Mistral Forge: Seperti Apa Sebenarnya Pelatihan Model Kustom untuk Perusahaan

Saya telah mengikuti peluncuran produk Mistral AI, dari keluarga model Mistral 3 hingga Le Chat sampai Vibe 2.0. Mistral Forge, jika Anda baru menyimak, bukan rilis model. Ini adalah langkah Mistral untuk infrastruktur perusahaan.

Nvidia GTC mengumumkan pada 17 Maret 2026, Forge memungkinkan perusahaan membangun model AI yang dilatih sepenuhnya pada data internal. Bukan fine-tuning pada model publik. Benar-benar dilatih dari nol berdasarkan puluhan tahun dokumen rekayasa, basis kode kepemilikan, kerangka kepatuhan, dan log operasional.

Dalam artikel ini, saya akan membahas apa itu Mistral Forge, cara kerjanya, kapan pelatihan model kustom masuk akal dibandingkan menggunakan API, dan berapa biayanya. Saya akan menggunakan contoh dari para pengguna awal seperti ASML dan Ericsson untuk menunjukkan posisi Forge.

Apa Itu Mistral Forge?

Mistral Forge adalah platform perusahaan untuk membangun model AI menggunakan data kepemilikan organisasi Anda. Berbeda dari layanan berbasis API di mana Anda mengirim prompt ke model pihak lain, Forge memberi Anda kendali atas seluruh pipeline pelatihan.

API AI tradisional (OpenAI, Anthropic):

• Kirim prompt → dapatkan respons
• Model dilatih pada data internet publik
• Fine-tuning opsional pada dataset terbatas
• Data Anda tidak pernah menjadi bagian dari pengetahuan inti model

Mistral Forge:

• Melatih model dari nol pada data internal
• Kendali penuh siklus hidup: pra-pelatihan, fine-tuning, reinforcement learning
• Pengetahuan perusahaan Anda tertanam di setiap lapisan
• Model memahami terminologi domain, alur kerja, dan konteks Anda

Masalah yang sering saya lihat: model generik yang dilatih pada data web publik tidak memahami pengetahuan institusional perusahaan Anda. Mereka berhalusinasi pada terminologi spesifik domain. Mereka tidak mengetahui standar rekayasa, kebijakan kepatuhan, atau prosedur operasional Anda. Forge mengatasinya dengan memungkinkan Anda membangun model yang menginternalisasi pengetahuan organisasi dari dasar.

Pengguna awal termasuk ASML (manufaktur semikonduktor), Ericsson (telekomunikasi), European Space Agency, dan DSO National Laboratories Singapura. Ini bukan perusahaan yang bereksperimen dengan chatbot. Mereka membangun AI untuk operasi krusial di mana model generik tidak memadai.

Cara Kerja Mistral Forge

Berikut alur lengkapnya, dari pemasukan data hingga penerapan:

Pemilihan model

Anda mulai dengan memilih arsitektur dasar dari model open-weight Mistral: Mistral Large 3 untuk penalaran kompleks, Mistral Small 4 untuk inferensi lebih cepat dan biaya lebih rendah, atau konfigurasi MoE (Mixture-of-Experts) kustom yang menyeimbangkan kinerja dengan efisiensi.

Pilihan antara model padat (dense) dan MoE memengaruhi biaya operasional. Model dense memberikan kapabilitas umum yang kuat. Model MoE dapat menyamai kinerja sambil memangkas latensi dan biaya komputasi, bayangkan hasil sebanding dengan 40–60% dari belanja infrastruktur.

Integrasi data

Di sinilah data kepemilikan Anda berperan. Forge mendukung teks tidak terstruktur (dokumentasi, laporan, email), basis kode dengan struktur repositori yang dipertahankan, data terstruktur (basis data, spreadsheet), dan masukan multimodal (teks plus gambar bila relevan).

Untuk industri yang diatur ketat di mana data nyata tidak selalu bisa digunakan, Forge menyertakan pembuatan data sintetis. Anda dapat membuat contoh pelatihan yang sesuai kebijakan, skenario edge-case, dan situasi long-tail yang jarang muncul di data nyata tetapi penting di produksi.

