- Peningkatan produktivitas AI pada level individu karyawan tidak otomatis berujung pada pembelajaran tingkat organisasi; tantangan utamanya adalah bagaimana temuan nyata berpindah dari individu ke tim lalu menjadi kapabilitas organisasi
- Pada tahap tengah yang kompleks dalam adopsi AI, penggunaan alat seperti Copilot, ChatGPT Enterprise, Claude, Gemini, dan Cursor sudah meluas, tetapi kedalaman pemanfaatannya berbeda di tiap tim, dan sebagian pembelajaran tersembunyi sehingga sulit dibandingkan dan disebarkan
- Cara manajemen perubahan lama seperti komunitas, jaringan champion, demo, survei, dan dashboard sulit menangkap secara memadai konteks, kegagalan, validasi, dan campur tangan manusia dalam penggunaan AI yang muncul di pekerjaan nyata
- Rekayasa agentic menurunkan biaya iterasi sehingga perpindahan dari niat ke prototipe dan evaluasi bisa berlangsung cepat, tetapi prosedur Scrum, sprint, dan serah terima di organisasi masih bisa tetap bertumpu pada asumsi bahwa iterasi itu langka
- Organisasi membutuhkan Agent Operations, Loop Intelligence, dan Agent Capabilities secara bersamaan; yang penting bukan pengawasan karyawan, melainkan feedback harness yang memahami loop kerja nyata lalu mengembalikannya menjadi kapabilitas yang dapat digunakan ulang dan pembelajaran yang lebih cepat
Tahap tengah yang kompleks dalam adopsi AI ketika organisasi gagal belajar
- Dari sudut pandang Ethan Mollick,
Leadership, Lab, and Crowd, peningkatan produktivitas AI pada level individu tidak otomatis menjadi hasil tingkat organisasi
- Karyawan bisa menulis lebih cepat, menganalisis lebih banyak, mengotomatisasi, dan bekerja seperti “cyborg”, tetapi perusahaan bisa jadi hampir tidak belajar apa pun
- Alat seperti GitHub Copilot, ChatGPT Enterprise, Claude, Gemini, dan Cursor sudah masuk ke dalam perusahaan, dan di setiap tim ada orang yang jauh lebih maju dibanding materi pelatihan resmi
- Eksekutif bisa melihat penggunaan lisensi, jumlah prompt, survei, PoC internal, dan materi steering committee, tetapi sulit melihat di mana pembelajaran yang sesungguhnya terjadi
- Di beberapa perusahaan, AI langsung dilempar ke departemen TI lalu tidak berkembang lebih jauh
- Tahap tengah yang kompleks dalam adopsi AI dimulai ketika penggunaan AI sudah meluas tetapi tidak merata, sebagian tersembunyi, sulit dibandingkan, dan belum terhubung ke pembelajaran organisasi
- Unit adopsi bukan lagi organisasi secara keseluruhan, bahkan mungkin bukan tim, melainkan loop di dalam pekerjaan nyata
Apa yang terjadi setelah semua orang punya Copilot
- Tahap pertama adopsi AI terlihat seperti rollout enterprise yang sudah familiar
- Membeli seat, menetapkan batas penggunaan yang diperbolehkan, memberikan pelatihan, membangun jaringan champion, dan meminta orang membagikan use case di kanal Teams
- Kanal-kanal seperti ini bisa sempat aktif lalu berubah menjadi gudang internal perusahaan yang hanya dipenuhi niat baik
- Pada tahap kedua, cara pemanfaatan AI bisa sangat terbelah bahkan di dalam perusahaan yang sama
- Ada tim yang hanya memakai Copilot sebatas autocomplete
- Tim lain menjalankan Claude Code dalam loop rapat dengan pengujian, review, dan penyesuaian berkelanjutan
- Orang produk membuat prototipe software nyata alih-alih hanya membuat layar Figma
- Engineer senior menyerahkan analisis akar masalah ke agen dan mendapatkan solusi yang valid dalam 1 jam, mempersingkat pekerjaan yang tanpa AI bisa memakan 2 minggu
- Junior bisa menghasilkan kode yang rapi tetapi mungkin tidak tahu asumsi arsitektur apa yang telah disisipkan ke dalam sistem
- Tim support diam-diam mengubah tiket berulang menjadi otomasi workflow dan mengetahui titik nyeri nyata yang tidak sempat ditanyakan oleh Center of Excellence
