Dua Jenis Pengguna AI Sedang Muncul, dan Kesenjangannya Mengejutkan

 (martinalderson.com)
43 poin oleh GN⁺ 2026-02-02 | 4 komentar | Bagikan ke WhatsApp
  • Kesenjangan produktivitas antar pengguna AI melebar dengan cepat, dan "power user" secara aktif memanfaatkan alat AI tingkat lanjut seperti Claude Code dan MCPs, sementara mayoritas masih bertahan pada penggunaan percakapan setingkat ChatGPT
  • Perusahaan besar kesulitan mengadopsi alat AI terbaru karena kebijakan keamanan, lingkungan TI yang tertutup, dan sistem legacy, sementara perusahaan kecil dengan cepat menginternalisasi AI untuk meningkatkan efisiensi
  • Kesenjangan ini mengarah pada era ketika tim kecil dapat menghasilkan produktivitas yang jauh lebih tinggi daripada perusahaan besar, dan pembangunan API internal serta lingkungan eksekusi kode yang aman muncul sebagai inti daya saing masa depan
  • Jika agen digabungkan dengan sandbox bash yang memiliki akses ke bahasa pemrograman dan API, bahkan pengguna nonteknis dapat menggantikan hampir semua aplikasi produktivitas, dan inilah bentuk masa depan kerja pengetahuan

Dua Jenis Pengguna AI

  • Kesenjangan produktivitas antar pengguna AI membesar dengan cepat
    • Di satu sisi, mereka memanfaatkan Claude Code, MCPs, dan workflow berbasis skill, sehingga bahkan nonteknisi pun aktif menggunakan AI di terminal
    • Khususnya di bidang keuangan, banyak contoh otomatisasi berbasis Python yang melampaui keterbatasan Excel
  • Di sisi lain, masih banyak yang bertahan pada penggunaan sederhana berbentuk tanya-jawab setingkat ChatGPT
    • Banyak pekerja kantoran masih berada dalam kategori ini dan belum memanfaatkan potensi AI secara penuh

Keterbatasan Microsoft Copilot

  • M365 Copilot dibundel dengan langganan Office 365 sehingga memiliki pangsa tinggi di pasar perusahaan, tetapi antarmukanya setara versi lebih rendah dari ChatGPT
    • Fitur "agent"-nya tampak konyol jika dibandingkan dengan agen coding CLI, termasuk GitHub Copilot CLI milik Microsoft sendiri
      Sering gagal pada file besar, dan batasan memori serta CPU terlalu ketat
  • Bahkan di internal Microsoft sendiri, Claude Code sedang diperkenalkan ke tim internal
    • Ini menunjukkan bahwa Copilot tertinggal secara teknis
  • Di lingkungan perusahaan, Copilot sering kali menjadi satu-satunya alat AI yang diizinkan, sehingga karyawan harus menanggung risiko dipecat atau mengerahkan banyak usaha jika ingin memakai alat lain
    — para pengambil keputusan senior mengalami hasil yang buruk dari alat semacam ini lalu meremehkan AI secara keseluruhan, atau menghabiskan biaya besar pada firma konsultansi namun tetap gagal menghasilkan hasil

Risiko Struktural yang Dihadapi Perusahaan Besar

  • Kebijakan TI tertutup yang berpusat pada keamanan menghambat inovasi
    • Lingkungan yang sangat terkunci: bahkan interpreter skrip dasar pun tidak bisa dijalankan secara lokal (kalau beruntung hanya VBA, itu pun dibatasi oleh Group Policy)
    • Perangkat lunak legacy: tidak ada API internal untuk workflow inti, sehingga tidak ada target yang bisa dihubungkan agen
    • Departemen engineering yang tersilo: sering kali sepenuhnya di-outsourcing, sehingga tidak ada tenaga internal untuk membangun infrastruktur guna menjalankan agen yang disandbox dengan aman
  • Tentu saja, kekhawatiran keamanan itu nyata — menjalankan agen coding secara sembarangan tanpa kontrol pada database produksi memang berbahaya
  • Namun sandboxing adalah pekerjaan yang sulit, dan tidak adanya tim engineering yang mampu membangunnya dengan aman adalah masalah utamanya

