Model AI Pengambil Keputusan: Koa Decisions dan Kanana-2-v-decide Rilis Bersamaan (2026)

TL;DR: Dua model AI pengambil keputusan rilis 6 November 2026: Salesforce memperkenalkan Koa Decisions untuk merutekan permintaan pelanggan di Agentforce, dan Kakao merilis Kanana-2-v-decide di Hugging Face. Keduanya tidak menulis kalimat seperti chatbot biasa — mereka menjawab dengan pilihan, ya-tidak, atau skor, lengkap dengan probabilitasnya. Hasilnya jauh lebih cepat dan murah untuk keputusan berulang, tapi angka akurasinya tetap klaim vendor yang perlu kamu uji sendiri.

💡 Key Takeaway

• Keputusan, bukan kalimat: Model pengambil keputusan menjawab dengan pilihan, ya-tidak, atau skor beserta probabilitasnya, sehingga software lain bisa langsung bertindak tanpa mem-parsing teks bebas.
• Kecepatan adalah intinya: Kanana-2-v-decide menjawab rata-rata di bawah 0,04 detik di satu GPU Nvidia H200, sementara Koa Decisions sekitar setengah detik — jauh lebih cepat daripada model bahasa umum untuk tugas yang sama.
• Dua pemain, dua jalur: Salesforce menanam Koa Decisions di dalam Agentforce untuk pelanggan enterprise, sedangkan Kakao membuka Kanana-2-v-decide di Hugging Face dengan lisensi yang mengizinkan pemakaian komersial.
• Tetap perlu pagar manusia: Akurasi 85,5 persen di benchmark internal bukan 100 persen — keputusan bernilai tinggi tetap butuh persetujuan manusia dan jejak audit yang jelas.

Bayangkan tim customer service kamu menerima 500 pesan masuk setiap hari, sebagian besar berulang: lupa kata sandi, tukar barang rusak, tanya status pengiriman. Selama ini AI agent menjawabnya dengan model bahasa besar yang menulis kalimat demi kalimat — lambat, mahal, dan jawabannya perlu dibaca dulu sebelum sistem tahu harus ke tim mana. Sekarang ada cara yang lebih langsung: model yang tugasnya hanya satu, yaitu memutuskan. Pada 6 November 2026, dua perusahaan besar merilis model seperti itu di hari yang sama.

Apa itu model AI pengambil keputusan?

Model bahasa besar (LLM) bekerja dengan menghasilkan teks token demi token. Model pengambil keputusan bekerja sebaliknya: ia membaca seluruh permintaan sekaligus, lalu mengeluarkan jawaban ringkas dalam satu langkah — memilih satu dari beberapa opsi (choice), menjawab ya atau tidak (noul), atau memberi skor (score), lengkap dengan probabilitas tiap kemungkinan.

Bedanya terasa di tiga hal. Pertama, kecepatan: jawaban satu token jauh lebih murah dihitung daripada paragraf. Kedua, kepastian: software lain bisa langsung memakai hasilnya tanpa menebak-nebak isi kalimat. Ketiga, biaya: tugas klasifikasi dan routing yang berulang tidak perlu lagi memakai model frontier yang mahal. Tren ini mulai terbentuk setelah Drex Max, model AI pengambil keputusan 27B yang dirilis 1 November 2026 — kini giliran Salesforce dan Kakao.

Koa Decisions: keputusan Salesforce dalam setengah detik

Salesforce memperkenalkan Koa Decisions pada 6 November 2026 sebagai penerus HyperClassifier, model routing yang sudah menjadi standar di template Agentforce sejak musim semi 2026. Model baru ini dibangun dari Gemma, model open-weight Google, dan menerima teks, gambar, dan audio sebagai masukan.

Cara kerjanya sederhana. Kamu memberi model sebuah permintaan dan daftar kategori buatanmu sendiri, lalu model mengembalikan satu pilihan, satu keputusan ya-tidak, atau satu skor — dalam satu langkah. Contohnya: masalah login akun langsung diarahkan ke tim akun, bukan ke tim engineering atau sales, lengkap dengan skor keyakinan. Salesforce melaporkan akurasi 85,5 persen pada benchmark routing niat produksi, respons sekitar setengah detik, dan kecepatan median sekitar 7,5 kali lebih cepat daripada model frontier yang diuji dalam kondisi serving yang sama.

