Individu yang Produktif Tidak Otomatis Menciptakan Perusahaan yang Produktif

• AI telah meningkatkan produktivitas individu hingga 10x, tetapi tidak ada perusahaan yang nilainya naik 10x secara sebanding; jadi, ke mana perginya produktivitas yang bertambah itu?
• Pada masa awal adopsi listrik di pabrik tekstil New England pada 1890-an, pabrik mengganti mesin uap dengan motor listrik, tetapi output hampir tidak bertambah selama 30 tahun, dan baru setelah pabrik didesain ulang dengan fokus pada assembly line pada 1920-an keuntungan benar-benar terwujud
• Hasil tidak muncul dari teknologinya saja, melainkan ketika teknologi dan organisasi (institution) didesain ulang bersama, dan pada 2026 AI masih berada pada kondisi "hanya mengganti motornya, tanpa mendesain ulang pabrik"
• Sebagian besar produk AI hanya memberi kesan produktif, tetapi tidak benar-benar menggerakkan nilai; organisasi yang produktif membutuhkan Institutional Intelligence
• Tujuh elemen yang membedakan Institutional AI dan Individual AI akan menjadi fondasi perusahaan AI B2B dalam 10 tahun ke depan

---

Produktivitas yang Hilang: Pertanyaan Inti

• AI telah membuat setiap individu 10x lebih produktif, tetapi tidak ada perusahaan yang menjadi 10x lebih bernilai sebagai hasilnya
• Pertanyaan "ke mana perginya produktivitas yang bertambah?" menjadi titik awal seluruh tulisan ini
• Ini bukan fenomena yang pertama kali terjadi; hal yang sama sudah pernah berulang pada masa adopsi listrik

Pelajaran Sejarah: Elektrifikasi Pabrik Tekstil pada 1890-an

• Pada 1890-an, listrik menjanjikan lonjakan produktivitas yang sangat besar, dan pabrik tekstil New England yang sebelumnya memakai tenaga putar dari mesin uap langsung memasang motor listrik yang lebih cepat di tempatnya
• Namun, selama 30 tahun output pabrik yang telah dielektrifikasi itu hampir tidak bertambah; teknologinya jauh lebih unggul, tetapi organisasinya tidak
• Baru pada 1920-an, ketika pabrik didesain ulang sepenuhnya, keuntungan yang berarti akhirnya muncul
  • Penerapan assembly line, pemasangan motor individual pada setiap peralatan, serta pekerja dan mesin menjalankan peran yang sepenuhnya berbeda
• Hal ini dijelaskan lewat evolusi tiga tahap pabrik tekstil Lowell
  • Pabrik mesin uap 1890 → pabrik motor listrik 1900 → pabrik "unit drive" 1920 (rekonstruksi total menuju assembly line listrik)
• Keuntungan tidak datang dari teknologinya sendiri atau dari membuat pekerja maupun mesin individual menjadi lebih cepat, melainkan baru terwujud ketika organisasi dan teknologi didesain ulang bersama
• Ini adalah pelajaran termahal dalam sejarah teknologi, dan sekarang sedang kita pelajari lagi

Kebutuhan akan Institutional Intelligence

• Pada 2026, AI memang meningkatkan produktivitas 10x bagi individu yang tahu cara memanfaatkannya, tetapi kita baru mengganti motornya dan belum mendesain ulang pabriknya
• Mayoritas produk AI di pasar hanya memberi rasa produktif tanpa benar-benar menggerakkan nilai, dan banyak contoh penggunaan AI yang dipamerkan secara publik hanyalah "productivity-maxxing" yang memuaskan diri sendiri di Twitter atau Slack internal, dengan dampak nyata nol
• Motif "services as software" yang diulang selama setahun terakhir memang mengarah ke arah yang benar, tetapi gagal memberi cetak biru dan justru melewatkan gambaran yang lebih besar
  • Transformasi yang sesungguhnya bukan berpindah dari tool ke service, melainkan membangun teknologi dan organisasi (baik yang lama maupun yang baru) secara bersamaan
• Organisasi yang produktif membutuhkan Institutional Intelligence, dan inilah kategori produk baru yang setara dengan "assembly line masa depan"

7 Pilar Institutional Intelligence

• 1. Coordination (Koordinasi)

