Juan Pablo Tejela, CEO dan Co-Founder Metricool – Seri Wawancara

Juan Pablo Tejela, CEO dan co-founder Metricool, adalah insinyur perangkat lunak dan wirausahawan teknologi yang telah memimpin perusahaan sejak 2014, membantu mengembangkannya menjadi platform komprehensif untuk mengelola dan mengukur konten digital. Sebelum meluncurkan Metricool, ia menghabiskan hampir sembilan tahun di Optimyth Software, di mana tanggung jawabnya termasuk manajemen produk, pengembangan aplikasi, desain antarmuka pengguna, prapenjualan, dukungan pelanggan, dan pemasaran online untuk platform analitik perangkat lunak Kiuwan. Pada awal karirnya, Tejela memegang peran insinyur perangkat lunak di Swissrisk, Indra, EADS-CASA, dan FEDETEC, bekerja di berbagai bidang seperti Java, C++, sistem tertanam, teknologi komunikasi, dan pengembangan kernel Linux.

Metricool adalah platform manajemen media sosial yang berbasis di Madrid, yang memungkinkan kreator, merek, dan agen untuk merencanakan konten, menerbitkan posting, mengelola percakapan, menganalisis kinerja, memantau pesaing, dan menghasilkan laporan dari ruang kerja terpusat. Platform ini mendukung jaringan sosial dan saluran iklan utama, termasuk Instagram, Facebook, TikTok, LinkedIn, YouTube, X, Bluesky, Pinterest, Google, dan Meta Ads, serta menawarkan alat pembuatan dan optimasi konten yang dibantu AI. Metricool melaporkan bahwa lebih dari dua juta pengguna, termasuk organisasi seperti Forbes, Adidas, Volvo, H&M, dan Warner Music (WMG ) Group, menggunakan platform ini.

Karir Anda dimulai di bidang insinyur perangkat lunak, sistem tertanam, kualitas aplikasi, dan pengembangan produk. Bagaimana pengalaman-pengalaman tersebut membentuk pendekatan Anda ketika Anda mendirikan Metricool, dan apa kebutuhan yang belum terpenuhi yang membuat Anda yakin bahwa profesional media sosial memerlukan jenis platform analitik yang baru?

Jujur, Metricool dimulai lebih kecil dari yang orang pikir. Istri saya Laura dan saya membangunnya pada 2015 sebagai proyek sampingan, di samping pekerjaan kami yang biasa. Para blogger adalah hal terbesar di internet pada saat itu, dan kami menyadari bahwa mereka tidak memiliki cara yang layak untuk melihat angka-angka mereka dalam satu tempat — semuanya tersebar di lima alat yang berbeda, tidak ada yang dibuat untuk seseorang yang tidak teknis. Latar belakang saya di sistem tertanam dan QA telah membentuk satu kebiasaan di dalam saya. Anda tidak percaya sesuatu yang belum Anda ukur sendiri. Jadi kami membangun versi sederhana yang kami inginkan.

Apa yang sebenarnya memvalidasi ide tersebut bukanlah para blogger, melainkan para profesional media sosial yang mulai mendaftar tepat setelah mereka. Mereka ingin laporan klien yang terlihat profesional, dan ini adalah bagian yang penting untuk sebuah proyek sampingan — mereka mau membayar. Para blogger sebagian besar tidak mau membayar. Itulah saat saya menyadari bahwa kami tidak membangun alat hobi, kami membangun untuk sebuah profesi yang belum terlayani. Kami mempertahankan pekerjaan kami sampai menjadi tidak terkendali, dan mulai merekrut dengan benar pada Januari 2017. Semuanya sejak itu hanya merupakan perluasan dari insting pertama kami: menghilangkan kebisingan, menjaga analitik transparan, dan membangun sesuatu untuk orang yang melakukan pekerjaan, bukan untuk orang yang membeli perangkat lunak untuk orang lain.

Metricool telah berkembang dari produk analitik yang fokus menjadi platform manajemen media sosial yang digunakan oleh lebih dari empat juta profesional, agen, kreator, dan merek. Apa keputusan produk yang paling konsekuensial di balik pertumbuhan tersebut, dan apakah ada saat-saat ketika Anda harus memikirkan kembali visi perusahaan?

