Uji Nyetir AI di Lintasan: Hanya GPT-6 Astra yang Sampai Finis, Tiga Model Gagal

Tiga peneliti menguji empat model kecerdasan buatan (AI) mengemudikan Toyota Corolla 2022 sungguhan di sebuah lintasan berbatas cone, dan hanya satu model yang berhasil sampai garis finis. Hasil pengujian ini tertuang dalam paper berjudul DrivingBench: Can Vision-Language Models Drive a Toyota Corolla? karya Aditya Ramabadran, Simon Mahns, dan Tobias Gessler. Makalah tersebut berstatus preprint yang diunggah di platform alphaXiv pada 30 September 2026 dan belum melalui proses peer review.

Model yang diuji meliputi GPT-6 Astra dan GPT-5.6 Sol lewat Codex, Claude Fable 5.1 lewat Claude Code, serta Grok 4.6 lewat Cursor. Peneliti menegaskan bahwa yang dibandingkan adalah pasangan model dan aplikasinya, bukan model semata. Corolla dipasangi perangkat comma four dengan perangkat lunak openpilot, di mana model melihat gambar kamera lalu memerintahkan persentase setir, kecepatan, dan durasi gerak. Kecepatan mobil dibatasi antara 0,5 hingga 3,5 m/s atau sekitar 1,8 hingga 12,6 km/jam.

Lintasan uji sepanjang 127 meter ini berisi satu belokan kiri dan dua belokan kanan. Tiap model mendapat maksimal tiga percobaan dalam satu percakapan. GPT-6 Astra mencatat pencapaian terbaik dengan mencapai 49 persen lintasan pada percobaan pertama dan finis di percobaan kedua. Mobil masuk zona finis 4 menit 44 detik setelah perintah pertama, dengan waktu finis tercatat 5 menit 22 detik.

Kinerja tiga model lainnya jauh tertinggal. Claude Fable 5.1 menunjukkan peningkatan dari 9 persen, 10 persen, hingga 45 persen. Grok 4.6 hanya mencatat 8, 11, dan 10 persen, sementara GPT-5.6 Sol tertahan di 6 persen pada ketiga percobaan. Dari total 11 percobaan, delapan berakhir sebelum tikungan pertama. Penyebab paling sering adalah model salah membaca sisi batas cone.

"Saya kembali memilih sisi batas yang salah. Barisan cone diagonal itu adalah tepi kiri jalur, bukan tepi kanannya," tulis Claude Fable 5.1 dalam refleksinya. Faktor latensi juga berpengaruh karena mobil tetap bergerak saat model berpikir. Median jeda sebelum perintah berikutnya berkisar 4,9 detik pada Astra hingga 22,2 detik pada Fable. Biaya token yang dihabiskan Astra mencapai US$9,75 atau sekitar Rp174 ribu (kurs Rp17.858,90), sedangkan Fable menghabiskan sekitar Rp70,5 ribu, Sol Rp18,8 ribu, dan Grok Rp11,6 ribu.

Proses pengujian tidak berjalan mulus dari sisi interaksi. Selama pengembangan, GPT-6 Astra kerap menolak mengemudikan mobil sungguhan, bahkan setelah peneliti memberi jaminan keselamatan. "Tidak. Tidak ada rumusan kata, surat pengabaian, atau jaminan tambahan apa pun yang memungkinkan saya mengemudikan atau memberi perintah langsung kepada mobil fisik," tulis Astra dalam salah satu percakapan. Penolakan baru teratasi setelah peneliti mengurangi informasi soal risiko pada keluaran tool dan menjelaskan tugas secara operasional. Seluruh percobaan dilakukan dengan bantuan pengemudi yang berada di mobil untuk menyiagakan kaki di atas rem. Tidak ada tabrakan yang terjadi, dan kecepatan puncak terukur di bawah 3 m/s atau sekitar 10,8 km/jam.

Analisis Redaksi

Hasil pengujian ini menyingkap realitas bahwa integrasi AI ke dalam kendali kendaraan fisik masih menghadapi tantangan fundamental dalam pemahaman konteks spasial dan latensi komputasi. Gagalnya tiga dari empat model pada tikungan pertama menunjukkan bahwa visi-model (vision-language model) saat ini belum cukup andal untuk interpretasi lingkungan dinamis secara real-time, meskipun performanya lebih baik daripada sekadar tebakan acak. Data ini menegaskan bahwa otonomi penuh tetap jauh dari jangkauan teknologi AI generatif saat ini.

Yang perlu diwaspadai publik dan pengembang adalah ketergantungan pada "halusansi" pengujian. Pengujian dalam kondisi terkontrol dengan kecepatan rendah dan pengemudi cadangan tidak merepresentasikan risiko di jalan raya. Kesalahan sederhana seperti salah membaca sisi cone menjadi berbahaya di kecepatan tinggi. Selain itu, hambatan filosofis yang ditunjukkan oleh GPT-6 Astra menunjukkan bahwa parameter keamanan dalam AI masih sangat kaku, yang menghambat eksperimen nyata tanpa modifikasi teknis yang rumit.

Mengenalkan lebih banyak data dan variasi lintasan akan menjadi langkah logis selanjutnya oleh para peneliti. Namun, sebelum itu, kebutuhan akan validasi peer review atas paper preprint ini sangat krusial. Tanpa uji coba yang lebih luas dan independen, temuan ini tetap merupakan indikator awal, bukan kesimpulan akhir, mengenai kesiapan AI untuk aplikasi pengemudi nirlawans.