Rob Collie, CEO dan Pendiri P3 Adaptive serta Penulis Fair Game – Seri Wawancara

Rob Collie adalah pendiri dan CEO P3 Adaptive, sebuah Microsoft Solutions Partner untuk Data dan AI yang melayani ratusan klien menengah dan Fortune 1000. Mantan pemimpin teknik Microsoft pada tim Excel, Bing, dan Power BI, Rob memimpin gelombang Power BI setelah meninggalkan Microsoft dan telah menulis tiga buku bisnis‑teknologi sebelumnya (lebih dari 92.000 kopi terjual). Ia juga menjadi pembawa podcast Raw Data with Rob Collie. Buku keempatnya, Fair Game: Customizing AI to Your Business Is Easier Than You Think (Agustus 2026), mengubah kredibilitas praktisinya pada momen AI.

Anda menghabiskan lebih dari satu dekade di Microsoft membantu mengembangkan fitur business intelligence di Excel dan Power BI sebelum mendirikan P3 Adaptive pada 2013. Bagaimana transisi dari membangun perangkat lunak di dalam Microsoft ke memecahkan masalah data untuk klien membentuk pandangan Anda saat ini tentang AI perusahaan?

Ketika saya memimpin tim produk di Microsoft, kami membangun perangkat lunak yang harus berfungsi untuk seluruh dunia, dan tidak dapat disesuaikan dengan kebutuhan pelanggan tertentu. Kami dulu menyebutnya “memesan pizza dengan topping yang dapat diterima oleh 300 juta orang.” Ada nuansa denominator terendah yang tak terhindarkan dalam pekerjaan itu, serta jarak tertentu dari pelanggan individu.

Memang ada prestise tertentu dalam bekerja di panggung besar itu, namun tidak sebesar kepuasan emosional membantu klien spesifik mewujudkan ambisi unik mereka. Dengan bekerja dekat dengan klien, kami memiliki kesempatan untuk berinvestasi dalam keberhasilan mereka, serta mengeksplorasi solusi kreatif yang tidak pernah cocok dengan model bisnis satu‑ukuran‑untuk‑semua dari Perangkat Lunak Besar. Ini lebih menstimulasi secara intelektual dalam banyak hal, dan hubungan langsung dengan klien membuat kemenangan terasa jauh lebih memuaskan.

Tetapi ada tanggung jawab yang lebih besar pula. Di Microsoft, satu pelanggan yang tidak puas hanyalah statistik, dan saya mengabaikan keluhan setiap hari sebagai bagian dari pekerjaan saya. Namun di P3 Adaptive, satu klien yang tidak puas berarti kami telah gagal. Tidak ada statistik. Kami bertanggung jawab atas setiap hubungan.

Saya belajar banyak hal berharga di Microsoft dan tidak akan menukar pengalaman itu dengan apapun, namun saya sering menyebut diri saya sebagai “mantan insinyur perangkat lunak yang sedang pulih,” karena kesuksesan kini berarti beroperasi sangat berbeda.

Itulah perspektif yang saya bawa ke AI perusahaan. AI siap pakai adalah pizza 300 juta orang yang paling sempurna – sebuah keajaiban sejati, dirancang agar berharga bagi setiap orang sekaligus tidak disesuaikan untuk siapa pun. Namun kemenangan AI organisasi akan datang dari penyesuaian – dengan mendekati satu perusahaan tertentu dan menyesuaikan AI dengan data, proses, dan definisinya. Saya menghabiskan karier saya di kedua sisi jurang itu, dan saya tidak ragu bahwa sisi inilah yang akan membuat AI perusahaan menang.

Dalam Fair Game, Anda berpendapat bahwa banyak perusahaan mendekati kecerdasan buatan secara terbalik dengan mendistribusikan lisensi chatbot tujuan umum alih‑alih membangun sistem yang memahami operasi mereka. Di mana asisten AI siap pakai mencapai batasnya, dan sinyal apa yang menunjukkan bahwa sebuah bisnis membutuhkan sesuatu yang disesuaikan?

AI siap pakai memiliki gelar PhD dalam segala hal kecuali bisnis Anda. Ia telah membaca seluruh internet, namun internet tidak memuat definisi perusahaan Anda tentang “pelanggan aktif,” logika penetapan harga Anda, proses operasional Anda, dan sistem mana dari dua sistem Anda yang harus dipercaya ketika mereka tidak sejalan. Pengetahuan itu tidak akan pernah bersifat publik. Jadi AI generik yang unggul untuk penggunaan pribadi tidak memadai untuk penggunaan bisnis yang sesungguhnya, dan kesenjangan antara kedua pengalaman tersebut terasa mengecilkan hati dan membingungkan.

