Mengapa Microsoft memisahkan model pemrograman menjadi dua tingkat? Metode 5 langkah pelapisan tugas AI perusahaan menurut MAI Code 2

Microsoft menyediakan model terpisah untuk pekerjaan teknik yang kompleks dan tugas harian berfrekuensi tinggi. Penilaian artikel ini adalah bahwa pendekatan tersebut memberi perusahaan opsi baru untuk mengalokasikan biaya berdasarkan kompleksitas tugas. Pada 17 November 2026, Microsoft merilis MAI Code 2 dan MAI Code 2 Flash. Model pertama ditujukan untuk perubahan multi-file, debugging mendalam, dan penalaran tingkat repositori; model kedua ditujukan untuk penjelasan kode, perubahan titik tertentu, perbaikan rutin, dan iterasi berfrekuensi tinggi.

Kesimpulan inti artikel ini adalah: saat mengevaluasi AI pemrograman, perusahaan tidak seharusnya hanya melihat model mana yang “paling kuat”. Pertanyaan yang lebih penting adalah tugas mana yang bisa diserahkan ke varian ringan, tugas mana yang harus dieskalasi ke varian berat, dan berapa biaya sebenarnya untuk setiap merge yang berhasil. Perlu dicatat bahwa alur penjenjangan tugas di bawah ini adalah saran tim editorial, bukan jaminan routing otomatis yang sudah disediakan Microsoft.

Apa yang dapat Anda pelajari dari artikel ini

  • Perbedaan positioning antara MAI Code 2 dan MAI Code 2 Flash, serta saluran mana yang saat ini tersedia dan saluran mana yang masih berstatus “segera hadir”.
  • Spesifikasi apa saja yang diungkapkan kartu model, dan informasi mana yang merupakan klaim vendor yang belum diverifikasi secara independen.
  • Bagaimana perusahaan dapat mengadopsi pendekatan “dua varian” untuk membangun alur penjenjangan tugas pemrograman mereka sendiri, lalu mengukur hasilnya dengan tingkat keberhasilan, tingkat pengerjaan ulang, dan biaya per merge.
  • Hal-hal yang perlu diperiksa terkait residensi data dan izin sebelum pilot, serta beberapa interpretasi berlebihan yang mudah muncul.

Indeks penjelasan MAI Code 2

Bagian pertama, “Fakta objektif”, merangkum secara berurutan positioning dua varian, saluran peluncuran, spesifikasi kartu model, studi kasus perusahaan, dan hubungannya dengan MAI Work Flash; sumbernya adalah materi publik Microsoft dan dokumen harga GitHub. Bagian kedua, “Analisis dan penilaian”, adalah pandangan tim editorial: pertama menjelaskan logika bisnis di balik dua varian, lalu memberikan lima langkah—membangun daftar pelacakan tugas, routing default, aturan eskalasi, verifikasi manual, dan perhitungan metrik—dan terakhir membahas hal yang perlu diperiksa dalam pilot serta salah tafsir yang perlu dihindari.

