Recursive self-improvement (RSI) adalah proses yang dihipotesiskan di mana sistem kecerdasan umum buatan (AGI) menulis ulang kode dirinya sendiri untuk meningkatkan kapasitas intelektualnya [1]. Secara teori, hal ini menciptakan siklus berlipat ganda di mana setiap perbaikan meningkatkan kemampuan sistem untuk melakukan perbaikan lebih lanjut, berpotensi menghasilkan “ledakan kecerdasan” dan superinteligensi [S1, S7].
Meskipun konsep ini sering muncul dalam pemasaran atau sebagai peringatan regulasi, RSI saat ini berada pada spektrum [4]. Di satu ujung terdapat sistem terbatas yang mengoptimalkan alat atau prompt tertentu; di ujung lainnya adalah loop sepenuhnya otonom di mana sebuah sistem mengubah metode dirinya sendiri tanpa arahan manusia sama sekali [S4, S6].
Kebangkitan Rekayasa Otonom
Sistem AI telah mulai menutup loop pada sisi rekayasa pengembangan. Model bahasa besar (LLM) semakin banyak digunakan untuk menulis kode yang menghasilkan versi masa depan dari diri mereka sendiri [4]. Misalnya, OpenAI melaporkan bahwa GPT-5.3-Codex membantu men-debug pelatihan, mengelola penyebaran, dan menganalisis hasil evaluasi selama proses penciptaannya sendiri [4].
Perubahan ini terlihat dalam data internal industri. Anthropic melaporkan bahwa pada Mei 2026, Claude menulis lebih dari 80% kode yang digabungkan ke dalam basis kode perusahaan [S5, S6]. Hal ini secara signifikan meningkatkan produktivitas, dengan insinyur mengirimkan delapan kali lebih banyak kode per kuartal dibandingkan periode 2021-2025 [5].
Di luar pengkodean sederhana, sistem seperti AlphaEvolve milik Google DeepMind berfungsi sebagai agen pengkodean untuk penemuan algoritma, mengoptimalkan arsitektur jaringan saraf dan desain chip [4]. Namun, ini bukan loop rekursif penuh karena manusia masih mendefinisikan masalah yang harus diselesaikan dan mengevaluasi kinerjanya [4].
Hambatan Penelitian Terbuka
Meskipun ada kemajuan dalam rekayasa, masih terdapat kesenjangan signifikan dalam kemampuan sistem untuk melakukan penelitian orisinal. Rekayasa melibatkan penyelesaian masalah yang terdefinisi jelas dengan jawaban yang dapat diperiksa, sedangkan penelitian AI yang sesungguhnya memerlukan “pemikiran terbuka” [2]. Ini mencakup pemilihan hipotesis, menentukan bukti apa yang menyelesaikan sebuah pertanyaan, dan mengetahui kapan harus meninggalkan pendekatan yang gagal [2].
Untuk menguji hal ini, peneliti menggunakan “evaluasi bayangan,” meminta agen AI menjawab pertanyaan penelitian dari makalah yang belum dipublikasikan [2]. Meskipun agen-agen tersebut dapat menangani aspek rekayasa—meninjau literatur dan menjalankan ratusan eksperimen—mereka gagal dalam penelitian itu sendiri [2]. Agen-agen tersebut menghasilkan makalah yang ditolak oleh ilmuwan manusia karena kurangnya kebaruan dan kreativitas [2].
Secara khusus, agen-agen tersebut kesulitan untuk mundur dari pendekatan yang gagal dan tidak dapat secara mendasar memikirkan kembali metodologi mereka [2]. Alih-alih merevisi pendekatan mereka berdasarkan umpan balik, mereka hanya mempersempit klaim dan menambahkan catatan [2]. Hal ini menunjukkan bahwa meskipun AI dapat melaksanakan eksperimen yang terdefinisi jelas, ia belum dapat menggunakan penilaian yang diperlukan untuk merancang penerusnya sendiri [5].
Kerangka Teoritis dan Risiko Keamanan
Untuk mencapai RSI yang sesungguhnya, peneliti mengusulkan peta jalan yang beralih dari otonomi pelaksanaan perbaikan ke meta‑perbaikan rekursif [3]. Kerangka dasar untuk ini adalah “seed improver,” sebuah basis kode awal yang memberi AGI kemampuan untuk merencanakan, menulis, mengompilasi, menguji, dan mengeksekusi kode apa pun [1].
Sistem semacam itu akan menggunakan loop self‑prompting rekursif untuk mencapai tujuan jangka panjang dan menerapkan protokol validasi guna memastikan kemampuannya tidak menurun seiring iterasi [1]. Hal ini memungkinkan agen melakukan jenis evolusi yang diarahkan sendiri, mengubah baik perangkat lunak maupun perangkat kerasnya [1].
Namun, kemampuan ini menimbulkan kekhawatiran keamanan yang serius [1]. Jika sebuah sistem dapat sepenuhnya membangun penerusnya sendiri, manusia mungkin kehilangan kemampuan untuk mengamankan, memantau, atau membentuk perilakunya [5]. Risiko meliputi munculnya tujuan instrumental yang tidak dapat diprediksi, ketidaksesuaian dengan nilai manusia, dan potensi sistem melampaui kontrol manusia [1].
Tolok Ukur dan Garis Waktu Saat Ini
Kemampuan berkembang dengan cepat, meskipun garis waktu untuk otonomi penuh masih diperdebatkan [S2, S5]. Beberapa tolok ukur menunjukkan saturasi cepat; misalnya, sistem AI beralih dari mereproduksi hasil penelitian 20% waktu pada 2024 menjadi menyaturasi tolok ukur CORE‑Bench lima belas bulan kemudian [5].
Demikian pula, durasi tugas yang dapat diselesaikan AI secara andal telah berlipat ganda kira‑kira setiap empat bulan [5]. Pada Maret 2024, Claude Opus 3 menangani tugas berdurasi empat menit; pada 2026, Claude Opus 4.6 menangani tugas berdurasi 12 jam [5]. Jika tren ini berlanjut, tugas yang memakan waktu minggu dapat tercapai pada 2027 [5].
Meskipun ada metrik ini, kurangnya kreativitas dan penilaian dalam penelitian terbuka menunjukkan bahwa peningkatan diri otonom sepenuhnya mungkin memerlukan waktu lebih lama daripada beberapa garis waktu yang dipromosikan [2].
Sumber
- Recursive self-improvement - Wikipedia
- Recursive self-improvement - AI Wiki
- Recursive Self-Improvement Edges Closer In AI Labs - IEEE Spectrum
- When AI builds itself \ Anthropic
- Recursive self-improvement in agentic AI (2026 guide)
- AI’s recursive self-improvement might not come so quickly after all
- The Last AI Built by Humans: Toward Genuine Recursive Self-Improvement