Yang menarik buat tim non-teknis: menambah kategori baru seperti “retur barang” diklaim tidak butuh pelatihan ulang, berbeda dengan proyek klasifikasi lama yang bisa memakan waktu berbulan-bulan. Demo-nya bisa dicoba siapa saja setelah mendaftar akun Trailhead gratis, dan integrasi yang direncanakan mencakup flows, Apex, prompt template, dan API developer. Satu catatan: angka 26 milidetik yang sering disebut-sebut adalah hasil pengukuran HyperClassifier, pendahulunya — bukan Koa Decisions.

Kanana-2-v-decide: jawaban 0,04 detik dari Kakao

Di hari yang sama, Kakao merilis Kanana-2-v-decide di Hugging Face. Model ini dibangun di atas Kanana-2-v-3b, model multimodal buatan Kakao sendiri, dengan total 3,67 miliar parameter. Ia membaca teks dan gambar sekaligus, menerima hingga 10 gambar dan 20.480 token, lalu mengembalikan probabilitas, pilihan, atau skor — tanpa menghasilkan teks sama sekali.

Angka kecepatannya mencolok: rata-rata respons di bawah 0,04 detik pada satu GPU Nvidia H200, yang menurut laporan media Korea 43 kali lebih cepat daripada GPT-6 Luna. Pada benchmark Decision Index dan Decision Index Vision, model ini mencatat rata-rata 61,23 — tertinggi di antara model yang dibandingkan Kakao — dan 72,50 pada Kanana Decision Bench, set evaluasi berbahasa Korea buatan Kakao sendiri. Semua angka ini adalah klaim Kakao. Yang membedakan Kanana-2-v-decide dari Koa Decisions adalah keterbukaannya: bobot model tersedia di Hugging Face di bawah Kanana Open License yang mengizinkan riset dan pemakaian komersial. Kakao sendiri berencana memakainya dulu untuk pencarian web internal dan klasifikasi kategori produk otomatis.

Ringkasan dua rilis 6 November 2026

Kenapa dua rilis ini muncul di hari yang sama?

Ini tanda sebuah kategori baru sedang terbentuk. Benchmark GDPx menunjukkan AI agent hanya lulus 12 persen tugas kerja nyata, dan sebagian kegagalannya berasal dari keputusan kecil yang salah di tengah jalan: salah merutekan, salah memilih tool, salah menilai prioritas. Model keputusan adalah jawaban industri atas masalah itu: serahkan keputusan berulang yang terstruktur ke model kecil yang cepat, dan simpan model besar untuk penalaran dan penulisan. Pola yang sama terlihat di Snowflake CoCo dan CoWork, agent always-on dengan titik persetujuan manusia, dan kemitraan OpenAI dan ServiceNow yang menghubungkan ChatGPT ke workflow kantor — semuanya butuh lapisan keputusan yang cepat dan bisa diaudit sebelum agent bertindak.

Apa artinya buat tim kamu?

Kamu tidak perlu memakai kedua model ini besok pagi. Yang perlu berubah dulu adalah cara kamu membagi tugas di dalam AI agent yang sudah kamu pakai:

1. Pisahkan tugas memutuskan dari tugas menulis. Klasifikasi tiket, routing pesan, dan penilaian prioritas adalah keputusan — jangan pakai model besar untuk itu kalau ada cara yang lebih cepat dan murah.
2. Tentukan daftar kategori kamu sendiri. Mulailah dari 10–20 kategori yang benar-benar muncul di pekerjaan harian tim kamu, seperti yang dilakukan Koa Decisions dengan daftar kategori buatan pengguna.
3. Uji akurasi dengan data kamu sendiri. Angka 85,5 persen atau 61,23 di benchmark vendor tidak menjamin hasil yang sama di data kamu. Ambil 100 contoh nyata dan bandingkan jawaban model dengan keputusan manusia.
4. Pasang ambang keyakinan. Kalau skor keyakinan model di bawah ambang tertentu, lempar ke manusia. Ini pagar paling sederhana dan paling efektif.
5. Simpan jejak audit. Setiap keputusan otomatis harus tercatat: apa masukannya, apa jawabannya, dan berapa skor keyakinannya.