microsoft-mai-code-2-two-tier-enterprise-ai-task-routing-id-image-0


Perlu Diketahui: Konsep kunci di balik peluncuran dua varian MAI Code 2

Konsep Penjelasan singkat
MAI Code 2 Model pemrograman kelas berat dari Microsoft, diposisikan untuk multi-file, debugging mendalam, dan penalaran tingkat repositori
MAI Code 2 Flash Varian ringan dari seri yang sama, diposisikan untuk penjelasan kode, perubahan terarah, perbaikan rutin, dan iterasi frekuensi tinggi
MAI Work Flash Model turunan yang dioptimalkan lebih lanjut di atas Code 2 Flash, melayani skenario perkantoran dan data seperti M365 dan FabricIQ
Foundry Platform pengembangan model dan aplikasi AI Microsoft untuk perusahaan, tempat Flash disediakan dalam bentuk preview terbatas
Limited-access preview Preview dengan akses terbatas, perlu mengajukan permintaan atau memenuhi syarat tertentu untuk bisa menggunakannya, dan bukan berarti terbuka sepenuhnya
Jendela konteks Total token yang dapat diproses model dalam satu kali proses; kartu model mencantumkan 1.05M
Penalaran tingkat repositori Memahami struktur dan hubungan dependensi seluruh basis kode sebelum melakukan perubahan, bukan hanya melihat satu file saja
Routing model Strategi mendistribusikan permintaan ke berbagai model berdasarkan karakteristik tugas, dapat diwujudkan lewat aturan manual maupun program
Tingkat rework Proporsi output AI yang ditolak dan perlu direvisi lagi; ini indikator kunci untuk mengukur efisiensi yang sesungguhnya
Residensi data Wilayah geografis tempat data disimpan dan diproses, berkaitan erat dengan persyaratan kepatuhan

Ikhtisar cepat dampak peluncuran dua tier MAI Code 2

  • Penanggung jawab teknis perusahaan: Dimensi pengadaan dan evaluasi berubah dari “memilih satu model terkuat” menjadi “menyiapkan tier berbeda untuk tugas yang berbeda”, sehingga perlu menyiapkan klasifikasi tugas dan dasar penghitungan biaya.
  • Developer yang menggunakan GitHub Copilot: Kedua model sudah tersedia di Copilot, dalam pekerjaan sehari-hari Anda bisa beralih secara aktif sesuai ukuran tugas, tetapi cakupan pilihan yang tersedia bergantung pada kebijakan organisasi Anda.
  • Tim yang membangun aplikasi di Foundry: Saat ini hanya Flash yang tersedia dalam bentuk pratinjau terbatas, jadi Anda perlu memastikan kualifikasi akses terlebih dahulu, dan sebaiknya jangan menjadwalkan berdasarkan asumsi ketersediaan penuh.
  • Developer yang bergantung pada platform pihak ketiga: Dalam siaran pers, saluran seperti OpenRouter, Vercel, Hermes, OpenCode, dan Kilo ditandai sebagai “segera hadir”, jadi jangan memasukkannya ke dalam rencana produksi sebelum benar-benar dibuka.
  • Tim kepatuhan dan keamanan: Setiap model tambahan berarti satu set alur data dan batas izin tambahan, sehingga perlu diselesaikan pemeriksaannya sebelum uji coba.

1. Fakta objektif: apa yang dirilis MAI Code 2 dan Flash

Bagian ini hanya merangkum informasi dari materi publik Microsoft. Konten terkait performa dan studi kasus berasal dari publikasi atau pernyataan ulang vendor, bukan evaluasi independen, dan tim kami juga belum melakukan pengujian langsung terhadap kedua model ini.

1.1 Posisi Dua Tingkat MAI Code 2: Apa yang Ditangani Code 2 dan Flash Masing-Masing

Microsoft dalam siaran persnya menjabarkan pembagian peran kedua model dengan cukup jelas: versi kelas berat bertanggung jawab atas tugas rekayasa kompleks yang membutuhkan pemahaman menyeluruh, sedangkan versi ringan menangani tugas harian berskala lokal, berfrekuensi tinggi, dan berirama cepat.

Dimensi MAI Code 2 MAI Code 2 Flash
Posisi resmi Modifikasi multi-file, debugging mendalam, penalaran tingkat repositori Penjelasan kode, modifikasi titik tertentu, perbaikan rutin, iterasi frekuensi tinggi
Karakteristik tugas Banyak ketergantungan antar-file, perlu memahami struktur keseluruhan Cakupan jelas, perubahan terpusat di bagian lokal
Saran pemilihan (penilaian artikel ini) Evaluasi dulu kebenaran antar-file Evaluasi dulu kualitas tugas lokal dan kecepatan respons
Sifat evaluasi Evaluasi vendor Evaluasi vendor

microsoft-mai-code-2-two-tier-enterprise-ai-task-routing-id-image-1

1.2 Saluran Peluncuran dan Status Ketersediaan MAI Code 2

Ketersediaan adalah bagian yang paling mudah disalahpahami. Berdasarkan siaran pers Microsoft dan blog Azure AI Foundry, status setiap saluran adalah sebagai berikut:

Saluran MAI Code 2 MAI Code 2 Flash Keterangan status
GitHub Copilot Sudah tersedia Sudah tersedia Sudah diluncurkan
Microsoft Foundry Tidak tercantum sebagai tersedia Pratinjau akses terbatas Perlu mengajukan kualifikasi
OpenRouter, Vercel, Hermes, OpenCode, Kilo Segera hadir Segera hadir Siaran pers menandai sebagai soon, bukan berarti sudah terbuka penuh

1.3 Spesifikasi Kartu Model MAI Code 2

Microsoft juga merilis kartu model untuk dua model tersebut. Saat ini, spesifikasi publik yang dapat dikonfirmasi adalah sebagai berikut:

  • Modalitas input berupa teks dan gambar, sedangkan modalitas output berupa teks.
  • Konteks model adalah 1.05M token, dengan batas input 922k dan batas output 128k.
  • Angka di atas adalah spesifikasi kartu model, bukan janji kuota yang tersedia di setiap pintu masuk produk. Saat digunakan, batasan produk spesifik perlu dicek terpisah. Misalnya, konteks yang bisa digunakan dalam sebuah plugin IDE bisa lebih kecil daripada angka pada kartu model.

Soal jumlah parameter total, terdapat versi yang tidak konsisten dalam materi publik, sehingga artikel ini tidak mengutip maupun menganggapnya sebagai sumber yang valid.

1.4 Studi Kasus Kustomisasi Perusahaan MAI Code 2 dan MAI Work Flash

Di halaman model MAI Code 2, Microsoft menyebut skenario model kustom untuk dua perusahaan, yaitu AT&T dan Woven by Toyota. Konten ini merupakan penyampaian ulang dari pihak vendor dan menggambarkan penggunaan kustomisasi khusus untuk perusahaan tertentu, jadi tidak bisa digeneralisasi menjadi “semua tugas perusahaan akan mendapatkan hasil yang sama”.

Informasi lain yang perlu dijelaskan secara terpisah adalah MAI Work Flash. Siaran pers menyebutkan bahwa model ini merupakan model turunan yang dioptimalkan lebih lanjut berdasarkan Code 2 Flash dan ditujukan untuk M365 serta FabricIQ. Karena itu, performa MAI Work Flash dalam skenario perkantoran tidak bisa langsung dikutip sebagai performa Code 2 Flash versi dasar.

1.5 Saat menyusun anggaran, bedakan tarif promosi dan biaya jangka panjang

Dokumentasi harga GitHub Copilot mencantumkan tarif dolar per sejuta token sebagai berikut, dengan urutan input/input cache/output:

Model Tarif promosi Tarif reguler mulai 17 Mei 2027
MAI Code 2 0.50/0.025/2.50 1.00/0.05/5.00
MAI Code 2 Flash 0.05/0.005/0.25 0.10/0.01/0.50

Pihak resmi tidak menjelaskan zona waktu spesifik untuk tanggal tersebut. Ini adalah acuan penagihan Copilot, jadi tidak bisa langsung dianggap sebagai penawaran Foundry atau platform pihak ketiga. Promosi biaya relatif dalam siaran pers Microsoft menggunakan harga promosi 50% dan konfigurasi evaluasi yang ditentukan; anggaran jangka panjang perusahaan harus sekaligus menghitung harga reguler, percobaan ulang yang gagal, dan pengerjaan ulang manual.