Sekarang, pada dasarnya jawaban semua orang terhadap “apa yang harus dilakukan dengan AI” adalah “beli langganan dan lihat hasilnya.” Saya rasa itu langkah pertama yang wajar, jadi saya tidak mengkritik siapa pun yang melakukannya. Sebaliknya, saya bersimpati – tidak ada yang benar‑benar meluangkan waktu menjelaskan bahwa langganan siap pakai tidak cukup, atau mengapa. Jadi saya pikir bisnis berada tepat di tempat yang seharusnya – mencoba apa yang tersedia dan mulai menyadari bahwa itu tidak memadai.

Solusinya bukan mengutak‑atik model AI itu sendiri – Anda tidak perlu menjadi peneliti LLM. Semua yang penting adalah apa yang Anda kelilingi model tersebut: data Anda, instruksi yang ditulis dalam bahasa Inggris sederhana, dan perangkat lunak biasa. Ketika Anda menemukan diri Anda mengetik konteks yang sama ke chatbot untuk kelima kalinya minggu ini, itulah tandanya. Apa pun yang terus Anda jelaskan kembali adalah hal yang seharusnya sudah diketahui sistem khusus – setiap kali ia “bangun.”

Anda menggunakan istilah “Crafters” untuk menggambarkan profesional bisnis yang paham data dan dapat membangun sistem AI khusus yang berharga tanpa menjadi pengembang perangkat lunak tradisional. Karakteristik apa yang membedakan seorang Crafter, dan bagaimana pemimpin dapat mengidentifikasi orang‑orang ini dalam tenaga kerja yang ada?

Seorang Crafter adalah orang yang lahir dengan rasa ingin menyelesaikan masalah menggunakan alat. Sekitar satu dari 16 pekerja pengetahuan memilikinya, menurut pengalaman saya. Mereka dulu adalah power user Excel, kemudian generasi Power BI, lalu orang‑orang yang IT sebut “shadow IT.” Mereka adalah analis Anda, perancang model keuangan, pemimpin operasional – orang yang tumbuh dalam bisnis dan menemukan bakat dalam penggunaan alat.

Dua sifat membuat mereka ideal untuk pekerjaan AI. Pertama, berpikir sistem: mereka secara naluriah memecah proses berantakan menjadi masukan, aturan, dan keluaran, mirip dengan pengembang perangkat lunak profesional. Kedua, berakar pada bisnis: mereka tahu angka‑angka mana yang benar‑benar dilihat CFO dan apa yang sebenarnya ditanyakan orang ketika mengajukan pertanyaan. Kedua hal ini tidak dapat diajarkan dalam bootcamp.

Cara menemukan Crafter Anda: ikuti spreadsheet. Saat ini di perusahaan Anda, ada spreadsheet, dasbor, dan otomatisasi yang menjadi jantung alur kerja kritis. Tidak ada yang dibangun oleh IT, dan masing‑masing memiliki penulis. Mulailah dari sana. Kemudian nilai bagaimana mereka dapat mengarahkan bakat mereka ke solusi AI yang disesuaikan.

Mengapa Anda percaya Crafters, bukan hanya pengembang, berada pada posisi terbaik untuk memimpin banyak proyek AI internal, dan bagaimana tanggung jawab harus dibagi antara pakar bisnis, tim data, insinyur perangkat lunak, departemen TI, serta tim keamanan?

Karena bagian tersulit dari AI khusus bukan kode – melainkan konteks. Aktivitas dengan leverage tertinggi dalam proyek AI adalah memutuskan apa yang harus diketahui sistem tentang bisnis Anda, dan Crafter secara alami membawa pengetahuan itu. Seorang insinyur brilian yang melompat masuk dari tiga tingkat organisasi harus melakukan wawancara berbulan‑bulan untuk mempelajari apa yang sudah dipahami pemimpin operasional Anda secara refleks.

Tetapi ini jelas bukan cerita “pengembang sudah usang.” Pembagian kerja yang saya rekomendasikan memiliki tiga faktor, dan tidak ada yang berkaitan dengan senioritas atau kepribadian: pekerjaan beralih ke pengembang profesional seiring reusability, complexity, dan sensitivity meningkat. Apa pun yang berhadapan dengan pelanggan, menyentuh data sensitif, atau membuat keputusan otonom – itu wilayah pengembang, dan seiring bertambahnya agen, keterampilan teknik yang langka menjadi lebih berharga, bukan kurang. Pekerjaan beralih ke Crafter ketika nuansa proses bisnis mendominasi.

