sekali saja, atau "pelatihan agen butuh banyak terminal fisik" akan menjadi kebutuhan struktural. Kalau yang kedua, volumenya akan terus membesar, dan itulah sinyal yang harus diperhatikan serius rantai pasok.

Kesimpulan & Komentar TheAI Academy

Tempat yang paling saya sukai dari berita ini adalah ia menyingkap satu kebenaran yang sangat sederhana: ketika AI hendak belajar mengerjakan hal yang dikerjakan manusia, ia harus berada di lingkungan tempat manusia berada.

Kita menghabiskan beberapa tahun membiasakan diri bahwa "AI itu hal yang berjalan di cloud", lalu menemukan bahwa untuk mengajarinya memakai Excel, cara paling efektif adalah memberinya satu komputer yang benar-benar terpasang Excel. Hal ini agak lucu, tetapi sebenarnya mencerminkan pergeseran fase perkembangan AI — dari "memproses informasi" menuju "menjalankan aksi", dan aksi harus terjadi di lingkungan nyata.

Bagi pembaca Indonesia, sudut pengamatan yang ingin saya ajukan begini: jangan hanya menganggapnya berita positif bagi Apple. Yang sebenarnya dibicarakannya adalah penyempitan industri AI sedang bergeser dari "seberapa pintar modelnya" menuju "apakah model bisa mengerjakan sesuatu di lingkungan nyata". Pergeseran ini akan menciptakan sekelas kebutuhan baru — lingkungan pelatihan, verifikasi operasi, audit aksi — dan kebutuhan-kebutuhan ini belum tentu hanya bisa dikerjakan di Silicon Valley.

Komentar: agar AI belajar memakai komputer, harus ada dulu puluhan ribu komputer — hal ini terdengar seperti lelucon, tetapi persis menjelaskan bahwa industri AI sedang bergerak dari "berpikir" menuju "turun tangan".

Saran konkret untuk pembaca Indonesia: kalau Anda menangani optimasi proses di perusahaan, mulai sekarang petakan alur yang "hanya bisa dikerjakan tangan manusia dengan mengeklik di layar", dan estimasikan jam kerja bulanannya. Daftar ini akan sangat berharga saat agen computer-use matang, dan mengerjakannya sama sekali tak perlu menunggu teknologi apa pun siap. Kalau Anda pengembang, rasio harga-manfaat inferensi lokal Apple silicon layak dinilai ulang sekali, terutama untuk skenario yang butuh memori besar.

Bacaan lanjutan bisa dilihat di Panduan pembangunan AI Agent dan Panduan lengkap otomatisasi AI.

Sumber

Laporan asli berasal dari The Information (31 Agustus 2026). Dirangkum dari informasi publik, mengacu pada pengumuman resmi; pengamatan industri dan investasi dalam tulisan ini hanya sebagai rujukan, tidak merupakan nasihat investasi.