Setelah lihat @dappOS_com tim baru-baru ini ngeluarin xBubble, kesan pertama gue adalah:

Mereka pengen ngatasi masalah yang lebih nyata: bagaimana orang biasa bisa bener-bener manfaatin AI.

Sebenernya gue udah ngikutin DappOS cukup lama, sebelumnya tim ini udah dapet investasi dari YZi Labs dan Sequoia China / HongShan. Latar belakang pendanaan jelas jadi poin plus, tapi yang lebih penting buat gue, apakah produk kali ini bisa ngedapetin permintaan yang nyata.

Sekarang banyak produk AI, kemampuan mereka sebenernya udah cukup mumpuni.

Tapi masalahnya adalah:

Pengguna tetap harus ngerti Prompt, ngerti perbedaan model, ngerti alat-alat yang ada;
Masih harus bagi tugas sendiri, atur format, dan perbaiki hasil.
Dalam beberapa hal, AI memang jadi lebih kuat, tapi banyak pengguna malah jadi 'manajer proyek AI'.

Dan rute low-prompt xBubble, menurut saya, ada poin menarik di sini.

Ini bukan untuk bikin pengguna belajar 'mengendalikan AI', tapi untuk bikin pengguna cuma mengekspresikan tujuan, dan jalur eksekusinya diambil alih oleh sistem.

Inti dari semuanya adalah desain dua lapisnya:

Bubble Engine

Bubble Pilot
Jika dipahami dengan sederhana:

SOP lebih mirip metode 'kerja' yang terakumulasi dari sistem.

Misalnya bikin PPT industri, bukan setiap kali dari nol, tapi:

riset

desain struktur
pengorganisasian konten
generasi grafik
penataan pengiriman
langkah-langkah ini, secara bertahap mengkristal menjadi proses yang stabil.

Bubble Engine lebih mirip lapisan pembelajaran di belakang layar.

Ia akan terus menguji berbagai model, alat, dan jalur eksekusi, mengkristalkan solusi yang lebih stabil menjadi SOP.

Sementara Bubble Pilot lebih mirip lapisan pengaturan.

Pengguna hanya perlu mengungkapkan kebutuhan, ia akan terlebih dahulu menilai jenis tugas, lalu mencocokkan SOP yang paling cocok.

Jika sementara belum ada proses yang sesuai, ia juga akan memanggil solusi umum untuk menyelesaikan tugas, sekaligus memberikan umpan balik kebutuhan baru ke Engine untuk terus belajar dan mengkristal.

Saya rasa desain ini, lebih pragmatis dibanding banyak proyek yang cuma teriak multi-agent.

Karena banyak pengguna yang sebenarnya butuhnya bukan 'jalur rumit', tapi 'hasil yang stabil'.

Contoh yang diberikan oleh proyek sebenarnya cukup tipikal:

Misalnya:

Bikin PPT bisnis tentang (Tinjauan Pasar Kopi China 2025 dan Tren 2026)

Bikin Dashboard perbandingan data 'BYD vs Tesla'
Satu kalimat untuk menghasilkan video promosi produk seperti es kopi, teh lemon
Poin utama dari tugas-tugas ini, tidak pernah tentang 'apakah AI bisa menghasilkan konten'.

Tapi:

Apakah ia bisa mengelola konten, struktur, visual, dan format pengiriman dengan baik.

Ini sebenarnya sangat penting.

Banyak agen umum lebih cocok untuk eksplorasi terbuka.

Tapi dalam PPT, laporan, papan web, video promosi, pengguna sebenarnya tidak ingin seonggok proses tengah.

Tapi hasil yang mendekati 'siap dikirim'.

Selain itu, pemahaman saya sebelumnya tentang Bubble Computer sebenarnya agak sempit.

Kemudian saya menyadari, itu dan Bubble Personal pada dasarnya adalah dua lingkungan operasi yang berbeda.

Bubble Computer lebih mirip ruang proyek berbasis cloud.

Cocok untuk menangani:

PPT

laporan
situs web
video
tugas-tugas multi-langkah seperti ini.

Sistem akan menyelesaikan penelitian, generasi, verifikasi, dan pengiriman di lingkungan sandbox.

Sementara Bubble Personal lebih condong ke lingkungan lokal.

Ia bisa mengoperasikan file lokal, browser, aplikasi, dan jadwal dengan izin pengguna.

Jadi lebih mendekati alur kerja pribadi yang nyata.

Dari sudut pandang ini, xBubble pada dasarnya tidak hanya membuat sebuah pintu masuk chat.

Ia lebih seperti memproduktifkan 'pengalaman penggunaan AI'.

Sekarang banyak AI Agent masih menekankan:

otonomi

jalur panjang
kolaborasi multi-agent
Tapi xBubble memilih untuk terlebih dahulu membuat proses tugas yang konkret berjalan stabil.

Arah ini mungkin tidak semenarik itu.

Tapi saya rasa, malah lebih dekat dengan apa yang benar-benar dibutuhkan pengguna biasa dan usaha kecil menengah.

Tentu saja, produk ini masih dalam tahap uji coba internal.

Apakah SOP bisa terus diiterasi, apakah berbagai tugas bisa stabil dalam generalisasi, apakah pengguna akan lama bertahan, semua itu masih perlu validasi data selanjutnya.

Tapi setidaknya dalam arah ini, saya rasa itu benar.

Tanda penyebaran AI yang sebenarnya, mungkin bukan semua orang belajar Prompt.

Tapi kebanyakan orang, sama sekali tidak perlu tahu apa itu Prompt.


Silakan coba: https://t.co/VAzxujfs7U