Reason Agent 1.1: Agen Coding Otonom dan Klaim Hemat Biayanya

Reason Agent 1.1 adalah versi terbaru agen coding otonom dari Reason Machines, startup yang didukung Y Combinator. Artikel peluncurannya diterbitkan pada 10 Oktober 2026 dan membawa satu klaim utama: dengan model yang sama, agen ini mencetak skor lebih tinggi dari Codex dengan biaya lebih rendah. Artikel ini merangkum isi klaim itu, cara kerjanya, dan hal-hal yang perlu Anda pertimbangkan sebelum ikut menilainya.

Semua angka di bawah berasal dari publikasi Reason sendiri. Saya tidak menjalankan ulang benchmark-nya, jadi anggap angka tersebut sebagai klaim pembuat, bukan hasil uji independen.

Apa itu Reason Agent 1.1?

Reason adalah agen rekayasa perangkat lunak otonom. Anda memberinya tugas, lalu ia bekerja sendiri: membaca kode, menjalankan perintah, menguji, dan mengajukan pull request. Menurut halaman produknya, setiap sesi mendapat komputer sendiri dan Anda bisa mengikuti kerjanya dari browser.

Versi 1.1 dibangun di atas Pi (pi.dev). Reason menyebut produknya sebagai harness, yaitu lapisan perangkat lunak di sekeliling model bahasa yang mengatur alat apa yang tersedia dan prompt apa yang dikirim. Modelnya sendiri tetap buatan pihak lain.

Bagi pembaca yang baru mengenal topik ini, agen coding berbeda dari chatbot biasa. Chatbot menjawab satu pertanyaan, sedangkan agen menjalankan rangkaian langkah sampai tugas selesai. Konsep serupa untuk konteks bisnis sudah kami bahas di artikel tentang AI agent untuk bisnis.

Hasil benchmark Reason Agent 1.1 menurut Reason

Pengujian memakai model GPT-6 Astra untuk semua agen, dengan tugas dan penilai yang sama. Reason menjalankan tiga benchmark dari Coding Agent Index, yaitu DeepSWE v1.1, SWE-Atlas QnA, dan Terminal-Bench 4.0. Totalnya 303 tugas dengan tiga percobaan per tugas.

Agen	Skor Coding Agent Index
Reason	65,1
Codex	62,5
Pi	61,4

Dari sisi biaya, Reason melaporkan:

• Biaya per percobaan 15-23% lebih rendah dari Codex di setiap benchmark.
• Biaya per tugas yang berhasil 22% lebih rendah dari Codex dan 10% lebih rendah dari Pi.
• Token masukan per percobaan 23% lebih sedikit dari Codex (1,92 juta berbanding 2,48 juta), dan token keluaran 15% lebih sedikit.

Poin yang menarik adalah argumen di baliknya. Reason berpendapat bahwa modellah yang menentukan tingkat keberhasilan, sedangkan harness yang menentukan biaya. Menurut mereka, model yang sama bisa berbiaya hingga lima kali lebih mahal di satu harness dibanding harness lain.

Cara kerja di balik Reason Agent 1.1

Reason menjelaskan tiga pilihan desain yang membuat harness-nya lebih hemat.

Eksekusi alat secara paralel

Agen punya alat bernama codemode yang menjalankan JavaScript untuk memanggil alat lain. Akibatnya, satu panggilan ke model bisa sekaligus menjalankan beberapa pencarian, membaca beberapa berkas, dan menjalankan tes. Lebih sedikit putaran bolak-balik berarti lebih sedikit token yang terpakai.

Perangkat alat yang minimal

Model hanya melihat beberapa alat coding umum dan prompt yang pendek. Kemampuan lain disimpan sebagai alat tertunda yang ditemukan lewat codemode saat dibutuhkan. Contohnya mengatur sesi dan sub-agen, komputer di cloud, URL pratinjau, dan pull request dengan tangkapan layar atau video yang terverifikasi.

Cache yang dijaga tetap utuh

Prompt dan daftar alat tidak berubah antar giliran, dan setiap permintaan hanya menambahkan isi di akhir permintaan sebelumnya. Dengan begitu, setiap giliran bisa memakai cache sampai bagian barunya. Reason mengutip contoh berbasis pemodelan: kenaikan tingkat cache hit dari 95% ke 98% memangkas satu tagihan sekitar 17%.