Ada juga zona tengah yang kurang dihargai: Crafter membangun, pengembang mengaudit. IT dan keamanan tidak boleh menjadi penjaga gerbang yang menyetujui proyek – mereka harus memiliki jalan yang sudah dipadatkan. Sediakan platform yang disetujui, aturan akses data, titik pemeriksaan, dan biarkan orang yang paling dekat dengan masalah yang membangun. Perlakukan semuanya sebagai model kematangan, bukan pagar.

AI khusus membutuhkan akses ke terminologi, metrik, proses, dan pengetahuan institusional yang spesifik perusahaan. Peran apa yang dimainkan model semantik dan infrastruktur business intelligence yang ada dalam memberi AI pemahaman akurat tentang sebuah perusahaan?

Mereka adalah cincin dekoder. Saat ini definisi perusahaan Anda – apa yang dihitung sebagai pelanggan aktif, biaya mana yang termasuk dalam laba kotor – hidup di kepala orang dan di ribuan spreadsheet yang sedikit tidak konsisten. Agen AI tidak dapat menalar data Anda secara andal sampai definisi‑definisi itu dituliskan dalam bentuk yang dapat dipercaya mesin. Industri mulai menyebut disiplin ini “context engineering,” dan saya terjemahkan istilahnya: pekerjaan menyusun apa yang diketahui bisnis Anda sehingga AI dapat benar‑benar memanfaatkannya. Analis membuatnya terdengar baru. Praktisi BI telah melakukannya selama lima belas tahun.

Itulah kabar baik yang tersembunyi di depan mata: jika Anda berinvestasi di era BI (khususnya Power BI), Anda mungkin sudah memiliki keunggulan awal. Model semantik yang dibangun dengan baik adalah penangkapan makna bisnis yang dapat dibaca mesin yang dibutuhkan agen. Perusahaan yang menganggap lapisan semantik mereka sebagai hal sampingan kini menemukan bahwa pekerjaan definisional “membosankan” yang mereka lewati menjadi gerbang tol menuju AI. Dan yang penting, pekerjaan ini sangat spesifik untuk bisnis Anda – itulah alasan keunggulannya tahan lama. Setiap vendor dapat menjual model yang sama. Tidak ada yang dapat menjual definisi milik Anda.

Anda membangun editor AI khusus, yang dikenal sebagai Eddie, untuk membantu mengembangkan Fair Game. Apa yang sebenarnya dilakukan sistem selama proses penulisan, dan apa yang diajarkan keberhasilan serta kegagalannya tentang merancang AI di sekitar alur kerja yang sangat pribadi?

Untuk memperjelas, saya menulis setiap paragraf buku dari nol, sementara Eddie kebanyakan duduk menunggu. Kadang saya menghabiskan berjam‑jam menyusun seluruh bagian bab sebelum meminta “dia” membacanya. Kadang saya berdiskusi dengannya setiap beberapa menit. Namun yang krusial, Eddie siap 24/7. Saya bisa mendapatkan umpan balik sama mudahnya pukul tiga pagi maupun satu siang, dan ia akan mengembalikannya dalam satu menit atau kurang. Secara total, saya kira Eddie membaca naskah setidaknya tiga puluh kali. Tidak ada manusia yang dapat melakukan pekerjaan ini, karena tidak ada manusia yang ingin melakukannya.

Ia melacak janji‑janji yang saya buat di Bab Tiga dan menegur saya ketika Bab Dua Belas melupakannya. Ia mempelajari gaya menulis saya dan kemudian menegakkannya – menahan saya pada versi terbaik suara saya sendiri alih‑alih membiarkan saya meluncur ke mode Penulis Bisnis Tanpa Humor. Ia memberi tahu saya ketika saya malas dan ketika saya mengulangi hal yang sama. Kami memiliki perbedaan pendapat yang nyata, dan kadang ia menang.

Pelajaran desain terbesar: “otak” Eddie ditulis dalam bahasa Inggris dan berada di dalam folder. Setiap kali ia memberi umpan balik yang meleset – terlalu umum, register salah, melupakan aturan yang sudah saya sebutkan – solusinya menuliskan koreksi dan menjadikannya bagian dari konteks permanennya. Kegagalan bukan kegagalan AI; itu celah dalam apa yang saya sempat ajarkan kepadanya. Siklus itu – menyadari kesalahan, mengkodekan pelajaran, melihatnya menempel – adalah seluruh kerajinan AI khusus dalam skala mini. Dan itulah mengapa saya akhirnya membangun Eddie khusus untuk publisitas, riset kompetitif, dan pesan situs web. LLM yang sama di bawahnya. Tapi spesialisasinya berbeda.

