Hark, sebuah startup dengan pertumbuhan tinggi yang didukung oleh pendanaan Seri A sebesar $700 juta, telah secara resmi memperkenalkan pratinjau "Handoff," sebuah agen cerdas yang dirancang untuk menavigasi web layaknya manusia. Dengan melampaui sekadar pembuatan teks sederhana, Handoff bertujuan untuk mengotomatiskan alur kerja yang kompleks di berbagai situs web yang tidak memiliki dukungan API resmi.

Menavigasi Web Tanpa API

Salah satu hambatan paling signifikan dalam otomatisasi adalah ketergantungan pada API terstruktur. Agen Handoff milik Hark melewati batasan ini dengan menganalisis struktur situs web yang mendasarinya serta data visual untuk berinteraksi dengan antarmuka. Hal ini memungkinkan agen tersebut untuk menavigasi platform dengan lalu lintas tinggi yang tidak memiliki API, seperti Target, Walmart, OpenTable, dan LinkedIn, secara mulus.

Agen ini berfungsi dengan memahami petunjuk visual untuk menentukan kapan harus mengeklik tombol, menggulir, atau memasukkan teks. Dalam demonstrasi baru-baru ini, CEO Brett Adcock memamerkan kemampuan agen tersebut dalam menangani logika "fuzzy" yang kompleks—seperti menyusun buket bunga kustom di mana pengguna menentukan "beberapa pilihan dari toko bunga." Kemampuan ini menunjukkan tingkat pemahaman semantik yang melampaui eksekusi perintah yang kaku, memungkinkan interaksi manusia-ke-agen yang lebih alami.

Pergeseran dari Prediksi Next-Token ke Next-Action

Secara teknis, Hark sedang beralih dari paradigma Large Language Model (LLM) standar. Jika LLM tradisional dioptimalkan untuk memprediksi token berikutnya dalam urutan teks, model Hark dirancang untuk memprediksi "tindakan berikutnya" (next action). Ini berarti model tersebut secara khusus menghitung interaksi fisik atau digital berikutnya, seperti input keyboard tertentu atau klik mouse pada koordinat yang tepat di layar.

Untuk mempercepat pengembangan, Hark saat ini menggunakan model post-trained. Strategi ini memungkinkan perusahaan untuk menyempurnakan infrastruktur pelatihan, pipa data (data pipelines), dan teknik khusus secara cepat sebelum beralih ke fase pre-training penuh yang dijadwalkan pada akhir tahun ini. Pendekatan iteratif ini dirancang untuk mengoptimalkan agen dalam hal kecepatan dan efisiensi biaya.

Lanskap Kompetitif Agen Penggunaan Komputer (Computer-Use Agents)

Hark memasuki arena yang padat dan sangat kompetitif. Persaingan untuk dominasi "computer-use" melibatkan raksasa teknologi seperti Google, OpenAI, dan Anthropic, bersama dengan startup khusus yang didanai VC seperti Browser Use, Polar, Strawberry, dan Aside.

Hark memposisikan dirinya sebagai alternatif yang disruptif dengan mengklaim kecepatan yang lebih unggul dan biaya operasional yang jauh lebih rendah dibandingkan model berat seperti GPT 5.5 atau Opus 4.8. Dengan berfokus pada arsitektur khusus yang berorientasi pada tindakan (action-oriented) daripada model teks serbaguna, Hark berupaya menguasai pasar otomatisasi browser frekuensi tinggi dengan biaya rendah.

Perusahaan telah membuka daftar tunggu (waitlist) untuk platformnya dan berniat meluncurkan layanan lengkap pada akhir musim panas. Bagi para pengembang dan pendiri, keberhasilan Handoff dapat menandakan pergeseran menuju "Action Models" yang memprioritaskan penyelesaian tugas daripada sekadar percakapan.

Poin-Poin Penting

  • Arsitektur Berorientasi Tindakan: Berbeda dengan LLM standar yang memprediksi token teks, model Hark memprediksi tindakan pengguna tertentu seperti klik dan ketukan tombol.
  • Otomatisasi Tanpa API: Agen Handoff menggunakan data visual dan struktural untuk menavigasi situs web seperti Walmart dan LinkedIn yang tidak menawarkan API resmi.
  • Fokus pada Biaya dan Kecepatan: Hark bertujuan untuk menawarkan harga dan latensi yang lebih rendah daripada model utama seperti GPT 5.5, dengan target otomatisasi tugas browser skala besar yang efisien.

Yang Perlu Diperhatikan

  • Garis waktu peluncuran – Hark telah membuka daftar tunggu dan merencanakan rilis penuh pada akhir musim panas.
  • Evolusi model – Hark sedang beralih dari model post-trained ke fase pre-training penuh yang dijadwalkan pada akhir tahun ini.