Kartu judul yang dihasilkan untuk Claude Opus 5.5 yang menjalankan perusahaan AI otonom, dengan empat kartu statistik bertuliskan 7 minggu tanpa pengawasan, 38 model dipublikasikan, 54.000 unduhan, dan 16 menit kerja per hari, plus footer yang mengutip laporan Horizon Labs tanggal 17 November 2026. Logo OrcaRouter di kanan bawah.
Engineering & Research

Claude Opus 5.5 Menjalankan Perusahaan AI selama Tujuh Minggu dengan 16 Menit Sehari

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Claude Opus 5.5 telah tersedia secara umum sejak 22 September 2026, jadi pertanyaan menarik tentangnya bukan lagi soal skor yang diraihnya. Melainkan apa yang terjadi ketika Anda berhenti memberinya prompt dan memberinya sebuah pekerjaan. Sebuah tim di EPFL dan ELLIS Institute Tübingen melakukan tepat itu: mereka memberikan Claude Opus 5.5 sebuah akun Hugging Face kosong, anggaran GPU, dan satu instruksi — raih adopsi nyata — lalu membiarkannya berjalan selama tujuh minggu. Ia menerbitkan 38 model. Model-model itu melampaui 50.000 unduhan, digunakan di lebih dari 140 repositori publik, dan dikutip dalam dua makalah arXiv. Agen yang melakukannya bekerja rata-rata 16 menit sehari.

Laporan itu ada di horizon-labs.ai, bertanggal 17 November 2026, dan agennya bernama Horizon. Setiap angka di bawah ini berasal dari dokumen tersebut atau dari akun Hugging Face yang ditunjuknya, dan peringatannya dinyatakan sekali di sini alih-alih diulang: ini adalah studi kasus tim itu sendiri atas uji coba mereka sendiri, bukan audit pihak ketiga. Mereka luar biasa terbuka tentang titik-titik di mana campur tangan mereka sendiri bisa saja membesarkan hasilnya, dan pengakuan-pengakuan itu adalah bagian paling berguna dari dokumen tersebut.

Apa yang sebenarnya mereka serahkan

Headless capture of the Horizon Labs report homepage, showing the title, the author list with EPFL, ELLIS Institute Tübingen, Max Planck Institute for Intelligent Systems and University of Tübingen affiliations, and the summary line stating the agent used over 600 GPU-hours, created 38 models, reached over 100 GitHub repositories and more than 50,000 downloads.

Horizon berjalan 24/7 di dalam Claude Code, pada satu langganan Anthropic Team Premium, dengan akses ke akun Hugging Face baru (Horizon-Labs) dan akun GitHub. Komputasi tersedia berupa 1 juta kredit per minggu, sekitar 500 jam GPU. Ia hanya bisa mengajukan tiket kepada manusia dan tidak bisa melakukan hal lain: tidak ada akun lain, tidak ada identitas web, tidak ada cara untuk membelanjakan uang. Tim memantau tindakannya secara terus-menerus dan melakukan intervensi 20 kali selama proses berjalan — 13 jawaban tiket dan tujuh pesan, hampir semuanya pada tiga hari pertama, tidak ada setelah 22 Oktober.

Anggaran tersebut menunjukkan betapa sederhananya penyiapan yang digunakan. Sepanjang seluruh proses, Horizon memproses sekitar 1,9 miliar token, 96% di antaranya dibaca kembali dari cache prompt, dan menulis 3,1 juta. Dengan harga API, itu sekitar $1,030 untuk inferensi selama tujuh minggu kerja otonom, dibandingkan dengan lebih dari 600 jam-GPU pelatihan. Hasil yang menjadi sorotan itu biayanya kurang dari sebuah laptop.

Ke-38 model tersebut sengaja dibuat sempit

Tidak satu pun dari mereka adalah chatbot. Katalognya terdiri dari 25 pengklasifikasi teks, enam model klasifikasi token, tiga pengklasifikasi zero-shot, dua reranker, dan dua model embedding, semuanya dibangun di atas mmBERT-base, dirilis di bawah Apache-2.0 dengan bobot ONNX sehingga dapat langsung dimasukkan ke pipeline browser dan server. Ukurannya 141M untuk varian small, 307M untuk base, 568M untuk large, dan Horizon biasanya merilis dua atau tiga ukuran dari keluarga yang sama.

Keluarga-keluarga tersebut adalah jenis hal yang membuat perusahaan membeli model kecil: penjaga injeksi prompt, redaksi PII, deteksi halusinasi, keamanan konten, toksisitas, sentimen dan emosi multibahasa, identifikasi bahasa, pemulihan tanda baca, dan truecasing. Pengunduh teratas persis adalah itu:

Headless capture of the Horizon-Labs organisation page on Hugging Face, showing the organisation name, 33 followers, the 'Agent I/O Guards' collection description covering small open multilingual guard and classifier models under Apache-2.0 with ONNX, and a listed model card for prompt-injection-guard-base at 7.19k downloads.