Banyak organisasi percaya mereka harus membersihkan dan memusatkan data sepenuhnya sebelum mencoba AI khusus. Seberapa banyak kesiapan data yang sebenarnya diperlukan untuk memulai, dan bagaimana perusahaan dapat mulai menghasilkan nilai tanpa menunggu fondasi yang sempurna?

Kesempurnaan data tidak menjadi prasyarat, dan itu kabar baik karena kesempurnaan tidak pernah datang. Jika Anda berusaha pertama membangun estate data yang sempurna, seperti yang disarankan banyak konsultan, Anda akan membangun apa yang saya sebut “pipa untuk semata‑mata” – pipa mahal yang berkeliling, namun ketika Anda akhirnya memasang keran, tidak ada pipa di tempat yang Anda butuhkan.

Perusahaan kami justru menganjurkan pendekatan “keran dulu.” Pilih kasus penggunaan spesifik dan bekerja mundur dari dampak bisnis alih‑alih maju dari infrastruktur. Bangun MVP dari kasus penggunaan itu, dengan infrastruktur baru seminimal mungkin. Iterasikan MVP hingga siap produksi, lalu mundur dan evaluasi bagaimana memperkuat infrastruktur untuk mendukungnya. Pendekatan ini memberikan dampak bisnis lebih cepat, meminimalkan biaya, dan memberi wawasan untuk proyek selanjutnya – baik pada level keran maupun pipa.

Prototipe AI khusus dapat tampak mengesankan dalam demonstrasi tetapi menjadi tidak dapat diandalkan ketika dihadapkan pada karyawan nyata, data yang berubah, dan kasus tepi. Evaluasi, pemantauan, dan pengawasan manusia apa yang harus dibangun sebelum sistem AI internal menjadi operasional?

Dengan beberapa pengecualian penting, saya rasa demo kurang bernilai di era AI dibandingkan era perangkat lunak. Demo perangkat lunak selalu berlebihan janji dan kami semua mengetahuinya. Namun demo AI akan semakin jauh dari realitas Anda.

AI berkaitan dengan alur kerja. Tidak ada yang lebih khusus daripada ribuan alur kerja yang menggerakkan operasi organisasi tertentu. Kembali ke metafora “karyawan baru dengan PhD dalam segala hal.” Berapa banyak pelatihan – dan pengalaman langsung bekerja di perusahaan Anda – yang diperlukan seorang karyawan baru sebelum ia efektif? Bagaimana demo dapat memperhitungkan semua itu?

Jadi kami menggunakan demo untuk memicu pemikiran. Menunjukkan seni yang mungkin. Bukan untuk menjual produk. Demo sesungguhnya dimulai dengan prototipe solusi khusus. MVP. Lalu kami iterasi dan perbaiki. Secara cepat.

Pada suatu titik, solusi siap untuk peluncuran lunak atau program pilot. Dan lagi, kami belajar – bersama – dan cepat meningkatkan berdasarkan pembelajaran itu. Ini biasanya fase di mana pemantauan, evaluasi, dan pengawasan mulai menjadi fokus tajam. Hal‑hal yang Anda butuhkan seringkali sangat berbeda dari yang Anda duga sebelumnya.

Bagaimana perusahaan dapat memberdayakan Crafters untuk bereksperimen tanpa menciptakan generasi baru sistem AI bayangan, alur kerja duplikat, kerentanan keamanan, dan alat yang tidak ada yang bertanggung jawab memeliharanya?

Ingat asal‑usul shadow IT: bukan karena niat jahat, melainkan pemenuhan kebutuhan yang belum terpenuhi. Crafters membangun karena masalah mengganggu mereka – itulah gen mereka. Jika jalur resmi berarti menunggu setahun, AI bayangan akan mengisi celah – dan melakukannya di bawah radar, tempat paling berbahaya.

Jadi jadikan jalur resmi jalur yang mudah. Berikan Crafters platform yang disetujui dengan guardrail keamanan yang sudah terpasang – identitas, akses data, pencatatan – sehingga pilihan yang patuh juga menjadi pilihan yang nyaman. Pertahankan registri ringan: apa pun yang beralih dari eksperimen pribadi menjadi sesuatu yang bergantung pada orang kedua dicatat, dengan pemilik yang dinamai. Aturan tunggal ini menghilangkan sebagian besar masalah alat yatim piatu, karena alat yang memiliki nama tidak akan ditinggalkan secara diam‑diam.

