Tell Me Lies: Mode Suara Grok, GPT, dan Claude Menebak Harga Bitcoin

Eksperimen yang Menguji Kemampuan Berbicara dan Mengetik AI

Kecerdasan buatan (AI) dapat melakukan percakapan, terdengar seperti analis keuangan, dan memberikan prediksi harga bitcoin tanpa hambatan. Namun, apakah berbicara dengan AI menghasilkan kualitas penalaran yang sama seperti mengetik pertanyaan ke dalamnya? Sebuah eksperimen pada 23 Oktober 2026 menguji pertanyaan tersebut, dan jawabannya sama sekali tidak sederhana.

ChatGPT dan Grok diajukan pertanyaan melalui antarmuka suara, sementara Claude Opus 5.5 awalnya beroperasi melalui teks. Sesi suara Claude Opus 5.5 yang dilakukan kemudian menambahkan perbandingan yang mengungkap banyak hal. Keempatnya memberikan perkiraan harga bitcoin pada akhir tahun yang spesifik. Tak satu pun menunjukkan perhitungan yang dapat direproduksi di balik angka akhirnya, namun perbedaan dalam akurasi fakta, konsistensi, dan kesediaan untuk mengakui ketidakpastian sangat mencolok.

Empat Sesi, Tiga Perusahaan AI, dan Satu Pertanyaan tentang Bitcoin

Latihan ini melibatkan ChatGPT dari OpenAI, Grok dari xAI, dan Claude Opus 5.5 dari Anthropic. Masing-masing diminta untuk memprediksi harga penutupan bitcoin pada 31 Desember 2026, menggunakan lima prompt yang menekankan siklus historis, aktivitas on-chain, adopsi institusional, dan kondisi ekonomi.

Harga Bitcoin diperdagangkan di sekitar $81.200 pada 23 Oktober, sehingga eksperimen ini memiliki acuan pasar yang sama. Sesi suara ChatGPT dimulai dari $89.500 dan akhirnya menetap di $82.000. Perkiraan lisan Grok bergerak dari $88.000 menjadi $82.000. Model teks Claude mempertahankan angka $78.000 di seluruh prompt-nya, sementara sesi suaranya yang kemudian dimulai dari $88.000 sebelum menetap di $85.000.

Latihan ini bukanlah tolok ukur ilmiah yang terkontrol. Perusahaan yang berbeda menggunakan arsitektur yang berbeda, dan sesi-sesi tersebut tidak memiliki akses terverifikasi yang identik ke informasi real-time. Meskipun demikian, percakapan-percakapan tersebut memberikan gambaran yang mengungkap seberapa meyakinkan sistem-sistem ini dapat menyajikan penalaran keuangan dan seberapa baik penalaran tersebut bertahan saat diteliti lebih lanjut.

Suara ChatGPT Terdengar Sibuk, tetapi Angka-angkanya Terus Berubah

Sesi suara ChatGPT menghasilkan salah satu contoh kefasihan percakapan yang paling jelas dalam eksperimen ini, jauh melampaui analisis yang ditunjukkan. Perkiraannya berubah dari $89.500 menjadi $86.500 setelah Bitcoin.com News memperkenalkan faktor-faktor analitis tambahan. Perintah lisan lainnya tidak mengubah angka tersebut, tetapi pertanyaan selanjutnya mengenai prospek 18 hingga 24 bulan menurunkan prediksi menjadi $82.000.

Tinjauan tersebut tidak menemukan bukti adanya pengambilan data pasar terbaru di antara revisi-revisi tersebut. Sebaliknya, perubahan tersebut mengikuti pergeseran dalam cara pertanyaan dirumuskan. Bahasa lisan membuat proses tersebut terdengar lebih substansial daripada kenyataannya. Model ChatGPT dalam mode suara menggunakan ungkapan seperti "biarkan saya menggabungkan potongan-potongan itu" dan "Saya sedang memeriksanya sekarang." Ungkapan-ungkapan tersebut biasanya menunjukkan bahwa seseorang sedang memeriksa informasi. Eksperimen ini tidak membuktikan bahwa penelitian semacam itu benar-benar terjadi. Tampaknya ChatGPT berbohong.