Pertumbuhan Pesat Perusahaan Kecil

  • Perusahaan menengah/kecil tanpa kendala legacy dengan cepat mengadopsi AI dan meningkatkan produktivitas secara eksplosif
    • Di satu sisi ada direktur keuangan yang mencoba Copilot untuk Excel dari Microsoft (integrasi Google Sheets milik Gemini juga sama buruknya), melihat tugas sederhana pun berantakan, lalu tidak pernah menyentuhnya lagi,
    • sementara di sisi lain ada eksekutif nonteknis yang telah menguasai Claude Code dan menjalankan Python secara lokal
      • Mengonversi model keuangan Excel yang sangat kompleks dengan 30 sheet menjadi Python menggunakan Claude Code hampir selesai hanya dengan 2~3 prompt
      • Begitu model berpindah ke Python, Claude Code dapat menghadirkan kapabilitas setingkat tim data science
      • Menjalankan simulasi Monte Carlo, menghubungkan sumber data eksternal, membangun dashboard web, dan membantu menganalisis kelemahan model (atau bisnis) semuanya menjadi mungkin
  • Dulu karyawan perusahaan kecil iri pada sumber daya dan tim milik perusahaan besar,
    tetapi dalam lingkungan seperti ini tim kecil menunjukkan efisiensi yang jauh lebih tinggi daripada perusahaan besar, dan tren produktivitas pun berbalik

Struktur Kerja di Masa Depan

  • Peningkatan produktivitas oleh AI terjadi secara bottom-up
    • Tim kecil mencoba membangun workflow berbantuan AI untuk proses tertentu, dan karena mereka memahami proses tersebut secara mendalam, hasilnya menjadi baik
    • Ini kontras dengan tim software engineering outsourcing yang sama sekali tidak punya pengalaman proses
    • Polanya sangat berlawanan dengan sebagian besar proyek "digital transformation" yang ada saat ini
  • Perusahaan yang memiliki API untuk sistem internal dapat mencapai jauh lebih banyak
    • Cakupannya bervariasi, mulai dari data warehouse read-only sederhana yang bisa dihubungkan karyawan untuk menjalankan query atas nama pengguna, hingga API-ifikasi proses bisnis inti
  • Menjalankan agen kode di lingkungan VM dengan keamanan terkontrol adalah alternatif yang realistis
    • Cocok untuk pelaporan read-only, tetapi masih memiliki keterbatasan untuk modifikasi data
  • Vendor enterprise SaaS legacy berada dalam kondisi lock-in yang kuat, atau tergantung sudut pandang, dalam kondisi yang sangat rapuh
    • Sebagian besar bukan produk "API-first", dan API yang ada dirancang untuk developer, sehingga tidak dioptimalkan untuk situasi ketika ribuan karyawan memanggilnya secara tidak efisien
    • Namun jika ia menjadi source of truth tunggal perusahaan, migrasinya sangat sulit dan menjadi bottleneck bagi peningkatan produktivitas
  • Perusahaan kecil cenderung menggunakan produk yang lebih baru dan memiliki API yang dirancang dengan baik
    • Produk SaaS baru ini dirancang dengan pendekatan berpusat pada API, sehingga lebih menguntungkan untuk integrasi AI

Bentuk Baru Kerja Pengetahuan

  • Kombinasi sandbox bash yang memiliki akses ke bahasa pemrograman dan API sistem dengan framework agen berfungsi sebagai alat produktivitas yang kuat bahkan untuk pengguna nonteknis
    • Pengguna memasukkan prompt, lalu agen menghasilkan hasil melalui API
    • Penulisan laporan, analisis data, pembuatan dokumen, dan apa pun yang diminta pengguna dapat diekspor dalam format yang diinginkan, sehingga mampu menggantikan sebagian besar aplikasi office yang ada
  • Cara kerja di mana pengguna memberi prompt, lalu agen terhubung ke API dan menghasilkan output sesuai permintaan adalah masa depan kerja pengetahuan
    • Polarisasi ini nyata dan sedang melaju cepat
  • Perubahan ini membuka era ketika tim kecil dapat memperoleh keunggulan kompetitif lebih cepat daripada perusahaan besar
    • Kesenjangan dalam pemanfaatan AI benar-benar ada, dan lajunya semakin cepat
    • Sepanjang sejarah, belum pernah tim kecil bisa melampaui perusahaan yang seribu kali lebih besar dengan semudah ini

Bacaan terkait

4 komentar

 
GN⁺ 2026-02-02
Opini Hacker News

  • Menurut saya, pengguna bisa dibagi menjadi dua kelompok
    Yang pertama adalah orang-orang yang memanfaatkan AI sebagai alat, sadar akan keterbatasannya, dan memakainya untuk pekerjaan berulang atau membosankan, atau untuk mendapatkan ringkasan
    Yang kedua adalah orang-orang yang mengalihdayakan proses berpikir itu sendiri, hampir tidak memahami topiknya, hanya ingin hasil, dan tidak punya kemauan untuk belajar
    Kelompok kedua ini adalah tipe yang percaya chatbot bisa menggantikan developer senior