2. Analisis dan penilaian: lapisan tugas perusahaan di balik dua tingkatan MAI Code 2

Berikut adalah analisis dan saran dari redaksi, bukan mewakili posisi resmi Microsoft. Uraian berikut bukan penjelasan tentang fitur perutean otomatis produk Microsoft; aturan pemisahan alur, peningkatan, dan penerimaan perusahaan yang diajukan di sini perlu dirancang dan diverifikasi secara terpisah.

2.1 Mengapa MAI Code 2 dipecah menjadi dua tingkat: titik persaingan bergeser dari papan peringkat keseluruhan ke alokasi biaya

Permintaan perusahaan bisa sekaligus mencakup tugas seperti “merombak seluruh modul” dan “menjelaskan satu fungsi”. Proporsinya harus dihitung dari catatan tim, bukan dengan mengasumsikan bahwa sebagian besar adalah tugas sederhana. Jika tugas sederhana pun selalu memakai model besar, biaya yang tidak perlu bisa muncul; latensi aktual tetap perlu diukur. Sebaliknya, jika semuanya diserahkan ke model ringan, tugas kompleks mudah gagal dan berulang kali dikerjakan ulang.

Peluncuran dua tingkat sebenarnya memaparkan trade-off ini secara terbuka: vendor tidak lagi hanya menekankan batas atas satu model, tetapi menawarkan sepasang kombinasi dengan pembagian kerja yang jelas. Bagi perusahaan, yang benar-benar menjadi pembeda adalah apakah tugas yang tepat dapat diserahkan ke tingkat yang tepat, sekaligus terus menghitung hasilnya. Penilaian ini mengacu pada posisi resmi di bagian 1.1; seberapa besar selisih biaya sebenarnya, setiap tim perlu memverifikasinya dengan data sendiri.

microsoft-mai-code-2-two-tier-enterprise-ai-task-routing-id-image-2

2.2 Langkah pertama: membuat catatan tugas untuk model dua tingkat kelas MAI Code 2

Jangan buru-buru mengintegrasikan model. Luangkan waktu dua sampai empat minggu untuk mencatat tugas pemrograman yang benar-benar diserahkan tim kepada AI. Catatan ini tidak perlu rumit; yang penting adalah mencatat bidang yang bisa dipakai untuk menilai kompleksitas:

Bidang catatan Isi yang dicatat Digunakan untuk menilai
Jenis tugas Penjelasan, perbaikan, fitur baru, refaktor, debugging Penentuan tingkat awal
Jumlah file yang terlibat Satu file atau beberapa file Apakah perlu pemahaman tingkat repositori
Apakah ada error yang dapat direproduksi Ada log error atau kasus uji Kedalaman debugging
Cara verifikasi Unit test lulus, tinjauan manual, observasi setelah rilis Biaya verifikasi
Hasil Lulus sekali, beberapa kali pengerjaan ulang, ditinggalkan Apakah tingkat yang dipilih sudah tepat

Dengan adanya catatan tugas, aturan pembagian tingkat berikutnya punya dasar, bukan sekadar menarik garis berdasarkan firasat.

2.3 Langkah kedua: menetapkan rute default berbiaya rendah

Sebaiknya hanya tugas berisiko rendah, lingkupnya jelas, dan kriteria penerimaannya memadai yang memakai tingkat ringan sebagai titik awal. Jumlah file bisa menjadi petunjuk, tetapi tidak bisa menentukan risiko secara mandiri: perubahan autentikasi, pembayaran, atau konfigurasi produksi dalam satu file pun mungkin perlu langsung dinaikkan tingkatnya dan disertai tinjauan manual yang lebih ketat.

Anda bisa lebih dulu menulis tabel triase manual, bukan langsung mengintegrasikan agen otomatis: tugas penjelasan kode dan tugas pemberian saran tanpa efek samping memakai tingkat ringan terlebih dahulu; perubahan lintas modul dan debugging yang akar masalahnya tidak jelas diserahkan ke tingkat kompleks; tugas yang menyangkut informasi rahasia, akses produksi, atau batas keamanan melewati tinjauan penanggung jawab terlebih dahulu. Artikel ini tidak menjalankan pengujian integrasi dan tidak menjamin bahwa pihak ketiga mana pun telah mendukung kedua model ini.