  • Individual AI menciptakan kekacauan, sedangkan Institutional AI menciptakan koordinasi
  • Eksperimen pikiran: bayangkan besok Anda langsung menggandakan hanya karyawan terbaik di organisasi sehingga jumlah orang menjadi dua kali lipat
    • Masing-masing akan membawa perbedaan kecil, kecenderungan, dan sudut pandang sendiri (terutama justru karyawan terbaik), dan jika manajemen, komunikasi, serta peran (swim lane, OKR, R&R) tidak didefinisikan dengan cukup baik, kekacauan akan muncul
    • Secara individual mereka bisa jadi lebih produktif, tetapi bila ribuan agen (atau manusia) mendayung ke arah berlawanan, hasil terbaiknya adalah stagnasi, dan hasil terburuknya adalah rusaknya kohesi organisasi
  • Ini bukan hipotesis, melainkan apa yang sedang terjadi sekarang di setiap organisasi yang mengadopsi AI tanpa coordination layer
    • Setiap karyawan punya kebiasaan ChatGPT, gaya prompt, dan output masing-masing, tetapi output itu tidak saling terhubung
  • Institutional Intelligence akan berevolusi menjadi industri "Agentic Management" yang menangani peran dan tanggung jawab agen, komunikasi antargen maupun antara agen dan manusia, serta pengukuran nilai agen
    • Penagihan berbasis konsumsi saja tidak cukup

• 2. Signal (Sinyal)

  • Individual AI menciptakan noise, sedangkan Institutional AI menemukan signal
  • Manusia kini bisa menghasilkan hampir semua hal yang dapat dibayangkan: esai, presentasi, spreadsheet, foto, video, lagu, website, software, dan lain-lain
  • Masalahnya adalah hampir semua yang dihasilkan AI adalah slop (output sampah), sehingga sebagian organisasi bahkan bereaksi berlebihan dengan melarang total output AI
    • Penulis sendiri menjalankan perusahaan AI, tetapi tetap meminta para eksekutif agar tidak memakai AI untuk hasil tulisan final
  • Contoh PE (private equity): jika tahun lalu ada 10 deal yang masuk ke meja, tahun ini bisa ada 50 per kuartal dan masing-masing sudah dipoles sempurna oleh AI, sementara waktu untuk menemukan satu transaksi yang benar-benar bagus tetap sama
  • Sekarang, menghasilkan sesuatu bukan lagi masalah; masalah yang sebenarnya adalah menghasilkan hal yang tepat dan menyeleksinya
    • Pendorong ekonomi utama 10 tahun ke depan adalah menemukan sinyal di tengah slop yang bertambah secara eksponensial
  • Kecerdasan kelas institusional harus mampu menemukan sinyal, menyusun noise, dan harus terdefinisi, deterministik, serta dapat diaudit (auditable)
    • Jika Individual AI menekankan produktivitas "always on" dari agen nondeterministik 24 jam seperti "Clawdbot", maka Institutional AI bergantung pada agen deterministik dengan checkpoint, tahapan, dan proses yang dapat diprediksi
  • Matrix diajukan sebagai alat untuk menyaring noise dengan kekuatan teknologi generatif

• 3. Bias (Bias)

  • Individual AI memperkuat bias, sedangkan Institutional AI menciptakan objektivitas
  • Diskusi tentang bias sosial-politik telah mendominasi wacana AI selama bertahun-tahun, tetapi lab model fondasi mengakali ini dengan RLHF yang cukup hingga model pada dasarnya menjadi penjilat (sycophant)
    • ChatGPT, Claude, dan sejenisnya saat ini terlalu selaras sampai cenderung menyetujui hampir topik apa pun yang masih berada dalam Overton window
  • Over-alignment ini sudah sedemikian konyol hingga menjadi meme, dan contoh paling jelasnya adalah respons refleks Claude: "you're absolutely right!"
  • Ini tampak tidak berbahaya, tetapi sebenarnya tidak demikian
    • Pendukung AI yang paling vokal di organisasi bisa jadi justru karyawan dengan performa terburuk dalam sejarah
    • Ketika karyawan terburuk yang hampir tak pernah mendapat penguatan positif kini mendapat persetujuan dari ASI, ia akan membisikkan pada dirinya sendiri: "kecerdasan paling pintar setuju denganku, manajerku yang salah" → adiktif sekaligus beracun bagi organisasi
  • Tool produktivitas personal memperkuat pengguna, padahal hal terpenting yang harus diperkuat adalah kebenaran (truth)
  • Organisasi telah berevolusi selama ribuan tahun untuk membangun sistem yang menyeimbangkan masalah ini
    • Rapat komite investasi, due diligence pihak ketiga, dewan direksi, cabang eksekutif-legislatif-yudikatif pemerintah AS, demokrasi perwakilan, dan demokrasi secara umum
  • Organisasi gagal bukan karena orang kurang percaya diri, tetapi karena tidak ada seorang pun yang bisa berkata "tidak"
  • Institutional AI harus mengambil peran itu; alih-alih di-RLHF agar menyenangkan pengguna, ia harus menantang bias
    • Agen yang paling penting bukanlah "yes-men", melainkan "no-men" yang disiplin: menginterogasi penalaran, mengungkap risiko, dan menegakkan standar
    • Penerapan berikutnya: anggota dewan AI, auditor AI, verifikasi pihak ketiga berbasis AI, compliance AI, dan sebagainya

