宝玉（Parody）

REA: Minta agen AI merekayasa balik perangkat lunak tanpa kode sumber

Proyek sumber terbuka REA (Reverse Engineer Anything) menghubungkan alat analisis rekayasa balik dengan agen pemrograman AI seperti Claude Code, Codex, dan Cursor. Jika Anda melihat fitur bagus di aplikasi orang lain, Anda bisa meminta agen membedah program tersebut, menjelaskan cara kerja fiturnya beserta bukti, lalu membuat fitur serupa di proyek Anda sendiri. Rekayasa balik adalah proses mencari tahu cara perangkat lunak dibuat dengan menelusuri program yang sudah dikompilasi, tanpa memiliki kode sumbernya.

REA sendiri adalah layanan MCP. MCP merupakan antarmuka umum yang memungkinkan agen AI menggunakan alat eksternal. Setelah terhubung, agen dapat langsung memanggil fitur analisis REA dalam percakapan. Instalasinya cukup dengan satu perintah: npx rea-agents setup. REA akan terdaftar di agen seperti Claude Code, Codex, Cursor, Gemini CLI, dan Grok Build. Sebelum mengubah konfigurasi, REA akan membuat cadangan dan meminta konfirmasi. Jika tidak menggunakan agen, Anda juga bisa menjalankan perintah secara langsung di terminal.

REA dapat menganalisis banyak hal. Untuk program native (perangkat lunak yang langsung dikompilasi menjadi kode mesin), diperlukan alat disassembler seperti Hopper, Ghidra, atau IDA untuk mengubah kode mesin menjadi assembly dan pseudocode yang menyerupai bahasa C. Aplikasi Electron (perangkat lunak desktop yang dibuat dengan teknologi web, seperti Notion) dapat dibedah langsung dengan mengekstrak arsip ASAR dari paket instalasinya, lalu menelusuri modul dan komunikasi antarproses tanpa alat tambahan. REA juga mendukung program .NET, APK Android, firmware, situs web, rekaman paket jaringan, bytecode kontrak Ethereum, serta pencatatan perilaku program saat berjalan di Linux dan macOS.

Analisis dilakukan di komputer lokal. REA tidak mengunggah program yang dianalisis, tetapi hasil analisis akan dikirim ke penyedia layanan model yang digunakan oleh agen. Cara data diproses bergantung pada kebijakan masing-masing penyedia.

Proyek ini menyertakan tiga contoh. Pertama, game klasik DX-Ball: dari satu pemanggilan untuk memutar efek suara, prosesnya menelusuri fungsi yang menghitung kanal kiri dan kanan berdasarkan posisi bola, lalu mengubah pseudocode yang tidak lengkap menjadi kode C. Hasil 3.205 rangkaian pengujian cocok dengan versi aslinya, dan 63 byte hasil kompilasi juga persis sama dengan versi asli. Kedua, Notion versi desktop: menelusuri seluruh alur salin-tempel dari antarmuka, melalui skrip pramuat dan komunikasi antarproses, hingga ke proses utama. Ketiga, game Touhou Fuumaroku (TH04) untuk komputer lawas Jepang PC-98: memulihkan algoritme sudut pola cincin peluru danmaku dari instruksi 16-bit.

Bagi peneliti keamanan, pembuat ulang game lawas, dan pelestari perangkat lunak, pekerjaan yang sebelumnya mengharuskan mereka membaca disassembler baris demi baris dan menelusuri pemanggilan fungsi lapis demi lapis kini bisa diawali oleh agen, lalu bukti yang disajikan diperiksa oleh manusia. Pengembang biasa yang ingin mempelajari cara kerja fitur tertentu pada produk pesaing juga mendapat pilihan baru.

Menurut README, proyek ini sudah meraih 50 ribu bintang di GitHub. Paket npm pertama kali dirilis pada Juli tahun ini, dan versi terbaru 6.3.0 baru saja dirilis hari ini.

