Lihat apa yang dihasilkan tim Anda minggu lalu. Sebagian kecilnya adalah fitur yang dibahas dalam standup. Sebagian besarnya adalah pekerjaan pinggiran: triase bug, pelabelan, changelog, komentar awal pada sebelas pull request, perancah pengujian untuk modul yang tidak ingin dimiliki siapa pun, pembaruan dependensi, halaman dokumentasi yang jadi usang saat bentuk respons berubah. Volume tinggi, minim apresiasi, dan sampai minggu ini biayanya sama per token dengan pekerjaan yang menarik, karena dijalankan pada runtime yang sama.
OpenAI merilis GPT-6 Luna pada 22 September dengan harga $0,10 per juta token input dan $0,50 per juta token output, id API gpt-6-luna, jendela konteks 1 juta. Itulah tier tempat 80 persen pekerjaan membosankan seharusnya berada. Pertanyaan yang berguna bukanlah apakah Luna bagus, melainkan pekerjaan mana yang turun ke sana, mana yang tidak boleh, dan bagaimana menulis Task yang bisa diselesaikan runtime murah.
TL;DR
Arahkan pekerjaan ke tier murah berdasarkan kemudahan verifikasi, bukan tingkat kesulitan. Jika hasilnya bisa diverifikasi tanpa perlu mengerjakannya ulang, dan jawaban yang salah hanya menghabiskan satu menit peninjau alih-alih satu sore, itu tempatnya di Luna. Simpan keputusan yang butuh pertimbangan, apa pun yang menjadi dasar otomatisasi board, dan apa pun yang tidak akan diperiksa siapa pun di runtime mahal. Tulis kriteria penerimaan yang bisa dievaluasi mesin, jaga effort tetap sederhana untuk tugas singkat, dan biarkan setiap hasil kembali ke Task tempat seseorang menerimanya.
Berapa harga Luna, dan dengan apa harganya dibandingkan
Perbandingan Luna yang dipublikasikan OpenAI adalah biaya per tugas, bukan posisi di papan peringkat—kerangka yang tepat untuk pekerjaan ini.
| Hasil yang dipublikasikan | Luna | Dibandingkan dengan |
|---|---|---|
| DeepSWE 1.1 | 66,6% pada effort maksimum | Setara dengan Claude Opus 5 dan Fable 5 pada medium, dengan biaya per tugas 93% lebih rendah dari Opus 5, 96% lebih rendah dari Fable 5 |
| AutomationBench 1.0.6 | +5,4pp dari pendahulunya pada effort tinggi | Biaya per tugas 58% lebih rendah |
| OSWorld 2.0 offline | Mengalahkan GPT-5.6 Sol pada effort medium | Sekitar sepersepuluh biayanya |
| Faktualitas | Setara dengan GPT-5.6 Sol pada effort lebih tinggi | Sekitar seperseratus biayanya |
Ada dua catatan yang menyertai angka-angka itu. OpenAI menyebut Sol dan Luna 50% lebih murah dibanding harga promosi GPT-5.6. Promosi adalah kata OpenAI sendiri dan itu penting: baseline-nya adalah diskon, bukan harga resmi. Dibandingkan harga resmi GPT-5.6 Luna yang terdokumentasi dalam liputan peluncuran kami sendiri—$1 per juta input dan $6 per juta output—penurunan menjadi $0,10 dan $0,50 lebih mendekati 90% pada input dan 92% pada output. Pemotongan sebenarnya lebih besar dari angka utama, sementara angka utama itu diukur terhadap harga obral.
Dan setiap perbandingan dengan Anthropic dalam tabel itu dilakukan terhadap Claude Opus 5. Anthropic menggantikan Opus 5 dengan Opus 5.5 pada hari yang sama OpenAI mempublikasikannya, dengan harga $4 per juta input dan $20 per juta output, dibanding $5 dan $25 milik Opus 5. Bacalah margin-margin itu sebagai perbandingan terhadap generasi sebelumnya, karena memang demikian adanya. Kami tidak mengklaim ada pemenang di antara dua flagship saat ini, dan tidak ada vendor yang mempublikasikan perbandingan langsung keduanya.
Artificial Analysis, pihak ketiga dan bukan salah satu vendor, menempatkan Luna di angka 37 pada indeks kecerdasannya, dibanding 58 untuk Opus 5.5. Luna bukan model frontier dan tidak dijual sebagai model frontier. Ia adalah pekerja yang kompeten dengan harga ala utilitas, dan itulah intinya.
