Awareness Industri Market Research terhadap AI Tools

Disusun oleh: Ikang Fadhli
Tanggal: 20 April 2026
Untuk: Nutrifood Research Center
Update: Tambahan penting tentang API requirements & Local AI

1. PERKEMBANGAN LLM SEBAGAI CIKAL BAKAL GEN AI

Apa itu LLM?

Large Language Model (LLM) adalah model AI yang dilatih dengan data teks sangat besar untuk memahami, menghasilkan, dan memanipulasi bahasa manusia.

Evolusi LLM:

2018 - GPT-1 (OpenAI): 117 juta parameter - proof of concept
2019 - GPT-2 (OpenAI): 1.5 miliar parameter - mulai bisa generate teks koheren
2020 - GPT-3 (OpenAI): 175 miliar parameter - breakthrough, few-shot learning
2022 - ChatGPT (OpenAI): Fine-tuned GPT-3.5 untuk dialog
2023 - GPT-4 (OpenAI): Multimodal, reasoning lebih baik
2024-2025 - Era open source (Llama, Mistral) & specialized models

Mengapa LLM penting untuk Market Research?

Analisis teks otomatis (survey responses, social media)
Generasi hipotesis penelitian
Summarization laporan panjang
Translation data internasional

2. CONTOH GENAI DI PASARAN

Tabel Perbandingan Fitur:

Fitur	Gemini (Google)	Copilot (Microsoft)	DeepSeek	ChatGPT (OpenAI)
Model Terbaru	Gemini Ultra/Pro	Copilot 4.0	DeepSeek-V3	GPT-4 Turbo
Multimodal	✅ (Text, Image, Audio, Video)	✅ (Text, Image)	✅ (Text, Image)	✅ (Text, Image)
Context Window	1M tokens	128K tokens	128K tokens	128K tokens
Harga	Free tier, Pro $20/mo	$20/mo (Office 365)	GRATIS	$20/mo
Keunggulan	Integrasi Google Workspace	Integrasi Microsoft 365	Open source, cost-effective	Ecosystem terluas
API Cost	$0.0005/1K tokens	$0.002/1K tokens	$0.00014/1K tokens	$0.01/1K tokens
Bahasa Indonesia	✅ Baik	✅ Cukup	✅ Baik	✅ Sangat Baik
Best For MR	Analisis data Google Sheets	Analisis di Excel/Word	Cost-effective scaling	Creative brainstorming

Rekomendasi untuk Market Research:
• Budget kecil: DeepSeek (cost terendah)
• Integrasi Microsoft: Copilot
• Kreativitas tinggi: ChatGPT
• Analisis data besar: Gemini + Google Sheets

3. PERBEDAAN GENAI VERSI CHAT vs API

GenAI Chat (Interface Aplikasi)

Seperti: WhatsApp dengan AI

Contoh: ChatGPT web, Gemini app
Cara kerja: Ketik → Kirim → Dapat jawaban
Keuntungan: Mudah digunakan, instant response
Keterbatasan: Manual, tidak bisa otomasi

GenAI API (Programming Interface)

Seperti: Mesin yang bisa dipanggil program

Contoh: OpenAI API, DeepSeek API
Cara kerja: Program → Kirim data → Dapat response → Program proses
Keuntungan: Otomasi, integrasi, scalable

        # Contoh penggunaan API untuk Market Research

        # Otomatis analisis 1000 response survey

        for response in survey_responses:

            analysis = call_ai_api(response)

            save_to_database(analysis)

Analogi Mudah:
• Chat AI = Pelayan Restoran (kita pesan satu-satu)
• API AI = Dapur Restoran (bisa masak untuk 100 tamu sekaligus)

4. APA ITU AGENTIC AI?

GenAI Biasa:

Fungsi: Jawab pertanyaan, generate teks
Contoh: "Buatkan saya summary laporan"
Karakteristik: Reactive, single task

Agentic AI:

Fungsi: Eksekusi TUGAS KOMPLEKS secara otonom
Contoh: "Analisis data survey ini, buat summary, generate rekomendasi, dan kirim email ke stakeholder"
Karakteristik: Proactive, multi-step, autonomous

Aspek	GenAI Biasa	Agentic AI
Goal	Complete prompt	Achieve objective
Planning	Tidak ada	Buat rencana step-by-step
Tool Use	Terbatas	Gunakan tools (web search, calculator, dll)
Iteration	Single response	Multiple attempts & refinement
Autonomy	Low	High (bisa decide sendiri)

5. LIBRARY LLMER DI R

Apa itu llmer?

Package R untuk bekerja dengan Large Language Models secara langsung dari R.

Kegunaan Utama:

Analisis teks otomatis di R environment
Integrasi dengan pipeline data analysis existing
Reproducible research (script based)

        library(llmer)

        # Setup API key

        set_api_key("deepseek", "your-api-key")

        # Analisis open-ended responses

        survey_data <- read_csv("survey_responses.csv")

        results <- survey_data %>%

          mutate(

            sentiment = llm_analyze(

              text = open_response,

              instruction = "Analyze sentiment"

            ),

            themes = llm_extract(

              text = open_response,

              instruction = "Extract main themes"

            )

          )

6. PROJECTS OPEN SOURCE AI

Apa ini?