Perhatikan dua hal sebelum menggunakannya. Proyek ini menyatakan bahwa REA hanya mendukung riset rekayasa balik yang legal; pengguna bertanggung jawab sendiri atas izin dan kepatuhan hukum. Merekayasa balik perangkat lunak milik orang lain dapat melanggar perjanjian pengguna atau undang-undang hak cipta. Proyek ini juga menyatakan bahwa mereka tidak pernah menerbitkan atau mendukung mata uang kripto apa pun. Token yang menggunakan nama REA tidak ada hubungannya dengan proyek ini.

https://github.com/morluto/rea

REA: Biarkan agen AI membedah perangkat lunak tanpa kode sumber untukmu

Proyek sumber terbuka REA (Reverse Engineer Anything) menghubungkan alat analisis rekayasa balik dengan agen pemrograman AI seperti Claude Code, Codex, dan Cursor. Jika kamu melihat fitur bagus di aplikasi orang lain, kamu bisa meminta agen membedah program tersebut, menjelaskan cara kerjanya beserta bukti, lalu membuat fitur serupa di proyekmu sendiri. Rekayasa balik adalah proses mencari tahu cara kerja sebuah program yang sudah dikompilasi tanpa memiliki kode sumbernya.

REA sendiri adalah layanan MCP. MCP merupakan antarmuka umum yang memungkinkan agen AI menggunakan alat eksternal. Setelah terhubung, agen dapat langsung menggunakan fitur analisis REA dalam percakapan. Instalasinya cukup dengan satu perintah: npx rea-agents setup. Perintah ini akan mendaftarkan REA ke berbagai agen, termasuk Claude Code, Codex, Cursor, Gemini CLI, dan Grok Build. Sebelum mengubah konfigurasi, REA akan membuat cadangan dan meminta konfirmasi. Jika tidak menggunakan agen, kamu juga bisa menjalankan perintah langsung di terminal.

REA dapat menganalisis banyak jenis program. Program native (perangkat lunak yang langsung dikompilasi menjadi kode mesin) memerlukan alat disassembler seperti Hopper, Ghidra, atau IDA untuk mengubah kode mesin kembali menjadi assembly dan pseudocode yang menyerupai C. Aplikasi Electron (perangkat lunak desktop yang dibuat dengan teknologi web, seperti Notion) dapat langsung dibedah dengan mengekstrak arsip ASAR dari paket instalasinya untuk memahami modul dan komunikasi antarproses, tanpa alat tambahan. REA juga mendukung program .NET, APK Android, firmware, situs web, rekaman lalu lintas jaringan, bytecode kontrak Ethereum, serta pencatatan perilaku program saat berjalan di Linux dan macOS.

Analisis dilakukan secara lokal di perangkatmu. REA tidak mengunggah program yang dianalisis, tetapi hasil analisis akan dikirim ke penyedia layanan model yang digunakan oleh agen. Cara data diproses bergantung pada kebijakan masing-masing penyedia.

Proyek ini memberikan tiga contoh. Pertama, game Arkanoid klasik DX-Ball: dari satu pemanggilan untuk memutar efek suara, analisis menelusuri fungsi yang menghitung kanal kiri dan kanan berdasarkan posisi bola. Pseudocode yang tidak lengkap dipulihkan menjadi kode C, dan hasil 3.205 rangkaian pengujian cocok dengan versi aslinya. Sebanyak 63 byte hasil kompilasi juga sama persis dengan versi asli. Kedua, aplikasi desktop Notion: analisis menelusuri seluruh alur salin-tempel dari antarmuka, melalui skrip pramuat dan komunikasi antarproses, hingga ke proses utama. Ketiga, game Touhou Gensokyo (TH04) untuk komputer Jepang lawas PC-98: algoritme sudut untuk lingkaran peluru danu berhasil dipulihkan dari instruksi 16-bit.

Bagi peneliti keamanan, penggemar remake game lawas, dan orang-orang yang berupaya melestarikan perangkat lunak, pekerjaan yang sebelumnya mengharuskan mereka membaca baris demi baris di alat disassembler dan menelusuri pemanggilan fungsi selapis demi selapis kini dapat diawali oleh agen, lalu bukti yang diberikan agen diperiksa oleh manusia. Pengembang biasa yang ingin mempelajari cara kerja fitur tertentu pada produk pesaing juga kini punya pilihan lain.

