Descript Pangkas Evaluasi Model AI dari Seminggu ke 2 Jam

Aleks Mistratov lagi jalan santai, buka linimasa, lihat model AI baru rilis. Dia ketik satu baris perintah di Slack — dan sejam dua jam kemudian, model itu udah selesai dites lengkap, tinggal diputuskan layak masuk produksi atau tidak.

Apa yang baru

• Endpoint tunggal: Descript dulu punya tiga integrasi langsung ke OpenAI, Anthropic, dan Google plus logic fallback bikinan sendiri; sekarang semua lewat OpenRouter sebagai satu pintu masuk ke semua provider.
• Dari seminggu ke 1-2 jam: nambah satu model baru dulu makan beberapa jam kerja teknis plus berhari-hari nunggu giliran di kalender engineer; sekarang timeline itu turun jadi 1-2 jam tanpa nunggu siapa pun.
• Otomasi lewat Slack: tim produk tinggal ketik perintah di Slack pakai Claude Tag, integrasi Slack bikinan Anthropic, buat langsung menjalankan evaluasi dan bikin pull request — manusia tinggal review dan approve.
• Model open-weight tetap dikontrol: buat model yang udah dipercaya jalan di produksi, Descript pasang dedicated deployment di Baseten, dengan OpenRouter jadi router utama dan provider lain sebagai fallback kalau ada gangguan.
• Cakupan model melebar: Descript gak pernah bikin integrasi langsung ke xAI, tapi Grok 4.5 sekarang jalan di produksi lewat jalur yang sama kayak model lain.

Cara kerjanya

Mistratov gambarin alurnya sendiri: dia lihat model baru muncul di linimasa, buka Slack, bilang "jalanin evaluasi buat model ini di OpenRouter" sambil kasih link. Claude Tag yang eksekusi — dia yang menjalankan evaluasi di test harness internal Descript dan langsung bikin pull request-nya.

Yang berubah bukan cuma kecepatan, tapi siapa yang bisa memicu prosesnya. Nyoba model baru gak lagi berarti buka hubungan vendor baru atau nyambungin satu API endpoint lagi dari nol. Kerjanya tetap ada, cuma gak ada lagi orang yang harus diminta tolong buat mulai.

Analoginya kayak bengkel yang dulu butuh alat scan diagnostik berbeda buat tiap merk mobil — teknisi harus punya alat khusus dan pelatihan khusus per merk. Sekarang cukup satu alat yang nyolok ke semua merk lewat protokol yang sama, tinggal ganti parameter, bukan ganti alat.

Kenapa ini penting

Buat tim engineering di Indonesia yang lagi bangun AI agent atau produk dengan logic ganti-ganti model, overhead integrasi provider itu biaya nyata — bukan cuma waktu bikin kode, tapi antrean prioritas di kalender engineer yang biasanya udah penuh. Descript nunjukkin biaya itu bisa dipangkas drastis kalau lapisan routing-nya udah standar dari awal.

Yang lebih penting: pemilihan model jadi keputusan empiris yang berulang, bukan keputusan sekali di awal proyek yang baru direvisi kalau kepepet. Descript sekarang ngetes model beberapa kali seminggu, dan sebagian besar hasil tesnya emang gak dipakai — tapi biaya buat ngetes udah cukup murah sampai itu jadi masuk akal dilakukan rutin.

Kalau kalian udah pakai OpenRouter tapi masih ganti model manual satu-satu di kode, ada cara setup yang lebih rapi lewat konfigurasi terpusat — cara mengubah model AI di banyak aplikasi dari satu pengaturan OpenRouter bisa jadi titik mulai yang lebih murah dibanding bikin logic fallback sendiri kayak yang dulu dilakukan Descript.

Buat kalian

• Yang harus peduli: kalian yang bangun agent atau produk AI dengan lebih dari satu model provider, dan sering nunggu giliran engineer buat sekadar nyoba model baru yang lagi ramai dibahas.
• Yang boleh santai: kalau produk kalian cuma pakai satu model dari satu provider dan belum ada rencana ganti-ganti, urgensinya rendah — fokus dulu ke hal lain.
• Langkah kecil pertama: pilih satu model baru yang lagi kalian pertimbangkan, coba lewat endpoint terpusat kayak OpenRouter dulu sebelum nulis integrasi langsung ke provider-nya — baru bangun koneksi khusus kalau model itu emang kepilih buat produksi.

Yang bikin cerita Descript menarik bukan cuma soal kecepatan, tapi soal memindahkan biaya dari keputusan ke eksperimen — begitu ongkos nyoba turun, tim jadi berani nyoba lebih sering, dan keputusan akhir jadi lebih ditopang data dibanding tebakan awal. Prinsip yang sama itu yang gw latih bareng murid-murid buat nyusun workflow AI di kelas gw, biar keputusan pakai model apa gak lagi ditentukan sama mana yang paling gampang diintegrasikan, tapi mana yang paling cocok buat kerjaan itu — coba lihat kelas gw.

Sumber primer: pengumuman resmi OpenRouter (openrouter.ai/blog/insights/descript-model-evaluation-queue).