Tidak Seperti Anda. Untuk Anda: Mengapa "Rekayasa Kognitif" Melewatkan Intinya

TL;DR: Industri AI terus menciptakan disiplin "Rekayasa" baru — Prompt, Konteks, Harness, Loop, Graph, sekarang Kognitif. Masing-masing menyelesaikan masalah meta yang sama: output yang dapat diandalkan. Tetapi "Rekayasa Kognitif" menjanjikan sesuatu yang belum bisa dipenuhi. Peluang nyata bukanlah membuat AI berpikir suka kamu. Ini membuatnya berpikir untuk kamu — lebih baik, lebih cepat, dan dengan pengetahuan eksplisit tentang batasannya sendiri.

James di sini, CEO Mercury Technology Solutions. Cyberport, Hong Kong — Juli 2026

Treadmill Penamaan

Setiap beberapa bulan, Twitter AI menciptakan "Rekayasa" baru.

Rekayasa Prompt. Rekayasa Konteks. Rekayasa Harness. Rekayasa Loop. Rekayasa Graph. Sekarang Rekayasa Kognitif.

Nama-nama itu bertambah. Konferensi menjual tiket. Para pemimpin pemikiran di LinkedIn memperbarui bio mereka. Dan di suatu tempat di tengah semua itu, rekayasa yang sebenarnya dilakukan.

Tapi inilah masalahnya: perkembangannya nyata.Setiap lapisan memang menyelesaikan masalah meta yang sama — bagaimana membuat AI secara andal menghasilkan apa yang sebenarnya Anda inginkan — dengan cakupan dan abstraksi yang semakin meningkat.

| Lapisan | Apa yang Dikendalikan | Lompatan | |-------|-----------------|----------| | Prompt | Panggilan tunggal | Apa yang dilihat model | | Konteks | Panggilan tunggal + memori | Apa yang diketahui model tentang Anda | | Memanfaatkan | Eksekusi tugas tunggal | Alat, status, batasan keselamatan | | Loop | Persistensi multi-putaran | Koreksi sampai selesai | | Graf | Orkestrasi multi-langkah | Desain aliran, percabangan, paralelisme | | Kognitif | Pengambilan keputusan itu sendiri | Bagaimana cara berpikirnya, bukan hanya apa yang dipikirkan |

Setiap langkah benar-benar lebih sulit daripada yang terakhir. Masing-masing memerlukan abstraksi baru, mode kegagalan baru, observabilitas baru. Nama-nama bukanlah masalahnya. Masalahnya adalah ketika orang memperlakukannya sebagai pemasaran alih-alih arsitektur.

**Paradoks Rekayasa:** Semakin banyak lapisan yang kita namai, semakin besar risiko kita melupakan bahwa pengguna tidak peduli dengan abstraksi kita. Mereka peduli dengan hasil.

Apa yang Sebenarnya Dimaksud dengan "Rekayasa Kognitif"

Sebuah pos terbaru membingkai Rekayasa Kognitif sebagai perbatasan berikutnya: "ajarkan AI bagaimana cara berpikir." Buat ia memahami pola pikir Anda, kerangka keputusan, kriteria penilaian, prioritas. Tidak hanya mengeksekusi — berpikir seperti Anda, lalu mengeksekusi.

Ini adalah visi yang menarik. Ini juga sangat kurang spesifik.

Ketika seseorang mengatakan "ajarkan AI bagaimana berpikir," mereka bisa berarti tiga hal yang sangat berbeda:

| Interpretasi | Apa Sebenarnya | Bisakah Kita Membangunnya? | |----------------|---------------------|------------------| | A: Pola Refleksi | Pemicu rantai pemikiran + loop koreksi diri | ✅ Hari ini. Lihat 4 pola agensi Andrew Ng. | | B: Pembelajaran Preferensi | Sesuaikan pada jejak keputusan Anda, pelajari trade-off Anda | ⚠️ Sulit. Memerlukan infrastruktur data yang tidak dimiliki sebagian besar perusahaan. | | C: Arsitektur Kognitif Eksplisit | Status keyakinan, aturan inferensi, penanganan ketidakpastian, meta-kognisi | ❌ Perbatasan penelitian. Belum menjadi produk. |

Sebagian besar demo "Rekayasa Kognitif" akan A berpakaian seperti C. Mereka akan menunjukkan rantai refleksi dan menyebutnya "mengajarkan AI untuk berpikir." Itu bukan arsitektur kognitif. Itu adalah pemicu yang baik dengan langkah tambahan.