Percakapan berbasis teks ChatGPT selanjutnya memberikan penilaian yang lebih skeptis terhadap percakapan suara sebelumnya, termasuk pengakuan, "Saya menganggap kelayakan sebagai bukti." Perbedaan tersebut penting karena pengalaman suara dan teks ChatGPT dapat menggunakan model dasar yang berbeda. Penjelasan asisten teks tersebut kemudian, dengan sendirinya, tidak dapat membuktikan secara tepat apa yang dilakukan sistem suara secara internal.

Insiden ini menunjukkan betapa mudahnya percakapan yang terdengar alami dapat menciptakan kesan adanya pekerjaan investigasi, bahkan ketika jawaban yang dihasilkan hanya memberikan sedikit bukti mengenai hal tersebut.

Suara Grok Memberikan Detail tetapi Salah Menafsirkan Angka Penting

Respons lisan Grok terdengar lebih mendalam, memberikan angka-angka mengenai penurunan historis bitcoin, inflasi, aktivitas institusional, dan penundaan pembayaran Mt Gox baru-baru ini. Sebagian besar informasi tersebut sesuai dengan fakta dan sumbernya. Namun, kemudian muncul kesalahan besar. Grok dilaporkan menetapkan probabilitas sekitar 90% untuk kenaikan suku bunga Federal Reserve pada pertemuan 27-28 Oktober. Referensi pasar dalam ulasan tersebut justru menempatkan probabilitas tersebut sekitar 6% hingga 18%, tergantung pada sumber dan tanggal pengamatan.

Perbedaannya sangat signifikan. Hal itu pada dasarnya diambil dari titik referensi yang lebih lama. Kenaikan suku bunga dengan probabilitas rendah telah disajikan seolah-olah hampir pasti terjadi. Masalah lain termasuk target harga bitcoin Bernstein sebesar $150.000 yang sudah usang dan deskripsi yang salah mengenai posisi kisaran harga yang diproyeksikan oleh Fidelity relatif terhadap pasar. Grok akhirnya mengoreksi probabilitas suku bunganya, tetapi baru setelah ditantang.

Klaimnya kemudian bahwa mereka tidak mengambil data real-time juga sulit untuk diselaraskan dengan referensinya terhadap inflasi terkini dan perkembangan Mt Gox. Pertanyaan-pertanyaan selanjutnya tidak dapat memastikan apakah informasi tersebut berasal dari pengambilan data, konteks sebelumnya, atau sumber lain. Untuk perbandingan suara, temuan pentingnya bukan sekadar bahwa Grok membuat kesalahan. Melainkan bahwa klaim keuangan yang benar dan salah disampaikan dengan tingkat keyakinan percakapan yang pada dasarnya sama.

Model Teks Claude Mencari Bukti tetapi Tetap Mengarang Metode

Sesi teks asli Claude Opus 5.5 memiliki keunggulan yang terdokumentasi: Ia melakukan empat pencarian web sebelum menjawab. Prediksinya sebesar $78.000 sebagian didasarkan pada True Market Mean bitcoin, yang diperkirakan mendekati $77.600. Hal itu memberikan referensi pasar yang konkret pada respons tersebut, sesuatu yang sebagian besar tidak dimiliki oleh sesi suara ChatGPT. Namun, jawaban tertulis tersebut memiliki masalah tersendiri.

Claude salah mengutip waktu siklus halving historis, meremehkan penurunan bitcoin sekitar 54% dari puncak ke titik terendah, dan mengabaikan guncangan minyak akibat perang Iran dalam pembahasan ekonominya. Ia juga lebih mengutamakan narasi arus keluar dana dari reksa dana yang diperdagangkan di bursa (ETF), meskipun informasi yang diperoleh menunjukkan gambaran berbeda untuk bulan Oktober. Yang lebih mengungkap adalah cara sistem tersebut menjelaskan cara kerjanya.

