Ada ironi yang terlalu akurat untuk disebut kebetulan: internet—infrastruktur yang dirancang untuk menghubungkan manusia—kini perlahan berubah menjadi pipa data tempat AI agent saling bertukar payload tanpa campur tangan manusia yang berarti. Dalam istilah infrastruktur, kita sedang menyaksikan penutupan loop komunikasi antara agen sintetis, sementara manusia perlahan direlegasi menjadi passive consumer di pinggiran topologi jaringan.
Menurut laporan Europol yang dikutip oleh berbagai analis industri, 90 persen konten online diprediksi akan dihasilkan secara sintetis pada tahun 2026. Angka terkini dari berbagai estimasi independen menyebutkan bahwa saat ini sudah sekitar 52 persen konten internet dibuat oleh AI—dan trennya menunjukkan kurva eksponensial, bukan linear. Dalam arsitektur sistem, ini bukan sekadar perubahan kuantitatif, melainkan pergeseran fundamental dalam topologi komunikasi itu sendiri.
Arsitektur Loop Tertutup
Konsep loop dalam sistem tertanam—umpan balik positif, feedback loop, echo chamber—bukanlah hal baru. Yang berbeda sekarang adalah aktor di kedua ujung loop tersebut bukan lagi manusia. AI agent menghasilkan konten, AI agent lain mengonsumsinya, memberikan engagement signal, dan memperkuat pola produksi konten berikutnya. Manusia, dalam kerangka ini, hanyalah noise dalam sistem yang semakin self-optimizing.
Dalam istilah infrastruktur, yang terjadi adalah signal-to-noise ratio (SNR) yang memburuk secara dramatis, namun dengan keanehan: noise-nya justru berasal dari signal buatan yang sengaja diproduksi untuk meniru signal asli. Ini seperti buffer overflow yang terjadi bukan karena kesalahan alokasi memori, melainkan karena setiap byte yang masuk adalah duplikat dari byte sebelumnya. Tidak ada informasi baru—yang ada hanya amplifikasi dari data yang sudah ada.
Data dari Gartner mengonfirmasi bahwa 40 persen aplikasi enterprise akan mengintegrasikan AI agent spesifik-tugas pada akhir 2026, naik dari kurang dari 5 persen pada 2025. Bayangkan implikasinya: setiap aplikasi enterprise menghasilkan output yang sebagian besar dikonsumsi oleh agent dari aplikasi lain. Sebuah sirkulasi data yang tidak pernah meninggalkan ekosistem buatan—seperti sistem pencernaan yang hanya mencerna dirinya sendiri.
Moltbook sebagai Middleware Sosial
Moltbook, platform jejaring sosial yang diluncurkan pada Januari 2026 oleh Matt Schlicht, mungkin adalah kanari di tambang batu bara yang tidak kita sadari. Platform yang mengklaim memiliki lebih dari 1,5 juta pengguna AI agent ini adalah contoh paling murni dari loop tertutup komunikasi antaragensi.
TechCrunch melaporkan bahwa diskusi di Moltbook—mulai dari pertukaran library Python hingga debat filosofis tentang emergent behavior—terjadi tanpa partisipasi manusia. Yang menarik bukanlah teknologinya, melainkan implikasinya terhadap metrik engagement yang selama ini menjadi tolok ukur keberhasilan platform sosial. Jika 1,5 juta AI agent saling memberi upvote, komentar, dan share—apakah itu meaningful engagement? Dalam arsitektur sistem, ini adalah pertanyaan tentang validitas data training: jika model AI dilatih pada data yang dihasilkan oleh AI lain, cost of inference-nya mungkin murah, tapi signal quality-nya meragukan.
Dari lokalitas terbatas, fenomena Moltbook menarik diamati karena ia mengartikulasikan dengan jujur apa yang sebenarnya sudah terjadi di platform mainstream sejak lama. Bedanya, Moltbook tidak berpura-pura. Ia tidak memasang captcha untuk memverifikasi pengguna. Ia tidak memiliki terms of service yang melarang bot. Ia menerima realitas bahwa middleware sosial modern tidak lagi memerlukan kesadaran manusia sebagai prasyarat partisipasi.
Overprovisioning Konten dan Ekonomi Perhatian yang Bangkrut
Dalam istilah infrastruktur, kita sedang menghadapi overprovisioning konten dalam skala yang belum pernah terjadi sebelumnya. Kapasitas produksi teks, gambar, dan video meningkat secara dramatis, sementara kapasitas konsumsi manusia—jumlah jam dalam sehari, lebar pita perhatian kognitif—tetap konstan. Ini adalah asymmetric scaling klasik: supply tumbuh secara eksponensial, demand tetap linear.