Beberapa keputusan lebih penting daripada yang lain. Mengambil keputusan untuk fokus pada analitik sementara semua orang lain — Hootsuite, Buffer — fokus pada penjadwalan adalah keputusan pertama, dan ini masih merupakan pembeda kami hari ini. Kedua, menolak untuk menjadi “alat Amerika” yang memperlakukan bahasa Spanyol dan bahasa lain sebagai sesuatu yang tidak penting; itu memberi kami keunggulan nyata di Eropa dan Amerika Latin pada awalnya. Ketiga, lebih baru, adalah keputusan bahwa iklan sosial tidak bisa hidup dalam alat yang terpisah dari konten organik, karena tidak ada manajer media sosial yang sebenarnya memikirkan mereka secara terpisah.

Apakah visi tersebut berubah? Terus-menerus, dan saya tidak pikir itu adalah hal yang buruk. Kami tidak memulai untuk membangun untuk agen, melainkan kami membangun untuk profesional dan blogger individu. Agen muncul dengan sendirinya, memberi tahu kami apa yang mereka butuhkan (laporan berlabel putih, dasbor multi-klien, kursi tim), dan kami mendengarkan dan mengambil tindakan. Sama dengan merek kemudian. Jika saya mempertahankan “visi asli” untuk Metricool terlalu banyak, kami akan membangun produk yang jauh lebih kecil untuk audiens yang lebih kecil. Rencana itu tidak pernah suci. Pengguna sebagian besar merencanakan jalan bagi kami.

Penelitian Metricool menemukan bahwa 96% profesional media sosial menggunakan kecerdasan buatan, tetapi 36% tidak tahu atau mengukur apakah konten yang dibuat oleh kecerdasan buatan lebih baik. Mengapa adopsi kecerdasan buatan bergerak jauh lebih cepat daripada kemampuan organisasi untuk mengevaluasi dampak bisnis yang sebenarnya?

Karena menggunakan kecerdasan buatan mudah dan mengukurnya dengan benar adalah pekerjaan. Anda membuka alat, Anda mendapatkan caption, Anda memposting — tidak ada gesekan sama sekali. Sebenarnya mengetahui apakah caption itu melakukan sesuatu untuk Anda berarti menyiapkan perbandingan, bersabar, dan menolak untuk menyatakan kemenangan setelah satu posting yang baik. Sebagian besar tim belum membangun disiplin itu, dan jujur, mengapa mereka harus melakukannya? Sampai delapan belas bulan yang lalu, tidak ada yang perlu bertanya “apakah versi kecerdasan buatan lebih baik daripada versi manusia” — seseorang menulisnya, Anda menilai posting itu berdasarkan kelebihannya sendiri.

36% itu tidak mengkhawatirkan saya dengan cara yang mungkin terdengar seperti itu. Bukan karena orang-orang tidak peduli. Bukan karena orang-orang tidak peduli. Bukan karena orang-orang tidak peduli, tetapi karena pengukuran selalu ketinggalan adopsi — itu terjadi dengan iklan sosial yang dibayar, itu terjadi dengan pemasaran influencer, dan itu terjadi lagi di sini. Alat-alat untuk menggunakan kecerdasan buatan diperbarui dengan cepat. Kebiasaan untuk menilainya belum menyusul. Mereka akan menyusul.

AI generatif memungkinkan merek untuk menghasilkan lebih banyak konten dengan biaya yang lebih rendah, tetapi jangkauan atau volume penerbitan yang lebih besar dapat menciptakan kesan palsu tentang kesuksesan. Metrik apa yang harus diprioritaskan tim untuk menentukan apakah konten yang dibantu kecerdasan buatan memperkuat kepercayaan, kesehatan merek, dan hubungan pelanggan?

Jangkauan adalah metrik yang paling baik diperbesar oleh kecerdasan buatan dan paling buruk dijelaskan. Jika Anda hanya memperhatikan angka itu, Anda akan merasa baik selama beberapa bulan, sampai Anda tidak. Apa yang sebenarnya saya pantau adalah orang-orang yang menyimpan atau berbagi konten, bukan hanya menggulir melewati — itu adalah perbedaan antara “Saya melihatnya” dan “ini layak disimpan.” Apakah komentar adalah percakapan yang sebenarnya, atau hanya lebih banyak kebisingan di bawah lebih banyak posting? Dan, ini satu yang selalu diabaikan, apakah merek masih terdengar seperti satu orang setelah tiga ratus posting yang dibantu kecerdasan buatan, atau apakah suara telah mulai bergeser posting demi posting tanpa siapa pun memperhatikan?

Yang terakhir itu adalah yang licik. Kepercayaan tidak runtuh sekaligus — itu terkikis diam-diam, dan pada saat jangkauan atau penjualan menunjukkan itu, Anda telah kehilangan kepercayaan selama berbulan-bulan.

