Victor Coimbra, CTO dan Mitra Pengelola di Artefact – Seri Wawancara

Victor Coimbra adalah CTO dan Mitra Pengelola di Artefact, tempat ia memimpin pekerjaan di bidang AI, ilmu data, dan rekayasa di seluruh kawasan Amerika. Kariernya memadukan pengalaman dalam strategi bisnis di Bain dan Accenture dengan kepemimpinan langsung dalam menghadirkan sistem AI dan pembelajaran mesin di lingkungan perusahaan yang kompleks. Ia berfokus membantu organisasi menghubungkan kemampuan teknis dengan hasil bisnis yang terukur, termasuk melalui arsitektur, tata kelola, dan model operasional yang diperlukan untuk meningkatkan skala AI.

Artefact adalah perusahaan konsultan data dan AI global yang membantu perusahaan menyusun strategi, membangun platform data, menerapkan solusi AI, dan mengelola perubahan organisasi. Perusahaan ini bekerja di berbagai industri, termasuk jasa keuangan, layanan kesehatan, manufaktur, dan ritel. Menjelang Adopt AI Summit, yang akan berlangsung pada 3–4 Desember 2026 di Grand Palais, Paris, Coimbra membahas cara perusahaan melampaui proyek percontohan, membangun tim yang memadukan manusia dan agen AI, serta mengukur nilai AI dalam produksi.

Karier Anda membawa Anda dari strategi bisnis di Accenture hingga memimpin tim AI, ilmu data, dan rekayasa di Artefact di seluruh kawasan Amerika. Bagaimana perpaduan antara konsultasi strategis dan kepemimpinan teknis langsung ini membentuk pendekatan Anda dalam membantu perusahaan mengubah investasi AI menjadi hasil bisnis yang terukur?

Pengalaman itu mengajari saya untuk selalu menghubungkan strategi AI dengan pelaksanaannya. Pengalaman menyusun strategi di Bain dan Accenture menunjukkan kepada saya bahwa para eksekutif berinvestasi pada perubahan dalam pos P&L. Pengalaman di bidang rekayasa mengajari saya bahwa banyak nilai tersebut dapat hilang di antara slide presentasi dan tahap produksi.

Saat ini, AI bukan lagi terutama soal teknologi, melainkan membangun keunggulan yang sulit ditiru di sekitar operasi inti bisnis Anda. Pertanyaan kuncinya adalah bagaimana mengubah produktivitas individu menjadi nilai bagi seluruh perusahaan, dengan kapasitas kognitif bersama yang sesungguhnya di seluruh perusahaan.

Untuk itu diperlukan perpaduan antara strategi dan pelaksanaan, dan saya banyak belajar dari menjalani keduanya.

Meskipun investasi dalam kecerdasan buatan cukup besar, banyak organisasi masih kesulitan melangkah lebih jauh dari proyek percontohan yang berhasil. Berdasarkan pengalaman Anda, apa hambatan yang paling umum dalam membawa inisiatif AI perusahaan ke tahap produksi, dan apa yang membedakan perusahaan yang berhasil memperluas penerapan AI mereka?

Menurut pengalaman saya, banyak proyek percontohan mandek karena AI ditambahkan ke organisasi yang dirancang hanya untuk manusia. Teknologinya biasanya berfungsi. Yang sering kali belum jelas adalah pembagian kerja: tugas mana yang menjadi tanggung jawab agen, mana yang tetap ditangani manusia, siapa yang meninjau, dan siapa yang bertanggung jawab atas hasilnya.

Selain itu, ada 3 hal yang biasanya memperlambat peningkatan skala: biaya token yang melonjak seiring penggunaan dalam skema harga berbasis pemakaian, keamanan dan tata kelola, serta adopsi yang tidak pernah berkembang dari sekadar akses menjadi penggunaan nyata.

Perusahaan yang saya lihat berhasil meningkatkan skala memperlakukan AI sebagai perombakan organisasi. Mereka membagi pelaksanaan ke dalam 2 putaran. Dalam putaran internal, agen menjalankan seluruh proses dari awal hingga akhir: menulis kode, membangun, menguji, mengirim, dan meninjau. Dalam putaran eksternal, manusia menetapkan tujuan, memverifikasi hasil, serta memantau biaya dan kualitas. Setelah itu, mereka membangun satu platform sebagai fondasi dan menggunakannya kembali untuk setiap kasus penggunaan.

Anda pernah menulis tentang pentingnya membangun organisasi yang berlandaskan AI, alih-alih sekadar menambahkan chatbot dan kopilot ke sistem yang sudah ada. Perubahan mendasar apa pada arsitektur teknologi perusahaan yang diperlukan untuk mendukung peralihan ini, dan di bagian mana perusahaan saat ini masih kurang berinvestasi?

