Rumah Sakit Universitas Hokkaido Jalankan Agen AI di Jaringan Tertutup Sendiri

Sebuah tim peneliti Jepang melaporkan platform agen kecerdasan buatan bernama LLENS yang dijalankan sepenuhnya di dalam jaringan tertutup Rumah Sakit Universitas Hokkaido. Menurut makalah yang diunggah ke arXiv, platform itu berjalan pada satu server dengan 8 GPU NVIDIA H200. Modelnya adalah Kimi K2.6, model berbobot terbuka (open-weight) berukuran sekitar 1 triliun parameter. Makalah ini berstatus pracetak di arXiv; kami tidak mendapati keterangan bahwa naskah ini sudah ditelaah sejawat.

Masalah yang ingin diatasi

Para penulis berangkat dari gagasan bahwa agen berbasis model bahasa besar (large language model, LLM) yang bisa memakai alat dapat mengambil alih sebagian pekerjaan rekam medis elektronik dan urusan administrasi yang menyita waktu dokter. Agen berbeda dari chatbot biasa karena tidak hanya menjawab. Ia juga menjalankan langkah-langkah dengan perangkat bantu, misalnya membaca dokumen atau menjalankan perhitungan.

Kendalanya, menurut abstrak, di banyak rumah sakit sistem informasi medis berjalan dalam jaringan tertutup. Akibatnya, model dan perangkat pengatur agen (harness) juga harus berada di dalam jaringan itu, bukan di layanan awan milik pihak luar. Inilah alasan LLENS dirancang untuk dipasang di server rumah sakit sendiri (on-premises).

Apa yang dibangun

Antarmuka LLENS adalah aplikasi web yang dibangun ulang dari Open WebUI. Perangkat pengatur agennya memiliki 10 komponen. Di antaranya pembacaan citra halaman, input lampiran teks penuh, pohon dokumen beralamat jalur tanpa indeks vektor, dan kotak pasir (sandbox) yang terisolasi dari jaringan. Komponen lainnya mencakup pengembalian artefak, pemeriksaan mandiri atas keluaran, subagen, dan prosedur tersimpan.

Kimi K2.6 dipilih dari tiga kandidat model berbobot terbuka. Model itu meraih skor 480 dari 500 pada ujian nasional lisensi dokter Jepang (Japanese Medical Licensing Examination) 2026. Untuk kecepatan, ia menghasilkan 119 token per detik bagi satu pengguna. Saat melayani 16 permintaan bersamaan, totalnya 908 token per detik.

Hasil evaluasi

Evaluasi utama memakai 180 pertanyaan atas dokumen rumah sakit, masing-masing dijalankan dengan tiga seed acak. Tanpa akses dokumen, rata-rata akurasi hanya 10,7%. Dengan pengambilan tetap, yakni 10 potongan teratas dari satu pencarian leksikal, akurasinya 81,3%. Dengan akses interaktif, ketika model membaca memakai alat dokumen dan sandbox, akurasinya 97,2%.

Selisih akses interaktif terhadap pengambilan tetap adalah 15,9 poin persentase, dengan interval kepercayaan 95% sebesar 10,9–21,3 poin persentase. Menurut para penulis, perbedaan itu terletak pada pertanyaan yang menuntut penyaringan dan penghitungan. Pada jenis pertanyaan ini, pengambilan tetap meraih 16,7%, sedangkan akses interaktif 87,8%.

Pada uji otomatis atas 13 skenario kerja, masing-masing dijalankan empat kali, komponen yang diharapkan terpicu pada semua putaran untuk 12 skenario. Artinya, satu skenario tidak konsisten memicu komponen yang diharapkan, dan abstrak tidak merinci penyebabnya. Lima skenario dijalankan dengan data sintetis di server penerapan. Platform ini disebut beroperasi di jaringan rumah sakit sejak 14 September 2026.

Hal yang perlu dicermati

Abstrak memberi sejumlah batasan yang penting dibaca. Pertama, penerapan dilakukan di satu rumah sakit. Belum jelas apakah hasilnya berlaku di tempat lain dengan sistem dan dokumen berbeda.

Kedua, lima skenario yang dijalankan di server penerapan memakai data sintetis. Abstrak tidak melaporkan uji dengan data pasien sungguhan, sehingga ketahanan pada catatan klinis nyata belum tergambar. Ketiga, abstrak tidak melaporkan dampak pada waktu kerja dokter ataupun keselamatan pasien; klaim bahwa agen mengurangi beban dokter masih berupa tujuan, bukan temuan terukur.

Kami hanya membaca abstrak dan halaman metadata, bukan seluruh 49 halaman makalah. Karena itu, rincian metode dan keterbatasan lengkap belum kami tinjau.

Ada pula catatan teknis. Angka akurasi berasal dari pertanyaan atas dokumen rumah sakit tertentu, dan pembanding pengambilan tetap memakai satu pencarian leksikal sederhana. Sistem pengambilan yang lebih canggih bisa saja memberi selisih yang berbeda. Kebutuhan perangkat keras pun tidak kecil: satu server dengan delapan GPU kelas atas.

Relevansi bagi Indonesia

Kami tidak menemukan indikasi dalam bahan sumber bahwa platform ini dipakai atau diuji di Indonesia. Namun, konteks latarnya tetap relevan. Rumah sakit di Indonesia mengelola data pasien yang tergolong sensitif dan berada di bawah ketentuan pelindungan data pribadi serta aturan kesehatan. Karena itu, mengirim catatan medis ke layanan AI luar negeri dapat menimbulkan pertanyaan soal kedaulatan data.

Pendekatan dalam makalah ini menunjukkan satu jalan teknis, yakni model terbuka dijalankan di dalam jaringan sendiri. Meski begitu, biaya perangkat keras dan tenaga pemeliharaannya perlu dihitung sendiri oleh tiap institusi.

Apa berikutnya

Langkah yang wajar adalah menunggu telaah sejawat dan studi lanjutan. Yang paling dinanti adalah evaluasi dengan data klinis nyata, pengukuran waktu kerja dokter, serta replikasi di rumah sakit lain. Karena versi kedua makalah baru diunggah pada 26 Oktober 2026, isinya masih bisa berubah.