Metricool menemukan bahwa 66% responden melibatkan kecerdasan buatan dalam setidaknya setengah konten mereka, sementara enam dari sepuluh percaya bahwa konten yang dibuat oleh kecerdasan buatan setara dengan atau melebihi konten yang dibuat oleh manusia. Bagaimana merek harus merancang eksperimen yang adil untuk membandingkan konten yang dibantu kecerdasan buatan dan konten yang dibuat oleh manusia tanpa membingungkan korelasi, algoritma platform, dan kualitas konten?

Pertahankan semuanya tetap kecuali satu hal yang Anda uji — brief yang sama, platform yang sama, hari dan waktu yang sama, orang yang sama yang melakukan edit terakhir — dan hanya tukar siapa yang menulis draf pertama. Itu saja. Sebagian besar perbandingan “kecerdasan buatan vs manusia” yang mengapung di sekitar tidak melakukan ini. Mereka membandingkan posting kecerdasan buatan dari Selasa melawan posting manusia dari tiga bulan yang lalu pada topik yang sama sekali berbeda, dan kemudian menarik kesimpulan.

Jalankan dalam pasangan, jalankan selama beberapa minggu, bukan untuk satu posting — kinerja satu posting sebagian besar adalah keberuntungan dan mood algoritma hari itu, dan Anda perlu volume yang cukup untuk melihat di luar itu. Dan jujur tentang apa yang “setara dengan konten manusia” sebenarnya berarti. Jika konten kecerdasan buatan mendapatkan impresi yang sama tetapi kualitas komentar yang lebih buruk atau simpan yang lebih rendah, itu bukanlah seri, itu adalah tanda peringatan. Sebagian besar kepercayaan “enam dari sepuluh” itu, saya curiga, adalah orang-orang yang melihat angka permukaan dan berhenti di sana.

Di mana otomatisasi saat ini menambahkan nilai terbanyak untuk tim media sosial, dan tanggung jawab mana, seperti membangun suara merek, mengelola komunitas, atau merespons selama krisis, harus tetap berada di bawah kendali manusia?

Hal-hal yang membosankan, volume tinggi — penjadwalan, draf pertama, mengubah ukuran video untuk enam platform, menarik laporan bulanan — itu adalah tempat di mana otomatisasi hampir seperti waktu gratis yang diberikan kembali kepada tim. Tidak ada yang seharusnya melakukan itu secara manual pada 2026.

Garis batas bagi saya adalah penilaian. Suara, komunitas, dan terutama apa pun yang merupakan krisis — semuanya membutuhkan manusia. Bukan karena kecerdasan buatan tidak bisa membuat draf yang masuk akal, seringkali bisa, tetapi karena biaya satu nada yang salah dalam momen sensitif adalah publik dan segera, dan reputasi merek bukanlah sesuatu yang bisa diuji A/B. Saya akan kembali ke sesuatu yang saya katakan sebelumnya: menjadi setengah-hadir atau hadir dengan buruk di media sosial seperti memiliki jendela toko yang rusak. Kecerdasan buatan yang membuat draf respons krisis untuk ditinjau manusia dalam tiga puluh detik, baik. Kecerdasan buatan yang menekan terbitkan respons itu sendiri, tidak pernah.

Metricool Studio memungkinkan pengguna untuk menghasilkan laporan, membandingkan kinerja, menganalisis pesaing, dan mengidentifikasi pola posting melalui prompt bahasa alami. Bagaimana pergeseran kecerdasan buatan dari menghasilkan konten ke menafsirkan kinerja akan mengubah peran sehari-hari manajer media sosial dan analis pemasaran?

Itu mendorong pekerjaan ke atas. Sebuah potongan besar dari pekerjaan seorang manajer media sosial masih pergi ke menarik angka-angka ke slide dan menulis kalimat yang menjelaskan apa yang terjadi. Jika Anda bisa hanya bertanya “mengapa engagement turun minggu lalu” dan mendapatkan jawaban nyata kembali dalam beberapa detik, seluruh potongan pekerjaan itu hampir menghilang.

Apa yang tersisa adalah bagian yang sebenarnya berharga: memutuskan apa yang harus dilakukan dengan jawaban itu. Format mana yang harus ditekankan, bagaimana menjelaskannya kepada klien yang tidak peduli dengan mekanisme, dan kapan data mengatakan sesuatu yang tidak setuju dengan naluri Anda. Saya tidak pikir peran itu menyusut, itu membagi orang menjadi dua kelompok dengan cepat: mereka yang melakukan analisis yang sebenarnya, dan mereka yang sebagian besar melakukan entri data dengan langkah tambahan. Hanya kelompok pertama yang tumbuh dari sini.

