Perplexity Portable Computer: Menghadirkan AI Local-First untuk Workflow yang Lebih Privat

Ketika pekerjaan cerdas tidak harus selalu berjalan di cloud

Banyak pekerjaan digital kini mengandalkan data yang bersifat sensitif: dokumen keuangan, kode sumber, email, laporan internal, hingga file pelanggan. Namun, penggunaan AI sering memunculkan pertanyaan penting: data apa yang dikirim ke cloud, siapa yang memprosesnya, dan apakah pengguna tetap memegang kendali?

Perplexity menjawab kebutuhan tersebut melalui Portable Computer, sebuah platform yang membawa model, agent harness, tools, konektor aplikasi, dan mekanisme keamanan ke komputer lokal. Pendekatan ini tidak sekadar memindahkan proses komputasi dari server ke perangkat pengguna. Portable Computer menawarkan cara baru agar AI dapat menyelesaikan pekerjaan multi-langkah dengan data yang tetap berada di dalam lingkungan pengguna.

Apa itu Perplexity Portable Computer?

Portable Computer adalah versi local-first dari platform Computer milik Perplexity. Platform ini dirancang untuk menjalankan model dan agen secara langsung pada perangkat kompatibel, terutama sistem berbasis NVIDIA seperti DGX Spark dan komputer Linux dengan GPU RTX yang memiliki VRAM minimal 24 GB.

Dalam pendekatan local-first, tugas dimulai dan sedapat mungkin diselesaikan secara lokal. Ketika pekerjaan membutuhkan kemampuan model cloud yang lebih kuat, pengguna akan diminta memberikan izin sebelum konteks tertentu dikirim keluar dari perangkat. Dengan demikian, AI tidak otomatis menjadikan cloud sebagai titik awal dari seluruh proses kerja.

Di dalam satu paket, Portable Computer menyatukan beberapa komponen penting:

• Model lokal untuk menjalankan inferensi di perangkat.
• Agent harness untuk merencanakan dan mengeksekusi tugas.
• Tools untuk membaca file, menjalankan perintah, dan mengelola pekerjaan.
• Konektor ke layanan seperti Google Drive, Gmail, Slack, serta GitHub.
• Security sandbox untuk membatasi risiko saat agen menggunakan tool atau menjalankan kode.

Bagi pengguna, integrasi tersebut mengurangi kerumitan membangun stack lokal sendiri, seperti mengunduh model, menyiapkan inference server, menghubungkan tools, serta menyesuaikan konfigurasi performa.

Mengapa pendekatan local-first penting?

Cloud tetap memiliki peran besar dalam komputasi modern. Namun, tidak semua data ideal untuk dipindahkan ke infrastruktur eksternal. Organisasi di sektor keuangan, hukum, kesehatan, riset, dan pengembangan software sering memerlukan kontrol yang lebih ketat terhadap informasi yang diproses.

Pendekatan local-first menawarkan tiga nilai utama.

1. Privasi data yang lebih terjaga

File, konteks kerja, dan proses inferensi dapat tetap berada di perangkat pengguna untuk tugas yang diselesaikan secara lokal. Hal ini mengurangi kebutuhan untuk mengirim seluruh dokumen atau isi folder ke layanan cloud.

2. Kontrol yang lebih jelas

Portable Computer menggunakan mekanisme izin sebelum melakukan eskalasi ke model cloud. Pengguna dapat menilai kapan kualitas model frontier benar-benar diperlukan dan informasi apa yang dapat dibagikan untuk mendukung proses tersebut.

3. Biaya inferensi lokal yang lebih terkendali

Pekerjaan yang diproses sepenuhnya di perangkat tidak menggunakan kredit cloud. Nilai ini menjadi relevan ketika agen perlu membaca banyak dokumen, memeriksa hasil kerja secara berulang, atau menjalankan tugas dalam durasi panjang. Dalam skenario seperti ini, AI lokal dapat membantu mengurangi ketergantungan pada konsumsi token berbasis cloud.

Bagaimana Portable Computer mendukung pekerjaan berbasis agen?

Berbeda dari chatbot konvensional yang berhenti setelah menjawab satu pertanyaan, agen dirancang untuk menuntaskan rangkaian pekerjaan. Misalnya, pengguna dapat meminta sistem meninjau folder laporan, mengidentifikasi pola tertentu, menyusun ringkasan, lalu membagikan hasilnya ke kanal Slack.

Portable Computer menempatkan AI sebagai orkestrator dari proses tersebut. Sistem dapat mengelola file, menjalankan tool, mencari informasi, dan bekerja dengan konektor aplikasi dalam satu alur. Beberapa contoh penggunaan yang relevan meliputi:

• Menganalisis dokumen investasi atau laporan keuangan secara lokal.
• Membaca dan merangkum file kerja tanpa mengunggahnya ke cloud.
• Meninjau basis kode, menelusuri error, atau membantu menyusun dokumentasi.
• Mengolah data CSV dan menyiapkan insight untuk dibagikan ke tim.
• Menghubungkan hasil kerja dengan layanan seperti GitHub, Gmail, dan Google Drive.

