Mengapa Agen AI Farmasi Membutuhkan Model Spesifik Domain yang Lebih Kecil Terlebih Dahulu

Farmasi terpikat oleh janji kecerdasan buatan agen (AI): sistem AI yang dapat secara mandiri mengoordinasikan alur kerja yang kompleks, melakukan penalaran di berbagai fungsi yang terpisah, dan menyesuaikan pendekatan mereka berdasarkan hasil, semuanya dalam batasan yang ditentukan.

Namun ada ketidaksesuaian mendasar antara visi ini dan pendirian sebagian besar organisasi farmasi. Model dasar yang mendukung agen-agen ini dilatih berdasarkan data publik. Mereka memahami bahasa dengan sangat baik. Yang tidak mereka pahami adalah catatan batch, prosedur tervalidasi, atau protokol penyimpangan perusahaan tertentu—dokumentasi hak milik yang ada di balik firewallnya.

Hal ini menciptakan kesenjangan kritis dalam kematangan AI. Perusahaan biasanya beroperasi dalam empat tingkat kecanggihan:

• Dorongan dasar. Pengguna mengirimkan pertanyaan langsung ke platform seperti ChatGPT atau alat serupa dan menerima jawaban hanya berdasarkan data pelatihan model.
• Generasi augmented pengambilan (RAG). Perusahaan menghubungkan model dasar ke database lokal, mengambil dokumen yang relevan, dan mengirimkannya dengan petunjuk untuk memberikan konteks. Di sinilah sebagian besar perusahaan farmasi beroperasi saat ini.
• Penyempurnaan. Organisasi mengambil model dasar, memasangnya di lingkungan mereka, dan melatihnya kembali pada data milik mereka, sehingga secara mendasar mengubah komposisi model.
• Membangun model khusus dari awal. Sebuah upaya mahal yang masih berada di luar jangkauan sebagian besar perusahaan.

Sebagian besar perusahaan farmasi terjebak di tingkat dua karena tingkat satu terlalu naif untuk operasi yang diatur, sementara tingkat tiga dan empat sangat mahal (perjalanan penyempurnaan model bahasa besar (LLM) dapat menghabiskan biaya $10.000–$15.000 masing-masing). Ada jalan tengah yang bekerja sangat baik untuk industri yang taruhannya tinggi: model bahasa khusus domain.

LLM dasar mencapai kemahiran dengan miliaran atau triliunan parameter. GPT-5, misalnya, dikabarkan memiliki 1,2 triliun (1). Raksasa ini mengkodekan pengetahuan di setiap domain yang ada. Untuk operasional farmasi, sebagian besar kapasitas tersebut merupakan kapasitas yang terbuang.

Model bahasa khusus domain mengambil model dasar yang lebih kecil dan melatih kapasitasnya secara intensif pada dokumentasi perusahaan perusahaan. Alih-alih mengetahui sedikit tentang segalanya, mereka mengetahui segalanya tentang operasional perusahaan. Siklus Hype Gartner 2025 (2) menilai model GenAI khusus domain sebagai “Manfaat Tinggi”, namun penerapannya masih di bawah 5%, yang menunjukkan adanya peluang dan tahap awal dari pendekatan ini.

Hal ini sangat penting dalam dunia farmasi, dimana margin kesalahan adalah nol. Ketika AI memberikan informasi dalam pengambilan keputusan mengenai pembuatan obat, protokol klinis, atau investigasi kualitas, “cukup dekat” berdasarkan pengetahuan industri generik tidak dapat diterima. Sistem ini perlu memahami proses spesifiknya—proses yang diaudit oleh regulator, proses yang menentukan apakah sejumlah diagnostik akan diberikan kepada pasien.

Penerapannya lebih mudah diakses dibandingkan penyesuaian tradisional. Pelatihan zero-shot memungkinkan pengguna bisnis untuk memasukkan dokumentasi secara langsung tanpa menyiapkan kumpulan data pelatihan yang rumit. Sistem memproses prosedur operasi standar (SOP) perusahaan dan laporan penyimpangan, membangun pemahaman dari korpus perusahaan. Ketika tanggapan tidak tepat sasaran, pakar materi pelajaran mengoreksinya melalui antarmuka, dan koreksi tersebut memberikan umpan balik melalui pembelajaran penguatan. Model ini terus ditingkatkan.

Metode ini menggabungkan elemen terbaik dari RAG dan fine-tuning. Kemampuan untuk menanyakan dokumen tertentu dipertahankan sekaligus mengubah secara mendasar cara model memahami domain.

Ada preseden di dalam FDA sendiri. Peneliti membangun AskFDALabel (3), kerangka kerja lokal untuk dokumen pelabelan obat yang beroperasi dalam lingkungan TI yang aman. Sistem ini mencapai akurasi 95% dalam pengenalan nama obat.

Mengapa pendekatan yang ada saat ini gagal?

Untuk memahami mengapa model khusus domain penting, pertimbangkan di mana RAG diuraikan. Kesalahan kelalaian terjadi ketika sistem pengambilan meninggalkan informasi penting. AI mungkin memerlukan tiga SOP terkait untuk menjawab pertanyaan tentang pergantian peralatan, namun sistem hanya memunculkan dua SOP. Konteks yang hilang menyebabkan halusinasi.

Kesalahan komisi terjadi ketika pelatihan model dasar yang sudah ada bertentangan dengan proses yang divalidasi. Tanyakan tentang validasi pembersihan, dan model tersebut memberikan jawaban buku teks berdasarkan panduan publik, bukan proses yang divalidasi oleh fasilitas.