    • Setelah sadar bahwa perusahaan tidak menginginkan ‘engineer yang berpikir’, saya juga mulai mengalihdayakan pemikiran dalam pekerjaan
      Yang penting hanya deadline cepat, dan feedback pelanggan baru datang setengah tahun kemudian jadi rasanya tidak berarti
      Sekarang saya bertahan dengan hanya mengeluarkan usaha minimum sambil tetap menerima gaji
    • Ada tipe lain juga. Mereka memakai kemampuan berpikir untuk membuat alat yang lebih canggih, lalu mendelegasikan makin banyak pemikiran dan keterampilan ke AI. Saya dan orang-orang di sekitar saya termasuk di sini
    • Mengalihdayakan pemikiran tidak selalu buruk
      Saya membuat aplikasi latihan mendengar bahasa Jerman dengan Claude Code dan ElevenLabs, dan hasilnya cukup efektif sampai guru saya pun terkejut
      Saya tidak tertarik belajar coding, tujuan saya adalah meningkatkan kemampuan bahasa Jerman
    • Saya rasa ada kelompok ketiga juga. Mereka memakai AI seperti anggota tim virtual untuk saling melempar ide. Menurut saya ini use case yang paling menarik
    • Ada juga kelompok lain yang memakainya sebagai pengganti mesin pencari, dokter atau konselor, dan dokumen.
      Artinya, mereka menggunakannya sebagai partner percakapan lebih dari sekadar alat sederhana

  • Kalau AI dipakai pada proyek greenfield dan proyek brownfield, perbedaan produktivitasnya besar
    Pada hari pertama proyek baru, AI bisa menyelesaikan pekerjaan seminggu, tetapi di sistem yang sudah ada peningkatannya hanya sekitar 20%
    Pada akhirnya, AI seperti mempercepat terulangnya ‘dilema inovator’
    Pertanyaannya adalah sejauh mana AI bisa berperan pada tahap mematangkan sistem yang kompleks

    • Sebagai orang yang bekerja di enterprise IT, saya setuju dengan ini
      Saya hampir merampungkan file build Hashicorp Packer dengan AI, dan AI lokal sangat membantu
      Tapi di infrastruktur lama, ketidakpastiannya jauh lebih besar sehingga LLM justru lebih berpotensi merusak
    • Sebenarnya fenomena seperti ini selalu terjadi pada proyek baru bahkan tanpa AI
      Awalnya cepat, tetapi belakangan batas arsitektur mulai terlihat
    • Saya memakai AI sebagai pelumas produktivitas. Saat lelah atau terlalu banyak berpikir, AI membantu menemukan titik awal
      Ini juga membantu mengurangi overengineering
    • Tapi peningkatan kecepatan ini berhenti di batas context window
      Kalau proyek sudah melewati 200k token, produktivitas menjadi nol
      Pada akhirnya, organisasi menang dengan proses yang tidak bergantung pada ingatan
    • Biasanya peningkatannya hanya sekitar 10~20%, tapi untuk proyek pribadi saya pernah melihat peningkatan sampai 200~500%

  • Saya hampir mual ketika mendengar cerita seorang eksekutif yang memakai Claude Code untuk mengonversi model keuangan Excel kompleks dengan 30 sheet menjadi Python
    Dengan latar belakang matematika dan geofisika, model Excel seperti itu sendiri sudah terasa seperti mimpi buruk
    Meski begitu, saya akui kemungkinan hasil konversi Python itu lebih buruk dari aslinya tidak terlalu besar

    • Rahasia di bidang yang berdekatan dengan coding seperti ini adalah hampir tidak ada testing
      Siapa yang akan menangkap pemodelan yang salah? Hampir tidak ada
      Simulasi buatan LLM bahkan punya prosedur validasi yang lebih minim
    • Di sektor keuangan, spreadsheet Excel produksi memang benar-benar dikelola versinya dan diuji seperti kode
      Awalnya dipakai untuk eksperimen cepat, lalu ketika profit membesar tim teknis mengubahnya menjadi aplikasi resmi
    • Tapi saya yakin versi Claude Code akan jauh lebih buruk
      Excel aslinya sudah diperbaiki selama bertahun-tahun, sedangkan hasil konversinya hanyalah tiruan palsu
    • Saya tertawa ketika membaca kalimat “kemungkinannya tidak terlalu besar akan lebih buruk”
    • Sekarang kita sedang bergerak dari “era ketika Excel menciptakan resesi” ke era ketika model keuangan buatan AI menciptakan resesi
    • Walaupun Claude Code hampir menyelesaikan konversinya sekali jalan, kemungkinan besar logika pentingnya rusak
      • Tentu saja, kalau Excel dan Python bisa dijalankan bersamaan lalu hasilnya dibandingkan, akurasinya bisa meningkat
      • Tapi kemungkinan model Excel itu sendiri sudah tervalidasi dengan baik juga rendah
      • Frasa ‘hampir sekali jalan’ itu seperti mengatakan CPU memiliki ‘keandalan hampir 100%’
      • Pada akhirnya, yang menakutkan adalah 401k kita bisa saja dikelola oleh model buatan AI

