Lebih dari Riwayat Obrolan: Bagaimana Honcho Mengatasi Tantangan Personalisasi untuk Aplikasi LLM

Bayangkan menjelaskan fisika kuantum kepada nenekmu, kepada profesor, dan kepada remaja. Kamu tidak akan menggunakan kata-kata, contoh, atau kecepatan yang sama untuk masing-masing dari mereka. Kamu secara naluriah akan menyesuaikan komunikasi berdasarkan siapa yang sedang kamu ajak bicara. Inilah yang benar-benar hilang dari aplikasi model bahasa besar saat ini—dan ini adalah inti masalah yang dirancang untuk diperbaiki oleh platform baru yang diluncurkan oleh Plastic Labs, Honcho.

Pada 11 April, startup AI Plastic Labs mengumumkan penyelesaian putaran pendanaan Pre-Seed sebesar $5,35 juta yang dipimpin oleh Variant, dengan partisipasi dari White Star Capital, Betaworks, Mozilla Ventures, Seed Club Ventures, Greycroft, dan Differential Ventures. Investor malaikat termasuk Scott Moore, NiMA Asghari, dan Thomas Howell juga bergabung dalam putaran ini. Perusahaan sekaligus membuka akses awal ke Honcho, platform identitas AI yang dipersonalisasi, menandai tonggak penting dalam bagaimana aplikasi LLM akhirnya dapat memahami penggunanya.

Kebutuhan yang Semakin Meningkat akan Personalisasi Sejati dalam Aplikasi LLM

Pertumbuhan pesat perangkat lunak berbasis LLM telah menciptakan masalah tak terduga: aplikasi ini kuat tetapi secara mendasar tidak personal. Asisten terapeutik perlu memahami keadaan emosional dan gaya komunikasi kamu. Tutor pendidikan harus mengenali bagaimana kamu belajar dengan cara terbaik. Pendamping belanja harus memahami preferensi dan pola penelusuran kamu. Namun sebagian besar pengembang yang membangun aplikasi ini menghadapi lanskap yang terfragmentasi tanpa solusi standar.

Saat ini, tim-tim menggabungkan sistem seadanya untuk menyimpan data pengguna—biasanya tersembunyi dalam log percakapan—dan mengaksesnya saat diperlukan. Setiap organisasi pada dasarnya memulai dari nol, membangun infrastruktur manajemen status pengguna mereka sendiri. Hasilnya adalah pemborosan upaya rekayasa di seluruh industri, dengan banyak tim yang mengulang roda yang sama. Lebih buruk lagi, bahkan ketika pengembang menggunakan metode canggih seperti basis data vektor dan generasi yang diperkuat pengambilan kembali (RAG), mereka hanya dapat menampilkan percakapan masa lalu. Mereka tidak dapat benar-benar menangkap karakteristik pengguna yang lebih dalam: preferensi komunikasi, pola belajar, pemicu emosional, atau nuansa kepribadian.

Aplikasi terapeutik, asisten pendidikan, platform membaca, dan alat e-commerce sudah menunggu dalam antrean beta tertutup Honcho—ratusan aplikasi di berbagai skenario, semuanya mengenali hambatan yang sama.

Mengapa Pendekatan Ilmu Kognitif Honcho Mengubah Permainan

Di sinilah Honcho muncul sebagai titik balik. Platform ini berfungsi sebagai solusi siap pakai yang dapat langsung diintegrasikan pengembang ke dalam aplikasi LLM mereka tanpa harus membangun infrastruktur pemodelan pengguna dari awal. Setelah terhubung, pengembang mendapatkan akses ke profil pengguna yang kaya dan permanen yang menangkap jauh lebih banyak nuansa daripada metode tradisional.

Perbedaan utama terletak pada fondasi platform: Honcho mengadopsi teknik canggih yang diambil dari ilmu kognitif. Alih-alih hanya menyimpan riwayat percakapan atau menyematkan interaksi pengguna ke dalam basis data vektor, Honcho membangun model yang lebih dalam tentang siapa sebenarnya pengguna itu. Profil ini dapat diquery menggunakan bahasa alami, memungkinkan aplikasi LLM untuk menyesuaikan perilaku, nada, dan pendekatan komunikasi secara dinamis berdasarkan karakteristik pengguna individual.

Manfaat rekayasa jelas: Honcho menyederhanakan kompleksitas pengelolaan status pengguna, membebaskan tim pengembangan untuk fokus pada logika inti aplikasi mereka daripada infrastruktur. Tetapi implikasinya jauh melampaui kenyamanan satu aplikasi. Profil pengguna yang kaya dan abstrak yang dihasilkan oleh Honcho menciptakan sesuatu yang sudah lama dicari industri tetapi sulit dicapai: jalur menuju lapisan data pengguna bersama yang benar-benar interoperabel.