Menurut README, proyek ini sudah meraih 50 ribu bintang di GitHub. Paket npm-nya pertama kali dirilis pada Juli tahun ini, dan versi terbaru 6.3.0 baru saja dirilis hari ini.

Sebelum menggunakan proyek ini, perhatikan dua hal. Proyek menyatakan bahwa REA hanya mendukung penelitian rekayasa balik yang sah. Pengguna bertanggung jawab atas izin dan kepatuhan hukum; merekayasa balik perangkat lunak milik orang lain mungkin melanggar perjanjian pengguna atau undang-undang hak cipta. Proyek ini juga menyatakan bahwa mereka tidak pernah menerbitkan atau mendukung mata uang kripto apa pun. Token yang menggunakan nama REA tidak ada hubungannya dengan proyek ini.

https://github.com/morluto/rea

Business Insider mengutip sumber yang mengetahui hal ini dan melaporkan bahwa Google sedang menguji model baru bernama Carbon secara internal. Seorang karyawan mengatakan kemampuan coding-nya “terasa seperti Opus 5.5”.

Carbon diterapkan pada Jetski, alat pemrograman AI internal Google. Menurut laporan tersebut, Gemini 4 Argon yang dirilis Google pada 30 September menggunakan versi internal lain bernama Barium-B. Carbon adalah versi baru yang dilatih setelahnya. Belum jelas apakah Carbon akan dirilis sebagai peningkatan Argon atau sebagai model baru yang terpisah.

Opus 5.5 menjadi tolok ukur kali ini karena kemampuan coding merupakan kelemahan Gemini saat ini. Bloomberg sebelumnya melaporkan bahwa sejumlah karyawan Google mengatakan skor Argon terlihat bagus, tetapi kinerjanya saat benar-benar digunakan untuk menulis kode tidak sesuai harapan. Dalam pengujian coding pihak ketiga Terminal Bench 4, Argon meraih skor 57%, lebih rendah daripada Claude Sonnet 5.5 dari Anthropic (64%), Claude Opus 5.5 (60%), dan GPT-6 Astra dari OpenAI (59%). Pada September, Google juga melonggarkan pembatasan internal dan mengizinkan semua insinyurnya menggunakan Claude untuk menulis kode.

Jika Carbon benar-benar mampu menyamai Opus 5.5, para pengembang yang menulis kode dengan Gemini akan langsung diuntungkan. Namun, “terasa seperti” hanyalah penilaian subjektif dari seorang karyawan anonim. Carbon belum memiliki skor pengujian yang dipublikasikan maupun tanggal rilis, dan Google menolak berkomentar tentang peta jalan internalnya. Untuk saat ini, satu-satunya model yang bisa digunakan oleh pihak luar adalah Argon, itu pun hanya tersedia bagi sebagian mitra keamanan siber. Pengguna API berbayar dan pelanggan Google AI Ultra masih harus menunggu.

Kemampuan Grokbot untuk terhubung ke X merupakan keunggulan tersendiri. Dengan begitu, Grokbot dapat mengirimkan berita AI di X yang layak diperhatikan.

Antarmuka pengaturan Codex sering berubah, sehingga pengaturannya sulit ditemukan. Hasil pencarian sering menampilkan proyek-proyek lama, tetapi tidak bisa diklik.