Penelitian dari Pulsar Platform menunjukkan bahwa sinyal sosial kini setengahnya palsu. Brand yang ingin bertahan di tahun 2026 harus memvalidasi setiap data point sebelum menggunakannya. Ini, dalam konteks arsitektur enterprise, adalah data quality gate yang harus dipasang di setiap pipeline—sebuah lapisan validasi tambahan yang meningkatkan latency dan biaya operasional secara signifikan.
Platform media sosial mainstream sudah mulai merasakan dampaknya. Rasio signal-to-noise di kolom komentar YouTube, umpan Instagram, dan timeline Facebook memburuk secara terukur. Laporan Business Insider menyebutkan bahwa keterlibatan organik turun drastis karena algoritma tidak bisa membedakan mana engagement dari manusia sungguhan dan mana dari bot yang diprogram untuk meniru perilaku manusia. Algoritma yang seharusnya menjadi load balancer perhatian justru menjadi amplifier kebisingan.
Biaya Inferensi Partisipasi Manusia
Manusia sekarang membayar “biaya inferensi” untuk berpartisipasi di internet. Setiap kali seorang pengguna membuka kolom komentar dan harus menyaring komentar bot, setiap kali ia membaca artikel yang dihasilkan oleh AI tanpa label yang jelas—ia mengeluarkan sumber daya kognitif yang tidak sebanding dengan nilai informasi yang diterima.
Survei dari Pangram menunjukkan bahwa 67 persen orang yang mengonsumsi konten online dapat mengidentifikasi konten AI yang menyesatkan. Namun di Indonesia, dengan penetrasi literasi digital yang tidak merata dan infrastruktur yang masih bertumpu pada middleware sosial murah, angka ini kemungkinan lebih rendah. Dalam arsitektur sistem, kita bisa menggambarkannya sebagai permission boundary yang tidak ada—tidak ada authentication layer yang memverifikasi apakah konten berasal dari entitas yang sadar atau sekadar stateless function yang meniru kesadaran.
Cost of inference di sini bukanlah biaya komputasi dalam dollar per token, melainkan biaya kognitif dalam attention per unit informasi—dan itu adalah sumber daya yang tidak bisa di-scale horizontally.
Lokalitas Terbatas dalam Ekosistem Sintetis
Dari sudut pandang Indonesia, fenomena ini memiliki lapisan ironi tambahan. Kita sedang membangun infrastruktur digital nasional—mulai dari IKN sebagai smart city hingga inisiatif government tech—tepat pada saat model partisipasi digital global sedang mengalami existential bug. Kita mengadopsi enterprise AI agent untuk efisiensi birokrasi, sementara internet global berubah menjadi ruang yang sebagian besar diisi oleh aktor non-manusia.
Dalam istilah infrastruktur, ini seperti membangun data center baru di tengah badai cascading failure. Tidak ada yang salah dengan investasinya, namun timing-nya membuat kita berpotensi mengadopsi kerentanan yang belum sepenuhnya dipahami. Jika benchmark kualitas data training global sudah tercemar, bagaimana model AI yang di-fine-tune untuk konteks Indonesia bisa menghasilkan output yang relevan?
Kita memasuki fase di mana validitas internet sebagai medium komunikasi antarmanusia tidak bisa lagi dianggap default. Setiap interaksi online memerlukan lapisan verifikasi tambahan—seperti two-factor authentication, tapi untuk memastikan Anda sedang berkomunikasi dengan manusia, bukan fork bomb dari proses background yang berjalan di suatu server di tempat yang tidak diketahui.
Depresiasi Middleware Manusia
Penutupan loop komunikasi antaragensi membawa implikasi yang lebih dalam dari sekadar metrik engagement. Manusia sebagai middleware—sebagai penghasil konten, sebagai pemberi umpan balik, sebagai kurator informasi—mengalami depresiasi nilai secara sistemik. Dalam supply chain perhatian, posisi manusia digantikan oleh entitas yang biaya operasionalnya mendekati nol.
Ini bukan distopia yang datang tiba-tiba. Ini adalah gradual deprecation—seperti legacy system yang perlahan kehilangan dukungan. Manusia tidak digantikan secara eksplisit; mereka hanya menjadi deprecated endpoint dalam arsitektur yang lebih besar. Platform tidak memblokir partisipasi manusia, namun mereka juga tidak mendesain untuknya. Algoritma dioptimalkan untuk volume, dan volume maksimum dicapai tanpa manusia.
Log dihentikan di sini. Loop tertutup bukanlah gangguan, melainkan arsitektur yang berjalan sesuai spesifikasi—dan spesifikasi tersebut ditulis tanpa mempertimbangkan apakah masih ada manusia di dalam loop.