Selanjutnya terapkan model eskalasi: eksperimen berjalan bebas, tetapi ketika sesuatu menjadi misi‑kritikal – lebih banyak pengguna, lebih sensitif, lebih otonom – ia memperoleh tinjauan teknik yang semakin intensif. Crafter tetap memegang kepemilikan logika bisnis; pengembang memperkuat apa yang perlu diperkuat. Tujuannya adalah pipeline kematangan, bukan proses izin. Perusahaan sudah menjalankan skenario ini dengan spreadsheet, dan pemenangnya bukan yang melarang Excel.

Untuk perusahaan yang memulai inisiatif AI khusus pertama mereka, bagaimana cara memilih kasus penggunaan awal, mengukur apakah proyek memberikan nilai bisnis yang berarti, dan memutuskan apakah memperluas, merancang ulang, atau menghentikannya?

Kami memiliki dua varian titik awal yang kami gunakan dengan klien.

Opsi pertama, cari pekerjaan yang tidak ada yang melakukannya – bukan pekerjaan yang ingin Anda hilangkan. Ada pertanyaan yang saya suka ajukan kepada manajer: “di mana Anda berpikir, ‘jika saya memiliki satu orang yang terus memantau ini dan memikirkannya, hal‑hal akan menjadi jauh lebih baik – tetapi saya tidak pernah dapat membenarkan mempekerjakan orang untuk itu’?” Itu sering menjadi titik awal terbaik Anda. Mereka aman, membangun kepercayaan, tidak ada yang merasa menjadi target, dan kontra‑faktualnya jujur: alternatifnya bukan manusia yang melakukannya dengan baik, melainkan tidak ada yang melakukannya sama sekali (seperti teman editor saya Eddie).

Opsi kedua, pertimbangkan menggantikan dasbor dengan agen data. Meskipun dasbor tampak sederhana, mereka jauh gagal dalam praktik memenuhi janji. Ketika seseorang memiliki pertanyaan bisnis, banyak kerja keras yang diperlukan untuk menerjemahkan pertanyaan itu ke dalam lanskap dasbor. Di mana dasbor yang menjawab pertanyaan ini? Apa namanya? Apakah dasbor semacam itu bahkan ada? Dan jika Anda berhasil menemukan yang “tepat,” apakah itu jelas dan nyaman digunakan? Apakah Anda harus berulang‑ulang memanipulasinya, menuliskan atau mengambil screenshot banyak versi untuk menyusun gambaran keseluruhan yang Anda butuhkan?

Di era AI, Anda cukup mengambil pertanyaan bisnis Anda – dengan kata‑kata Anda sendiri – dan mengetiknya (atau mendiktekannya!) ke agen data yang kemudian menangani semuanya untuk Anda, serta mengembalikan jawaban terverifikasi, ter‑riset dengan baik – termasuk visual – dalam satu atau dua menit. Ketika Anda memiliki pertanyaan lanjutan, agen itu dengan senang hati menjawabnya juga – dalam rapat saat keputusan masih dapat diambil.

Benang merah di balik kedua opsi awal ini? Keduanya menangani titik sakit yang akan diterima karyawan alih‑alih ditolak. Anda tidak ingin inisiatif AI awal menimbulkan ketidakpercayaan. Anda ingin mereka malah mengundang karyawan ke meja. Anda ingin karyawan mengusulkan perbaikan dan ide proyek baru. Karena sekali lagi, perusahaan Anda terdiri dari ribuan alur kerja, dan karyawan Anda mengenalnya lebih baik daripada Anda.

Berkenaan dengan memperluas, merancang ulang, atau menghentikan – bersikaplah baik pada diri sendiri, karena penelitian tentang hal ini sungguh menenangkan: sebagian besar penerapan AI yang sukses mengalami kegagalan sebelumnya. Proyek pertama yang menghasilkan pelajaran alih‑alih keuntungan adalah biaya pendidikan, bukan bukti AI tidak berfungsi. Aturan praktis saya: jika orang menggunakannya, perluas. Jika tidak ada yang menggunakannya, Anda harus tahu mengapa tidak, dan jawabannya bisa beragam, mulai dari “karena tidak berfungsi dengan baik” hingga “karena saya tidak memahaminya” hingga “itu menakutkan saya.” Jawaban tersebut menentukan apakah Anda memperbaiki, merancang ulang, atau menghentikannya. Anda tidak perlu memprediksi ke mana semua ini akan berakhir. Anda hanya perlu memulai dari tempat yang jujur.

Terima kasih atas wawancara yang luar biasa, pembaca juga sebaiknya membaca Fair Game: Customizing AI to Your Business Is Easier Than You Think.