- Dalam kerangka Mollick, leadership menetapkan arah dan izin, Crowd melakukan pekerjaan nyata sehingga menemukan use case, dan Lab mengubah temuan itu menjadi praktik bersama, alat, benchmark, dan sistem baru
- Kesulitan utamanya adalah bagaimana temuan benar-benar berpindah dari individu ke tim, lalu dari tim menjadi kapabilitas organisasi
Cara manajemen perubahan lama terlalu lambat
- Sebagian besar perusahaan mencoba menangani adopsi AI dengan perangkat manajemen perubahan lama
- Komunitas praktik, sesi makan siang, jaringan champion, materi enablement, office hour, demo bulanan, survei, dan dashboard digunakan
- Di organisasi yang bahkan masih membutuhkan izin untuk bereksperimen, cara-cara ini tetap membantu
- Tetapi penggunaan AI yang menarik muncul di tengah pekerjaan nyata, bukan sambil menunggu pertemuan komunitas berikutnya
- Ia muncul di dalam code review, proposal penjualan, pekerjaan riset, prototipe produk, insiden operasional, strategi pengujian, dan pertanyaan compliance
- Pada tipe komponen produk tertentu, bisa terbentuk pola yang mendekati “dark factory”
- Menulis niat
- Membiarkan agen menjalankan loop yang longgar
- Memberi backpressure yang cukup agar tetap berada di jalur
- Mengevaluasi hasil dengan skenario yang kuat
- Menyempurnakan niat dan secara iteratif mendapatkan hasil berkualitas tinggi
- Pembelajaran yang berguna sering kehilangan ketajamannya saat diringkas menjadi slide best practice
- Karena yang benar-benar menciptakan nilai adalah konteks yang hilang, tes yang gagal, perilaku API yang aneh, dan friksi ketika manusia harus menarik agen kembali saat menyimpang ke arah yang tidak masuk akal
- Dari sudut pandang elastic loop, kolaborasi AI bukan satu mode tunggal
- Ia membentang dari co-driving yang rapat dan sinkron hingga delegasi yang lebih longgar dan asinkron
- Pertanyaan pentingnya bukan “apakah orang memakai AI”, tetapi loop sebesar apa yang seharusnya dipakai tim, di mana resistensi diperlukan, artefak apa yang harus tetap bertahan setelah loop selesai, dan bagaimana artefak itu menjadi pembelajaran organisasi
- Ini jauh lebih sulit daripada sekadar menghitung penggunaan alat atau jumlah token
Scrum dibangun dengan asumsi iterasi itu mahal
- Banyak bagian dari proses software modern ada karena iterasi manusia dulu mahal
- Sprint planning, estimasi, standup, user story, perapian tiket, serah terima, serta ritual untuk koordinasi dan pengurangan risiko termasuk di dalamnya
- Jika satu iterasi memakan waktu berhari-hari atau berminggu-minggu, maka dibutuhkan struktur untuk mencegah iterasi yang terbuang
- Rekayasa agentic mengubah ekonomi iterasi
- Ia memungkinkan lebih banyak opsi benar-benar dibuat dan dicoba
- Ia memungkinkan perpindahan lebih cepat dari niat ke prototipe lalu evaluasi
- Ia membuat orang produk bisa melihat software yang berjalan lebih awal
- Ia membuat engineer bisa menguji lebih banyak hipotesis sebelum memutuskan
- Ia tidak membuat delivery terasa ajaib dan mudah, tetapi memindahkan bottleneck dari implementasi ke niat, validasi, penilaian, dan feedback
- Banyak organisasi selama 20 tahun menyebut dirinya agile, tetapi tetap mempertahankan refleks organisasi yang justru ingin dihapus agile
- AI membuat kelincahan yang nyata tampak lebih mungkin, tetapi sistem tetap menuntut komitmen sprint 2 minggu, dokumen serah terima, dan prosedur yang berasumsi iterasi itu langka
- Loop bisa bergerak lebih cepat daripada kecepatan organisasi mencerna apa yang dipelajari dari loop tersebut
Biaya penggunaan AI memaksa organisasi mengajukan pertanyaan yang lebih baik
- Penggunaan AI kemungkinan akan menjadi lebih terukur dengan jelas
- Suasana enterprise saat ini yang serba “semua orang punya akses dan biaya belum terlalu dikhawatirkan” mungkin tidak akan bertahan lama