2.4 Langkah Ketiga: Menyusun aturan eskalasi untuk tugas kompleks

Perutean default hanya menyelesaikan pertanyaan “jalur mana yang harus diambil lebih dulu”; kita juga perlu menetapkan kapan harus melakukan eskalasi. Disarankan menggunakan dua jenis pemicu:

  • Eskalasi sebelum eksekusi: jika log menunjukkan bahwa tugas melibatkan banyak berkas, membutuhkan pemahaman tingkat repositori, atau debugging mendalam, serahkan langsung ke tingkat berat.
  • Eskalasi setelah eksekusi: jika hasil dari tingkat ringan tidak lolos pengujian, atau tugas yang sama dikerjakan ulang melebihi jumlah yang disepakati, beralih secara otomatis atau manual ke tingkat berat untuk mencoba ulang.

Untuk setiap percobaan, catat ID tugas, model, penggunaan, hasil penerimaan, dan alasan eskalasi. Percobaan ulang harus menyertakan informasi kegagalan dari putaran sebelumnya, dan tetapkan batas jumlah percobaan atau anggaran; jika melewati batas, alihkan ke penanganan manual, jangan mengulang tanpa henti. Jangan menentukan keberhasilan hanya berdasarkan keluaran yang memuat nama fungsi atau teks “pengujian lulus”; jalankan pengujian yang tepercaya dan periksa perubahan yang sebenarnya.

2.5 Langkah Keempat: Penerimaan manual tidak boleh dilewatkan

Apa pun tingkat modelnya, keluaran pada akhirnya harus melalui tinjauan manual sebelum dapat digabungkan. Disarankan untuk menetapkan intensitas penerimaan yang berbeda sesuai tingkat tugas: untuk perubahan terarah pada tingkat ringan, utamakan kelulusan pengujian ditambah tinjauan cepat; untuk perubahan banyak berkas pada tingkat berat, diperlukan insinyur senior untuk meninjau dependensi dan potensi efek samping. Sebagus apa pun skor evaluasi vendor, itu tidak dapat menggantikan penerimaan di basis kode Anda sendiri.

2.6 Langkah Kelima: Mengukur Efek Pembagian Tier MAI Code 2 dengan Tingkat Keberhasilan, Tingkat Pengerjaan Ulang, dan Biaya per Merge

Kalau hanya melihat harga satuan token, kita mudah menarik kesimpulan yang keliru: tier ringan memang lebih murah per panggilan, tapi kalau sampai dikerjakan ulang tiga kali, biaya totalnya bisa jadi justru lebih tinggi. Sebaiknya hitung dengan tiga indikator berikut:

Indikator Cara perhitungan Keterangan
Tingkat keberhasilan Jumlah tugas yang lolos verifikasi dalam sekali jalan ÷ total tugas Dihitung terpisah per tier dan per jenis tugas
Tingkat pengerjaan ulang Jumlah tugas yang dikembalikan untuk dikerjakan ulang ÷ total tugas Kalau angkanya tinggi, sekaligus periksa pembagian tier, data yang kurang, dan definisi verifikasi
Biaya per merge (biaya pemanggilan model + konversi jam kerja untuk peninjauan manual dan pengerjaan ulang) ÷ jumlah PR yang berhasil di-merge Paling mendekati biaya bisnis yang sebenarnya

Ketiga indikator ini sebaiknya diukur pada tugas Anda sendiri, jangan langsung meniru “persentase peningkatan efisiensi” yang diberikan vendor atau media. Di basis kode, bahasa, dan standar verifikasi yang berbeda, hasilnya bisa sangat bervariasi.