Saat ini tidak ada model bahasa besar yang mendapat izin dari FDA (4) sebagai alat pendukung keputusan klinis. Namun operasional farmasi memerlukan sistem yang dapat memberikan informasi dalam pengambilan keputusan mengenai pelepasan dan kualitas produk, sehingga menciptakan kesenjangan yang lebih baik untuk diatasi oleh model spesifik domain.

Dokumentasi perusahaan yang paling berharga tidak akan pernah muncul dalam data pelatihan model dasar karena dokumentasi tersebut berada dalam lingkungan perusahaan. Panggilan API model dasar juga diberi harga per token. Saat memproses catatan batch yang mencakup lebih dari 150 halaman data teknis, biaya operasional terakumulasi dengan cepat.

Model khusus domain siap untuk aplikasi farmasi apa pun yang memerlukan pemahaman mendalam tentang proses kepemilikan, seperti analisis catatan batch, investigasi penyimpangan, pemeriksaan kepatuhan protokol, atau optimalisasi rantai pasokan untuk produk yang sensitif terhadap waktu.

Prasyarat untuk agen

Hal ini membawa kita kembali ke AI agen dan mengapa model khusus domain merupakan prasyarat. Agen otonom membuat keputusan. Mereka memikirkan cara terbaik untuk mencapai suatu tujuan, berkoordinasi dengan agen lain, dan beradaptasi berdasarkan hasil. Proposisi nilai bergantung sepenuhnya pada kepercayaan terhadap keputusan tersebut. Kepercayaan mensyaratkan bahwa kecerdasan yang mendasarinya memahami apa yang dilakukannya.

Kerangka kerja yang mengoordinasikan beberapa agen AI, seperti AutoGPT dan LangChain, bergantung sepenuhnya pada pengetahuan model yang mendasarinya. Jika model tersebut tidak memiliki pengetahuan domain, agen juga tidak akan memilikinya.

Pertimbangkan otonomi terbatas, yaitu pagar pembatas yang mencegah agen melampaui cakupan wewenangnya. Apa yang termasuk dalam tindakan otonom yang dapat diterima di lingkungan manufaktur Anda yang tervalidasi? Jawabannya bergantung pada prosedur, penilaian risiko, dan komitmen peraturan. Batasan perlu ditentukan oleh persyaratan khusus domain.

Pengawasan manusia menambah tantangan ini. Dengan agen otonom, paradigmanya beralih ke pengawasan human-in-the-loop, yaitu manusia melakukan intervensi hanya ketika kondisi tertentu memicu eskalasi. Apa yang seharusnya menjadi pemicunya? Kebijakan tersebut harus mencerminkan toleransi risiko, pola penyimpangan, dan standar kualitas. Model khusus domain dapat mengenali situasi yang menyimpang dari operasi normal. Model yayasan tidak memiliki pengetahuan institusional.

Membangun fondasi

Visi AI agen dalam operasional farmasi memang menarik, namun Anda tidak bisa beralih dari dorongan dasar ke sistem multi-agen yang otonom. Lapisan perantara—model yang memahami operasi perusahaan karena mereka dilatih berdasarkan dokumentasi perusahaan—bukanlah opsional.

Lingkungan industri farmasi yang padat dokumen dan proses yang ketat membuatnya cocok untuk model bahasa khusus domain. Dokumentasinya sudah ada. Kebutuhan akan AI yang memahami proses kepemilikan sudah jelas. Teknologinya sudah matang. Yang diperlukan adalah kesadaran bahwa sebelum farmasi dapat memercayai agen AI untuk beroperasi secara mandiri, agen tersebut memerlukan pelatihan tentang SOP Anda, catatan batch, dan operasi yang divalidasi.

Model khusus domain mewakili tahap akhir AI untuk bidang farmasi, menutup kesenjangan antara kemampuan umum dan kenyataan operasional. Organisasi yang membangun landasan ini terlebih dahulu akan diposisikan untuk mengerahkan agen yang benar-benar memenuhi janji mereka dalam operasional farmasi.

Referensi

1. Battsengel Sergelen. Memperkenalkan GPT-5: Mendefinisikan Ulang Masa Depan Kecerdasan Buatan. Linkedin.com8 Agustus 2025, www.linkedin.com/posts/battsengel-sergelen_introducing-gpt-5-redefining-the-future-activity-7359414711014080512-ZO54/. Diakses 1 Desember 2025.
2. Chandrasekaran, A. Siklus Hype 2025 untuk GenAI Menyoroti Inovasi Penting.” Gartner29 Juli 2025, www.gartner.com/en/articles/hype-cycle-for-genai. Diakses 1 Desember 2025.
3. Wu, Leihong, dkk. Kerangka Kerja yang Memungkinkan LLM ke dalam Lingkungan Peraturan untuk Transparansi dan Kepercayaan serta Penerapannya pada Dokumen Pelabelan Obat. Peraturan Toksikologi dan Farmakologi, 2024 149, (105613) hlm. 105613–105613, DOI: 10.1016/j.yrtph.2024.105613.
4. Weissman, G.; Mankowitz, T.; Kanter, G.; dkk. Model Bahasa Besar Ketidakpatuhan terhadap Panduan FDA untuk Layanan Pendukung Keputusan Klinis, 9 September 2024, PREPRINT (Versi 1) tersedia di Research Square. DOI: 10.21203/rs.3.rs-4868925/v1

Tentang penulis

Jayaprakash Nair adalah kepala AI dan Analisis di Altimetrik.