Pra-pelatihan

Ini bagian mahal di mana pengetahuan institusional ditanamkan ke dalam bobot neural. Pra-pelatihan dari nol memakan biaya komputasi jutaan, itulah sebabnya sebagian besar organisasi melewatkannya. Namun inilah yang membuat model benar-benar memahami domain Anda.

Pra-pelatihan pada dataset internal besar dapat memakan waktu berminggu-minggu pada klaster GPU perusahaan. Perusahaan seperti ASML dan Ericsson mengalokasikan waktu berbulan-bulan untuk pelatihan awal, dengan biaya jutaan tergantung volume data dan ukuran model. Ini bukan sesuatu yang dijalankan di mesin lokal.

Supervised fine-tuning

Setelah pra-pelatihan, Anda menyempurnakan model untuk tugas tertentu melalui supervised fine-tuning (SFT). Ini melibatkan pelatihan pada pasangan instruksi-respons spesifik domain Anda seperti meninjau permintaan perubahan rekayasa untuk pelanggaran kepatuhan atau menganalisis instrumen keuangan sesuai taksonomi risiko internal Anda.

Reinforcement learning

Untuk beban kerja agentic—model yang perlu menggunakan alat, mengambil keputusan, dan menyelesaikan tugas multi-langkah—Reinforcement Learning (RL) adalah cara Anda mengoptimalkan penyelesaian tugas nyata, bukan sekadar menghasilkan teks yang masuk akal. Menurut laporan pengguna awal, model yang dilatih RL untuk menangani eskalasi pelanggan mencapai tingkat penyelesaian tugas di atas 85%.

Evaluasi dan penerapan

Forge menyertakan kerangka evaluasi yang selaras dengan KPI perusahaan, bukan sekadar tolok ukur umum. Anda mendefinisikan metrik kustom seperti akurasi kepatuhan, cakupan kosakata domain, dan ambang latensi. Sepanjang proses ini, Forge melacak semuanya: model, dataset, run pelatihan, konfigurasi. Version control adalah kelas satu. Saat regulator bertanya "bagaimana model membuat keputusan ini," Anda memiliki garis keturunan lengkap.

Mistral Forge vs. API AI Tradisional

Mengapa Mistral Forge Ada

Saya telah berbicara dengan cukup banyak tim data untuk mengetahui polanya: perusahaan menerapkan AI, mendapatkan demo yang mengesankan, lalu mentok saat model menghadapi terminologi spesifik domain atau harus beroperasi dalam batasan kepatuhan yang ketat.

RAG membantu. Fine-tuning membantu. Namun keduanya tidak menyelesaikan masalah mendasar: model generik tidak dilatih pada pengetahuan organisasi Anda.

Mistral bertaruh bahwa saat AI beralih dari "demo keren" menjadi "infrastruktur inti", perusahaan akan membutuhkan model yang memahami domain mereka pada tingkat fundamental. Inilah alasannya:

1. Kedaulatan data: Di industri teregulasi (farmasi, pertahanan, keuangan), menampung data kepemilikan di sistem pihak ketiga menimbulkan mimpi buruk kepatuhan. Melatih pada infrastruktur Anda sendiri menjaga data di bawah tata kelola Anda. Ini sangat penting di Eropa, di mana penegakan GDPR nyata adanya.
2. Sistem agentik: Agen perusahaan perlu melakukan lebih dari sekadar menjawab pertanyaan. Mereka menavigasi sistem internal, menggunakan alat dengan benar, dan mengambil keputusan dalam batasan organisasi. Model generik kesulitan di sini karena mereka tidak memahami lingkungannya. Saya melihat ini pada agen Vibe 2.0: mereka bekerja lebih baik ketika model dasarnya dilatih pada basis kode Anda.
3. Kepemilikan model: Ketergantungan API menciptakan risiko bisnis. Jika OpenAI memperbarui GPT-5 dan merusak alur kerja Anda, Anda terjebak. Jika Anthropic menghentikan versi model, Anda harus membangun ulang. Dengan Forge, Anda memiliki bobotnya. Anda mengendalikan pembaruan. Anda memutuskan kapan menerapkan versi baru.