Arsitektur kognitif yang nyata memerlukan sesuatu yang lebih sulit:

• Status keyakinan — apa yang dipegang agen sebagai benar, dengan kepercayaan eksplisit

• Aturan inferensi — bagaimana itu memperbarui keyakinan berdasarkan bukti baru

• Kerangka keputusan — logika eksplisit untuk pertukaran (kecepatan vs. akurasi vs. biaya)

• Meta-kognisi — mengetahui apa yang tidak diketahuinya, dan mengatakannya

Itu bukan rekayasa. Itu membangun sebuah pikiran. Dan kita belum sampai di sana.

Dimensi yang Dia Hilangkan

Progresi yang dia jelaskan adalah vertikal — lebih banyak kemampuan per lapisan. Tapi ada sebuah horizontal dimensi yang sama pentingnya: cakupan operasi.

Vertikal (bingkai dia): Prompt → Konteks → Memanfaatkan → Loop → Grafik → Kognitif Horizontal (hilang): Tunggal → Multi → Persisten → Terdistribusi → Otonom → Meningkatkan diri

Sumbu horizontal adalah tentang seberapa banyak sistem beroperasi tanpa Anda:

| Tahap | Cakupan | Keterlibatan Manusia | |-------|-------|-------------------| | Panggilan tunggal | Satu prompt, satu respons | Setiap kata | | Multi-putaran | Riwayat percakapan | Setiap sesi | | Persisten | Tugas bertahan di antara sesi | Tinjauan berkala | | Terdistribusi | Beberapa agen berkoordinasi | Penanganan pengecualian | | Otonom | Pengejaran tujuan yang diarahkan sendiri | Eskalasi saja | | Meningkatkan diri | Mengubah arsitektur sendiri | Tidak ada (teoretis) |

Di Mercury, kami beroperasi di Persisten → Terdistribusi.Pekerjaan cron kami berjalan semalaman. Sub-agen kami bekerja secara paralel. Namun, seorang manusia tetap meninjau hasilnya, tetap menerbitkan pos, tetap menyetujui strategi.

Rekayasa Kognitif, jika ada, hidup di persimpangan kedua sumbu:cakupan otonom + arsitektur penalaran eksplisit. Itu bukan fitur yang Anda luncurkan dalam satu sprint. Itu adalah program penelitian.

Pertanyaan yang Sebenarnya

"Apakah Anda ingin AI yang dapat 'berpikir seperti Anda dan melakukan pekerjaan untuk Anda'?"

Tidak.Saya ingin AI yang berpikirlebih baik daripada saya di domain yang telah saya delegasikan secara eksplisit, dan tahu kapan harus bertanya di domain yang belum saya delegasikan.

"Seperti saya" adalah bug, bukan fitur. Saya memiliki bias. Titik buta. Hari-hari ketika saya lelah dan membuat keputusan buruk. AI yang mereplikasi pemikiran saya mereplikasi kegagalan saya.

Kutipan Yang Wen-li berlaku di sini: "Cara paling efektif untuk menang adalah membuat musuh kehilangan kemauan untuk bertarung." Dalam hal ini, musuhnya adalah ketidakandalan. Dan cara untuk mengalahkannya bukanlah imitasi — itu adalah augmentasi.

Apa yang sebenarnya saya inginkan:

• Dalam domain yang saya delegasikan: Lebih cepat, lebih konsisten, kurang emosional. Tanpa kelelahan. Tanpa ego. Tanpa "Saya sudah memutuskan ini kemarin, biarkan saya tetap dengan itu."