Properti yang menentukan apa yang berpindah
Tim menyortir pekerjaan agen berdasarkan tingkat kesulitan. Itu sumbu yang salah: kesulitan adalah properti masalah, sementara eksposur Anda adalah properti dari loop peninjauan. Sortirlah berdasarkan kemudahan verifikasi.
Pekerjaan layak masuk tier murah ketika kedua syarat ini terpenuhi. Hasilnya bisa diverifikasi tanpa diulang dari awal—oleh pengujian, diff, aturan lint, atau sepuluh detik membaca. Dan hasil yang salah hanya menghabiskan satu menit peninjau, bukan satu sore, karena radius dampaknya hanya satu label, satu komentar, atau satu berkas.
Kombinasi itulah alasan perancah pengujian lolos sementara tinjauan keamanan tidak, meskipun keduanya adalah generasi teks atas repositori yang sama. Pengujian yang dihasilkan bisa dijalankan atau tidak, dan Anda tahu hasilnya dalam menit yang sama. Celah otorisasi yang terlewat dalam komentar review terlihat persis sama seperti review yang bersih.
Apa yang bisa diserahkan
| Pekerjaan | Apa yang dikembalikan Agen | Bagaimana diperiksa | Radius dampak jika salah |
|---|---|---|---|
| Triase laporan bug yang masuk | Ringkasan, komponen yang dicurigai, upaya reproduksi, saran prioritas | Empat baris dibaca saat mengambil Task | Satu Task salah alur |
| Pelabelan dan metadata | Label dan jenis Task, dengan menyebutkan aturan yang diterapkan | Terlihat di board | Satu label salah |
| Changelog dan catatan rilis | Draf catatan dari diff yang di-merge dalam Sprint | Diff terhadap commit | Editorial, tertangkap sebelum rilis |
| Komentar review awal | Observasi sebagai komentar, secara eksplisit bukan persetujuan | Peninjau membacanya atau mengabaikannya | Kebisingan, jika tidak ada yang bergantung padanya |
| Perancah pengujian | Berkas pengujian yang bisa dikompilasi dan dijalankan, dengan celah yang jelas ditandai | Jalannya pengujian | Build merah |
| Pembaruan dependensi | Satu pembaruan per Task, dengan kutipan changelog dan hasil pengujian | CI | Satu revert |
| Tindak lanjut dokumentasi setelah merge | Suntingan dokumen yang mengutip diff sumber | Peninjauan diff | Halaman usang tetap usang |
Pola yang menyatukan semuanya: setiap hasil mengembalikan artefak yang dievaluasi orang lain dalam hitungan detik, berdasarkan bukti yang dilampirkan Agen. Tidak ada yang menjadi keputusan akhir atas apa pun—itulah uji yang harus diterapkan ketika Anda memperluas daftar ini ke apa pun yang tim Anda tangani berikutnya.
Apa yang tidak boleh diserahkan
Ada tiga batas yang perlu ditegaskan, karena tier murah mengundang kesalahan-kesalahan ini.
Review awal bukanlah review. Agen yang memposting observasi atas sebuah diff menghasilkan bahan bacaan. Itu bukan persetujuan, dan begitu sebuah tim menganggap review awal yang bersih sebagai sinyal bahwa perubahan itu aman, tier murah telah dipromosikan menjadi keputusan penerimaan. Bersikaplah tepat tentang apa yang bisa dan tidak bisa diverifikasi agen review, dan beri label komentar sebagai review awal di dalam komentarnya sendiri.
Label yang menjadi dasar otomatisasi board adalah keputusan, bukan catatan. Jika memindahkan Task ke suatu status memicu sebuah proses, atau prioritas menentukan apa yang tim ambil berikutnya, Agen pelabelan sedang menetapkan arah. Entah matikan otomatisasi pada field tersebut, atau biarkan pelabelan di tier yang Anda percayai untuk menentukan arah.
Pekerjaan yang tidak akan diperiksa siapa pun tidak menjadi lebih murah—ia menjadi tak terlihat. Jawaban salah yang murah hanya murah ketika ada yang menyadarinya. Jika suatu pekerjaan tidak ada yang membaca, solusinya adalah menghapus pekerjaan itu, bukan mencari runtime yang lebih murah.
Jadi inilah pasangan keputusannya. Gunakan Luna ketika pekerjaan bervolume tinggi, terbatas cakupannya, dan diverifikasi oleh sesuatu selain kepercayaan. Gunakan Sol atau Opus 5.5 ketika suatu Task harus mempertahankan konteks selama berjam-jam, melintasi beberapa modul, atau lebih mahal untuk dihentikan di tengah jalan daripada biaya tokennya. Jika Anda menjalankan satu Agen pada satu repositori, jangan pisahkan tier sama sekali: pilih runtime yang sesuai dengan pekerjaan tersulit Anda.