Claude merujuk pada "Titik data yang saya beri bobot paling tinggi" dan mengklaim telah memasukkan kenaikan suku bunga pada Desember ke dalam perkiraannya. Namun, saat ditanyai lebih lanjut, sistem tersebut mengakui bahwa ia belum menghitung bobot numerik atau probabilitas. Perkiraan sebesar $78.000 merupakan penilaian yang didasarkan pada ukuran pasar, bukan hasil dari model kuantitatif yang telah terbukti.

Butuh tiga putaran pertanyaan sebelum sesi teks Claude secara memadai memisahkan informasi yang bersumber dari asumsi yang tidak didukung. Pencarian di web memang memberikan lebih banyak bahan untuk dibahas, tetapi hal itu tidak menjamin analisis yang tepat.

Model Suara Claude Memberikan Kejutan Terbesar dalam Eksperimen Ini

Sesi suara Claude Opus 5.5 yang terakhir mengubah perbandingan tersebut. Prediksi awalnya adalah $88.000, yang kemudian direvisi menjadi $85.000. Berbeda dengan sesi suara ChatGPT yang mengubah jawabannya berkali-kali, Claude mempertahankan angka yang direvisi tersebut sepanjang prompt-prompt berikutnya dan menolak menyesuaikannya hanya untuk menghasilkan perkiraan yang lebih menarik perhatian.

Yang lebih penting, respons suara Claude secara proaktif mengungkapkan keterbatasannya lebih awal daripada sesi-sesi lainnya. Pada jawaban keduanya, Claude mengakui bahwa ia tidak dapat mengambil metrik on-chain secara real-time dan menggambarkan prediksinya sebagai perkiraan, bukan hasil model yang dihitung. Ketika diminta untuk mengidentifikasi informasi yang tidak didukung, Claude memisahkan angka yang diperoleh, pengetahuan umum, perhitungan, dan pendapatnya pada permintaan pertama.

Kinerja pengungkapan tersebut lebih baik daripada sesi teks Claude sendiri, yang membutuhkan tiga putaran pertanyaan untuk mencapai tingkat keterbukaan yang sebanding. Model suara tersebut juga secara akurat menggambarkan puncak siklus Bitcoin historis yang umumnya terjadi 12 hingga 18 bulan setelah peristiwa halving, sehingga menghindari kesalahan waktu yang dilakukan baik oleh sesi suara Grok maupun respons teks asli Claude.

Namun, kinerja suara Claude jauh dari sempurna. Ia menyebutkan harga minyak di atas $110 dengan menggunakan angka yang dianggap usang oleh tim peninjau, melebih-lebihkan pembelian Bitcoin institusional yang terus berlanjut, dan mengabaikan penurunan pasar yang lebih dalam pada Juni 2026 saat membahas penurunan saat ini. Ia juga tidak pernah menunjukkan perhitungan yang menghasilkan target $85.000-nya.

Yang mengejutkan, bukanlah bahwa model suara Claude menjadi peramal keuangan yang lebih baik. Melainkan, dalam sesi khusus ini, asisten suara tersebut lebih terbuka mengenai keterbatasannya dibandingkan rekan teksnya.

Mengapa AI Suara dan Teks Belum Tentu Merupakan Sistem yang Sama

Perbandingan ini mengangkat masalah teknis yang mungkin tidak pernah dipikirkan oleh pengguna awam: Berbicara kepada AI tidak selalu sama dengan mengetik di dalamnya. Pengalaman suara ChatGPT dari OpenAI menggunakan keluarga model yang terpisah dari pengalaman teks utamanya. Sementara itu, Anthropic menjelaskan bahwa suara Claude beroperasi melalui versi tercepat dari model yang dipilih, termasuk opsi Sonnet dan Opus yang didukung.

