Pengembang perangkat lunak sumber terbuka Vystar Tasv baru-baru ini merilis ORA, sebuah orkestrator tugas berbasis Go yang dirancang memecah perintah kompleks menjadi subtugas, lalu mengarahkan masing-masing ke model AI paling hemat yang tetap mampu menyelesaikannya. Alat satu biner ini kompatibel dengan Claude Code, Codex, Cursor, Cline, Hermes, maupun berdiri sendiri, dan dipasang cukup dengan perintah `go install github.com/vystartasv/ora/cmd/ora@latest`.
Di balik peluncuran yang tampak mulus, Tasv mengungkap keputusan drastis dua hari sebelum rilis: ia menghapus angka unggulan yang pernah menghiasi README — klaim bahwa ORA menghemat 68% biaya dibanding mengirim semua tugas ke model flagship. Angka itu bukan kebohongan sengaja, melainkan contoh perhitungan yang diam-diam dipromosikan menjadi pengukuran standar tanpa pernah diverifikasi.
Asal-usul angka itu sederhana: satu subtugas murah, tiga menengah, satu flagship. Faktor biaya diasumsikan 1, 2, dan 10. Total 17 unit versus 50 unit jika semuanya dikirim ke flagship. Hasilnya 66%, dibulatkan jadi 68%, lalu tidak pernah dipertanyakan lagi. Diagram di README dijadikan bukti, padahal hanyalah ilustrasi aritmatika, bukan hasil pengukuran nyata.
Upaya memperbaiki dengan menambahkan tabel faktor biaya justru membuka kotak pandora. Model flagship tidak hanya mahal per token — ia menyelesaikan lebih banyak pekerjaan per token. Model murah bisa butuh 2.000 token, gagal, dan mencoba ulang dua kali. Model flagship mungkin hanya butuh 400 token dan langsung benar. Metrik per subtugas berpura-pura kedua peristiwa itu setara, padahal fundamental berbeda.
Akibatnya, setiap keputusan routing ORA tampak seperti penghematan, karena "hemat" didefinisikan semata sebagai "tidak pakai yang mahal". Itu bukan benchmark. Itu cermin yang memuaskan ego pembuat. Tasv lalu menghapus seluruh bidang penghematan dari struct laporan, perhitungan di orchestrate.go, dan tabel di README. Yang tersisa hanya biaya aktual: total token nyata dikalikan harga model riil. Contoh output: "5 subtugas · 4 model · $0.0038".
Tidak ada kontruktual. Tidak ada perbandingan dengan skenario flagship-only yang tidak pernah dijalankan. Hanya angka yang bisa direproduksi siapa saja tanpa perlu percaya pada klaim pengembang. Prinsip di baliknya tajam: metrik yang mengharuskan membayangkan eksekusi yang tidak pernah terjadi adalah narasi, bukan pengukuran. Klaim hemat persentase bersifat kontruktif oleh konstruksi — begitu pula sebagian besar angka "X% lebih cepat" atau "Y% lebih murah" di alat AI saat ini.
ORA sendiri bekerja dengan alur empat tahap: dekomposisi tugas jadi subtugas independen, routing ke tier model yang sesuai (riset ke murah, generasi kode ke menengah, debugging ke flagship), delegasi ke subagen atau CLI agent secara paralel, lalu kompresi dan rekonsiliasi hasil ke file `.ora-report.json`. File `ORA.md` bisa ditempel ke aturan agen manapun — CLAUDE.md, .cursor/rules, .clinerules, instruksi Copilot, atau skill Hermes — agar alur itu terotomatisasi.
Inti inovasi bukan pada model, tapi pada routing. Tidak setiap subtugas butuh model terbaik dunia, dan keputusan routing itu biasanya dibuat manual, buruk, dan berulang. ORA mengotomatiskan keputusan itu sekali untuk selamanya. Proyek ini berlisensi MIT, tersedia di GitHub vystartasv/ora, versi 0.1.0.
Bagi pengembang Indonesia, pelajaran ini relevan mengingat maraknya startup dan tim engineering lokal yang mengintegrasikan LLM ke produk. Banyak yang tergoda memasang angka penghematan biaya di slide investor atau blog teknis tanpa metodologi pengukuran yang ketat. Praktik ini berisiko menciptakan ekspektasi palsu dan merusak kepercayaan saat produk nyata di-deploy.
Di ekosistem lokal, biaya token masih menjadi hambatan utama adopsi AI generatif skala besar, terutama bagi UMKM dan tim kecil dengan anggaran terbatas. Alat seperti ORA yang transparan soal biaya aktual — bukan penghematan teoritis — lebih berguna untuk perencanaan anggaran realistis. Beberapa tim di Jakarta dan Bandung sudah mulai bereksperimen dengan routing model serupa secara manual; kehadiran ORA sebagai biner tunggal Go memudahkan adopsi tanpa dependensi berat.
Ke depan, tren observabilitas biaya LLM akan semakin kritis. Standar industri akan bergeser dari klaim pemasaran ke metrik yang dapat direproduksi: token aktual, latensi nyata, dolar sebenarnya. Pengembang Indonesia yang membangun lapisan orkestrasi atau wrapper AI sebaiknya mengadopsi filosofi ini sejak awal — cetak biaya nyata, jangan jual mimpi penghematan.