microsoft-mai-code-2-two-tier-enterprise-ai-task-routing-id-image-3

2.7 Pemeriksaan sebelum uji coba: residensi data dan izin MAI Code 2

Setiap kali menambah satu tingkat model, bertambah pula satu set alur data. Sebelum uji coba, sebaiknya setidaknya periksa hal-hal berikut:

  • Residensi data: Pastikan wilayah pemrosesan data dari kanal yang digunakan (Copilot, Foundry, atau platform pihak ketiga) memenuhi persyaratan kepatuhan industri dan wilayah Anda. Flash di Foundry berada dalam tahap pratinjau terbatas; ketentuan masa pratinjau bisa berbeda dari versi resmi.
  • Izin akses kode: Inferensi tingkat repositori berarti model mungkin membaca kode dalam cakupan yang lebih luas. Batasi repositori dan direktori yang dapat diakses, serta kecualikan konten sensitif seperti kunci dan berkas konfigurasi.
  • Kebijakan organisasi: Apakah model dapat diganti di Copilot, dan model mana saja yang bisa diganti, bergantung pada pengaturan administrator organisasi dan perlu dikonfirmasi lebih awal.
  • Log audit: Pastikan model, pemrakarsa, dan cakupan input pada setiap pemanggilan dapat dilacak, agar bisa ditinjau kembali setelah kejadian.

2.8 Tiga hal yang tidak boleh ditafsirkan berlebihan tentang MAI Code 2

  • Perutean produk tidak sama dengan alur tata kelola perusahaan dalam artikel ini. Bahkan jika produk yang digunakan menyediakan pemilihan model otomatis, aturan perutean, ambang penerimaan, dan izin tetap perlu diverifikasi secara independen; jangan menganggap metode lima langkah dalam artikel ini sudah terwujud otomatis.
  • Bukan berarti Microsoft melepaskan kerja sama dengan OpenAI. Meluncurkan model coding buatan sendiri tidak bisa menghasilkan kesimpulan bahwa Microsoft berhenti menggunakan model OpenAI, dan materi publik yang ada juga tidak mendukung inferensi tersebut.
  • Bukan berarti tolok ukur vendor bisa langsung dipakai ulang. Data performa dan studi kasus perusahaan semuanya berasal dari Microsoft; AT&T dan Woven by Toyota merupakan skenario kustom tertentu; MAI Work Flash adalah model turunan yang dioptimalkan secara terpisah; hasil mereka semua tidak bisa langsung dipindahkan ke tugas Anda.

2.9 Sinyal Lanjutan yang Perlu Diperhatikan dari MAI Code 2

Uraian berikut bersifat observasi prediktif yang masih menunggu verifikasi fakta di kemudian hari. Pertama, kapan saluran seperti OpenRouter benar-benar dibuka, serta bagaimana skema penagihannya setelah dibuka. Kedua, kapan Flash di Foundry mengakhiri masa preview terbatas, dan apakah tingkat heavy juga akan masuk ke Foundry. Ketiga, seberapa jauh selisih batas konteks di tingkat produk dengan angka 1.05M pada kartu model — ini akan langsung memengaruhi apakah tugas tingkat repositori bisa dimasukkan ke dalam konteks sekaligus.


Sinyal yang dilepaskan oleh peluncuran dua tingkat ini cukup sederhana: nilai AI pemrograman bukanlah pada selalu memanggil model terkuat setiap saat, melainkan pada menemukan titik keseimbangan antara biaya dan kualitas untuk tiap jenis tugas. Mendaftarkan tugas dengan jelas lebih dulu, lalu membiarkan data yang menentukan garis batasnya, jauh lebih andal daripada mengejar peringkat di papan peringkat mana pun. Sebagaimana dikatakan dalam 《论语·卫灵公》 (Analek Konfusius, bab Wei Ling Gong): “Pekerja yang ingin menyelesaikan tugasnya dengan baik harus lebih dulu menajamkan alatnya.”


Referensi

Artikel terkait

Tinggalkan komentar