Menulis Task yang bisa diselesaikan runtime murah
Agen di Sharkly adalah konfigurasi kerja yang tersimpan, bukan prompt sekali pakai. Instruksinya, Runtime, Skills, repositori, environment, dan pengaturan run membentuk cara ia menangani pekerjaan, jadi unit yang tepat adalah satu Agen per jenis pekerjaan membosankan, bukan satu Agen pintar yang mengerjakan ketujuhnya. Sebuah tim bisa menyimpan Agen terpisah untuk perubahan kode, review, pengujian, dokumentasi, atau triase operasional tanpa menulis ulang instruksi untuk setiap Task.
Runtime murah membutuhkan cakupan yang sempit dan garis akhir yang mekanis:
SH-312 Triage: 9 unassigned bug reports from this week
Assignee: Triage Agent (Codex Runtime, gpt-6-luna)
For each report, return on the Task:
- one-sentence restatement of the observed behavior
- the suspected component, with the file or module that led you there
- whether you could reproduce it locally, and the exact command you ran
- a priority suggestion with one reason
Do not change files. Do not close or merge anything.
Finish with any question that must be answered before implementation.
Ada tiga hal dalam Task itu yang melakukan tugasnya. Cakupannya adalah satu kali pemrosesan atas sembilan item, jadi kegagalan mudah dibuang. Setiap klaim membawa buktinya, sehingga pemeriksaan berarti membaca, bukan menyelidiki ulang. Dan dua baris terakhir menetapkan batasnya: Agen ini melaporkan, bukan bertindak.
Ada satu pengaturan yang perlu diputuskan secara sadar. Kemenangan Luna yang dipublikasikan berada pada effort penalaran tinggi dan maksimum, dan effort adalah keputusan biaya serta latensi, bukan tombol kualitas yang Anda biarkan di posisi tertinggi. Artificial Analysis, sekali lagi pihak ketiga, mengukur varian penalaran maksimum pada 153,9 token output per detik untuk Luna dengan sekitar 124 detik hingga token pertama. [VERIFY] Berapa pun angka terkini, polanya tetap sama: pada effort maksimum, model-model murah bukanlah yang cepat memulai. Pekerjaan pelabelan yang berpikir selama dua menit terlihat seperti menggantung di board. Jalankan tugas-tugas singkat pada effort sederhana dan simpan pengaturan tinggi untuk Task yang memang layak mendapatkannya.
Dua catatan tentang akses, karena tier inilah tempat tim mulai bergabung. Luna tersedia di Codex dan ChatGPT Work untuk paket Plus, Pro, Business, Enterprise, dan Edu, dan akun Free serta Go mendapatkannya di aplikasi desktop. Belum tersedia di Chat. Di Sharkly, model diatur dalam konfigurasi Runtime atau tool Computer, tidak pernah di Agen, dan Sharkly tidak akan menampilkan kembali nama model kepada Anda.
Bagian yang tidak bisa diperbaiki oleh pemotongan harga
Sembilan ringkasan triase dengan harga Luna hampir tidak memakan biaya apa pun. Tetap saja itu menghasilkan sembilan hal yang harus dibaca seseorang. Tim yang memindahkan seluruh pekerjaan pinggirannya ke tier murah belum mengurangi keputusan yang menunggu manusia—hanya membuatnya lebih murah untuk dihasilkan, yang tidak sama dengan lebih murah untuk diterima. Itulah sebabnya antrean review tetap menjadi plafonnya tak peduli berapa tarif tokennya.
Yang bisa Anda ubah adalah seberapa mudah antrean itu dipahami. Simpan tujuan, run, bukti, penghambat, dan review manusia pada Task dari permintaan hingga rilis, sehingga komentar review awal terlihat jelas sebagai review awal, ringkasan triase membawa perintah yang menghasilkannya, dan item yang benar-benar menunggu Anda bisa dipisahkan dari yang sekadar berisik. Agen meneliti, mengeksekusi, menguji, dan melaporkan. Manusia menetapkan arah, memberi wewenang, dan menerima hasilnya.
Jika Anda menjalankan beberapa agen dan yang murah akan segera berlipat jumlahnya, Sharkly memberi Anda satu tempat untuk menugaskan Task mereka, melihat apa yang dihasilkan setiap run, dan memutuskan apa yang dirilis. Hubungkan satu Computer, buat Agen untuk pekerjaan Anda yang paling membosankan, dan tugaskan satu Task nyata kepadanya.