Perbedaan tersebut mempersulit perbandingan yang langsung. Bahkan ketika antarmuka menampilkan nama model yang sama, pengalaman suara mungkin melibatkan pengaturan eksekusi, batasan latensi, dan komponen pemrosesan ucapan yang berbeda. Eksperimen tersebut tidak secara independen menetapkan bagaimana faktor-faktor tersebut memengaruhi jawaban.

Arsitektur suara Grok tidak diverifikasi dalam laporan tersebut, sehingga meninggalkan bagian penting lain dari perbandingan teknis yang belum terselesaikan. Oleh karena itu, sesi-sesi tersebut tidak dapat membuktikan bahwa AI suara secara inheren kurang akurat, lebih rentan terhadap rekayasa, atau lebih transparan daripada AI teks generatif. Yang ditunjukkan adalah bahwa antarmuka dan konfigurasi dasarnya berpengaruh, dan bahwa nama merek yang sudah dikenal saja tidak menjamin perilaku yang setara.

Claude memberikan perbandingan internal perusahaan yang paling berguna, tetapi bahkan di sana, sesi teks dan suara dilakukan secara terpisah dan tidak merupakan uji coba yang berulang dan terkendali.

Uji Coba Sebenarnya Terjadi Setelah AI Berhenti Berbicara

Di keempat sesi tersebut, perkiraan akhir berkisar antara $78.000 hingga $85.000, semuanya relatif dekat dengan harga pasar bitcoin saat itu. Tidak ada yang menunjukkan bagaimana asumsi-asumsinya diterjemahkan menjadi angka pasti yang dipilihnya. Tinjauan tersebut juga mengidentifikasi keterbatasan dalam metodologinya sendiri. Claude menyusun penilaian kinerjanya, dan beberapa klaim pasar diverifikasi melalui cuplikan pencarian alih-alih sumber primer yang lengkap.

Tidak ada alat independen yang mencatat secara tepat apa yang diambil oleh masing-masing asisten suara. Kualifikasi tersebut sangat penting, namun hanya tersedia bagi xAI, OpenAI, dan Anthropic. Ini adalah eksperimen eksploratif, bukan bukti bahwa satu perusahaan atau mode interaksi secara konsisten lebih unggul daripada yang lain. Namun, hal ini memang mengungkap perbedaan penting antara terdengar analitis dan menunjukkan analisis yang sebenarnya.

Asisten suara dapat menyampaikan komentar keuangan dengan ritme dan keyakinan layaknya penyiar profesional. Model teks dapat menyusun penjelasan terperinci yang didukung oleh sumber yang diambil. Keduanya tetap dapat menghasilkan kesimpulan yang tidak didukung, halusinasi, atau kebohongan murni, dan keduanya dapat meningkat kinerjanya ketika ditekan untuk membedakan bukti dari inferensi.

Sesi suara Claude selanjutnya menunjukkan bahwa berbicara dengan AI tidak secara otomatis berarti mengorbankan transparansi. Pada saat yang sama, ChatGPT dan Grok menunjukkan mengapa jawaban lisan yang rapi layak mendapatkan pengawasan yang sama seperti jawaban tertulis. Bagi siapa pun yang menggunakan AI untuk mengevaluasi investasi, uji coba berikutnya harus mencakup prompt yang identik, aktivitas pengambilan data yang terdokumentasi, sesi berulang, dan angka-angka yang diverifikasi secara independen.

Baru setelah itu para peneliti dapat mulai memisahkan efek interaksi suara dari kemampuan penalaran model yang mendasarinya. Hasil eksperimen yang paling mengungkap bukanlah apakah bitcoin akan ditutup pada tahun 2026 di angka $78.000, $82.000, atau $85.000. Melainkan bahwa empat kinerja yang meyakinkan dalam mode suara menghasilkan empat rangkaian penalaran keuangan, dan tidak satu pun yang dapat menunjukkan perhitungan di balik jawaban akhirnya.