- Routing model, anggaran token, harga berbasis penggunaan, biaya inferensi, dan governance tentang model mana yang boleh digunakan untuk tugas tertentu akan menjadi lebih eksplisit
- Pertanyaan pentingnya bukan menurunkan biaya token secara abstrak
- Sama seperti dalam pengiriman software, pertanyaan pentingnya bukan meminimalkan jumlah penekanan tombol
- Pertanyaan yang lebih baik adalah “apa yang berubah karena token itu dipakai”
- Hindari cara berpikir yang sekadar menghitung jumlah pull request
- Loop mana yang tertutup lebih cepat
- Keputusan mana yang membaik
- Analisis akar masalah mana yang menjadi lebih tajam
- Review mana yang menangkap lebih banyak masalah
- Tim mana yang mempelajari pola yang dapat dipakai ulang
- Ide produk mana yang kelemahannya terungkap lebih awal berkat prototipe sehingga dibatalkan lebih cepat
- Di mana AI menghasilkan pembelajaran, dan di mana ia hanya menghasilkan lebih banyak output
- “output per token” adalah refleks pengukuran lama dengan pakaian baru
- Yang lebih penting mendekati pembelajaran per token
Loop Intelligence sebagai jalur feedback yang hilang
- Pada tahap tengah yang kompleks dalam adopsi AI, perusahaan membutuhkan tiga kapabilitas
-
Agent Operations
- Mengelola agen dan alat AI apa yang sedang berjalan, sistem apa yang bisa mereka sentuh, dan data apa yang bisa mereka lihat
- Termasuk juga tindakan mana yang memerlukan persetujuan, di mana identitas, audit, otorisasi, dan visibilitas runtime berada
- Karena pekerjaan agentic pada akhirnya menyentuh sistem nyata, aspek kontrol menjadi penting
-
Loop Intelligence
- Mengidentifikasi loop berbantuan AI atau loop agentic penuh mana yang benar-benar menghasilkan pembelajaran
- Melihat loop mana yang tetap terbuka, loop mana yang melemah, di mana agen menciptakan leverage, dan di mana ia melebar ke cabang-cabang samping
- Menilai tim mana yang masih terikat pada pengawasan ketat karena kurangnya pengujian, konteks, atau intuisi, dan tim mana yang siap melakukan delegasi yang lebih longgar
-
Agent Capabilities
- Menyebarkan kapabilitas yang berguna ke seluruh organisasi tanpa berasumsi bahwa tiga agen raksasa bisa mengerjakan pekerjaan semua orang
- AI mulai bergerak lebih seperti teknologi fondasi yang cair daripada satu kategori aplikasi tunggal
- Ia tidak cocok dengan model kebun binatang enterprise yang berisi satu “agen HR”, satu “agen engineering”, dan satu “agen penjualan”
- Kapabilitas harus mengalir ke tempat pekerjaan nyata terjadi
- harness karyawan
- agen latar belakang
- tim produk
- layanan platform
- skill lokal
- server MCP
- evaluation suite
- runbook
- contoh
- prosedur khusus domain
Pertanyaan platform dan feedback harness
- Pada level platform, pertanyaan pentingnya adalah siapa yang memiliki kapabilitas berguna dan bagaimana kapabilitas itu berpindah
- Diperlukan cara agar skill agen yang berguna dan ditemukan oleh satu tim bisa diteruskan ke tim lain tanpa berubah menjadi template mati
- Harness untuk developer, harness untuk orang produk, agen latar belakang untuk tim support, dan workflow compliance harus diperkuat dengan cara yang berbeda
- Sebagian kapabilitas harus berada dekat dengan tim, sebagian harus ada di lapisan platform, dan sebagian tidak boleh digeneralisasi karena konteks lokal itu sendiri adalah inti nilainya
- Jika hanya memiliki satu dari tiga kapabilitas, situasinya cepat menjadi aneh
- Hanya Agent Operations tanpa Loop Intelligence akan berubah menjadi birokrasi kontrol
- Hanya Loop Intelligence tanpa Agent Capabilities akan menjadi lapisan analisis yang menemukan pola berguna tetapi tidak bisa memasukkannya kembali ke pekerjaan
- Hanya Agent Capabilities tanpa Operations dan Loop Intelligence akan menjadi ledakan alat dengan branding yang lebih bagus
- Jalur kontrol, jalur pembelajaran, dan jalur kapabilitas harus bertemu di suatu titik