Perusahaan yang berlandaskan AI berjalan di atas sebuah platform, dan platform itu terdiri atas 4 lapisan: lapisan kendali, konteks, model, dan infrastruktur. Lapisan kendali adalah tempat manusia dan agen berinteraksi dan bekerja; lapisan ini mencakup seluruh aplikasi di sekitar model. Konteks menentukan apa yang diketahui agen dan wewenang apa yang dimilikinya. Lapisan model mengatur cara model diakses, diarahkan, dan dikelola dengan biaya yang tepat. Infrastruktur adalah tempat model benar-benar dijalankan dan pihak yang memegang kunci aksesnya.

Wajar jika sebagian besar perhatian tertuju pada 20% yang terlihat: kopilot dan alat obrolan. Sebanyak 80% sisanya tersembunyi; di sanalah sebagian besar pekerjaan rekayasa dilakukan dan keputusan mengenai biaya, keamanan, serta kendali ditetapkan.

Saran saya sederhana. Beli kerangka kerja serbaguna dan bangun sendiri kerangka kerja yang khusus untuk industri Anda. Sewa dan uji coba model serta infrastruktur karena semuanya berubah setiap kuartal. Dan kendalikan sepenuhnya konteks Anda sendiri. Lapisan itulah yang benar-benar menjadi milik Anda dan yang menurut saya menyimpan peluang terbesar untuk meningkatkan investasi.

Seiring AI berkembang dari sekadar membantu karyawan menjadi menjalankan alur kerja kompleks secara mandiri, bagaimana organisasi sebaiknya menentukan proses mana yang cocok untuk otomatisasi berbasis agen? Pengamanan teknis dan operasional apa yang harus disiapkan sebelum agen AI diberi wewenang lebih besar untuk mengambil keputusan?

Menurut saya, agen sangat baik dalam pekerjaan yang berorientasi pada masa lalu, sedangkan manusia unggul dalam pekerjaan yang berorientasi pada masa depan. Agen unggul dalam segala hal yang didasarkan pada informasi yang sudah ada, seperti analitik, pengodean, pengujian, dokumentasi, dan rekonsiliasi. Manusia bertanggung jawab atas hal-hal yang membutuhkan kreativitas, dan kreativitas pada dasarnya berorientasi ke depan: selera, visi, perencanaan, pengambilan keputusan, serta penilaian apakah suatu hasil benar-benar baik.

Dalam praktiknya, pembagian ini mengikuti 2 putaran tersebut. Agen menjalankan putaran internal dan melaksanakan tugas. Manusia mengelola putaran eksternal: menetapkan tujuan, memverifikasi, dan memantau.

Perlindungan ini dirancang di dalam sistem, bukan sekadar mengandalkan prompt. Kami menggunakan 6 lapisan kerangka kerja: pencatatan tugas, memori, ruang kerja aman dengan lingkungan eksekusi terisolasi dan pengaturan izin, siklus kerja dengan titik pemeriksaan dan klarifikasi, perutean model, serta pagar pengaman yang menentukan hal-hal yang tidak boleh dilakukan agen sendiri, seperti persetujuan manusia, pemeriksaan kebijakan, dan kontrol atas informasi identitas pribadi (PII). Tingkat otonomi kemudian meningkat seiring rekam jejaknya, sama seperti yang terjadi pada karyawan baru.

Anda menggambarkan agen AI sebagai rekan satu tim, bukan perangkat lunak konvensional. Bagaimana perspektif ini mengubah cara organisasi seharusnya menyusun tim, membagi tanggung jawab, dan melatih karyawan untuk bekerja sama dengan sistem AI yang semakin otonom?

Kita sudah berada dalam organisasi hibrida. Menurut saya, pertanyaan terpenting sekarang adalah bagaimana membagi tenaga kerja antara manusia dan agen. Saya yakin inilah kunci untuk meningkatkan skala.

Dalam tim hibrida, bagan organisasi mengalokasikan kapasitas kognitif, bukan jumlah karyawan. Pembagian yang lazim saya lihat di tim teknologi yang sudah matang adalah 15% pekerjaan yang hanya dilakukan manusia, 25% pekerjaan yang dibantu teknologi, dan 60% pekerjaan yang dilakukan agen. Kepala TI menetapkan tujuan, mengalokasikan kapasitas, serta bertanggung jawab atas hasil dan biaya. Pengembang senior memverifikasi hasil kerja agen dan menentukan arsitektur. Agen orkestrator mengarahkan tugas dan melaporkan biaya, sementara agen peninjau memeriksa setiap hasil kerja.