Fitur dan akses Reason Agent 1.1

Dari halaman produk Reason Machines, fitur yang ditampilkan antara lain:

• sesi pada basis kode lokal maupun di cloud, termasuk sesi terjadwal;
• pembagian kerja ke beberapa sub-agen;
• menjalankan kode, tes, dan benchmark;
• pull request dengan alur review dan merge;
• integrasi Slack, tempat agen menanggapi mention di kanal;
• akses lewat desktop, terminal, dan aplikasi seluler.

Soal keamanan, halaman produk mencantumkan zero data retention dan SOC 2, dengan rincian di pusat kepercayaan mereka. Reason juga mengaku anggota NVIDIA Inception Program. Harga tidak tercantum, baik di artikel peluncuran maupun di halaman utama saat artikel ini ditulis.

Cara menilai klaim hemat biaya Reason Agent 1.1

Angka yang bagus belum tentu berlaku untuk pekerjaan Anda. Ada beberapa hal yang perlu dicermati.

Pembuatnya sendiri mengakui batasan. Reason belum menguji seberapa besar penghematan berasal dari masing-masing prinsip desain. Sebagian hasil lama juga dibuat sebelum pencatatan token per langkah tersedia. Harness pembanding pada grafik biaya memakai data dan harga dari Artificial Analysis, sedangkan pada grafik skor per benchmark memakai job Harbor publik pada tugas yang sama.

Metodenya konservatif. Percobaan yang ditolak penyedia model atau digagalkan penilai kecurangan diberi skor 0. Reason menyebut skor di hub bisa lebih tinggi dari angka di artikel karena perbedaan metode ini. Metodologi dan repositori benchmark-nya dibuka di repositori benchmark Reason, sehingga Anda bisa memeriksanya sendiri.

Benchmark bukan pekerjaan Anda. Tiga benchmark tadi mengukur tugas rekayasa perangkat lunak tertentu. Basis kode Anda, gaya review, dan kualitas tes bisa menghasilkan angka yang berbeda. Cara paling jujur untuk menilainya adalah mencoba satu tugas nyata yang punya tes otomatis, lalu membandingkan biaya dan hasilnya.

Keunggulan harness juga diperdebatkan. Reason menyebut harness milik lab model paling bagus di model lab itu sendiri, tetapi keuntungan kandang itu tidak ikut berpindah ke model lain. Sebagai bukti, mereka menulis bahwa dalam uji independen harness lain mencetak skor terbaik di sembilan dari dua belas perbandingan.

Apa artinya bagi tim produk dan UMKM

Agen coding paling berguna bila Anda sudah punya basis kode, tes, dan orang yang bisa meninjau hasilnya. Ia mempercepat pekerjaan berulang seperti perbaikan bug, refaktor, dan tes. Ia tidak menggantikan keputusan produk tentang apa yang perlu dibangun.

Bila produk Anda belum ada, urutan yang masuk akal tetap dimulai dari ide yang divalidasi. Panduan membuat MVP untuk startup dan UMKM menjelaskan cara memilih fitur inti sebelum menulis kode. Setelah itu, alat seperti agen coding bisa mempercepat pengerjaannya.

Untuk kebutuhan otomasi di luar pengembangan perangkat lunak, misalnya alur kerja di WhatsApp, CRM, atau spreadsheet, lihat layanan AI Agent untuk Bisnis kami.

Kesimpulan

Reason Agent 1.1 menawarkan argumen yang menarik: biaya agen coding banyak ditentukan oleh harness, bukan hanya model. Klaimnya skor 65,1 berbanding 62,5 untuk Codex, dengan biaya per tugas berhasil 22% lebih rendah. Angka itu berasal dari pembuatnya, dengan batasan yang mereka akui sendiri, sehingga sebaiknya diuji pada pekerjaan Anda sebelum dijadikan dasar keputusan.

Bila Anda ingin membangun produk digital atau mengotomatiskan proses bisnis dengan AI, tetapi belum yakin mulai dari mana, hubungi kami dan ceritakan kebutuhan Anda.