- Secara internal, ini bisa disebut feedback harness
- Yang dibeli pelanggan bukan mekanisme yang elegan, melainkan kepercayaan diri, keputusan yang lebih baik, pembelajaran yang lebih cepat, lebih sedikit pemborosan, dan delegasi yang lebih aman
- Konsep yang mungkin lebih berguna bagi pelanggan adalah Loop Intelligence Hub
- Feedback harness adalah perangkat untuk mendengarkan loop kerja nyata
- Ia melihat tugas, prompt, spesifikasi, review, skenario, hipotesis yang diterima atau ditolak, sinyal operasional, pengerjaan ulang, serta keputusan dan intervensi manusia
- Ini bukan untuk mengawasi orang, melainkan untuk memahami loop
- Versi pertamanya tidak harus berupa platform raksasa
- Cukup pilih beberapa workflow nyata, ukur titik-titik di mana niat, pekerjaan agen, validasi, dan keputusan manusia sudah meninggalkan jejak, lalu kumpulkan feedback kualitatif secukupnya untuk memahami mengapa loop berhasil atau gagal, dan ubah itu menjadi output pembelajaran yang berulang
- Loop Intelligence Hub mengubah sinyal menjadi bentuk yang bisa ditindaklanjuti organisasi
- backlog enablement
- radar kapabilitas
- ringkasan investasi
- celah governance
- workflow yang dapat dipakai ulang
- kebutuhan pelatihan
- prioritas evaluasi
- Yang dibutuhkan bukan dashboard yang cocok untuk semua tempat, melainkan output yang disesuaikan dengan relevansi
- Output yang menarik bukan dashboard itu sendiri, tetapi keputusan di baliknya
- Sebagian tim membutuhkan backpressure yang lebih baik sebelum mendelegasikan lebih banyak
- Sebagian grup produk memiliki pola dark factory yang bisa diulang untuk tipe komponen yang sempit
- Sebagian workflow compliance memerlukan batas alat yang diterapkan governance
- Sebagian skill perlu dipindahkan ke platform karena telah salah ditemukan ulang oleh lima tim
- Harness mengumpulkan, hub membantu organisasi memutuskan, dan lapisan kapabilitas memasukkan kembali pembelajaran ke dalam pekerjaan
Jika berubah menjadi pengawasan karyawan, maka gagal
- Jika kerangka ini berubah menjadi penilaian skor karyawan, semuanya akan runtuh
- Jika karyawan percaya organisasi mengukur apakah mereka cukup banyak memakai AI, mereka akan memanipulasi sinyal
- Jika mereka percaya setiap eksperimen akan menjadi ekspektasi produktivitas, mereka akan menyembunyikan eksperimen
- Jika mereka percaya workflow terbaik mereka akan segera menjadi beban kerja dasar yang baru, mereka akan menyimpannya secara privat
- Perusahaan akan mendapatkan bentuk adopsi terburuk: kepatuhan yang terlihat dan pembelajaran yang tidak terlihat
- Pertanyaan yang berguna bukan “siapa yang cukup sering memakai AI”
- Di mana AI telah mengubah pekerjaan dengan cara yang bisa dipelajari organisasi
- Loop mana yang menjadi lebih sehat
- Tim mana yang membutuhkan backpressure yang lebih baik sebelum mendelegasikan lebih banyak
- Jika prototipe berubah menjadi software nyata, tim produk mana yang membutuhkan lingkungan yang berbeda
- Kebijakan memang diperlukan, tetapi seperti pembelajaran, governance juga hanya menjadi nyata lewat penggunaan
- Saat agen menyentuh pekerjaan yang dekat dengan operasional
- Saat orang produk membuat prototipe alih-alih menulis spesifikasi
- Saat developer mendelegasikan analisis akar masalah
- Saat pengeluaran token membesar dan eksekutif menginginkan jawaban
- Organisasi akan mengetahui apakah mereka telah membangun sistem pembelajaran, atau sekadar membeli banyak seat
Tahap tengah yang kompleks bukan fase yang sekadar harus dilalui
- Tahap pertama adopsi AI adalah soal akses
- Siapa yang mendapat alat, siapa yang mendapat izin, siapa yang menegosiasikan kontrak, dan siapa yang bisa mencoba model terbaru tanpa tiket procurement adalah hal yang penting
- Tahap ini tetap penting, tetapi tidak akan lama menjadi pembeda