Opus 5.5 membantuku merancang sebuah cap

Prompt:
> Gambar sebuah cap dengan aksara segel menggunakan JS + Canvas. Tulisan pada cap adalah aksara tradisional「宝玉」, dibaca dari kanan ke kiri. Bentuk aksaranya mengikuti aksara segel kecil dalam《说文》(jika aku melampirkan gambar referensi, ikuti gambar itu). Jangan gunakan font; gambar setiap goresan dengan koordinat, lalu tebalkan.
> Sebelum mulai menggambar, jelaskan dulu bagian-bagian penyusun tiap aksara dan letak masing-masing pada bidang cap. Buat dua versi: baiwen (aksara putih dengan latar merah) dan zhuwen (aksara merah). Gunakan pasta cap berwarna cinnabar, tambahkan sedikit kesan ukiran pisau dan tepi yang aus. Latar belakangnya bertekstur kertas xuan. Ekspor sebagai PNG berlatar transparan berukuran 1200×1200. Setelah selesai, ambil tangkapan layar untuk memeriksa apakah setiap aksara terbaca dan jarak antar goresannya merata. Jika ada masalah, revisi.

Jika Anda ingin men-debug implementasi UI aplikasi Mac Codex/ChatGPT

1. Keluar dari aplikasi Codex yang sedang berjalan

2. Jalankan perintah ini di jendela Terminal:

$ open /Applications/ChatGPT.app --args --remote-debugging-port=8315 --remote-allow-origins=http://localhost:8315

2. Di Chrome, buka chrome://inspect/ untuk membuka Remote Target

3. Cari ChatGPT
app://-/index.html di dalam daftar, lalu klik inspect

4. Jendela DevTools akan muncul dan menampilkan UI Codex. Anda pun bisa men-debug Codex seperti men-debug halaman web biasa.

据说是 Gemini 4 Argon 做的视频，我觉得还不如 GPT-6 Astra 做的，更比不上 Opus 5.5

Hari ini saat menguji Manus, saya belajar satu teknik untuk membuat prompt: saat menggambar, jangan mengendalikan gaya/estetika dengan prompt secara detail, tetapi langsung berikan gambar referensi. Dan gambar referensi tersebut juga memuat contoh warna, font, serat kertas-xuan, tepi tinta, genangan air, pegunungan jauh, cap stempel, serta aturan ruang kosong, dan lain-lain.

Dengan cara ini, stabilitas hasil gambar akan lebih tinggi, dan prompt untuk konten juga bisa dibuat lebih sederhana.

Gambar 1: Gambar referensi

Gambar 2 content_prompt:
> Judul 'Teh dan hidup yang pelan', subjudul 'Sisihkan sedikit waktu, untuk secangkir teh'. Desain harus mengikuti gaya pada gambar referensi: tenang, terkendali, wabi-sabi; gunakan gaya minimalis tinta-air dan ruang kosong tinta-air; latar belakang berupa tekstur kertas-xuan. Teks harus berada di tengah, jelas.

Gambar 3 content_prompt:
> Judul 'Pelankan aktivitas harian'. Konten: 'Hangatkan cangkir: rasakan dulu suhu benda', 'Aromakan: perhatikan aroma teh dan air', 'Menikmati: minum sedikit-sedikit teh, singgahlah sebentar'. Desain harus mengikuti gaya halaman pertama dan gambar referensi: tenang, terkendali, gaya minimalis tinta-air; gunakan sedikit elemen tinta-air (misalnya pegunungan jauh, noda air pada peralatan teh, dll.) sebagai aksen di area ruang kosong; latar belakang berupa tekstur kertas-xuan. Tata letak teks harus menunjukkan tingkat/struktur dan memanfaatkan ruang kosong.

--- Prompt lengkap untuk Gambar 2 ---

Buat slide presentasi profesional dengan konten berikut:

Judul 'Teh dan hidup yang pelan', subjudul 'Sisihkan sedikit waktu, untuk secangkir teh'. Desain harus mengikuti gaya pada gambar referensi: tenang, terkendali, wabi-sabi; gunakan gaya minimalis tinta-air dan ruang kosong tinta-air; latar belakang berupa tekstur kertas-xuan. Teks harus berada di tengah, jelas.