Manfaatnya berlipat ganda melalui 3 tahap. Karyawan yang dibantu teknologi menghasilkan sekitar 5x lebih banyak. Agen sebagai karyawan sintetis yang menangani pekerjaan dari awal hingga akhir menghasilkan sekitar 10x lebih banyak. Mengorkestrasi keduanya sebagai satu tenaga kerja adalah hal yang, menurut saya, menyimpan potensi peningkatan 1000x.

Pelatihan mengikuti logika yang sama. Karyawan belajar memberi arahan kepada agen seperti kepada insinyur junior, dengan konteks terstruktur dan hasil yang jelas, serta memusatkan waktu mereka pada pertimbangan, perencanaan, dan pengambilan keputusan.

Sistem AI perusahaan sangat bergantung pada infrastruktur data yang andal, tetapi banyak organisasi masih kesulitan menghadapi data yang terfragmentasi, tata kelola yang tidak konsisten, dan teknologi warisan. Kapabilitas dasar apa yang harus diprioritaskan bisnis saat menyiapkan platform data untuk AI agentik, dan bagaimana mereka dapat melakukan modernisasi tanpa mengganggu operasional yang ada?

Rancang platform data Anda untuk jenis pengguna baru: agen. Jika dasbor menampilkan angka yang salah, manusia akan mempertanyakannya. Namun, jika agen menerima angka yang salah, agen akan bertindak berdasarkan angka tersebut dalam skala besar.

Prioritaskan 4 kapabilitas. Definisi bisnis bersama, agar setiap agen dan tim memiliki pemahaman yang sama tentang “pelanggan aktif”. Gerbang integrasi dengan autentikasi dan protokol standar seperti MCP, agar agen dapat mengakses data dengan izin sesuai peran yang dijalankannya. Kualitas dan asal-usul data yang dapat dipantau. Selain itu, perlakukan data tidak terstruktur sebagai aset utama, karena sebagian besar pengetahuan nyata tersimpan dalam kontrak, tiket, dan catatan rapat.

Untuk melakukan modernisasi tanpa gangguan, bungkus sistem warisan terlebih dahulu, lalu lakukan migrasi kasus penggunaan demi kasus penggunaan. Agen juga mengubah perhitungan ekonominya. Kini, alur migrasi multiagen dapat memodernisasi ratusan ribu baris kode warisan dalam hitungan bulan, sementara manusia menentukan arsitekturnya.

Selain akses ke data terstruktur, agen AI semakin membutuhkan pemahaman tentang pengetahuan institusional, proses bisnis, dan konteks organisasi. Bagaimana perusahaan dapat secara efektif menangkap dan mengintegrasikan pengetahuan ini ke dalam sistem AI mereka, dan risiko apa yang muncul ketika agen beroperasi tanpa konteks bisnis yang memadai?

Kontekslah yang mengubah model menjadi rekan kerja. Perangkat memahami tugas, sedangkan agen memahami konteks. Anda tentu tidak akan meminta insinyur junior bekerja tanpa menjelaskan tujuan, batasan, dan seperti apa hasil yang baik; agen pun demikian.

Kumpulkan pengetahuan dari pekerjaan itu sendiri, bukan dari proyek dokumentasi besar yang sulit diperbarui. Setiap rapat, tiket, keputusan, dan koreksi menjadi masukan bagi lapisan konteks yang menggabungkan berkas, tabel, vektor, dan grafik hubungan. Setiap tugas yang selesai menyimpan informasi kembali ke memori, sehingga organisasi belajar dari setiap hasil kerja. Konteks juga memerlukan tata kelolanya sendiri: evaluasi, izin, dan pengendalian biaya.

Tanpa konteks, agen cenderung mengalami beberapa kendala yang mudah diperkirakan. Agen mengikuti aturan tertulis, tetapi melewatkan aturan tak tertulis yang diketahui semua orang. Agen mengambil informasi yang keliru dan menjawab dengan penuh keyakinan. Agen bekerja menggunakan fakta dari kuartal lalu. Selain itu, lapisan konteks tanpa izin yang ketat dapat membahayakan data sensitif.

Banyak perusahaan mengukur keberhasilan AI berdasarkan peningkatan produktivitas, tingkat adopsi, atau jumlah proyek percontohan yang diluncurkan. Metrik apa yang sebaiknya digunakan CIO dan pemimpin bisnis untuk menilai imbal hasil investasi AI yang sesungguhnya, terutama dengan memperhitungkan biaya infrastruktur, pemeliharaan berkelanjutan, dan kompleksitas operasional agen otonom?