- Akses ke frontier intelligence bisa dipinjam, tetapi kontrol operasional dan pembelajaran organisasi tidak bisa dipinjam dengan cara yang sama
- Keunggulan berikutnya adalah kecepatan belajar
- Siapa yang lebih cepat menemukan pola nyata
- Siapa yang memindahkan temuan dari individu ke tim, lalu dari tim menjadi kapabilitas organisasi
- Siapa yang menambahkan backpressure ke loop agentic agar agen tidak melebar ke mana-mana
- Siapa yang menyebarkan kapabilitas agen yang berguna tanpa mengubahnya menjadi agen enterprise raksasa yang harus cocok untuk semua orang
- Siapa yang memakai rekayasa agentic untuk membuat agile lebih mendekati kenyataan, alih-alih sekadar menambahkan AI ke ritual lama
- Sulit memahami perubahan ini jika menunggu playbook adopsi yang sudah final
- Alih-alih menunggu jawaban akhir dari vendor, konsultan, atau lab AI, organisasi perlu mengukur pekerjaan nyata, membagikan pembelajaran yang berantakan, membiarkan orang lain menguji celahnya, dan melakukan iterasi secara terbuka
1 komentar
Komentar Hacker News
Di lingkungan perusahaan besar, adopsi AI hampir tidak meluas ke luar tim pengembang, dan hanya developer yang bisa memakai GitHub Copilot
Perlu 6–12 bulan agar kode bergerak dari commit ke deployment produksi, dan kecepatan pengembangan sejak awal bukanlah bottleneck utama
Yang memakan waktu adalah prosedur seperti provisioning infrastruktur, pengujian, persetujuan, change management, dan jadwal deployment, dan AI justru memperburuk bottleneck setelah tahap pengembangan sehingga perubahan menumpuk di depan kereta rilis
Agar perusahaan besar bisa mendapatkan ROI dari biaya token, mereka harus belajar cara merilis software lebih cepat, dan kode yang tidak pernah dideploy bukan aset melainkan utang
Memang benar pengembangan software tidak efisien, tetapi inti masalahnya bukan penulisan kode melainkan riset dan desain untuk mengetahui kode seperti apa yang harus ditulis, dan bagian ini jarang diperhitungkan
Saat Microsoft berteriak “kode 50% lebih cepat!”, para eksekutif menerimanya sebagai “produk juga 50% lebih cepat, uang juga 50% lebih cepat”
Begitu ROI mulai dituntut, besar kemungkinan hasilnya jadi bencana, dan saat ini semua orang hanya menghindari pengukuran
Suatu hari investor akan menuntut, “kami sudah menghabiskan 2 juta dolar, jadi hasilkan laba bersih 4 juta dolar,” padahal hasil seperti itu kecil kemungkinan muncul
Copilot dan Claude tidak menyelesaikan bottleneck yang sebenarnya seperti pengetahuan organisasi lama, solusi khusus yang tidak terdokumentasi, dan kemungkinan pemanfaatan di masa depan
Kode bukan produk yang sesungguhnya, juga bukan pekerjaan yang sesungguhnya, dan dalam codebase yang sehat ia hampir seperti produk sampingan yang nyaris gratis dari proses desain dan riset
Setelah “tim pembelian kesulitan memakai pencarian” dirapikan menjadi tiket yang praktis, komponen filter pencarian React pada dasarnya sudah ditentukan, dan coding menjadi semacam prosedur formal 10 menit
Meski Copilot memangkasnya jadi 5 menit, itu tidak terlalu mengesankan jika dibandingkan dengan 6 jam rapat dan panggilan sebelumnya
Nutrisi dan kalori juga hanya berguna sampai batas tertentu, lalu manfaatnya menurun dan akhirnya berdampak negatif
Ini memang bukan analogi yang sempurna, tetapi membantu membentuk model berpikir bahwa menghasilkan lebih banyak justru bisa menciptakan nilai yang lebih sedikit
Saya pernah mendapat masukan pelanggan bahwa dokumennya lengkap dan rinci tetapi terlalu melelahkan, dan akhirnya sadar bahwa beberapa bullet point singkat yang menyampaikan inti jauh lebih baik daripada dokumen lima halaman
[0] https://en.wikipedia.org/wiki/Theory_of_constraints
[1] https://www.goodreads.com/book/show/113934.The_Goal
[2] https://www.goodreads.com/en/book/show/17255186-the-phoenix-...