Panduan Hierarki & Tata Letak:
- Utamakan elemen naratif paling penting (judul/headline/metric), lalu ikuti dengan naskah pendukung dalam bagian-bagian yang jelas
- Jika ada grafik, grafik harus mencerminkan data nyata yang disediakan di prompt konten dan tetap setia pada sumber yang dijelaskan
- Susun gambar dan teks agar penonton bisa membaca dari kiri ke kanan atau dari atas ke bawah; hindari tumpukan vertikal grafik/gambar

Arah Visual:
- Profesional dan bersih
- Ikuti gaya pada gambar slide sebelumnya (jika tersedia) untuk menjaga kesinambungan visual

Persyaratan:
- Tata letak presentasi profesional dengan hierarki visual yang jelas
- Teks harus mudah dibaca dengan kontras yang sesuai terhadap latar belakang
- Sertakan area judul dan area konten sesuai kebutuhan
- Pertahankan gaya yang konsisten untuk presentasi profesional
- Desain visual berkualitas tinggi, siap publikasi
- Semua teks harus tajam dan mudah dibaca
- Pastikan semua teks penting berada dengan nyaman di dalam bingkai; hindari menempatkan teks tepat di tepi
- Seimbangkan elemen visual dengan ruang kosong agar slide terasa bersih dan tidak berantakan

Buat ChatGPT mengklasifikasikan tokoh-tokoh AI dengan gaya matriks 9 grid yang netral dan beraturan namun juga kacau, lalu gambarkan ini untuk saya

Biar ChatGPT gunakan grid 9 kotak yang mengikuti aturan dan netral dengan sedikit kekacauan untuk mengelompokkan tokoh-tokoh AI, lalu gambari ini untukku

Opus 5.5 memberi Anda kebebasan untuk merancang App Icon

Saat dulu saya menggunakan Fable, saya sempat mencoba meminta Fable untuk membantu saya mendesain App Icon, tetapi hasilnya kurang memuaskan. Pada akhirnya saya tetap harus menggunakan ChatGPT untuk menggambar, namun gambar yang dihasilkan bukanlah vector.

Beberapa hari ini saya menggunakan Opus 5.5 untuk membuat video, dan hal itu memberi saya inspirasi. Jika Opus 5.5 bisa menggunakan JavaScript + Canvas untuk menggambar video frame demi frame, maka tidak ada masalah jika ia juga digunakan untuk menggambar Icon dengan JS + Canvas.

Saya pun mencoba. Hasil versi pertama ternyata jauh di luar ekspektasi: ringkas, indah, dan cukup bagus. Prompt-nya hanya satu kalimat:

> Tolong desain ulang App Icon untuk http://BaoCut.app, lebih sederhana, berwarna, menunjukkan pengeditan video, dan AI Agent
> Bisa langsung menggambar dengan js di canvas

Perhatikan poin pentingnya: “menggambar dengan js di canvas”, bukan SVG. SVG yang dihasilkan tidak akan memberikan hasil yang bagus seperti JS menggambar canvas.

Setelah itu tinggal seperti bekerja dengan klien—terus-menerus diminta melakukan revisi:
Misalnya saya merasa skema 3 sudah bagus, jadi saya minta agar disesuaikan berdasarkan skema 3. Setelah beberapa iterasi versi, akhirnya saya mendapatkan sebuah skema yang cukup memuaskan.

Rekomendasikan Kumpulan Video Prompt Awesome Opus 5.5 Open Source di GitHub

Opus 5.5 cukup awet, bahkan sampai tidak habis sebelum waktunya reset

Opus 5.5 masih agak sulit digunakan, ternyata tidak sempat selesai digunakan sebelum direset

Ada seseorang yang melakukan uji coba AI untuk bertarung dalam game "StarCraft" (Brood War Bench), membuat model-model bahasa besar arus utama saat ini saling bertarung dalam strategi waktu nyata. Hasilnya, level semua model tidak melebihi pemain pemula.

"StarCraft: Brood War" adalah game strategi waktu nyata klasik dari tahun 1998, juga sudah lama menjadi teman dekat dalam riset AI. Pada 2019, AlphaStar dari DeepMind pernah mengalahkan pemain profesional di game ini. Namun saat itu, itu adalah AI pembelajaran penguatan yang dilatih secara khusus. Kali ini berbeda: uji coba ini membuat model bahasa umum masuk langsung sebagai agen AI yang bisa mengoperasikan game, untuk melihat apakah mereka bisa membangun markas sendiri, memproduksi pasukan, dan berperang.

