Papan Skor AI Baru: Claude Opus 5.5 Teratas di Intelligence Index v5, tetapi Biaya Jadi Cerita Utama

Setiap beberapa bulan, muncul "papan skor" baru yang menobatkan model AI terpintar. Bagi kebanyakan dari kita, angka-angka itu terasa jauh: apa bedanya skor 58 dan 57 bagi orang yang hanya ingin menulis laporan, menyusun materi ajar, atau merapikan kode?

Pekan ini, lembaga pengukur independen Artificial Analysis merilis Intelligence Index v5, pembaruan terbesar indeks gabungan mereka sejak versi 4 diluncurkan pada Januari. Pengumuman resminya terbit pada 27 Oktober 2026 dan langsung ramai dibahas di X. Yang menarik justru bukan hanya siapa juaranya, melainkan cara mengukurnya dan pelajaran praktis yang bisa kita ambil.

Apa yang berubah di versi 5?

Menurut Artificial Analysis, untuk pertama kalinya 60% indeks kini berbasis evaluasi dengan soal privat atau jawaban yang disembunyikan. Ini penting karena salah satu kekhawatiran terbesar dalam dunia benchmark adalah "kontaminasi": model bisa saja pernah melihat soal ujian saat dilatih dari data internet, sehingga skornya tampak lebih tinggi daripada kemampuan sebenarnya.

Indeks v5 terdiri atas sembilan evaluasi yang dibagi rata ke empat kelompok, masing-masing berbobot 25%:

• Pekerjaan pengetahuan (knowledge work): tugas agentik yang menghasilkan file, otomasi alur kerja aplikasi, dan menjawab pertanyaan dari dokumen PDF panjang.
• Pemrograman: termasuk FrontierCode 2.0 dari Cognition, berisi 132 tugas di repositori open-source sungguhan. Penilaiannya ketat: apakah perubahan kode dari agen akan diterima (merge) oleh pengelola repositori.
• Sains: termasuk Terminal-Bench-Science, 70 tugas riset ilmiah yang dikerjakan agen di terminal.
• Umum: pengetahuan luas dan tingkat halusinasi (AA-Omniscience v1.1), serta HLE-Diamond, versi 1.000 soal yang disempurnakan dari Humanity's Last Exam.

Bersamaan dengan itu, mereka juga meluncurkan Progress Index v1, skala tunggal untuk melacak perkembangan kemampuan model sejak November 2022.

Siapa di puncak?

Hasil utama yang dilaporkan Artificial Analysis:

• Claude Opus 5.5 (mode max) memimpin dengan skor 58, disusul GPT-6 Astra (57) dan GPT-6.1 Sol (55). Anthropic dan OpenAI menempati lima besar, sementara Gemini 4 Argon berada di skor 50.
• Tidak ada satu model pun yang unggul di semua sembilan evaluasi. Claude Opus 5.5 memimpin tiga, sisanya tersebar ke lima model lain.
• Jarak model open-weights melebar dari 3 poin menjadi 12 poin. Model open-weights teratas, Kimi K3.1 Pro (bobotnya belum dirilis), mendapat 46. Di antara model yang bobotnya sudah tersedia, DeepSeek V4.1 Flash 1017 dan GLM-5.3 memimpin di skor 32.

Bagian yang paling relevan: biaya dan "usaha berpikir"

Bagi pengguna dan pelaku usaha di Indonesia, dua temuan ini mungkin lebih berguna daripada peringkatnya.

Pertama, biaya bisa berbeda jauh. Di antara 10 model dengan skor tertinggi, biaya per tugas indeks bervariasi lebih dari 13 kali lipat, dari sekitar US$0,96 hingga US$13,04. Artificial Analysis mencatat GPT-6.1 Sol hanya terpaut 4 poin dari Claude Opus 5.5, tetapi dengan biaya sekitar seperdelapannya. Artinya, model "terpintar" belum tentu pilihan paling masuk akal untuk setiap pekerjaan.

*Kedua, pengaturan usaha (effort) sangat berpengaruh.* Claude Opus 5.5 mendapat skor 35 pada usaha rendah dan 58 pada usaha maksimal, dengan selisih biaya sekitar 10 kali. Tugas-tugas v5 juga lebih berat: median token keluaran per tugas naik dari 35 ribu menjadi 59 ribu. Pesannya sederhana: semakin dalam model "berpikir", semakin baik hasilnya untuk tugas sulit, tetapi semakin mahal dan lambat.

Batasan dan konteks yang perlu diingat

Sebelum menjadikan peringkat ini patokan, ada beberapa hal yang patut dipertimbangkan:

• Ini indeks berbahasa Inggris. Artificial Analysis sendiri menyebut Intelligence Index sebagai rangkaian evaluasi yang utamanya berbasis teks dan berbahasa Inggris. Kemampuan dalam bahasa Indonesia, gambar, atau suara diukur terpisah, jadi peringkat ini tidak otomatis mencerminkan kualitas jawaban dalam bahasa kita.
• Satu angka menyederhanakan banyak hal. Skor gabungan berguna untuk gambaran umum, tetapi model yang unggul di sains belum tentu terbaik untuk menulis, dan sebaliknya.
• Selisih tipis bukan perbedaan besar. Jarak 58 dan 57 sangat kecil; dalam pemakaian sehari-hari, kualitas instruksi (prompt) dan kecocokan tugas sering lebih menentukan.
• Lanskap cepat berubah. Peringkat ini memotret kondisi akhir Oktober 2026 dan bisa bergeser begitu model baru dirilis.
• Soal privat juga punya sisi lain. Soal yang disembunyikan mengurangi risiko kontaminasi, tetapi publik tidak bisa memeriksa seluruh isinya secara langsung.

Pelajaran praktis untuk kita

Daripada sibuk mengejar "model nomor satu", lebih bijak bertanya: tugas apa yang ingin saya selesaikan, seberapa sulit, dan berapa anggaran waktu serta biayanya? Untuk ringkasan email atau ide konten, model yang lebih ringan sering sudah cukup. Untuk analisis panjang, riset, atau kode yang kompleks, barulah model besar dengan usaha berpikir lebih tinggi layak dipakai. Dan apa pun modelnya, hasil penting tetap perlu diperiksa ulang.

Coba di Sumber AI

Kalau Anda ingin merasakan sendiri perbedaan antarmodel tanpa repot berpindah aplikasi, Sumber AI bisa menjadi tempat mulai. Gunakan chat untuk menguji pertanyaan yang sama dan membandingkan jawabannya, jurnal untuk mencatat prompt dan hasil yang paling cocok untuk pekerjaan Anda, serta Studio untuk mengolah ide menjadi konten. Mulailah dari tugas nyata Anda sehari-hari; dari situ Anda akan tahu model mana yang benar-benar membantu.

---

Sumber:

• Artificial Analysis, "Announcing Artificial Analysis Intelligence Index v5" (27 Oktober 2026): artificialanalysis.ai/articles/artificial-analysis-intelligence-index-v5
• Metodologi Intelligence Index: artificialanalysis.ai/methodology/intelligence-benchmarking