Tim keuangan datang dan bertanya apakah mereka boleh vibe coding aplikasi untuk perencanaan keuangan dengan Copilot, Cursor, dan Claude, bahkan sambil berkata, “CFO mencoba Lovable, yakin dengannya, lalu menyuruh kami melakukan vibe coding untuk aplikasinya”
Mereka tahu eksekutif akan membeku begitu mendengar “CFO yang bilang,” jadi mereka memakai logika itu
Pada akhirnya mereka bahkan membungkusnya dengan kalimat yang terdengar masuk akal seperti “kita perlu memastikan apakah aplikasi vibe-coded dengan keamanan data dan maintainability yang memadai bisa ada di ranah keuangan perusahaan”
Yang lebih mengejutkan adalah bahwa penalaran seperti ini muncul dari perusahaan dengan pendapatan tahunan lebih dari 20 miliar dolar
Bagi engineer biasa seperti saya, memakai AI di perusahaan hampir tidak memberi manfaat nyata
Perusahaan sedang merebus kami pelan-pelan, dan kalangan elit HN seperti investor, eksekutif, selebritas, dan engineer papan atas akan berkata, “bagaimana mungkin kamu menentang inovasi?”
AI/LLM bukan inovasi seperti TCP/IP, Linux, atau Postgres
Hal-hal seperti Claude, Codex, Gemini, dan Grok ada demi laba, dan merupakan alat untuk memeras produktivitas sampai tetes terakhir lalu memungkinkan pemecatan saat orang sudah tidak dibutuhkan
Kalau AI memang bagus, lebih baik pakai model open-source dan gunakannya untuk proyek pribadi
AI bisa memuntahkan banyak kode, tetapi engineer yang benar-benar memahami apa yang sedang terjadi tetap dibutuhkan, dan itu memang selalu jadi bottleneck
Posisi junior mungkin hilang, tetapi engineer senior tampaknya masih aman untuk sementara
Saya sendiri memang pembangkang dari dulu, dan ini pelajaran yang saya pelajari dengan susah payah: kalau sudah dipekerjakan, berarti Anda dipekerjakan untuk melakukan apa yang diinginkan manajemen
Kalau melawan, paling-paling hanya bisa berharap mereka tidak menyadari atau tidak peduli, dan sulit menciptakan perubahan besar
Entah orang-orang masih ingat atau tidak apa yang dilakukan SCO terhadap industri saat perusahaannya sedang menuju kehancuran
Saya tetap tidak paham bagian di mana perusahaan menyerahkan informasi rahasia internal mereka seperti kode, proses, kebutuhan pelanggan, politik internal, dan gagasan kepemimpinan ke tangan startup dan konglomerat yang sulit dipercaya
Microsoft pun dulu pernah terkenal karena NDA dan penyalahgunaan kesepakatan
Saya tidak percaya raksasa LLM akan menahan diri untuk tidak melatih model dengan materi perusahaan, dan saya juga tidak percaya mereka akan jujur tentang itu
Jika mereka mulai runtuh, demam emas ini bisa meninggalkan ekor yang panjang dan buruk
Dalam praktiknya, yang di-PHK justru mereka yang tidak mengadopsi teknologi seperti ini, dan jika Anda bertindak begitu, Anda sendiri memasukkan diri ke dalam lingkup PHK
Lihat saja kasus Coinbase hari ini, mereka sedang menyingkirkan orang-orang yang tidak menerima masa depan
Orang-orang itu tidak membantu kemajuan, tidak mendorong ke depan, dan malah menahan mereka yang melakukannya
Tulisan itu tepat menangkap messy middle
Developer yang tanggung jawab dan pekerjaannya dipertaruhkan hampir tidak punya insentif untuk membangun loop kecerdasan seperti ini
Sehalus apa pun manajemen memintanya, saya tidak berniat membagikan peningkatan produktivitas saya ke seluruh perusahaan secara gratis dan altruistis