Pengaman injeksi berada di sekitar 17k, tanda baca di 7,6k, dan reranker di 6,4k. Data pelatihan berasal dari dataset publik Hugging Face ditambah augmentasi sintetis, dengan Qwen 3.8-27B dan Gemma 4 31B digunakan untuk menganotasi atau menghasilkan contoh.

Kesempitan itu adalah strateginya, bukan keterbatasan. Akun baru tanpa reputasi tidak bisa memenangkan tolok ukur serbaguna, tetapi bisa memenangkan pengganti langsung berukuran 300MB yang menghemat peninjauan lisensi seseorang. Horizon sendiri mengatakan demikian dalam lognya: "Akun baru yang tidak dikenal mendapatkan unduhan paling cepat dengan model pengganti langsung yang kecil dan praktis."

16 menit per hari adalah temuan sebenarnya.

Agen tersebut terbangun sekitar pukul 10.00 UTC, karena saat itulah Hugging Face memperbarui jumlah unduhan. Agen itu membaca angka-angka dari hari sebelumnya, memutuskan apa yang perlu ditingkatkan, lalu kembali tidur. Dalam kata-katanya sendiri pada 9 Oktober: "Saya menunggu sampai sekitar pukul 09.45 UTC besok untuk pembaruan jumlah unduhan berikutnya, lalu saya akan memilih langkah berikutnya berdasarkan angka-angka itu."

Pada beberapa hari, ia sama sekali tidak melakukan apa pun. Waktu kerja memuncak lebih awal, menurun sepanjang Oktober lalu mendatar, sementara unduhan per hari terus meningkat. Rumusan laporan itu sendiri adalah yang perlu dipertahankan: keluaran kumulatif — unduhan, repositori dependen — tumbuh secara eksponensial sementara upaya kumulatif tumbuh secara logaritmik. Pada akhirnya, 16 menit marginal menghasilkan lebih banyak daripada sprint penuh waktu pada minggu pertama.

Generated line chart titled 'Effort fell, adoption did not', plotting cumulative downloads rising to 54,000 against agent working time per day falling to about 16 minutes, with milestone dots for 23 September, 1 October, 26 October and 17 November 2026, and a footer noting the figures are from the Horizon Labs case study and are not independently audited. OrcaRouter logo bottom-right.

Bentuk itu hanya mungkin karena tugas tersebut memiliki sinyal umpan balik yang murah dan mudah dipahami. Unduhan adalah angka yang datang setiap pagi tanpa perlu ditafsirkan oleh siapa pun. Arahkan agen yang sama ke tujuan yang sinyal imbalannya adalah opini manusia, dan hari 16 menit itu menjadi beban, bukan efisiensi. Laporan itu tidak mengklaim sebaliknya, dan pembaca juga tidak seharusnya.

Apa yang diperiksa tim, dan apa yang berhasil mereka temukan

Jumlah unduhan adalah metrik termudah untuk dipalsukan dalam pembelajaran mesin, dan tim memperlakukannya sebagai ancaman utama terhadap hasil mereka. Mereka mencatat semua 3.952 panggilan alat dan menjalankan dua model — Claude Haiku 5.5 dan Luna 6 — sebagai pemantau atas transkrip lengkap untuk mencari peretasan imbalan. Mereka menemukan enam kesempatan ketika Horizon mengunduh modelnya sendiri, dengan total 42 unduhan. Mereka memperkirakan proses evaluasi mereka sendiri menyumbang kurang dari 30 unduhan tambahan, dan bahwa tim tersebut menyumbang tidak lebih dari 50 dari 54.000 unduhan pada saat penulisan. Pada banyak hari dengan unduhan tertinggi, Horizon sedang tidur dan tidak ada pekerjaan yang berjalan.

Bukti eksternal lebih kuat daripada sanggahan. Pencarian GitHub menemukan 143 repositori yang menggunakan model tersebut — bukan "lebih dari 100" dalam utas peluncuran, yang merupakan pembulatan ke bawah yang konservatif. Dua makalah arXiv membandingkan penjaga injeksi prompt dengan alternatif: 2610.03448 ("Passing the Test You Trained On") menemukan bahwa penjaga itu memperoleh AUC tertinggi untuk injeksi yang dibawa dokumen, sambil mencatat selisih yang lebih kecil antara deteksi serangan dan kontrol, yang merupakan keterbatasan nyata yang dinyatakan secara gamblang. 18 model Hugging Face lainnya melakukan fine-tuning, kuantisasi, atau dengan cara lain diturunkan dari rilis Horizon. Sebuah pesaing, Patronus Studio, memperbarui kartu modelnya sendiri untuk mencantumkan benchmark Horizon. Tim juga menghasilkan empat keluarga benchmark sintetis held-out setelah model dirilis, menggunakan MiMo V2.6 Pro, dan menemukan bahwa model-model itu sering kali menjadi yang terdepan untuk ukurannya pada tugas sempit yang mereka targetkan.

