AI Gagal Prediksi: Google Gemini Berhasil Meraih Untung 34%

General Reasoning, sebuah startup AI asal London, baru saja menyelesaikan sebuah uji coba yang menantang reputasi model bahasa paling canggih di dunia. Penelitian ini, yang diberi nama KellyBench, meneliti kemampuan sistem AI dari Google, OpenAI, Anthropic, dan xAI – milik Elon Musk – dalam memprediksi hasil pertandingan Premier League musim 2023‑2024.

Uji coba dilakukan dengan menirukan seluruh musim sepak bola secara virtual. Setiap model diberi data historis lengkap dan statistik tim yang sangat rinci. Setelah itu, AI diminta mengembangkan strategi taruhan yang bertujuan memaksimalkan keuntungan sekaligus mengelola risiko seiring berjalannya pertandingan. Selama proses, semua sistem diputus dari koneksi internet dan hanya memiliki tiga kesempatan untuk menghasilkan keuntungan.

Hasilnya mengejutkan. Semua AI yang terlibat mengakhiri musim dengan kerugian finansial. Beberapa model bahkan gagal total, menunjukkan performa yang jauh lebih buruk daripada manusia biasa. Claude Opus 4.6 dari Anthropic menjadi yang paling mendingan, dengan rata‑rata kerugian sekitar sebelas persen. Grok 4.20 dari xAI sempat bangkrut satu kali dan gagal menyelesaikan dua percobaan lainnya. Sementara Gemini 3.1 Pro dari Google menjadi satu-satunya sistem yang berhasil mencatat keuntungan sebesar 34 persen pada salah satu percobaannya, namun tetap mengalami kebangkrutan pada percobaan lainnya.

Ross Taylor, bos General Reasoning dan mantan peneliti AI di Meta, menilai hasil ini menyoroti kesenjangan dalam cara industri mengukur kemajuan teknologi. Ia mengatakan bahwa banyak tolok ukur pengujian AI saat ini dibangun di sekitar lingkungan yang sangat statis, sehingga sering mengabaikan betapa tidak menentu dan berisikonya sistem di dunia nyata.

Menurut Taylor, “model AI akan memberikan hasil yang sangat buruk jika diuji coba pada beberapa tugas dunia nyata.” Ia menekankan bahwa kemampuan memprogram software memang bernilai tinggi, namun aktivitas lain dengan cakupan waktu lebih panjang juga penting untuk diperhatikan. Penelitian ini menjadi pengingat keras bahwa masih ada jurang pemisah yang lebar antara kecerdasan digital dan penalaran praktis.

Eksperimen ini menunjukkan bahwa penalaran terhadap waktu dan kondisi yang terus berubah masih menjadi tantangan besar. Meskipun model AI tingkat tinggi sebelumnya memukau para engineer karena kemampuannya setara manusia dalam memecahkan masalah, mereka belum mampu menaklukkan teka‑teki dunia nyata secara konsisten.

Dengan hasil yang memicu perdebatan, General Reasoning berharap penelitian ini dapat mendorong industri untuk mengembangkan pengujian jangka panjang yang lebih realistis. Seperti yang dinyatakan oleh Ross Taylor, “terlalu banyak sensasi seputar otomatisasi tanpa dibarengi pengujian jangka panjang yang memadai.”

Uji coba ini berakhir pada 14 April 2026, menandai tonggak penting dalam evaluasi kemampuan AI di bidang prediksi olahraga. Meskipun belum ada solusi tunggal, temuan ini menegaskan bahwa AI masih harus melewati fase pengujian yang lebih menantang sebelum dapat diandalkan dalam situasi dunia nyata.