Metricool telah mengadopsi Protokol Konteks Model, yang memungkinkan asisten kecerdasan buatan, platform otomatisasi, dan agen khusus untuk berinteraksi dengan data media sosial dan alur kerja. Apa peluang yang diciptakan oleh ini, dan bagaimana perusahaan dapat mencegah sistem otonom dari menerbitkan konten yang tidak pantas, salah membaca analitik, atau mengambil tindakan yang merusak merek?

Kami adalah salah satu platform media sosial pertama yang membangun di atas MCP Claude, dan alasan itu sederhana. Ini berarti data Metricool tidak hanya hidup di dalam antarmuka kami sendiri. Agen merek, platform otomatisasi, apa pun yang tim gunakan, sekarang dapat menarik data kinerja atau memicu alur kerja langsung, tanpa kami harus membangun setiap integrasi tunggal. Ini membuka alur kerja yang belum kami pikirkan, dibangun oleh orang-orang yang paling dekat dengan data.

Risikonya harus dirancang dari hari pertama, bukan ditambal setelahnya. Secara praktis, penerbitan harus default ke langkah persetujuan manusia, bukan posting otonom sunyi, terutama apa pun yang menghadap klien. Izin harus diatur secara ketat, seperti agen yang dibangun untuk menarik laporan tidak boleh memicu posting, periode. Dan setiap tindakan yang diambil agen memerlukan jejak yang dapat diperiksa manusia setelahnya. Protokol itu memberikan koneksi. Pengaman itu masih merupakan keputusan yang harus dibuat oleh setiap perusahaan dengan sengaja.

Penelitian Metricool menunjukkan bahwa interaksi publik tradisional dapat menurun bahkan ketika keterlibatan keseluruhan meningkat, didorong oleh tindakan yang kurang terlihat seperti klik, gesek, tampilan, dan ketukan tautan. Bagaimana merek harus beradaptasi ketika beberapa sinyal perhatian yang paling berarti menjadi semakin tidak terlihat bagi publik?

Suka dan komentar tidak pernah menjadi proksi yang baik untuk perhatian, dan mereka semakin buruk. Sebagian besar minat yang sebenarnya terjadi di tempat yang tidak bisa dilihat oleh orang lain. Seseorang menggesek melalui setiap slide dari karusel, menonton video sampai akhir, mengambil screenshot sesuatu untuk dikirim kepada teman secara pribadi. Tidak ada yang muncul secara publik. Semua itu adalah perhatian yang sebenarnya, mungkin lebih berharga daripada ketukan ganda yang refleksif.

Jadi merek perlu merasa nyaman untuk memperlakukan tingkat penyelesaian, gesek melalui, dan klik melalui sebagai angka inti, bukan catatan kaki yang terkubur di bawah suka. Perubahan praktis adalah bertanya pertanyaan yang berbeda: tidak “berapa banyak keterlibatan yang kami dapatkan” tetapi “berapa banyak perhatian yang kami sebenarnya dapatkan”, mengetahui bahwa sebagian besar dari angka kedua tidak akan pernah terlihat oleh siapa pun di luar dasbor Anda sendiri.

Menghadap ke depan, apakah Anda mengharapkan kecerdasan buatan untuk tetap menjadi kumpulan asisten yang digunakan oleh profesional media sosial, atau akan berkembang menjadi lapisan operasional yang terus merencanakan kampanye, mengalokasikan sumber daya, menafsirkan kinerja, dan merekomendasikan keputusan di seluruh platform?

Lapisan operasional, dan lebih cepat dari yang kebanyakan orang harapkan. Model “tanyakan kecerdasan buatan satu hal pada satu waktu” adalah fase, bukan tujuan. Apa yang kami sebenarnya bangun adalah kecerdasan buatan yang duduk di bawah seluruh alur kerja, seperti memantau kinerja di seluruh platform terus-menerus, menangkap apa yang berhasil sebelum manusia akan memperhatikan, dan merekomendasikan langkah berikutnya.

Merekomendasikan, bukan memutuskan. Saya tidak pikir titik akhirnya adalah kecerdasan buatan yang menjalankan kampanye tanpa siapa pun yang mengawasi. Saya percaya itu adalah kecerdasan buatan yang melakukan pemantauan yang tidak pernah berhenti yang tidak ada tim yang memiliki jam untuk itu, dan memberikan orang sebuah daftar pendek yang berguna bukan tembok dasbor. Para profesional yang melakukan baik dalam dunia itu tidak akan menjadi mereka yang melawan lapisan, mereka akan menjadi mereka yang menjadi baik dalam menunjukkannya.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Metricool.