Chris Perry, Pendiri dan CEO Andus Labs – Seri Wawancara

Chris Perry, Pendiri dan CEO Andus Labs, adalah eksekutif di bidang komunikasi, strategi digital, dan inovasi dengan hampir tiga dekade pengalaman membantu organisasi menavigasi perubahan besar dalam teknologi dan bisnis. Sebelum mendirikan Andus Labs pada 2025, Perry menghabiskan lebih dari 22 tahun di Weber Shandwick, di mana ia memegang serangkaian peran kepemimpinan senior termasuk Ketua Futures, Chief Innovation Officer, Presiden Komunikasi Digital, EVP Strategi Digital dan Operasi, dan SVP. Pada awal kariernya, ia bekerja di komunikasi teknologi di General Motors dan menjabat sebagai Wakil Presiden di Edelman. Kariernya berfokus pada transformasi digital, teknologi emerging, perubahan organisasi, dan hubungan yang berkembang antara teknologi dan orang‑orang yang bertanggung jawab mengoperasikannya.

Andus Labs membantu perusahaan menerjemahkan kemampuan AI menjadi hasil organisasi yang praktis dengan fokus pada sistem manusia yang mengelilingi teknologi. Perusahaan menggambarkan misinya sebagai membangun “Human OS for AI”—lapisan operasional yang dirancang untuk mengatur kerja di antara orang dan agen AI—berdasarkan premis bahwa investasi AI sering kali tidak maksimal ketika kesiapan organisasi, alur kerja, dan adopsi tertinggal dari teknologi itu sendiri. Kegiatannya mencakup program orkestrasi kerja AI, produk yang dimaksudkan untuk memperkuat dan memperluas pembelajaran organisasi, serta jaringan yang lebih luas dari praktisi, seniman, dan humanis yang mengeksplorasi bagaimana manusia dan AI dapat bekerja bersama secara efektif.

Anda menghabiskan lebih dari dua dekade di Weber Shandwick, naik dari peran digital senior ke Chief Innovation Officer dan Chairman, Futures, sebelum mendirikan Andus Labs pada 2025. Apa yang Anda amati di dalam organisasi besar selama periode itu yang meyakinkan Anda bahwa hambatan terbesar bagi transformasi AI adalah sistem manusia dan organisasi di sekitar teknologi, bukan teknologi itu sendiri?

Saya pertama kali mempelajarinya di studio seni grafis ayah saya di Detroit, tempat saya memulai, sebelum bergabung dengan Weber Shandwick. Desktop publishing mengubah pekerjaan yang dilakukan oleh penata huruf dan ilustratornya secara manual menjadi perangkat lunak. Itu menghancurkan model bisnisnya, dan ia tidak menyadari pergeseran itu sampai sudah terlambat.

Di Weber Shandwick saya bekerja dengan beberapa perusahaan terbesar di dunia melalui gelombang teknologi baru: media sosial, blog, video, seluler, data. Setiap kali, pola yang sama muncul. Teknologi tiba. Orang merasakan perubahan dan mulai menggunakannya sendiri. Kepemimpinan dan struktur perusahaan bergerak terakhir.

Dalam gelombang sebelumnya, perusahaan membayar keterlambatan itu dengan kehilangan pijakan, namun orang tetap melakukan pekerjaan. AI melakukan pada pekerjaan pengetahuan apa yang dilakukan desktop publishing pada studio ayah saya. Cara orang melakukan pekerjaan tersebut dibangun ke dalam perangkat lunak.

Sekolah bisnis tidak mengajarkan cara menjalankan perusahaan di mana orang dan agen berbagi pekerjaan. Kebanyakan perusahaan menempelkan AI dan menyelesaikan pekerjaan lama lebih cepat. Pengembalian nyata terjadi ketika pemimpin menyiapkan orang mereka untuk membangun kembali pekerjaan dengan AI. Pekerjaan berubah bentuk alih‑alih hanya menjadi lebih cepat.

Kami menamainya Andus Labs, seperti “and us,” karena kami yakin hasilnya akan bergantung pada orang.

Andus Labs berargumen bahwa perusahaan dapat memiliki kemampuan AI canggih namun masih kurang “kesiapan manusia” yang diperlukan untuk menangkap nilai darinya. Apa yang membedakan perusahaan yang berhasil menerapkan AI dari yang benar‑benar mengubah cara kerja dilakukan?

Saya duduk bersama sebuah perusahaan yang melaporkan adopsi AI sebesar 80% dan perubahan dalam cara kerja hanya sekitar 5%. Hanya angka adopsi yang masuk ke dalam presentasi dewan. Angka kedua tidak disembunyikan. Dashboard hanya tidak memiliki tempat untuk menampilkannya.

Penerapan mudah diukur. Lisensi yang diberikan, agen yang dikerahkan, login. Itu aktivitas, bukan dampak. Kami menanyakan kepada klien apa yang dapat perusahaan lakukan sekarang yang tidak dapat dilakukan sebelumnya. Kebanyakan waktu jawaban jujur adalah laporan, presentasi, dan analisis yang sama, hanya lebih cepat.

Perusahaan yang sedang bertransformasi mengukur hal lain. Apakah pilot menghasilkan nilai yang cukup untuk layak diskalakan? Bisakah kami menampilkan sesuatu di depan dewan yang tidak dapat kami hasilkan setahun lalu? Apakah AI mengurangi beban pada orang paling berharga kami sehingga mereka dapat melakukan pekerjaan yang hanya dapat mereka lakukan? Semua itu tidak semudah menghitung kursi, namun itulah ukuran yang memberi tahu apakah ada perubahan.

Pertanyaan‑pertanyaan itu juga memerlukan pemilik. Tanyakan siapa yang bertanggung jawab di dalam kebanyakan perusahaan dan Anda akan mendapatkan daftar. CIO memiliki platform. Pusat keunggulan memiliki pilot. HR memiliki pelatihan. Dampak pada bisnis tidak masuk dalam daftar siapa pun.

Satu perusahaan dapat memberi tahu Anda berapa banyak orang yang memiliki akses. Yang lain dapat memberi tahu apa yang berubah dan siapa yang bertanggung jawab.

Ground Truth Index kini bersumber dari kumpulan 300 pola terdokumentasi yang diamati melalui berbagai keterlibatan dan percakapan dengan para pemimpin di 595 organisasi. Lima agen analis independen memberi skor pada setiap pola sebelum para peneliti meninjau dan menetapkan peringkat akhir. Bagaimana metodologi ini berkembang, di bagian mana pertimbangan manusia berperan dalam prosesnya, dan bagaimana Anda mencegah Indeks sekadar memperkuat asumsi yang sudah ada dalam pengamatan lapangan Anda?

Metode telah berubah seiring perpustakaan ini berkembang. Setiap pola dimulai dari apa yang kami dengar dan lihat dalam percakapan dengan para pemimpin bisnis. Kami memeriksa setiap sinyal baru terhadap perpustakaan, mengujinya dengan observasi lapangan dan riset eksternal, serta memutuskan apakah itu benar‑benar baru, memperkuat pola yang sudah kami lacak, atau termasuk di tempat lain.

AI membantu kami menilai seluruh perpustakaan setiap kuartal, yang tidak dapat dilakukan tim riset secara manual. Agen membaca setiap pola melalui lensa profesional yang berbeda dan menilainya pada lima dimensi yang sama. Mereka bekerja secara buta, sehingga tidak ada agen yang dapat memengaruhi agen lain. Kami mengambil nilai median sehingga satu outlier tidak dapat mengubah skor, dan 50 teratas masuk ke tinjauan manusia.

Penilaian manusia melintasi seluruh proses. Tim riset kami menyetujui setiap pola yang masuk ke perpustakaan, meninjau peringkat, dan menentukan 25 akhir. Kami paling keras menilai di mana agen‑agen tidak sepakat, dan di mana sorotan media bertentangan dengan apa yang kami dengar di lapangan. Kami dapat mengubah skor, tetapi hanya berdasarkan observasi yang terdokumentasi: siapa yang mengangkatnya, seberapa sering kami mendengarnya, dan apakah hal itu bertahan di berbagai organisasi. Sebuah firasat tidak mengubah skor.

Ground Truth Index baru menempatkan “Empty Chairs” sebagai hambatan nomor satu bagi AI perusahaan, menggambarkan organisasi yang memberi sistem AI pengaruh atas keputusan seperti perekrutan, penetapan harga, dan risiko tanpa secara jelas mengidentifikasi siapa yang bertanggung jawab atau memiliki wewenang untuk membatalkan keputusan tersebut. Saat AI beralih dari merekomendasikan tindakan menjadi benar‑benar membentuk hasil bisnis, seperti apa akuntabilitas manusia yang bermakna dalam praktik?

Semakin banyak fungsi yang disentuh AI, semakin banyak keputusan yang diambil atas nama perusahaan. Akuntabilitas menjadi pertanyaan manajemen sebelum menjadi pertanyaan teknologi.

Tanggung jawab biasanya berada di antara siapa yang membeli sistem AI dan siapa yang menggunakannya, dan keduanya tidak memilikinya. Kesenjangan ini tetap tak terlihat sampai sebuah keputusan dipertanyakan. Itulah kursi kosong.

Akuntabilitas berarti seorang pemimpin yang dinamakan yang melihat apa yang dihasilkan sistem dan dapat menjelaskan hasilnya, memperbaikinya, atau menghentikan sistem. Itu memerlukan wewenang atas proses yang biasanya melintasi beberapa departemen.

Kami meminta para pemimpin memilih satu keputusan penting yang dibantu AI pada kuartal ini dan memberi tahu kami siapa yang bertanggung jawab atasnya. Ketika jawabannya tidak jelas, perusahaan telah mengubah cara keputusan dibuat tanpa menetapkan siapa yang menjawabnya.

“Learning While Drowning” menempati peringkat kedua dalam Index baru, menyoroti perusahaan yang mewajibkan pelatihan AI sambil membiarkan beban kerja karyawan yang ada tidak berubah. Pada saat yang sama, “Optimization Temptation” menunjukkan betapa mudahnya perusahaan mengkuantifikasi penghematan jumlah karyawan dibandingkan nilai yang lebih sulit diukur dari penempatan kembali orang ke pekerjaan bernilai lebih tinggi. Apakah perusahaan secara fundamental meremehkan investasi organisasi yang diperlukan untuk membuat tenaga kerja mereka lebih produktif dengan AI daripada sekadar menggunakan AI untuk mengurangi biaya?

Ya. Penghematan dari menghilangkan sebuah peran mudah dimasukkan ke dalam spreadsheet. Nilai pengetahuan, hubungan, dan penilaian orang tersebut jauh lebih sulit ditangkap. Penghematan muncul pada kuartal ini. Kerugian dapat terakumulasi selama bertahun‑tahun.

Asumsi di balik pemotongan tersebut seringkali keliru juga. AI membuat pekerjaan hari ini lebih efisien, dan juga menimbulkan pekerjaan baru yang perlu dilakukan. Apa yang kami lihat adalah tim menyeimbangkan kembali, dengan orang berpindah ke pekerjaan berbeda alih‑alih fungsi keseluruhan yang dipotong.

Mandat pelatihan adalah keputusan beban kerja. Perusahaan menumpuk pelatihan AI di atas pekerjaan yang ada, lalu menganggap penyelesaian yang rendah sebagai masalah motivasi. Investasi yang mereka lewati adalah yang tidak pernah masuk ke anggaran. Menentukan pekerjaan apa yang akan dihentikan, diperkecil, atau dipindahkan untuk memberi ruang, dan menamai siapa yang menandatanganinya. Pembelajaran membutuhkan waktu. Penerapannya membutuhkan lebih banyak, karena orang harus menguji alat yang belum familiar, memeriksa output, dan mengubah cara mereka selalu bekerja.

Jawabannya bukan item lain dalam daftar. Tempatkan tim pada proyek nyata dan pembelajaran terjadi di dalam pekerjaan.

Index juga mengidentifikasi “Devaluation Anxiety,” yang mencerminkan kekhawatiran tentang apa yang terjadi pada karyawan ketika AI menjadi mampu melakukan bagian pekerjaan mereka yang semakin bernilai. Seberapa banyak apa yang disebut eksekutif sebagai resistensi terhadap AI sebenarnya adalah kecemasan rasional tentang nilai karier, dan apa yang harus dilakukan pemimpin secara berbeda saat memperkenalkan sistem ini?

Sebagian besar bersifat rasional. Karyawan mendengar tentang efisiensi AI dalam satu pengumuman dan pemutusan kerja dalam pengumuman berikutnya. Mereka menarik kesimpulan mereka sendiri.

Kepemimpinan memperlakukan hal itu sebagai pesan terpisah. Tim tidak begitu. Mereka menyelesaikan pelatihan dan menahan eksperimen yang akan membuatnya berguna.

Jaminan tidak akan memperbaiki hal itu. Pemimpin harus menyatakan apa yang telah diputuskan tentang pekerjaan, apa yang masih tidak pasti, dan dukungan apa yang dapat diharapkan orang.

Hal yang sama berlaku untuk imbalannya. Perusahaan menjabarkan apa yang diharapkan bisnis dari AI dan meninggalkan sisi karyawan kosong. Jika seseorang menjadi lebih cepat, apa yang mereka dapatkan? Waktu untuk pekerjaan yang lebih baik, jalur promosi, waktu kembali? Itu harus ada dalam rencana peluncuran.

Eksekutif meminta tim mereka bekerja secara berbeda dengan AI. Tim menunggu untuk melihat eksekutif melakukannya terlebih dahulu.

Pola lain yang Anda identifikasi adalah “Inersia Aktif,” di mana organisasi menggunakan AI untuk mempercepat proses yang ada tanpa mengubahnya secara fundamental. Seperti apa desain ulang alur kerja yang benar-benar berbasis AI, dan dapatkah Anda memberi contoh perbedaan antara membuat proses lama lebih cepat dan membangun ulang proses berdasarkan apa yang kini memungkinkan oleh AI?

Sebagian besar perusahaan mengarahkan AI pada apa saja yang paling mudah diotomatisasi, yang seringkali merupakan pekerjaan yang seharusnya tidak ada sejak awal. Laporan selesai lebih cepat. Persetujuan bergerak dengan kecepatan yang sama seperti sebelumnya. Itulah Inersia Aktif.

Desain ulang menentukan di muka apa yang dilakukan model AI dan apa yang dibawa tim, kemudian membangun untuk itu alih-alih mewarisi bentuk lama.

Ambil sebuah laporan mingguan. Versi yang lebih cepat memiliki AI yang menyiapkannya, dan orang yang sama meninjau dokumen yang sama pada jadwal yang sama. Versi yang dibangun ulang menanyakan untuk apa laporan itu dibuat. Jika laporan itu ada agar seseorang dapat menangkap masalah lebih awal, sistem dapat menandai masalah pada saat terjadi, dan laporan tersebut menghilang.

Anda telah menulis bahwa “nilai sama dengan kemampuan kali absorpsi” dan berargumen untuk sistem daripada sekadar perangkat lunak. Seiring model frontier semakin menjadi komoditas dan tersedia bagi semua orang, apakah kemampuan organisasi untuk menyerap dan mengatur ulang di sekitar AI dapat menjadi keunggulan kompetitif yang lebih tahan lama dibandingkan akses ke model itu sendiri?

Ya. Penyebaran model mudah dibandingkan mengubah pekerjaan di sekitarnya. Mereka datang dengan kekuatan luar biasa, menjadi lebih murah setiap kuartal. Model yang sama tersedia bagi siapa saja. Apa yang tidak dapat Anda beli adalah konteks unik dalam perusahaan dan tim yang siap menggunakannya secara maksimal.

Apa yang kami sebut “kapasitas penerimaan” adalah gagasan lama. Itu adalah kemampuan tim untuk menerima sesuatu yang baru dan mengaplikasikannya, yang terdiri dari hak keputusan, insentif, alur kerja, desain pekerjaan, dan kepercayaan yang cukup sehingga orang memberi tahu Anda apa yang salah. Semua itu tidak dapat disewa.

Saya menggambarkan nilai sebagai kemampuan kali absorpsi karena keduanya saling mengalikan. Mereka tidak dijumlahkan. Model brilian yang dimasukkan ke dalam organisasi yang tidak dapat menyerapnya ibarat bagian sempurna yang dipasang pada segel yang gagal. Kemampuannya nyata. Namun hasilnya tetap nol.

AI Agenik memperkenalkan lapisan kompleksitas lain karena sistem semakin dapat mengambil tindakan, menggunakan alat, dan mengejar tujuan alih-alih sekadar menghasilkan respons. Di mana perusahaan harus menggambar batas antara otonomi agen dan pengambilan keputusan manusia, dan struktur tata kelola baru apa yang diperlukan ketika agen memperoleh otoritas yang lebih besar?

Mulailah dengan satu pertanyaan: siapa yang menjawab ketika agen salah?

Tentukan batas antara apa yang diputuskan agen dan apa yang diputuskan manusia sebelum sesuatu diluncurkan. Kebanyakan perusahaan menemukan batas itu setelah sesuatu sudah rusak.

Jika kesalahan mudah dibatalkan dan muncul cepat, biarkan agen menjalankannya. Ketika keputusan memengaruhi penghasilan seseorang, apakah mereka tetap bekerja atau posisi hukum mereka, manusia yang membuat keputusan dan agen menyiapkannya.

Instingnya adalah memusatkan. Membentuk komite, menulis kerangka kerja, menunggu sampai terasa dapat dikelola. Pada saat pedoman dari atas sampai ke pekerjaan, sudah usang, dan orang yang tidak mendapatkan jawaban mulai menggunakan alat yang tidak pernah disetujui perusahaan.

Tata kelola harus berada dekat dengan pekerjaan. Tim perlu mengetahui apa yang dapat diputuskan setiap agen, siapa pemiliknya, dan bagaimana menghentikannya. Mereka juga memerlukan catatan tentang apa yang telah dilakukan agen.

Bagan organisasi tidak pernah dirancang untuk agen yang bekerja lintas fungsi, sehingga tidak ada satu fungsi pun yang memiliki kegagalan. Selesaikan hal itu sebelum penerapan, bukan setelahnya.

Melihat ke depan, jika kendala terbesar pada AI perusahaan semakin menjadi masalah organisasi daripada teknis, bagaimana Anda memperkirakan perusahaan akan berubah? Bagian mana dari bagan organisasi, struktur manajemen, desain pekerjaan, dan proses pengambilan keputusan saat ini yang paling tidak mungkin bertahan dalam transisi menuju organisasi yang dibangun di sekitar manusia dan agen AI yang bekerja bersama?

Bagan organisasi fungsional adalah yang paling tidak mungkin bertahan. Sebagian besar perusahaan masih beroperasi berdasarkan fungsi, dengan pekerjaan berpindah dari satu departemen ke departemen berikutnya dan persetujuan di setiap serah terima. AI menghasilkan pekerjaan dalam hitungan menit sementara persetujuan di sekitarnya memakan minggu. Para pemimpin diminta untuk bergerak lebih cepat dalam sistem yang dirancang untuk memperlambat proses.

Bagan itu dibangun untuk orang yang menyerahkan pekerjaan kepada orang lain, bukan untuk keputusan yang dibagi antara manusia dan agen.
Komite tidak akan menyelesaikannya.

Apa yang menggantikan bagan tampak seperti tim kecil yang terorganisir di sekitar sebuah masalah. Seorang pemimpin menentukan masalah yang layak diselesaikan, menetapkan apa yang harus benar untuk menyelesaikannya, dan menugaskan tim yang terdiri dari orang dan agen. Tim itu mendapatkan pendanaan dan perlindungan sendiri, karena tidak dapat beroperasi seperti bagian bisnis lainnya. Orang-orang dalam tim membuat keputusan penilaian dan memiliki apa yang dihasilkan agen.

Motor listrik sampai ke pabrik-pabrik Amerika pada tahun 1880-an, tetapi peningkatan produktivitas baru terlihat pada tahun 1920-an. Pada awalnya, pabrik menempatkan satu motor besar di tempat mesin uap, menggerakkan poros garis yang sama dan membiarkan setiap mesin tetap di tempatnya. Peningkatan terjadi ketika mereka memberi setiap mesin motornya sendiri dan menata lantai di sekitar pekerjaan.

Penataan ulang adalah revolusi.

Terima kasih atas wawancara yang menarik ini. Pembaca yang ingin mengetahui lebih lanjut dapat mengunjungi Andus Labs atau mencari tahu lebih lanjut di Ground Truth Index.