• Dalam domain yang saya pertahankan: Eskalasi yang jelas. "Saya tidak memiliki cukup konteks." "Ini bertentangan dengan prioritas yang Anda nyatakan." "Anda bilang tidak pernah melakukan ini tanpa bertanya."

• Di batas: Penyerahan eksplisit. "Saya telah melakukan X. Y memerlukan penilaian Anda. Berikut yang saya rekomendasikan."

**Penggambaran yang sebenarnya:** Bukan "seperti Anda." **Untuk Anda.**

Apa yang Sebenarnya Dibangun oleh Mercury

Kita tidak membutuhkan Rekayasa Kognitif. Kita membutuhkan Rekayasa Graf yang dapat diandalkan yang dipercaya klien dengan proses bisnis yang nyata.

Inilah yang terlihat dalam praktik:

Tumpukan kami hari ini:

• loop L1-L3 (laporan → dibantu → tidak terawasi) untuk konten dan analisis

• koordinasi L4-L5 (tugas persisten, multi-agen) untuk audit dan penelitian

• Kompaksi konteks agar sesi yang lama tidak kehilangan status

• Pengulangan + routing cadangan agar kegagalan tidak berantai

• Lapisan observabilitas agar kita tahu apa yang rusak dan mengapa

Apa yang akan kami tambahkan selanjutnya:

• Pencatatan preferensi — yang membantu Anda memprioritaskan, risiko mana yang Anda toleransi

• Pelacakan keputusan — bukan "apa yang dilakukan AI" tetapi "mengapa ia memilih ini"

• Ketidakpastian eksplisit — skor kepercayaan pada rekomendasi, bukan hanya jawaban

Itu bukan Rekayasa Kognitif. Itu pembelajaran preferensi + pencatatan trade-off eksplisit. Tetapi itu memberikan 80% dari nilai dengan 20% dari kompleksitas. Dan itu dapat dibangun sekarang.

Peluang

Perusahaan pertama yang memproduksi bahkan bentuk lemah dari perilaku "mirip kognitif" memenangkan narasi. Bukan karena itu AGI penuh, tetapi karena itu mengalihkan percakapan dari "otomatisasi" ke "penilaian."

Pikirkan tentang tawarannya:

"Agen kami tidak hanya menjalankan alur kerja Anda. Mereka mempelajari kriteria keputusan Anda — prioritas yang Anda tetapkan, risiko yang Anda toleransi, jalan pintas yang Anda terima — dan menerapkannya secara konsisten. Ketika mereka tidak yakin, mereka bertanya. Ketika Anda tidak yakin, mereka merekomendasikan."

Itu bukan makalah penelitian. Itu adalah penempatan produk. Dan itu dapat dipertahankan karena paritnya bukanlah model — itu adalah data preferensi yang terakumulasi yang tidak dimiliki oleh pesaing mana pun.

Tindakan

Jika Anda membangun dengan AI, berhentilah mengejar label "Rekayasa" berikutnya. Ajukan tiga pertanyaan sebagai gantinya:

1. Pada tingkat apa sistem saya beroperasi? (Panggilan tunggal? Persisten? Terdistribusi?)

2. Apa yang terjadi ketika gagal? (Kesalahan diam? Eskalasi? Cascade?)

3. Bagaimana ia tahu apa yang saya hargai? (Aturan eksplisit? Preferensi yang dipelajari? Tidak?)

Jawaban memberi tahu Anda apa yang harus dibangun selanjutnya. Bukan apa yang harus dinamai.

Karena pada tahun 2026, perusahaan yang menang bukanlah yang memiliki arsitektur kognitif paling canggih. Mereka adalah yang agennya gagal dengan baik, meningkatkan dengan jelas, dan terus-menerus memperbaiki.

Sisanya hanya penamaan.

Mercury Technology Solutions: Percepat Digitalitas.