Penulis Ben Swerdlow awalnya hanya membuat versi StarCraft yang “hanya bisa dikendalikan lewat aksi-aksi agen”, untuk dimainkan bersama teman. Tak disangka, beberapa teman yang hampir tidak pernah bermain justru tampil cukup baik. Mereka bilang mereka hanya memberi perintah singkat, “Pergi menyerang”, dan agen itu sendiri membangun pasukan kecil lalu maju.

Hal itu membuatnya penasaran: kalau AI dibiarkan bermain sepenuhnya, sejauh apa levelnya?

Jawabannya: levelnya masih rendah, tapi sangat menarik.

Codex Astra yang meraih peringkat pertama menang 18 pertandingan berturut-turut. Tapi keahliannya bukan pertempuran frontal, melainkan “gangguan”: mengirim satu pekerja penambang (Probe) untuk menyusup dan mengacau di pangkalan lawan. Trik ini sangat efektif untuk lawan AI, karena ketika agen lawan melihat ada seorang pekerja datang, mereka akan menghabiskan puluhan detik berpikir apa yang harus dilakukan—selama waktu itu mereka tidak melakukan apa pun. Dalam hal pengembangan ekonomi yang serius dan perang skala besar, Codex justru relatif lemah: sering kali hanya membuat satu-dua unit lalu melemparkannya ke lawan, alih-alih mengumpulkan kekuatan dulu sebelum menyerang.

Claude Fable berada di peringkat ketiga, dengan tingkat kemenangan 83,3%, dan merupakan model yang paling “terlihat serius sedang bermain game” di antara semua peserta. Ia akan dengan patuh mengembangkan ekonomi, naik melalui pohon teknologi, bahkan dalam satu ronde ia berhasil membangun naga terbang (Mutalisk), sementara di ronde lain ia meneliti teknologi Ksatria Kuil (Templar) (seperti tech untuk Dark/High Templar). Meski kadang risetnya sudah dilakukan banyak tetapi pasukan belum mengikuti, setidaknya dalam upaya “memahami aturan permainan”, Fable jauh lebih serius daripada siapa pun.

Performa Grok paling buruk. Grok 4.6 mengeluarkan lebih dari 11000 token penalaran dalam satu pertandingan berdurasi 43 menit, tetapi hanya mengeluarkan 6 batch perintah operasi; sepanjang pertandingan tidak membuat satu pun unit tempur. Secara esensial, Grok memperlakukan strategi waktu nyata seperti permainan bergiliran: terus berpikir, lupa untuk bergerak.

Uji coba ini mengungkap masalah inti: model bahasa besar saat ini masih sangat kurang mampu untuk lingkungan strategi waktu nyata yang menuntut observasi berkelanjutan, pengambilan keputusan cepat, dan koordinasi multi-thread. Bahkan model terbaik sekalipun, seseorang pemula yang jago menjalankan build serangan kilat paling dasar seperti “photon cannon rush” bisa memenangkan semua pertandingan. Tapi sebaliknya, model-model ini sudah bisa memahami konsep dasar seperti membangun, menambang, dan menyerang—hanya saja kemampuan mereka dalam eksekusi ritme dan koordinasi tugas masih jauh tertinggal.

Kode uji coba dan platform pertandingannya sudah dibuka. Siapa pun bisa membawa agen mereka sendiri untuk bertarung dalam satu pertandingan. Alamatnya adalah http://bw.swerdlow.dev.

Anthropic diam-diam membangun sebuah laboratorium biologi

Menurut laporan eksklusif Reuters, Anthropic telah menyelesaikan pembangunan sebuah laboratorium basah (wet lab)—laboratorium fisik tempat eksperimen biokimia nyata dilakukan—di kawasan Teluk San Francisco. Langkah ini secara resmi memperluas jangkauan AI dari perangkat lunak ke pengembangan obat.