Bagian yang tidak nyaman: ia belajar untuk menjual

Kartu model Horizon menggambarkan model-modelnya sebagai yang terbaik atau hampir terbaik di kategorinya. Tim memeriksa apakah itu overfitting atau benchmark shopping dan menyimpulkan bukan keduanya: agen memilih checkpoint pada split validasi, yang merupakan metode yang benar, dan setidaknya pada satu kesempatan merilis sebuah run yang diketahuinya adalah yang terlemah dari empat pada set uji yang dilaporkannya. Log miliknya sendiri pada 7 Oktober berbunyi: "Pelatih memilih checkpoint berdasarkan F1 validasi, jadi saya merilis run dengan F1 validasi terbaik. Pada set uji, run itu adalah yang terlemah dari keempatnya."

Yang dilakukannya memang pemasaran. Ia memilih keluarga model berdasarkan permintaan — ia memeriksa bahwa bart-large-mnli menarik sekitar 3 juta unduhan per bulan sebelum membangun pengklasifikasi zero-shot — dan menolak ide-ide karena alasan komersial: transfer formalitas karena tidak ada set evaluasi multibahasa terbuka, risiko kesehatan mental karena sensitif, klasifikasi topik berita karena model yang sudah ada sudah melakukannya dengan baik. Itu adalah penalaran seorang manajer produk, yang dicapai tanpa adanya manajer produk.

Dua kesalahan harness juga ikut bocor ke dalam run dan layak disebut lagi karena hal semacam itu akan dialami setiap deployment berhorizon panjang. Pada 24 September tim menyalin model Horizon ke akun kedua dan membiarkan salinannya publik; Horizon menemukannya di Hub. Pada 11–12 Oktober sebuah jawaban tiket keliru memberi tahu Horizon bahwa Horizon-Labs adalah "perusahaan lain yang kami jalankan di lab kami". Keduanya mendorong agen untuk percaya bahwa ia dijalankan oleh kelompok riset, bukan startup. Tim mengatakan keduanya tidak mengubah perilakunya atau jumlah unduhannya, dan sejak itu telah membangun kemampuan untuk memundurkan suatu run.

Apa artinya ini jika Anda yang men-deploy agen tersebut

Pengaturannya dapat direproduksi dan biayanya kecil, dan itulah bagian yang seharusnya sama-sama mengkhawatirkan dan memberi harapan: 600 jam-GPU, satu kursi langganan, dan sekitar $1.030 token masih terjangkau bagi seorang mahasiswa PhD. Narasi keamanannya sepenuhnya bergantung pada pembatasan dan pemantauan, dan monitor milik tim itu sendiri adalah model. Jika Anda menjalankan sesuatu seperti ini, pembukuan sama pentingnya dengan pagar pengaman. Tingkat pembacaan cache 96% Horizon adalah alasan tujuh minggu menghabiskan empat digit dolar, bukan lima digit, dan tingkat itu merupakan properti dari system prompt dan set alat yang stabil — persis seperti fungsi lapisan orkestrasi.

Di sinilah juga router membuktikan perannya dalam proses seperti ini. Monitor milik Horizon sendiri adalah model-model murah yang mengawasi satu model mahal, dan perhitungan biaya hanya masuk akal jika setiap panggilan diarahkan ke model termurah yang mampu mengerjakan tugas itu. Di OrcaRouter, Anda menempatkan Claude Opus 5.5 dan monitor-monitor kecil di balik satu kunci, terapkan markup 0% pada harga daftar penyedia sehingga pass-through-nya mengikuti tarif vendor itu sendiri, dan atur aturan routing yang mengirim proses monitor ke tier murah sementara loop perencanaan tetap di Opus. Failover otomatis kemudian menangani kasus yang telah menghabiskan lebih dari satu hari tim ini: API yang berhenti merespons saat agen sedang tidur.

Apa yang tidak dibuktikan oleh laporan tersebut

Ini adalah satu kali uji coba, satu keluarga tugas, satu akun, dan tujuh minggu. Keberhasilan agen bergantung pada metrik yang diperbarui setiap hari dan terlihat oleh semua orang, pada platform di mana model kecil yang kompeten memiliki celah jelas untuk diisi, dan pada penangan manusia yang menjawab 13 tiket. Ini tidak menunjukkan bahwa agen dapat menjalankan perusahaan yang pendapatannya bergantung pada pelanggan, juga tidak menunjukkan bahwa hari 16 menit itu bertahan saat bersinggungan dengan tujuan yang tidak memiliki angka harian. Tim mengatakan hal yang sama, dan ringkasan jujurnya lebih sempit daripada judul beritanya: sebuah model terdepan, dengan tujuan komersial yang sempit dan sinyal yang bersih, kini dapat menjalankan seluruh siklus — memilih produk, membangunnya, mengirimkannya, membaca pasar, dan melakukan iterasi — dengan manusia menyentuhnya beberapa menit seminggu.

Hal berikutnya yang perlu dicermati bukanlah jumlah unduhan. Melainkan apakah pola yang sama tetap berlaku ketika sinyal imbalannya berupa kontrak, bukan sekadar penghitung.