• 4. Edge (Keunggulan)

  • Individual AI mengoptimalkan usage, sedangkan Institutional AI mengoptimalkan edge
  • Tiang gawang AI terus bergeser setiap minggu, kadang bahkan setiap hari, seiring perusahaan model fondasi cepat mengiterasi kapabilitasnya
  • Namun, seperti innovator's dilemma klasik, dalam aplikasi tertentu kedalaman (depth) berulang kali mengalahkan cakupan (breadth)
    • Midjourney berperan sebagai yang sedikit lebih unggul untuk gambar desain
    • ElevenLabs berperan sebagai yang sedikit lebih unggul untuk model suara
    • Decagon berperan sebagai yang selalu lebih unggul untuk pengalaman customer service full-stack
  • Bahkan jika model fondasi mendekat, bagi para ahli keunggulan nyata tetap penting; banyak desainer terbaik memakai Midjourney, dan perusahaan voice AI terbaik memakai ElevenLabs
    • Produk yang dirancang khusus untuk tujuan tertentu dan tetap fokus pada keunggulannya itulah yang justru mendefinisikan keunggulan itu sendiri
  • Keuangan disebut sebagai area terpanas dalam pengembangan LLM saat ini
    • Ketika suatu kapabilitas sudah tersebar luas, secara definisi ia tak lagi membantu mengalahkan pasar; tetapi jika teknologi frontier memberi ceruk keunggulan 1% untuk sementara waktu, maka 1% itu bisa dileverage menjadi hasil bernilai miliaran dolar
  • Pengguna selalu berada di depan frontier, dan context window LLM telah tumbuh dari 4K menjadi 1M token hanya dalam 4 tahun
    • Sebagian pengguna memproses 30B token dalam satu pekerjaan, dan pekerjaan 100B token sudah terlihat di depan mata tahun ini (Hebbia)
  • Masa depan bukan ChatGPT/Claude "atau" solusi spesifik domain, melainkan ChatGPT/Claude "dan" solusi spesifik domain
  • Pertanyaan kuncinya: "Jika ini AGI, agen apa yang akan dipakainya sebagai jalan pintas? Bahkan superintelligence pun akan menginginkan tool yang dirancang khusus untuk domain tertentu"

• 5. Outcomes (Hasil)

  • Individual AI menghemat waktu, sedangkan Institutional AI memperbesar pendapatan
  • Menurut MaVolpi: jika Anda bertanya kepada CEO apa prioritas nomor satu mereka antara penghematan biaya dan ekspansi pendapatan, hampir semuanya akan menjawab pendapatan
    • Namun, hampir semua produk AI di pasar saat ini menjanjikan penghematan biaya seperti penghematan waktu atau penggantian tenaga kerja
  • Institutional AI harus memberikan upside, dan ini jauh lebih sulit dikomoditisasi daripada waktu yang dihemat
  • Contoh pengembangan software berbasis agen
    • Coding IDE adalah tool AI produktivitas personal terbaik, tetapi menghadapi tekanan besar dari tool personal lain, yaitu Claude Code
    • Cognition tidak menjual tool, melainkan membangun teknologi yang menjual transformation, sehingga bermain dalam permainan yang sama sekali berbeda
  • Kutipan Naval: "software murni dengan cepat menjadi un-investable"
    • Service murni tidak bisa diskalakan, dan nilai yang bertahan akan menumpuk di solution layer yang menggabungkan teknologi dan hasil
  • Contoh M&A: Individual AI membantu analis membangun model lebih cepat, tetapi Institutional AI mengidentifikasi satu target yang benar-benar layak dikejar dari 100 kandidat dan memperluas populasi itu menjadi 1.000 → yang satu menghemat waktu, yang lain menciptakan pendapatan
  • Gravitasi alami pasar adalah bergerak "ke hulu (upstream)"
    • Model fondasi bergerak ke lapisan aplikasi, dan perusahaan lapisan aplikasi bergerak ke lapisan solusi
  • Institutional Intelligence adalah solution layer itu sendiri, dan karena hasil berada di lapisan inilah nilai yang bertahan serta upside terbesar dapat ditangkap

• 6. Enablement (Pemberdayaan Implementasi)

  • Individual AI memberi tool, sedangkan Institutional AI menunjukkan cara menggunakan tool tersebut
  • Manusia, meskipun sangat kreatif, pada dasarnya enggan berubah
    • Di New York masih ada bisnis sukses yang menolak menerima kartu kredit meski tahu itu merugikan, dan dengan cara yang sama sebagian karyawan di organisasi tertentu akan menolak menggunakan AI tanpa batas waktu
  • Transisi dari organisasi yang sepenuhnya dikelola manusia menuju organisasi hybrid yang AI-first akan menjadi tantangan berkelanjutan dan menentukan dalam 10 tahun ke depan
    • Dalam banyak kasus, lapisan paling senior dan paling penting justru paling lambat mengadopsinya
  • Palantir disebut sebagai satu-satunya perusahaan "software" yang diperdagangkan pada multiple luar biasa di tengah aksi jual saham teknologi senilai 1 triliun dolar dalam dua bulan terakhir
    • Palantir adalah salah satu perusahaan "process engineering" sejati pertama
    • Entah itu "process engineering" atau "menulis file skills Claude", Institutional AI masa depan akan membentuk industri yang mengodekan proses perusahaan ke dalam agen dan mewujudkan change management yang diperlukan
  • Process engineering akan menjadi "teknologi" terpenting dalam jangka pendek
    • Di sini, keahlian bisnis dan industri lebih penting daripada keahlian software, dan solusi spesifik domain membangun keunggulan lewat para ahli yang menangani forward deployed engineering, deployment, dan change management
  • Contoh sebuah bank bulge bracket Top 3 yang memilih Hebbia untuk deployment seluruh perusahaan
    • Mereka kehilangan minat saat bekerja dengan lab model besar karena harus menjelaskan apa itu CIM kepada tim tersebut
    • Claude atau GPT jelas memahami domainnya, tetapi tim desain rollout dari lab itu tidak, dan perbedaan itulah yang menentukan

• 7. Unprompted (Berjalan Proaktif)

  • Individual AI merespons prompt manusia, sedangkan Institutional AI bertindak proaktif tanpa prompt
  • Banyak diskusi soal komunikasi antargen dan apakah perusahaan, software, atau institusi masa depan masih membutuhkan manusia
    • Pertanyaan yang lebih baik adalah apakah agen AI masa depan perlu prompt sejak awal
  • Memberi prompt ke AGI itu seperti menghubungkan motor listrik ke power loom, karena secara fundamental dibatasi oleh mata rantai terlemah dalam supply chain (= manusia)
    • Manusia bahkan sering tidak tahu apa yang harus ditanyakan, apalagi kapan harus menanyakannya
  • Pekerjaan paling bernilai adalah pekerjaan yang bahkan tak terpikirkan untuk diminta oleh siapa pun
    • AI harus menemukan risiko yang tidak ditandai siapa pun, target yang tidak terpikirkan siapa pun, dan pipeline penjualan yang tidak diketahui siapa pun
  • Contoh sistem proaktif (unprompted)
    • Sistem terus memantau data arus masuk di seluruh portofolio, lalu mendeteksi bahwa siklus modal kerja satu perusahaan memburuk selama 3 bulan berturut-turut
    • Sistem lalu membandingkannya dengan ambang covenant dalam perjanjian kredit, dan mengirim peringatan dini proaktif kepada operating partner bahkan sebelum ada orang membuka PDF
  • Ketika manusia tidak lagi perlu memberi prompt kepada AI, interface baru dan cara kerja baru akan muncul; pandangan kuat Hebbia tentang hal ini masih ditinggalkan sebagai "to be continued"

Kesimpulan

• Tidak ada satu pun dari pembahasan di atas yang menyangkal kebutuhan akan chatbot, agen, atau Individual AI secara umum
• Individual AI adalah jalur utama bagi sebagian besar perusahaan di dunia untuk pertama kali mengalami keajaiban transformatif AI, dan mengejar usage serta kemudahan penggunaan universal adalah langkah pertama terpenting dalam change management menuju ekonomi AI-first
• Pada saat yang sama, ada kebutuhan yang jelas dan mendesak akan Institutional Intelligence
  • Semua organisasi di masa depan akan memiliki chatbot dari lab besar, sekaligus Institutional AI yang dirancang khusus untuk masalah spesifik domain, dan Individual AI akan memanfaatkan itu semua sebagai tool inti mereka
• Narasi "better together" antara Institutional AI dan Individual AI tidak terelakkan
• Seperti pelajaran dari pabrik tekstil 1890-an, pabrik yang lebih dulu dialiri listrik akhirnya kalah dari pabrik yang mendesain ulang lantai pabriknya
  • "Kita sudah punya listrik; sekarang saatnya mendesain ulang pabrik"

[master6559]

Jadi kesimpulannya, kalau sekarang belum bisa menghasilkan uang, maka ke depannya pun kalau tetap seperti ini ya tetap tidak akan bisa.