Kalau itu alat yang berguna mungkin saya mau berbagi, tetapi untuk pengetahuan praktis tentang cara menangani AI atau menyiapkan agen, lebih baik saya simpan sendiri kecuali ada pengakuan atas kontribusi berbagi itu
Perusahaan kami membuat penghargaan “prompt minggu ini” dan sesi makan siang untuk mendorong adopsi, dan bahkan ada tim yang membangun alur seperti ini
Tetapi tanpa imbalan finansial nyata atau keamanan kerja, risiko dan biaya menyebarkan pengetahuan sepenuhnya jatuh ke developer
Jauh sebelum AI mencapai titik sekarang, saya membuat CLI pribadi agar pekerjaan lebih mudah dan untuk menulis script otomatisasi
Rekan kerja melihat alat itu dan meminta saya membagikannya, tetapi jawaban diplomatis saya pada dasarnya adalah penolakan
Jika saya membagikannya, saya menanggung beban dukungan dan juga mendapatkan imbal hasil negatif karena semua orang jadi bisa bekerja seproduktif saya sehingga keunggulan saya hilang
Lagi pula, kepemimpinan tidak mengakui kreativitas saya sebagai aset, jadi keamanan kerja saya pun tidak bertambah
Saya toh bisa saja di-PHK dalam waktu dekat, jadi saya tidak berniat membantu perusahaan dengan itikad baik
Jika developer di pasar saat ini khawatir soal pekerjaan, workflow pribadi harus diperlakukan seperti rahasia dagang
Contoh ini tidak terbatas pada AI, tetapi berlaku persis sama untuk workflow AI
Di pasar yang berpihak pada pekerja, kadang menyenangkan membagikan pengetahuan seperti itu ke organisasi, tetapi di pasar yang berpihak pada pemberi kerja, kalau mereka ingin akses ke pilihan pribadi saya, mereka harus membayarnya
Saya bukan orang yang melihat kantor sebagai keluarga, tetapi akan menyenangkan kalau kita bisa saling bekerja baik dan berbagi tanpa harus khawatir sedang menggali kubur sendiri
Kebanyakan orang dibayar untuk bekerja, dan selama jam kerja memang sewajarnya mereka bekerja untuk pemberi kerja
Sebenarnya hampir tidak ada yang begitu hebat sampai orang lain tidak mungkin memikirkannya sendiri
Dari pengalaman saya, bahkan ketika prompt atau teknik dibagikan, jarang ada yang benar-benar memakainya, atau justru terlalu dasar sehingga masing-masing orang sudah punya versinya sendiri
Bahkan sebelum AI, kalau seseorang tidak tertarik pada xyz, menyajikannya di atas nampan perak pun tidak akan tiba-tiba membuat mereka tertarik setelah AI hadir
Pekerjaan membosankan nyaris hilang, beberapa masalah bisa diserahkan saja lalu tetap selesai, dan 1–4 jam per hari kembali ke tangan kita
Apakah orang itu secara rasional akan memakai waktu tersebut untuk mencari lebih banyak pekerjaan? Kecil kemungkinannya, kecuali itu perusahaan miliknya sendiri atau ia punya motivasi khusus
Sebagai analis sistem yang sudah pensiun tiga tahun, saya merasa iba pada rekan-rekan yang lebih muda
Pada 2023 saya termasuk yang lebih awal memakai AI di tim untuk mengurai kode legacy berbasis Perl yang penulis aslinya sudah lama pergi dan hampir tidak meninggalkan komentar atau dokumentasi
Kode itu menjalankan pekerjaan penting, dan AI menyelamatkan kami dari kesulitan sehingga semua orang kagum pada teknologi baru ini
Namun makin lama, ini tampak bukan seperti alat yang bisa saya gunakan melainkan sesuatu yang diterapkan kepada saya
Tidak ada yang meminta ini
Saya tidak tahu sejak kapan inspirasi dan pemikiran, atas nama menyelesaikan semuanya secara instan, mulai didevaluasi dan dianggap tidak berharga, dan jiwa pekerjaan itu pun hilang
AI sendiri tidak terlalu berguna