  • Fakta bahwa ada orang non-ahli yang membuat model keuangan dengan AI terasa menakutkan

    • Tapi mungkin kapitalis baru akan sadar setelah terjadi satu kecelakaan besar
    • Meski begitu, setidaknya kita bisa menaruh Excel di sampingnya untuk uji perbandingan, dan kalau ada yang aneh kita bisa meminta AI menjelaskan
    • Kalau bergeser ke bidang medis, rasanya akan lebih menakutkan lagi
    • Saya juga sedang belajar dari Python ke Rust, dan melihat LLM sering salah membuat saya benar-benar merasakan risiko mempercayai AI
    • Sebenarnya banyak model Excel juga tidak diuji dengan benar. Levelnya cuma ‘sepertinya benar’

  • Sekarang ini adalah masa lahirnya Shadow AI
    Seperti Shadow IT di era 2000-an, karyawan diam-diam menjalankan Claude Code di terminal
    Karena Copilot resmi bahkan tidak bisa menangani CSV dengan benar
    Para CISO gemetar ketakutan, tapi kalau dilarang, karyawan yang kompeten akan pergi

    • Masalahnya, mereka menyerahkan token atau izin akun begitu saja ke AI. Ini mimpi buruk keamanan

  • Kalau diungkapkan dengan gaya 1980-an, inovasi yang sesungguhnya datang dari workflow yang dibuat sukarela oleh pekerja lapangan
    Karena merekalah yang paling memahami prosesnya
    Baru setelah itu software paket yang ramah CIO menyusul

    • Pada akhirnya, kekuatan ada di distribusi ekor, artinya sejumlah kecil percobaan eksperimental yang mendorong perubahan

  • Dalam beberapa bulan terakhir, agent akhirnya mulai cukup berguna sehingga semua orang baru mulai memakainya
    MCP, LangChain, dan vector DB sempat populer, tapi sekarang lebih sunyi
    Masih terlalu dini untuk membahas tren

    • Demam MCP sebagian besar memang untuk tujuan penjualan. Tapi sebagai protokol, itu cukup berguna
      Saya pernah memakai server MCP context7 dan playwright, dan itu efektif untuk perencanaan dan feedback loop
    • Orang-orang yang bicara soal MCP kebanyakan adalah manajer yang hanya aktif di LinkedIn
    • Bahkan pengguna Linux lama seperti saya sekarang merasa cukup mudah sampai bisa menyelesaikan 2 aplikasi setiap akhir pekan dengan Claude Code
    • Dalam praktiknya, orang lebih sering memakai REST atau API yang sudah ada daripada MCP

  • Integrasi Excel di Microsoft Copilot sangat buruk
    Karena selama 30 tahun mereka membuat format XML yang kompleks, LLM jadi tidak bisa memahaminya
    Karena itu perusahaan kami sedang memigrasikan dokumen Word ke Markdown. Semacam karma

    • Mimpi web yang bisa dibaca mesin yang dulu dibayangkan Tim Berners-Lee baru sekarang mulai menjadi kenyataan
      Tapi waktu yang dibutuhkan untuk membuat dokumen ramah AI justru terus bertambah
    • Ironisnya, Claude Code bekerja jauh lebih baik di Excel
      Copilot bahkan mengabaikan instruksi untuk mengonversinya ke CSV lalu gagal
    • Dulu kami pernah memberi intern proyek untuk mem-parse Visio XML lalu mengubahnya ke JSON, dan memang berhasil tapi cepat menghilang

  • Saya pernah mendengar kalimat ini — “Sekarang bukan perusahaan besar yang mengalahkan perusahaan kecil, melainkan perusahaan cepat yang mengalahkan perusahaan lambat”
    Di era AI sekarang, kalimat itu terasa makin benar. Masalahnya adalah bagaimana tetap cepat

    • Tapi cepat tidak selalu baik. Bisa saja justru jatuh lebih dulu ke jurang
    • Penting juga mengetahui kapan harus memperlambat. Kuncinya adalah bergerak cepat tanpa merusak keamanan dan compliance
    • Tentu saja ini nasihat khas startup, tapi kadang pihak yang lambat juga menang (contoh: Teams vs Slack)
 
tazuya 2026-02-05

Copilot masih terus dikritik. Kapan MS akan memperbaikinya.
 
bichi 2026-02-03

Saya menulis dengan pembantu 1, 2, 3.
 
xguru 2026-02-03

Di tengah ada banyak kritik terhadap Copilot, tetapi justru
Claude Code sedang menyebar cepat di internal Microsoft

Tampaknya ini jelas merupakan situasi yang juga berlaku di perusahaan besar domestik.
Perusahaan menyuruh karyawan memakainya jadi mereka memakainya, tetapi sepertinya pasti ada tempat yang tidak boleh memakai ChatGPT/Claude dan hanya boleh memakai Copilot.