VIVA – Perkembangan kecerdasan buatan (Artificial Intelligence/AI) memasuki babak baru. Jika sebelumnya chatbot hanya mampu memahami dan menghasilkan teks, kini aplikasi AI generasi terbaru telah berkembang menjadi multimodal AI, yaitu sistem yang mampu memproses berbagai jenis data seperti teks, gambar, audio, hingga video dalam satu platform.

Kemampuan tersebut membuka peluang baru bagi pengguna, mulai dari membuat presentasi, menganalisis dokumen, memahami isi video, mengedit gambar, hingga berinteraksi menggunakan suara secara lebih alami. Sejumlah perusahaan teknologi besar pun berlomba menghadirkan AI multimodal sebagai pusat produktivitas digital masa depan.

Berikut VIVA telah merangkum Minggu, 2 Agustus 2026, ada tiga aplikasi AI yang menjadi sorotan karena menghadirkan kemampuan multimodal paling lengkap.

1. ChatGPT

OpenAI terus mengembangkan ChatGPT menjadi asisten AI serbaguna yang mampu memahami berbagai format informasi dalam satu percakapan.

Melalui model GPT terbaru, pengguna tidak hanya dapat mengetik pertanyaan, tetapi juga mengunggah gambar, menganalisis dokumen PDF, berinteraksi menggunakan suara, hingga bekerja dengan berbagai jenis konten visual. Kemampuan multimodal tersebut membuat ChatGPT banyak dimanfaatkan untuk kebutuhan belajar, pekerjaan, riset, hingga pembuatan konten kreatif.

OpenAI juga terus memperluas integrasi AI ke berbagai layanan produktivitas. Salah satunya adalah penggunaan model GPT terbaru di Microsoft 365 Copilot, sehingga pengguna dapat memanfaatkan kemampuan AI dalam Word, Excel, PowerPoint, dan aplikasi kerja lainnya.

Keunggulan

• Memahami teks, gambar, dokumen, dan suara.
• Mampu membantu analisis, penulisan, hingga pemrograman.
• Terintegrasi dengan berbagai aplikasi produktivitas.

2. Google Gemini

Google Gemini merupakan salah satu AI multimodal yang dikembangkan oleh Google DeepMind.

Sejak awal pengembangannya, Gemini dirancang untuk memahami berbagai jenis informasi secara bersamaan, termasuk teks, gambar, audio, video, hingga kode pemrograman. Pendekatan multimodal ini memungkinkan AI melakukan penalaran berdasarkan kombinasi berbagai sumber informasi, bukan hanya teks semata.

Google juga mengintegrasikan Gemini ke dalam berbagai layanan seperti Gmail, Google Docs, Google Drive, dan Google Search sehingga pengguna dapat bekerja lebih efisien dalam satu ekosistem. Penelitian resmi Google DeepMind menyebut kemampuan lintas media menjadi salah satu fondasi utama keluarga model Gemini.

Keunggulan

• Multimodal sejak tahap pengembangan.
• Terhubung dengan ekosistem Google.
• Mampu memahami dokumen, gambar, video, dan kode.

3. Claude

Anthropic juga terus memperluas kemampuan AI melalui Claude.

Model terbaru Claude kini mampu menangani dokumen panjang, memahami gambar, membantu analisis data, hingga mendukung alur kerja kompleks yang melibatkan berbagai sumber informasi. Fokus utama Claude tetap berada pada kemampuan penalaran, penulisan, dan analisis dokumen dengan tingkat akurasi tinggi.

Melalui kerja sama dengan Microsoft, Claude juga mulai tersedia sebagai salah satu pilihan model di Microsoft 365 Copilot untuk membantu pekerjaan yang membutuhkan analisis bertahap dan penyusunan dokumen profesional.

Keunggulan

• Sangat kuat untuk analisis dokumen panjang.
• Mendukung pemrosesan gambar.
• Cocok untuk kebutuhan bisnis dan profesional.

Mengapa AI Multimodal Menjadi Tren Baru?

Perkembangan AI menunjukkan bahwa pengguna tidak lagi ingin menggunakan aplikasi berbeda untuk setiap kebutuhan.

Sebagai contoh, seseorang dapat mengunggah foto laporan, meminta AI merangkum isi dokumen, menjelaskan grafik, menerjemahkan teks, lalu membuat presentasi hanya melalui satu percakapan.

Kemampuan menggabungkan berbagai jenis informasi tersebut dinilai mampu meningkatkan produktivitas sekaligus menyederhanakan alur kerja.

Dampaknya bagi Dunia Kerja

Laporan berbagai perusahaan teknologi menunjukkan bahwa AI multimodal akan memainkan peran penting dalam transformasi dunia kerja.

Karyawan dapat lebih cepat membuat laporan, menganalisis data visual, memahami rekaman rapat, hingga menghasilkan materi presentasi tanpa harus berpindah aplikasi. Pendekatan ini juga menjadi dasar berkembangnya AI agent yang mampu menyelesaikan tugas secara lebih mandiri.

Tantangan yang Masih Dihadapi

Meski menawarkan kemampuan yang semakin lengkap, AI multimodal tetap memiliki sejumlah tantangan.

Pengguna masih perlu memverifikasi hasil analisis AI, terutama ketika berkaitan dengan data penting atau keputusan bisnis. Selain itu, aspek privasi dan keamanan data menjadi perhatian utama karena AI kini mampu memproses lebih banyak jenis informasi dibanding sebelumnya.

Kemampuan multimodal menjadi arah baru perkembangan kecerdasan buatan. ChatGPT, Google Gemini, dan Claude menunjukkan bagaimana AI kini mampu memahami teks, gambar, audio, hingga video dalam satu platform, sehingga pengalaman pengguna menjadi jauh lebih praktis.