Lupakan agen; mereka cukup sering lupa dan cukup sering salah sehingga semua pekerjaan tetap harus diperiksa, dan hasil akhirnya justru bisa menurunkan produktivitas
Nilai sebenarnya muncul saat AI diperlakukan sebagai alat untuk membuat alat lain
Misalnya menyuruhnya membuat alat yang memaksa pekerjaan terus berlanjut sampai mencapai kualitas tertentu, atau menjalankan pemeriksaan kepatuhan terhadap output agar kita tahu bagian mana yang perlu diperbaiki
Barulah pada titik itu pekerjaan bisa dipercaya
Saat ini sebagian besar peran dan workflow dirancang sebagai struktur untuk mengerjakan tugas tertentu dengan menggunakan alat yang diberikan, dan dalam sistem seperti itu AI hanya bisa menyusup dari pinggiran
Tulisan yang bagus, dan bagian tentang bagaimana organisasi mendefinisikan pekerjaan berubah sangat menonjol
Dalam model lama, kinerja dan OKR terikat pada bidang fungsi, jabatan, dan ekspektasi per peran
Di era AI, batas-batas itu mulai runtuh
Masalah yang lebih dalam bersifat psikologis dan organisasional, dan orang-orang akan terus menegosiasikan garis antara “ini pekerjaan saya” dan “ini bukan tanggung jawab saya”
Karena itu, muncul masalah adopsi yang inti: apa keuntungan terlihat jelas sebagai power user AI?
Jika orang tahu saya bisa bekerja lebih cepat, lebih baik, dan lintas fungsi lebih luas, mengapa saya harus menunjukkannya kecuali perusahaan membuat mekanisme yang jelas untuk pengakuan, kompensasi, dan pertumbuhan karier?
Dalam dunia tempat agen melintasi batas-batas itu, situasinya bisa menjadi cukup kacau
Apakah AI engineer yang memimpin kawanan agen juga akan bertanggung jawab menjaga semuanya tetap berjalan? Saya cukup ragu, tetapi kita lihat saja nanti
Begitu seseorang yang tertarik pada profesi baru itu menggabungkan beberapa minggu nasihat tentang konteks spesifik perusahaan dengan pendekatan yang lebih mutakhir, pada akhirnya ia akan berada pada peran ahli domain yang justru akan dihapus
Jawaban atas pertanyaan “di mana ROI dari 2 juta euro yang dibayarkan ke Anthropic tahun lalu?” adalah sebuah plakat token platinum bergaya YouTube yang tergantung di kantor CEO
Bias asumsi yang mendasari pertanyaan “di mana ROI dari 2 juta euro yang dibayarkan ke Anthropic tahun lalu?” benar-benar absurd
Masalahnya adalah AI generatif gagal menghasilkan ROI yang terlihat
Namun “solusinya” justru berupa penataan ulang seluruh organisasi pengembangan di sekitar teknologi itu dan penemuan alat-alat baru
Tujuan sejati tulisan seperti ini bukan pada apa yang dibahas di permukaan, melainkan pada normalisasi asumsi yang menjadi landasan diskusi tersebut
Bekerja di bidang ini sekarang benar-benar tidak menyenangkan
Di perusahaan tempat saya bekerja, para manajer membiarkan semua orang, bahkan yang bukan developer, memakai AI
Saya benar-benar ingin keluar dan bekerja di bidang lain, tetapi di tempat saya tinggal gaji awal tidak cukup untuk menutup sewa, dan usia saya juga makin bertambah
Membandingkan janji AI dengan boom dot-com membantu saya memahami situasinya, dan memang ada banyak kemiripan
Tetapi internet adalah konsep yang lebih sederhana dari sudut pandang perusahaan
Pada dasarnya itu berarti orang sekarang bisa membeli barang dari komputer mereka sendiri
Lalu apa janji AI? Bahwa ia bisa mengaproksimasi penalaran tentang berbagai hal?
Ini adalah teka-teki implementasi yang sungguh jauh lebih sulit diselesaikan
Di luar tugas coding, saya merasa belum melihat sesuatu yang benar-benar substantif