Tools untuk membangun AI Agents secara open source (bisa di-host sendiri, customizable).

Tool	Deskripsi	Kegunaan MR
OpenClaw	Platform untuk membuat dan menjalankan AI agents	Build custom agents untuk specific research tasks
Nanobot	Personal AI assistant yang extensible dengan skills	Daily research assistant, reminder, data collection
Hermes	High-performance inference server untuk LLMs	Host model sendiri untuk data sensitive
OpenJarvis	Voice-based AI assistant framework	Hands-free research during fieldwork

⚠️ CATATAN PENTING: OpenClaw & Nanobot Membutuhkan API Provider

OpenClaw dan Nanobot adalah FRAMEWORK, bukan model AI sendiri. Mereka membutuhkan API provider seperti:

OpenAI API (GPT-4, GPT-3.5)
DeepSeek API (cost-effective)
Google Gemini API
Open-source models (via Ollama, LM Studio)

Cara Kerja: Framework → API Key → Provider → Response

7. PERBEDAAN: AI DENGAN API vs LOCAL AI DENGAN OLLAMA

AI dengan API (Cloud-based):

Cara kerja: Kirim data → Cloud provider → Dapat response
Contoh: OpenAI API, DeepSeek API
Keuntungan: No setup, latest models, high performance
Kekurangan: API costs, data privacy concerns, internet dependency

Local AI dengan Ollama (Self-hosted):

Cara kerja: Install model lokal → Run di server sendiri
Contoh: Llama 3, Mistral, Gemma via Ollama
Keuntungan: 100% data privacy, no API costs, offline capability
Kekurangan: Hardware requirements, setup complexity, model limitations

Tabel Perbandingan Lengkap:

Aspek	API-based AI	Local AI (Ollama)
Setup	Instant (API key)	Complex (install, config)
Cost	Pay-per-use	One-time hardware
Privacy	Data ke provider	100% internal
Performance	High (cloud infrastructure)	Tergantung hardware
Updates	Automatic	Manual update
Best For	Prototyping, scaling, general tasks	Sensitive data, compliance, confidential research

Rekomendasi Implementasi untuk Market Research:
1. Phase 1: Gunakan API-based (DeepSeek) untuk prototyping dan general tasks
2. Phase 2: Evaluasi local AI untuk sensitive data dan compliance requirements
3. Hybrid approach: API untuk general tasks, local AI untuk confidential data

8. "SKILL" DALAM OPENCLAW UNTUK MARKET RESEARCH

Apa itu Skill?

Modul fungsi spesifik yang bisa dilakukan AI Agent.

Contoh Skills untuk Market Research:

Web Research Skill - Search web untuk data market
Survey Analysis Skill - Analisis data survey kuantitatif & kualitatif
Competitor Monitoring Skill - Monitor kompetitor activities
Report Generation Skill - Generate report dari data

        User: "Analisis sentiment social media tentang L-Men"

        ↓

        Agent pilih "Social Media Analysis Skill"

        ↓

        Skill: Search Twitter/Instagram → Analisis sentiment → Generate summary

        ↓

        Output: "70% positive, 20% neutral, 10% negative. Top concern: harga"

9. CONTOH KEGUNAAN NANOBOT UNTUK MARKET RESEARCH

Scenario: Daily Market Intelligence

Task 1: Competitive News Monitoring
User: "Nanobot, apa ada news terbaru tentang kompetitor?"
Nanobot: Search news → Summarize → Alert jika ada product launch baru

Task 2: Survey Data Processing
User: "Nanobot, proses 200 open-ended responses survey"
Nanobot: Read CSV → Analyze → Categorize → Generate summary → Save to DB

Task 3: Report Reminder & Preparation
User: "Nanobot, ingatkan saya deadline report bulanan"
Nanobot: Set recurring reminder → Prepare data → Generate draft → Send alert

IMPLEMENTASI ROADMAP

Phase 1: Awareness & Experimentation (1-3 bulan)

Training tim tentang AI tools dasar, Pilot project dengan ChatGPT/Gemini, Identify use cases spesifik

Phase 2: Integration & Automation (3-6 bulan)

Implement API-based automation, Build custom skills untuk frequent tasks, Integrasi dengan existing tools

Phase 3: Advanced & Specialized (6-12 bulan)

Deploy agentic AI untuk complex workflows, Custom model training untuk domain-specific tasks, Full automation repetitive research tasks

Phase 4: Innovation & Leadership (12+ bulan)

Develop proprietary AI tools, Publish research on AI in market research, Become industry thought leader

KEY TAKEAWAYS

AI bukan replacement, tapi force multiplier untuk researcher
Start small dengan use cases spesifik
Prioritize data privacy - pilih antara API vs Local AI berdasarkan sensitivity data
Understand costs - API costs vs hardware investment untuk local AI
Continuous learning - AI landscape berkembang cepat
Ethical considerations - transparency dalam AI-assisted research

"The best way to predict the future is to create it."
- Mulai eksperimen dengan AI tools sekarang juga!

Awareness Industri Market Research terhadap AI Tools Updated