Ukur kinerja tenaga kerja hibrida, bukan perangkatnya. Adopsi hanyalah tingkat pertama dari 4 tingkat, dan semuanya harus dibandingkan dengan kondisi dasar yang diukur sebelum penerapan. Tingkat adopsi mengukur apakah orang menggunakannya. Tingkat produktivitas mengukur apakah kita menyelesaikan pekerjaan lebih cepat: waktu tunggu, jumlah pekerjaan yang diselesaikan, dan waktu penyelesaian. Tingkat kualitas mengukur apakah hasilnya lebih baik: cacat yang lolos, tingkat kegagalan perubahan, dan pekerjaan ulang. Tingkat nilai dan biaya mengukur apakah manfaatnya sepadan: kapasitas kerja yang dibebaskan, waktu menuju pasar, dan biaya keseluruhan per tugas.

Salah satu metrik yang mudah luput dari perhatian adalah pergeseran kapasitas kognitif antara manusia dan agen, dari satu tim ke tim lainnya. Kapasitas manusia yang dibebaskan perlu dialihkan secara terarah ke pekerjaan yang berorientasi ke masa depan. Jika tidak, sebagian manfaatnya akan hilang.

Dari sisi biaya, model penetapan harga bergeser dari biaya tetap ke biaya berdasarkan penggunaan, sehingga tagihan bisa lebih sulit diprediksi. Karena itu, perutean model dan FinOps perlu menjadi bagian dari platform sejak hari pertama. Perlakukan pengeluaran untuk AI seperti pengeluaran cloud: terlihat jelas, dibebankan kepada tim tertentu, dan dikaitkan dengan nilai yang dihasilkan.

Artefact bekerja sama dengan berbagai perusahaan di sektor jasa keuangan, layanan kesehatan, manufaktur, ritel, dan industri lainnya, yang masing-masing menghadapi tantangan berbeda dalam mengadopsi AI. Apa saja pelajaran yang muncul dari penerapan di dunia nyata di sektor-sektor ini, dan bagaimana organisasi sebaiknya menyeimbangkan inovasi dengan kepatuhan terhadap regulasi, keandalan, serta pengawasan manusia?

Setiap sektor menghadapi pertanyaan yang sama: bagaimana membagi pekerjaan antara manusia dan agen. Yang berbeda adalah seberapa banyak kendali pada lapisan luar proses yang harus tetap berada di tangan manusia. Di sektor ritel dan barang konsumsi, kesalahan tidak terlalu merugikan, sehingga agen dapat mengambil alih lebih banyak pekerjaan dengan lebih cepat. Di bidang manufaktur, keandalan dan integrasi dengan sistem operasional menentukan laju penerapan. Di sektor jasa keuangan dan layanan kesehatan, setiap keputusan harus dapat dijelaskan, sehingga manusia tetap menangani lebih banyak proses verifikasi dan pengambilan keputusan dalam waktu yang lebih lama.

Pelajaran yang saya lihat di mana-mana adalah bahwa kepatuhan paling efektif jika menjadi bagian dari platform sejak awal. Ketika pagar pengaman, log audit, dan persetujuan manusia tersedia dalam kerangka kerja, setiap kasus penggunaan baru otomatis mewarisinya. Jika kepatuhan baru dipertimbangkan pada tahap akhir, setiap proyek baru harus mengulangi pembahasan itu dari awal.

Pengawasan sebaiknya berjenjang. Agen bertindak sendiri untuk tugas berisiko rendah, ditinjau jika ada pengecualian untuk tugas berisiko sedang, dan hanya menyiapkan keputusan untuk tugas berisiko tinggi. Tingkat pengawasan berubah seiring tumbuhnya kepercayaan.

Dengan Adopt AI Summit yang diselenggarakan Artefact di Paris pada Desember ini, diskusi seputar kedaulatan AI, tata kelola, dan daya saing industri semakin penting. Bagaimana menurut Anda pendekatan Eropa terhadap adopsi AI memengaruhi strategi perusahaan global, dan perkembangan apa yang menurut Anda akan menentukan tahap berikutnya dalam AI perusahaan selama beberapa tahun ke depan?

Eropa lebih awal mengangkat persoalan kedaulatan, dan menurut saya hal ini kini menjadi prinsip perancangan global. Perusahaan multinasional tidak ingin memiliki arsitektur berbeda untuk setiap regulasi, sehingga mereka merancang sistem agar memenuhi regulasi yang paling ketat: kuasai konteks sendiri, sewa model, dan kendalikan di mana model dijalankan serta siapa yang memegang kuncinya. Peluang berikutnya bagi Eropa adalah mengerahkan energi yang sama untuk mendorong adopsi, karena daya saing akan ditentukan oleh penggunaan dalam skala besar.

Tahap berikutnya adalah organisasi hibrida, dan saya yakin inilah masa depan dunia kerja. