Mile Terakhir AI: Mengapa Masa Depan Adalah Bespoke, Bukan One-Size-Fits-All

Selama lima puluh tahun terakhir, perangkat lunak dibangun untuk orang-orang yang duduk di kantor. Platform tradisional pada dasarnya adalah database statis dengan antarmuka yang dibungkus di sekitarnya. Mereka duduk di sana, tidak dapat digerakkan, dan memerlukan manusia untuk bekerja di sekitarnya: untuk memberikan informasi, memasukkan data, menavigasi logika yang kaku dan telah ditentukan sebelumnya. Dalam pengaturan ini, manusia telah diam-diam menjadi perekat manual, menghabiskan hari kerja untuk menjembatani celah antara alat yang terfragmentasi.

Pajak operasional ini paling menyakitkan dalam kehidupan mobile kita. Bayangkan memesan pertemuan sederhana saat Anda sedang berada di luar. Anda membuka aplikasi kalender, mengetik, mengetik lagi. Kemudian Anda melompat ke email untuk mengingat kembali beberapa kata kunci, mencari alamat yang tepat, menyalinnya, dan melompat kembali ke kalender. Ini adalah pengalaman yang aneh dan tidak manusiawi. Pengguna dipaksa untuk mengikuti logika perangkat lunak daripada perangkat lunak yang mengikuti niat pengguna, memegang konteks yang rusak di kepala dan menjahitnya kembali dengan tangan.

Manusia sebagai perekat manual

Kami melihat ini dengan jelas saat membangun untuk mobile di Google. Dunia hanya membuat masalah ini lebih tajam sejak saat itu. Semakin banyak pekerjaan berharga sekarang terjadi di dunia nyata daripada di pengaturan kantor statis. Ini terjadi dalam obrolan kopi, perkenalan eksternal, dan kemitraan. Dan unit bisnis secara bertahap mengecil, dari perusahaan ke tim ke individu.

Data mendukung hal ini. Menurut Biro Sensus AS, jumlah bisnis satu orang di Amerika Serikat tumbuh rata-rata 2,7 persen per tahun antara 2012 dan 2023, lebih dari dua kali lipat dari 1,1 persen untuk perusahaan dengan karyawan, dan sekarang mereka membentuk sebagian besar bisnis Amerika. Kami memasuki era apa yang saya sebut sebagai super-individu: satu operator yang dapat menjalankan operasi global dengan armada kecil agen yang melakukan pekerjaan. Ketika unit kerja mengecil ke individu, desain alat kita harus berubah. Daripada manusia mengikuti perangkat lunak, perangkat lunak harus mengikuti manusia.

Mile terakhir AI

Asisten umum seperti ChatGPT dan Gemini adalah lompatan yang nyata. Mereka memungkinkan orang mencapai lebih banyak, lebih cepat, di berbagai tugas luar biasa. Namun, ada celah antara model yang secara umum mampu dan alat yang benar-benar sesuai dengan kehidupan Anda, dan dalam AI, celah itu adalah mile terakhir. Ini adalah tempat sebagian besar nilai nyata berada, dan ini adalah bagian yang hampir tidak ada yang telah memecahkan.

Model umum tiba seperti pegawai baru yang brilian di hari pertama. Ini fasih, cepat, dan banyak membaca, tetapi tidak tahu klien Anda, preferensi Anda, singkatan yang Anda gunakan, atau cara Anda menyukai hal-hal dilakukan. Kuat tidak sama dengan milik Anda. Model umum, oleh desain, sama untuk semua orang yang membukanya. Apa yang orang benar-benar butuhkan adalah kebalikannya: sesuatu yang dibentuk untuk satu orang, yang tumbuh lebih menjadi milik mereka semakin lama mereka menggunakannya.

Secara historis, mile terakhir ini mahal. Dibentuk untuk satu orang berarti menyewa asisten eksekutif atau kepala staf, atau memerintahkan perangkat lunak khusus, pilihan yang hanya tersedia untuk perusahaan besar dan orang kaya. Jadi, sisanya dari kita menetap untuk alat umum, massal, dan diam-diam melatih diri kita untuk sesuai dengan mereka. Biaya kustomisasi adalah alasan mengapa sebagian besar orang tidak pernah memiliki itu. Apa yang berubah sekarang adalah biaya. Ketika biaya menurun, hal yang orang selalu inginkan secara diam-diam menjadi mungkin pada skala satu. Orang tidak benar-benar menginginkan kemampuan generik lebih banyak. Mereka menginginkan sesuatu yang milik mereka.

Ini bukan hanya masalah selera, dan buktinya lebih tajam dari yang terlihat. Nilai AI tidak tersebar merata di seluruh tugas. Dalam eksperimen lapangan besar yang dijalankan oleh Harvard Business School dengan Boston Consulting Group, 758 konsultan menggunakan GPT-4 menyelesaikan sekitar 12 persen lebih banyak tugas, sekitar 25 persen lebih cepat, dengan kualitas yang lebih tinggi, tetapi hanya untuk pekerjaan yang berada di dalam apa yang peneliti sebut sebagai batas teknologi yang tajam. Pada tugas yang dipilih secara sengaja untuk berada di luar batas itu, orang-orang yang menggunakan AI sekitar 19 persen kurang mungkin mencapai jawaban yang benar. Keuntungan muncul ketika alat tersebut sesuai dengan kontur nyata pekerjaan, dan keuntungan itu memudar, atau bahkan terbalik, ketika tidak. Kesesuaian tidak hanya sentuhan akhir. Ini adalah tempat nilai hidup.

Ada dua jenis pemberdayaan yang perlu dipisahkan. Satu membantu Anda melakukan sesuatu yang tidak bisa Anda lakukan sebelumnya. Yang lain membebaskan Anda dari hal-hal yang waktu Anda telah menjadi terlalu berharga untuk dihabiskan. Model umum sangat baik dalam yang pertama. Yang kedua adalah pertanyaan tentang kesesuaian, dan kesesuaian harus kustom. Ini adalah perbedaan antara alat yang membuat Anda lebih mampu dan alat yang menjadi bagian dari Anda.

Dari tujuan ke sidecar

Jika kustomisasi adalah properti, apa bentuknya? Di sini, membantu untuk meminjam istilah dari arsitektur perangkat lunak. Dalam sistem terdistribusi, pola sidecar mengaitkan proses pembantu ke layanan primer untuk menangani pekerjaan yang melintang: logging, konfigurasi, jaringan, observabilitas. Layanan inti dapat fokus pada pekerjaan sebenarnya sementara sidecar secara diam-diam menyerap kompleksitas operasional di sebelahnya.

Saya percaya pola yang sama akan datang untuk orang-orang. Daripada alat yang Anda kunjungi, generasi berikutnya dari perangkat lunak pribadi akan berperilaku seperti sidecar yang terikat pada Anda, bekerja proaktif di dalam aplikasi yang sudah Anda gunakan. Bukan tujuan. Sebuah pendamping yang berjalan di samping, dan satu yang kustom oleh sifatnya, karena terikat pada satu orang dan hanya belajar mereka. Sebuah sidecar yang berguna, berbeda dengan chatbot yang Anda prompt dari awal setiap pagi, akan beristirahat pada tiga pilar.

Tiga pilar sidecar pribadi

Pengajaran dan memori yang persisten. Sidecar bukanlah alat yang Anda jelaskan setiap hari. Ini adalah sesuatu yang Anda ajarkan sekali. Ketika Anda menjelaskan preferensi atau alur kerja, itu mengingat, membangun toko memori pribadi yang berkelanjutan yang bepergian dengan Anda dan menangkap nuansa bagaimana Anda bekerja secara khusus. Ini adalah mile terakhir, mengumpulkan.

Pengamatan dan keagenan. Sidecar mengamati, berpikir, dan bertindak. Ini bergerak dari mengetahui fakta ke melakukan tugas: menyaring kebisingan, menghubungkan titik-titik, menggambar balasan, memegang benang proyek sehingga Anda tidak perlu.

Eksplore dan transaksi. Seiring waktu, pendamping ini membawa konteks dan hubungan Anda melintasi berbagai perangkat lunak. Ini membantu Anda menemukan pengenalan yang tepat, menampilkan kesempatan yang tepat, dan akhirnya bahkan melakukan transaksi atas nama Anda.

Dari mengetahui ke melakukan

Perubahan teknis yang lebih dalam di bawah semua ini adalah pergeseran dari pengambilan ke tindakan. Pengambilan-augmented generation, teknik menghasilkan output model yang didasarkan pada dokumen yang relevan yang dicari secara langsung, membuat asisten hari ini baik dalam mengetahui hal-hal. Langkah berikutnya adalah persistensi dan keagenan: pendamping yang dirancang tidak hanya untuk menjawab, tetapi untuk melaksanakan.

Industri sudah bergerak dalam arah ini. Gartner mengharapkan bahwa pada akhir 2026, 40 persen aplikasi perusahaan akan mencakup agen AI khusus tugas, naik dari kurang dari 5 persen pada 2025, pergeseran yang digambarkannya sebagai bergerak dari asisten yang merespons ke agen yang bertindak.

Ada manfaat yang lebih tenang di sini juga, satu yang organisasi cenderung meremehkan: memori lembaga. Dalam dunia dengan pergantian yang tinggi dan kemitraan yang cair, sejumlah besar konteks berjalan keluar pintu setiap kali seseorang meninggalkan peran. Sebuah pendamping yang terikat pada individu menangkap keahlian dan hubungan yang akan hilang, dan menjaga konteks itu utuh dan dapat digunakan.

Namun, kelimpahan ini menciptakan perangkap. Ketika agen membiarkan orang mengambil lebih banyak, orang diam-diam mengambil lebih banyak: lebih untuk diingat, lebih untuk bertindak, lebih untuk beralih, lebih untuk memegang di kepala sekaligus. Ada langit-langit biologis untuk seberapa banyak yang dapat dibawa oleh seseorang. Tujuan sidecar adalah untuk duduk di bawah langit-langit itu dan menyerap beban, bukan untuk menumpuk lebih banyak di atasnya.

Mengembalikan kemanusiaan dalam pekerjaan

Tujuan sebenarnya bukanlah untuk menghilangkan orang dari pekerjaan. Ini adalah untuk mendapatkan mereka keluar dari perangkat lunak dan kembali ke ruangan. Penelitian McKinsey tentang pekerjaan pengetahuan menemukan bahwa pekerja interaksi rata-rata menghabiskan sekitar 28 persen minggu pada email dan hampir 20 persen lagi untuk mencari informasi internal atau melacak rekan yang tepat, sebelum Anda bahkan menambahkan pertemuan internal dan koordinasi. Itu adalah sebagian besar minggu yang dihabiskan pada pajak operasional daripada pada pekerjaan itu sendiri.

Jika pendamping dapat menyerap lapisan admin statis, waktu yang dikembalikan tidak perlu mengalir kembali ke mesin. Ini bisa kembali ke obrolan kopi, kemitraan, dan keputusan yang sebenarnya menciptakan nilai. Ini bukan tentang menggantikan manusia dalam loop. Ini tentang mengambil manusia dari bagian loop yang tidak pernah menjadi penggunaan yang baik dari manusia.

Masa depan AI mungkin bukan kotak yang Anda bicarakan, dan ini bukan satu model yang melayani semua orang dengan cara yang sama. Ini lebih mungkin sebuah pendamping yang tidak dapat disalahartikan sebagai milik Anda: satu yang berjalan di samping Anda, belajar bagaimana Anda bekerja, dan secara diam-diam menangani bagian yang seharusnya tidak perlu Anda lakukan.

Jadi, pertanyaan yang patut dipertimbangkan bukanlah bagaimana cerdas AI Anda bisa terdengar. Ini lebih sederhana dari itu: berapa banyak waktu Anda yang dihabiskan menjadi perekat, dan apa yang akan Anda lakukan dengan waktu itu jika Anda mendapatkannya kembali?