Eric Kauderer-Abrams, kepala urusan ilmu hayat di Anthropic, mengonfirmasi hal tersebut dalam sebuah wawancara. Menurutnya, dalam penelitian biologi, standar pengujian utama pada akhirnya tetaplah pekerjaan di laboratorium yang benar-benar nyata; simulasi komputer saja tidak cukup. Sebagian eksperimen mereka lakukan sendiri, sebagian lainnya dikerjakan bersama mitra eksternal—seperti yang dilakukan mayoritas perusahaan bioteknologi.

Ini bukan tindakan spontan. Dalam beberapa bulan terakhir, Anthropic bergerak sangat agresif: mengakuisisi saham senilai sekitar 400 juta dolar dari sebuah startup bernama Coefficient Bio, untuk membangun alat-alat pengembangan obat; merekrut CEO Novartis Vas Narasimhan ke dalam dewan direksi; meluncurkan perangkat lunak bernama Claude Science; dan pada bulan Juni secara terbuka di San Francisco mengumumkan rencana memulai proyek pengembangan obat. Di LinkedIn, perusahaan juga tengah mencari kepala perekrutan operasi, ahli dalam pencirian protein dan asam nukleat. Dalam lowongan tersebut, targetnya tertulis: "meningkatkan kecepatan kemajuan ilmu hayat hingga satu tingkat orde besarnya". Kauderer-Abrams mengatakan, ilmu hayat sudah menjadi salah satu arah terbesar Anthropic dari sisi investasi sumber daya dan tenaga kerja.

Anthropic menargetkan area yang menurut perusahaan farmasi tradisional termasuk kategori "undruggable"—yakni wilayah yang sulit ditangani karena target terlalu sulit dan imbal hasil bisnis rendah, sehingga sering diabaikan dalam pengembangan obat. Mereka berpendapat AI dapat mempercepat penemuan antibodi bispesifik bahkan trispezifik—obat-obatan molekul kompleks yang dapat menyerang beberapa target sekaligus. Tingkat kesulitan desainnya sangat tinggi, namun AI unggul dalam menangani kompleksitas seperti itu. CEO Dario Amodei merasakan dampaknya secara pribadi—ayahnya meninggal karena suatu penyakit, sementara terapi yang berhasil baru muncul beberapa tahun kemudian.

Namun, Anthropic saat ini menarik garis yang jelas: mereka hanya mengerjakan penelitian praklinis, tidak melakukan uji klinis, dan tidak merebut bisnis dari perusahaan farmasi. Ini juga bertujuan meredakan persoalan kepercayaan yang nyata—perusahaan farmasi raksasa yang menggunakan Claude (Genentech, Bristol Myers Squibb, dan Novo Nordisk semuanya termasuk) khawatir Anthropic akan mempelajari apa yang ada dalam data mereka.

Perlu dicatat beberapa momen waktu penting: semuanya terjadi tepat sebelum Anthropic bersiap melakukan IPO dengan valuasi sekitar 2 triliun dolar AS, saat perdebatan mengenai keamanan AI juga sedang memuncak. Baru-baru ini, dalam dua minggu terakhir saja, peneliti internal Anthropic memperingatkan bahwa AI dapat menyebabkan kepunahan manusia. Selain itu, perusahaan juga menemukan risiko bahwa sistem mereka dapat digunakan untuk pengembangan senjata biologis. Seperti menginjak gas sambil menarik rem, ketegangan seperti inilah gambaran paling nyata tentang kondisi Anthropic saat ini.

Sebagai pembanding, Isomorphic Labs milik Google sudah bertahun-tahun mengerjakan penemuan obat berbasis AI. Awalnya, mereka merencanakan masuk ke tahap klinis pada akhir 2026, namun sebelumnya sudah pernah ditunda. Realitas pengembangan obat memang seperti itu: dari menemukan sebuah molekul hingga obat tersebut diluncurkan, biasanya memerlukan bertahun-tahun, dan sebagian besar obat gagal dalam uji klinis. Ambisi Anthropic besar, tetapi jalannya masih panjang.