Baru-baru ini saya memperhatikan Pexo yang dibuat oleh @evanLiaoQ, dan menurut saya proyek ini layak dibahas. Sekarang, lanskap video AI sudah sangat kompetitif. Kling, Veo, Seedance, Sora, Runway—setiap beberapa waktu, kemampuan model terus meningkat: kualitas gambar, durasi, konsistensi karakter, dan efek gerakan semuanya berkembang pesat. Namun, setelah benar-benar mencobanya sendiri, Anda akan menyadari satu masalah: Semakin banyak model, bukan berarti membuat video lengkap menjadi lebih mudah. Anda tetap harus memilih topik, menulis naskah, memecah adegan, memilih model, menulis prompt, menghasilkan berulang-ulang, lalu melakukan voiceover, musik, subtitle, dan editing. Seringkali, menghasilkan satu adegan hanya membutuhkan beberapa menit—tetapi yang paling memakan waktu justru adalah mengubahnya menjadi video lengkap yang bisa dipublikasikan, digunakan, atau dimanfaatkan untuk pemasaran. Pexo ingin menyelesaikan masalah inilah. Bukan dengan membuat model video dasar baru, tetapi dengan membangun AI Video Agent di atas model-model tersebut. Secara sederhana: Dulu Anda harus mengoperasikan berbagai alat AI secara manual. Sekarang Anda hanya perlu memberi tahu Pexo: “Saya ingin membuat video seperti apa.” Sisanya serahkan pada Agent. Agent ini bisa memahami kebutuhan Anda, membaca halaman web atau bahan mentah, mengatur informasi, menghasilkan naskah, memecah adegan, lalu memanggil model gambar, video, dan audio yang berbeda sesuai konteks, lalu menggabungkan semuanya menjadi satu video lengkap. Jadi, menurut saya hal paling menarik dari Pexo bukanlah seberapa banyak model yang terhubung, tetapi bagaimana ia ingin mengubah cara interaksi video AI dari: Generate a clip → menjadi: Make me a video. Dua logika ini sangat berbeda. Yang pertama menjual “kemampuan generasi,” yang kedua menjual “hasil akhir.” Misalnya, Pexo sekarang sudah bisa langsung memasukkan URL situs web produk, membiarkan Agent membaca informasi produk, lalu secara otomatis menyusunnya menjadi Product Video. Untuk SaaS, merek, e-commerce, atau proyek Crypto—skenario ini sangat praktis. Dulu, membuat video pengenalan produk mungkin memerlukan penulis naskah, desainer, editor, bahkan outsourcing tim. Di masa depan, mungkin cukup dengan memasukkan situs web, tangkapan layar produk, dan beberapa poin penjualan utama ke dalam Agent, lalu terus memperbaikinya melalui obrolan. Fungsi lain yang baru-baru ini saya perhatikan adalah Mark to Fix. Masalah sekarang bukan lagi “apakah bisa dihasilkan,” tetapi: Setelah dihasilkan, bagaimana cara mengeditnya? Logo terlalu besar, warna pakaian karakter salah, bagian tertentu perlu diganti, posisi subtitle tidak pas—jika setiap kali harus menghasilkan ulang seluruh video, efisiensinya sangat rendah. Pendekatan Pexo adalah langsung menandai area di layar, lalu memberi instruksi ke Agent: Ganti bagian ini. Jangan sentuh bagian ini. Ubah bagian ini menjadi versi lain. Jika kemampuan modifikasi lokal dan pemeliharaan konteks ini terus dikembangkan dengan baik, video AI baru benar-benar akan bergerak dari “alat gacha” menjadi “alat produksi.” Selain itu, Pexo kini tidak lagi hanya menjadi situs web mandiri. Mereka mulai meluncurkan Pexo Skills dan mencoba mengintegrasikan lingkungan Agent seperti Claude Code, Codex, Cursor, Manus, OpenClaw. Langkah ini menurut saya lebih patut diperhatikan. Karena di masa depan kita mungkin tidak akan secara aktif membuka puluhan situs AI. Lebih mungkin kita cukup memberi tahu General Agent kita: Buatkan saya sebuah produk. Buatkan saya situs webnya. Lalu buatkan saya satu Launch Video. Kemudian General Agent akan memanggil Pexo—sebagai Vertical Agent—untuk menyelesaikan produksi videonya di latar belakang. General Agent bertanggung jawab memahami seluruh tugas; Pexo bertanggung jawab membuat bagian Video menjadi cukup profesional. Ini mungkin posisi sejati yang ingin diraih Pexo. Evan Liao, pendiri di balik Pexo, sendiri telah lama berkecimpung di bidang video AI dan konten generatif—sebelumnya bekerja di Tencent, ByteDance, dan Vidu—sehingga jalur proyek ini sangat konsisten. Dari Apex Context hingga Pexo sekarang, mereka terus menekankan satu konsep: Context. Model akan semakin kuat dan semakin murah. Tetapi yang menentukan apakah sebuah Agent benar-benar mudah digunakan mungkin bukan seberapa banyak model yang terhubung, melainkan apakah ia benar-benar memahami apa yang ingin disampaikan pengguna, mengingat konteks merek dan karakter, tahu model mana yang harus dipanggil untuk setiap skenario, serta bagaimana secara otomatis memperbaiki kegagalan generasi. Menurut saya inilah aspek paling penting yang perlu diamati dalam Vertical Agent. Ketika model dasar semakin menjadi komoditas, persaingan sejati mungkin akan bergeser dari “siapa modelnya paling kuat” menjadi “siapa yang paling memahami tugasnya, paling memahami penggunanya, dan paling dekat dengan hasil akhir.” Yang sedang dilakukan Pexo sekarang pada dasarnya adalah bertaruh pada arah ini. Dari AI Video Generator → menjadi AI Video Agent. Saya akan terus memantau apakah Pexo nantinya bisa menyatukan Generate, Edit, Context, dan Agent Workflow menjadi satu sistem produksi video yang utuh.