Batas dan risiko yang perlu kamu tahu

Pertama, semua angka performa di artikel ini berasal dari vendor atau dari benchmark yang mereka pilih sendiri — keduanya belum diuji independen dalam kondisi yang sama. Kedua, model keputusan tidak menjelaskan alasannya; ia memberi probabilitas, bukan penalaran. Untuk keputusan yang butuh penjelasan ke pelanggan atau regulator, kamu tetap butuh model bahasa di sampingnya. Ketiga, kecepatan ekstrem seperti 0,04 detik diukur di satu GPU H200, jadi jangan samakan dengan kecepatan di laptop kantor. Dan terakhir, kesalahan routing AI agent tetap bisa terjadi dan perlu kamu kenali gejalanya — model keputusan mengurangi risikonya, bukan menghilangkannya.

Komunitech: Karyawan AI yang Terukur

Kalau kamu ingin tim kamu memakai AI agent dengan cara yang terukur — tahu kapan AI memutuskan sendiri, kapan harus minta persetujuan manusia, dan bagaimana mengaudit setiap keputusan — pelajari lewat Workshop Karyawan AI Komunitech dan ikuti update praktisnya lewat newsletter Komunitech.

Pertanyaan yang Sering Ditanya

Apa bedanya model AI pengambil keputusan dengan chatbot biasa?

Chatbot menghasilkan teks bebas token demi token, sedangkan model pengambil keputusan mengembalikan jawaban terstruktur — pilihan, ya-tidak, atau skor — beserta probabilitasnya dalam satu langkah. Jawaban itu bisa langsung dipakai software lain untuk bertindak, tanpa perlu dibaca dan ditafsirkan dulu.

Apakah Koa Decisions sudah bisa dipakai semua orang?

Belum. Demonya bisa dicoba siapa saja setelah mendaftar akun Trailhead gratis, tapi integrasi ke workflow Salesforce seperti flows, Apex, dan API developer masih direncanakan. HyperClassifier, pendahulunya, sudah menjadi standar di template Agentforce sejak musim semi 2026.

Apakah Kanana-2-v-decide gratis dipakai untuk bisnis?

Bobot model tersedia di Hugging Face di bawah Kanana Open License yang mengizinkan riset dan pemakaian komersial. Kamu tetap perlu membaca ketentuan lisensinya sendiri dan menguji performanya di data kamu sebelum memakai di proses produksi.

Kenapa model keputusan lebih cepat daripada model bahasa besar?

Karena jawabannya sangat pendek — sering hanya satu token — sehingga komputasi yang dibutuhkan jauh lebih sedikit. Kanana-2-v-decide mencatat rata-rata di bawah 0,04 detik di satu GPU Nvidia H200, dan Koa Decisions sekitar setengah detik, menurut klaim masing-masing vendor.

Apakah model keputusan bisa menggantikan manusia sepenuhnya?

Tidak. Akurasi 85,5 persen berarti sekitar 14 dari 100 keputusan masih salah, dan model ini tidak memberi penjelasan atas jawabannya. Praktik yang aman: keputusan berisiko rendah jalan otomatis, keputusan berisiko tinggi tetap lewat persetujuan manusia.

Kesimpulan

6 November 2026 menandai momen ketika “model pengambil keputusan” berhenti jadi ide dan mulai jadi produk: Salesforce dengan Koa Decisions di dalam Agentforce, Kakao dengan Kanana-2-v-decide yang terbuka di Hugging Face. Keduanya sepakat — keputusan berulang yang terstruktur tidak seharusnya dikerjakan model besar yang mahal dan lambat. Langkah pertama buat kamu: petakan 10–20 keputusan berulang di tim kamu, uji satu model keputusan dengan 100 contoh nyata, dan pasang ambang keyakinan sebelum satu pun keputusan berjalan otomatis.

Referensi

• Unite.AI — Salesforce Introduces Koa Decisions with Image and Audio Support (6 November 2026)
• Hugging Face — kakaocorp/kanana-2-v-decide-3b-2611 (model card, rilis 6 November 2026)
• Seoul Economic Daily — Kakao Releases AI Decision Model for Faster Agent Judgments (6 November 2026)
• The Elec — Kakao Unveils AI Model for Text and Image-Based Decision-Making (6 November 2026)
• Salesforce — 21 Things We Announced at Dreamforce 2026 (28 September 2026)

Disclaimer: Artikel ini bersifat edukatif dan disusun pada 7 November 2026 berdasarkan sumber yang tercantum. Angka performa, harga, dan jadwal ketersediaan berasal dari klaim vendor dan dapat berubah sewaktu-waktu.