Pendekatan ini membuat agen lebih dekat dengan konteks kerja sehari-hari. Bukan hanya menjawab pertanyaan, sistem dapat membantu menggerakkan pekerjaan dari input hingga output.

Strategi hybrid: lokal sebagai default, cloud saat diperlukan

Kekuatan utama Portable Computer bukan sekadar kemampuan bekerja tanpa cloud, melainkan kemampuannya menggabungkan pemrosesan lokal dan cloud secara selektif. Model lokal seperti Qwen 3.8 27B dan PPLX 27B dapat menangani banyak tugas tanpa koneksi ke model eksternal. Perplexity juga berencana menghadirkan NVIDIA Nemotron 3.5 Lightning sebagai opsi tambahan.

Namun, tugas yang membutuhkan penalaran lebih kompleks dapat dieskalasikan ke model cloud setelah pengguna menyetujui proses tersebut. Dalam skema ini, AI cloud berperan sebagai advisor: memberikan panduan atau respons teks, tetapi tidak memperoleh akses langsung ke file dan tool lokal pengguna.

Model hybrid memberi organisasi fleksibilitas yang lebih baik. Tugas berisiko rendah atau sangat sensitif dapat dipertahankan di perangkat, sedangkan pekerjaan yang memerlukan kemampuan lebih tinggi dapat memanfaatkan cloud secara terukur.

Peran model dan agent harness dalam kualitas hasil

Model yang baik tidak selalu cukup untuk menghasilkan agen yang efektif. Perplexity menekankan bahwa model dan agent harness perlu dirancang bersama. Agent harness mencakup instruksi sistem, struktur tools, alur perencanaan, hingga mekanisme pemeriksaan hasil.

Hal ini penting karena model lokal berukuran lebih ringkas memiliki keterbatasan dibanding model frontier. Jika konteks terlalu panjang atau tool terlalu banyak, kualitas keputusan dapat menurun. Karena itu, Portable Computer menggunakan pendekatan yang lebih ringkas: system prompt yang padat, kumpulan tool inti, serta kemampuan yang dimuat sebagai “skills” hanya saat diperlukan.

Desain ini membantu AI memusatkan perhatian pada langkah yang relevan, sekaligus mengurangi penggunaan token dan beban konteks yang tidak diperlukan.

Keamanan bukan fitur tambahan

Agen yang dapat membaca file dan menjalankan perintah membutuhkan batasan yang tegas. Portable Computer menggunakan sandbox pada tingkat sistem operasi untuk membatasi eksekusi tool. Apabila sandbox tidak tersedia, agent harness tidak akan berjalan.

Pendekatan tersebut penting karena kemampuan agen juga membawa risiko baru. Semakin luas akses yang diberikan kepada sistem, semakin besar pula kebutuhan terhadap kontrol, izin, dan isolasi. Untuk organisasi, keamanan perlu menjadi bagian dari arsitektur sejak awal, bukan lapisan tambahan setelah solusi diterapkan.

Apa tantangan adopsinya?

Walaupun menjanjikan, local-first belum otomatis cocok untuk semua pengguna. Saat peluncuran, Portable Computer berfokus pada Linux dan perangkat NVIDIA dengan minimal 24 GB VRAM. Persyaratan ini membatasi akses bagi pengguna dengan laptop atau PC standar. Dukungan Windows direncanakan menyusul.

Selain itu, model lokal masih dapat tertinggal dari model cloud terbaik untuk tugas penalaran yang sangat kompleks. Karena itu, strategi yang paling realistis bukan memilih satu pendekatan secara mutlak, melainkan menentukan pembagian tugas yang tepat antara perangkat lokal dan cloud.

Kesimpulan

Portable Computer memperlihatkan arah baru bagi AI yang lebih privat, terkendali, dan dekat dengan lingkungan kerja pengguna. Dengan menjalankan model, tools, serta agent harness secara lokal, platform ini mengurangi ketergantungan pada cloud tanpa menghilangkan opsi untuk menggunakan kemampuan model yang lebih kuat saat dibutuhkan.

Bagi individu dan organisasi, nilai terbesarnya terletak pada kontrol: kontrol atas data, biaya, izin, dan alur kerja. Ke depan, AI local-first berpotensi menjadi fondasi penting bagi agen digital yang tidak hanya lebih mampu menyelesaikan tugas, tetapi juga lebih selaras dengan kebutuhan keamanan dan tata kelola data modern.

Sumber: Perplexity — Introducing Portable Computer for Local-First AI