Namun pandangan sebaliknya: sebagian besar perusahaan tidak memerlukan model kustom. Otomatisasi layanan pelanggan, tanya jawab dokumen dasar, dan peringkasan rapat berjalan baik dengan model tujuan umum dan prompt yang baik. Forge menargetkan organisasi yang kekhususan domainnya benar-benar menjadi keunggulan kompetitif, bukan sekadar nilai tambah.

Fitur Utama Mistral Forge

1. Desain Agent-First: Forge dibangun dengan agen otonom sebagai pengguna utama, bukan manusia. Agen Vibe milik Mistral dapat melakukan fine-tuning model secara mandiri, mengoptimalkan hyperparameter, menjadwalkan pekerjaan pelatihan, dan menghasilkan data sintetis melalui instruksi bahasa Inggris biasa. Seiring sistem agentik menjadi lebih umum, mereka membutuhkan platform yang dirancang untuk akses terprogram.
2. Evaluasi Kelas Produksi: Tolok ukur generik (MMLU, HumanEval) tidak memberi tahu apakah model bekerja untuk kasus Anda. Forge memungkinkan Anda mendefinisikan kriteria evaluasi kustom yang selaras dengan KPI perusahaan: regression suite untuk mendeteksi penurunan kinerja ketika data atau prompt berubah, deteksi drift untuk memantau perubahan perilaku dari waktu ke waktu, dan infrastruktur uji A/B untuk membandingkan versi model di produksi.
3. Version Control: Model, dataset, run pelatihan, konfigurasi—dilacak sebagai aset kelas satu. Untuk industri teregulasi, jejak audit ini adalah syarat minimum. Saat regulator bertanya "mengapa model merekomendasikan perawatan ini" atau "bagaimana sistem deteksi penipuan menandai transaksi ini," Anda harus punya jawabannya.
4. Penerapan Fleksibel: Anda dapat menjalankan model terlatih di infrastruktur terkelola Mistral, di Mistral Compute (klaster khusus), sepenuhnya on-premises (tanpa data meninggalkan lingkungan Anda), atau di edge (model terkuantisasi untuk inferensi lokal). Untuk kontraktor pertahanan yang menangani data rahasia atau organisasi layanan kesehatan dengan persyaratan HIPAA, penerapan on-premises tanpa akses data eksternal adalah hal yang tak bisa ditawar.

Masa Depan Platform Seperti Mistral Forge

Playbook AI perusahaan awal adalah membeli akses API, mempekerjakan prompt engineer, dan menambahkan RAG. Ini berfungsi sampai tidak lagi. Saat AI menjadi infrastruktur alih-alih fitur, perusahaan akan menginginkan kepemilikan model seperti halnya mereka menginginkan kepemilikan basis data. Tidak semua. Namun cukup banyak untuk membuat pelatihan kustom menjadi pasar yang layak.

Agen perusahaan harus melakukan lebih dari sekadar menghasilkan jawaban. Mereka perlu menavigasi sistem internal, menggunakan alat dengan benar, dan mengambil keputusan dalam batasan organisasi. Model kustom memungkinkan hal ini. Saya sudah melihatnya pada Vibe 2.0. Agen yang bekerja paling baik dibangun di atas model yang dilatih pada basis kode tempat mereka beroperasi.

Perusahaan semakin menghadapi persyaratan kepatuhan yang membuat penempatan data bisnis kepemilikan di sistem pihak ketiga menjadi tidak dapat diterima. EU AI Act. GDPR. Regulasi spesifik industri di keuangan dan layanan kesehatan. Platform yang menawarkan pelatihan on-premises dengan isolasi data lengkap memiliki keunggulan struktural.

Mistral mengumumkan Forge di Nvidia GTC bukan tanpa alasan. NVIDIA membangun infrastruktur AI perusahaan dengan GPU lebih murah, alat pelatihan terdistribusi yang lebih baik, dan inferensi yang dioptimalkan. Saat biaya pelatihan turun, model kustom menjadi layak untuk lebih banyak kasus penggunaan.

Namun argumen tandingan: sebagian besar perusahaan belum membutuhkan kompleksitas ini. Otomatisasi layanan pelanggan tidak memerlukan model kustom. Begitu pula pemrosesan dokumen dasar. Pasar akan terbelah—sebagian besar perusahaan tetap dengan API, segmen yang lebih kecil membangun infrastruktur kustom. Segmen kecil itu mencakup beberapa perusahaan terbesar dan paling menguntungkan di dunia. Itulah taruhan Mistral.

Memulai dengan Mistral Forge

Prasyarat

Sebelum menghubungi tim penjualan perusahaan Mistral, Anda memerlukan teks atau kode domain-spesifik dalam jumlah besar (penerapan perusahaan biasanya menangani terabyte data spesifik domain), kerangka tata kelola data (siapa yang dapat mengakses apa, kebijakan retensi, penanganan PII), dan kriteria evaluasi spesifik domain yang jelas.

Untuk infrastruktur: baik klaster GPU (disarankan 8–64 H100 untuk pelatihan) atau kesediaan menggunakan infrastruktur terkelola Mistral. Anda juga memerlukan insinyur ML yang memahami pelatihan terdistribusi, pakar domain yang dapat mengevaluasi keluaran model, serta tinjauan legal/kepatuhan untuk penggunaan data.

Penyiapan awal

Forge bukan layanan self-serve. Anda melalui tim enterprise Mistral, membahas use case, kebutuhan data, dan batasan penerapan. Mulailah sempit—jangan mencoba melatih pada semua data Anda sekaligus. Pilih satu use case bernilai tinggi seperti analisis dokumen kepatuhan atau otomatisasi code review.

Persiapan data memakan waktu lebih lama dari perkiraan. Pembersihan, pemformatan, menghapus PII, pengelompokan menurut domain—alokasikan 2–3 bulan di sini. Sebelum melatih apa pun, uji rekayasa prompt dengan Mistral Large 3 untuk memastikan kinerja dapat diterima. Bisa jadi Anda tidak memerlukan pelatihan kustom sama sekali.

Pelatihan pertama

Mulailah dengan supervised fine-tuning, bukan pra-pelatihan penuh. Lebih murah dan cepat. Lihat apakah penyetelan spesifik tugas pada model dasar dapat membawa Anda 80% ke tujuan. Jika fine-tuning belum cukup, lanjutkan ke pra-pelatihan. Namun pahami Anda akan berkomitmen sumber daya komputasi dan waktu yang signifikan.

Jebakan umum

Garbage in, garbage out. Jika dokumen internal Anda tidak konsisten, usang, atau buruk strukturnya, model akan mempelajari pola tersebut. Pelatihan kustom tidak secara ajaib menyelesaikan masalah AI. Jika use case Anda tidak memerlukan pengetahuan spesifik domain, Anda membuang-buang sumber daya. Menjalankan infrastruktur pelatihan sendiri itu sulit. Kecuali Anda memiliki kapasitas rekayasa ML yang serius, tetaplah menggunakan penawaran terkelola Mistral.

Use Case Umum untuk Mistral Forge

1. Jasa keuangan: Analisis kepatuhan

Sebuah bank investasi besar membutuhkan model yang memahami kerangka risiko kepemilikan—sistem peringkat internal, prosedur kepatuhan, interpretasi regulasi yang spesifik untuk bisnis mereka. Model generik tidak dapat membedakan instrumen keuangan yang terdengar mirip namun profil risikonya sangat berbeda, sebagaimana didefinisikan oleh sistem klasifikasi internal bank.

Mereka melakukan pra-pelatihan pada puluhan tahun dokumentasi risiko internal, memo kepatuhan, dan pengajuan regulasi. Model menginternalisasi taksonomi risiko bank. Hasil: akurasi 94% pada tugas tinjauan kepatuhan, waktu turun dari 3 hari tinjauan manusia menjadi 2 jam analisis otomatis dengan verifikasi manusia.

2. Manufaktur semikonduktor: Optimasi desain

ASML membangun mesin untuk membuat chip komputer. Dokumentasi rekayasa mereka melintasi dekade, banyak bahasa, dan terminologi yang sangat khusus. Insinyur menghabiskan waktu berjam-jam mencari dokumentasi untuk memahami mengapa keputusan desain tertentu dibuat.

Mereka melatih pada dokumen desain kepemilikan, file CAD, log manufaktur, dan permintaan perubahan rekayasa. Kini insinyur dapat menanyakan model dalam bahasa alami dan mendapatkan jawaban kontekstual yang mengutip bagian dokumentasi spesifik. Ini bukan pengetahuan publik—ini adalah kecerdasan institusional yang dibangun selama puluhan tahun.

3. Pengembangan perangkat lunak: Migrasi kode warisan

Sebuah perusahaan Fortune 500 perlu memigrasikan basis kode C++ besar ke kerangka modern. Puluhan tahun pustaka kustom, abstraksi internal, dependensi tak terdokumentasi. Model kode generik menyarankan perubahan yang melanggar konvensi internal atau standar arsitektur.

Mereka melatih pada seluruh sejarah kode perusahaan—commit, code review, catatan keputusan arsitektural, panduan gaya. Model kini menghasilkan saran refactoring yang menghormati pola internal. Mirip dengan cara Mistral Vibe 2.0 bekerja lebih baik saat memahami struktur repositori Anda.

Harga dan Model Bisnis

Harga Forge tidak tercantum secara publik. Berdasarkan percakapan penjualan enterprise:

• Biaya lisensi platform: $500K–$2M per tahun tergantung skala (untuk organisasi yang melatih pada klaster GPU sendiri).
• Infrastruktur terkelola: Jika Anda menggunakan cloud Mistral, Anda membayar jam GPU di atas biaya platform. Kisarannya sekitar $2–3 per jam H100 untuk pelatihan, $0,50–1,00 per jam untuk inferensi.
• Forward-deployed scientists: Ini bagian yang menarik. Mistral menawarkan peneliti AI embedded yang bekerja bersama tim Anda. Mereka membantu resep pelatihan, penyetelan hyperparameter, desain evaluasi. Mirip model engineer forward-deployed Palantir. Biaya $300K–$500K per ilmuwan per tahun.
• Contoh penerapan: Untuk pra-pelatihan pada data internal substansial, supervised fine-tuning, dan optimasi RL, total biaya tahun pertama sekitar $3,7M (lisensi platform $750K, komputasi $2,5M, dukungan pipeline data $200K, forward-deployed scientist selama 6 bulan $250K).

Forge bukan untuk semua orang. Anda memerlukan use case di mana akurasi domain bernilai jutaan. Sebagian besar perusahaan tidak memilikinya.

Kesimpulan

Mistral Forge menukar kemudahan penggunaan dengan kepemilikan model penuh dan kustomisasi domain yang mendalam. Bagi sebagian besar perusahaan, saya masih berpikir jawabannya lebih sederhana: tetap gunakan API. Dan model tujuan umum dengan prompt yang efektif atau RAG masih bekerja baik untuk hal-hal umum: layanan pelanggan, pemrosesan dokumen, dan peringkasan rapat.

Namun bagi organisasi di mana kekhususan domain benar-benar menjadi keunggulan kompetitif (saya memikirkan penelitian farmasi yang menganalisis data senyawa kepemilikan, produsen semikonduktor yang mengoptimalkan proses fabrikasi, dan institusi keuangan dengan kerangka regulasinya), Forge bisa masuk akal. Pertanyaannya bukan apakah pelatihan kustom lebih baik secara teori, melainkan apakah peningkatannya membenarkan biaya pelatihan jutaan dolar.

Jika Anda mengevaluasi Forge, coba progresi ini: Mulai dengan rekayasa prompt menggunakan Mistral Large 3. Tambahkan RAG jika perlu. Coba fine-tuning berbasis API. Hanya pertimbangkan apa yang ditawarkan Mistral Forge jika pendekatan-pendekatan tersebut gagal.