Masalah Lapisan Data Bersama: Mengapa Upaya Sebelumnya Gagal

Secara historis, upaya untuk menciptakan lapisan data pengguna bersama gagal karena dua alasan mendasar.

Pertama, hambatan interoperabilitas. Data pengguna tradisional cenderung sangat terkait dengan konteks aplikasi tertentu dan sulit dipindahkan antar platform. Jaringan sosial kamu di X—yang didefinisikan oleh siapa yang kamu ikuti—memberikan sedikit nilai untuk jaringan profesional kamu di LinkedIn. Data tersebut tidak dapat diterjemahkan. Honcho menangkap karakteristik pengguna tingkat tinggi yang lebih universal yang dapat digunakan di berbagai aplikasi LLM. Misalnya, jika platform pendidikan menemukan bahwa kamu belajar paling baik melalui analogi, wawasan itu menjadi berharga bagi asisten terapi kamu, yang dapat menggunakan teknik bercerita untuk berkomunikasi lebih efektif. Karakteristik yang sama berlaku di berbagai kasus penggunaan yang sama sekali berbeda.

Kedua, masalah cold-start. Lapisan berbagi sebelumnya tidak mampu mendapatkan daya tarik karena pengguna awal tidak melihat manfaat langsung. Menggaet aplikasi pertama—yang penting untuk menghasilkan data pengguna yang berharga—memerlukan janji tentang jaringan yang belum ada. Honcho menghindari dinamika ayam dan telur ini dengan menyelesaikan “masalah tingkat pertama” untuk aplikasi individual terlebih dahulu. Ketika cukup banyak aplikasi terhubung, efek jaringan secara alami muncul, dan “masalah tingkat kedua” mulai terselesaikan sendiri. Aplikasi baru yang bergabung dengan platform tidak menghadapi gesekan cold-start; mereka mewarisi profil pengguna yang kaya dari awal dan mengakses lapisan kecerdasan yang berkembang tanpa harus melatih model mereka sendiri.

Membangun Infrastruktur: Peta Jalan Strategis Plastic Labs

Strategi perusahaan mencerminkan pendekatan bertahap ini. Awalnya, fokus tetap pada menyelesaikan tantangan utama pengelolaan status pengguna untuk aplikasi individual. Seiring adopsi yang meningkat dan semakin banyak aplikasi terhubung ke Honcho, tim akan secara bertahap memperkenalkan lapisan data bersama untuk aplikasi yang bersedia berpartisipasi.

Lapisan bersama ini memperkenalkan struktur insentif yang dirancang berdasarkan mekanisme blockchain. Aplikasi yang mengakses kepemilikan awal di lapisan itu sendiri, berbagi dalam pertumbuhan dan nilai jaringan. Secara bersamaan, arsitektur desentralisasi blockchain memastikan sistem tetap kredibel dan transparan, mencegah gatekeeper terpusat mengekstraksi nilai yang tidak proporsional atau mengembangkan produk bersaing yang memanfaatkan data bersama yang mereka buat.

Pendekatan ini mencerminkan pelajaran yang dipetik dari pekerjaan sebelumnya. Saat mengembangkan Bloom, aplikasi bimbingan belajar berbasis chat yang dipersonalisasi, tim Plastic Labs mengalami frustrasi saat membangun bimbingan belajar cerdas tanpa benar-benar memahami gaya belajar dan kebutuhan belajar individu siswa. Honcho muncul langsung dari wawasan ini—pengakuan bahwa setiap pengembang aplikasi LLM akhirnya akan menghadapi kendala mendasar yang sama.

Apa yang Akan Datang: Dari Satu Aplikasi ke Efek Jaringan

Ratusan aplikasi yang mencakup pelatihan pemulihan kecanduan, bimbingan belajar, bantuan membaca, dan platform e-commerce sudah terdaftar dalam daftar tunggu Honcho. Masing-masing mewakili kasus penggunaan dan basis pengguna yang berbeda, tetapi semuanya berbagi kebutuhan yang sama: aplikasi LLM yang benar-benar memahami siapa yang mereka ajak bicara.

Variant, sebagai investor utama dan perusahaan yang diwakili oleh General Counsel Daniel Barabander yang membantu merumuskan visi Honcho, mengakui apa yang telah dicapai Plastic Labs: tim dengan keahlian terbukti dalam pemodelan pengguna untuk perangkat lunak berbasis AI, kini merilis infrastruktur yang dapat mengubah cara seluruh ekosistem aplikasi LLM menangani personalisasi.

Tantangan personalisasi dalam aplikasi LLM tidak lagi bersifat teoretis—ini telah menjadi hambatan utama yang membatasi penciptaan pengalaman AI yang benar-benar berguna dan kontekstual. Honcho mewakili solusi pertama yang tersedia secara luas yang mengatasi masalah ini secara skala besar, berpotensi membuka era baru aplikasi LLM yang sangat personal yang benar-benar memahami penggunanya.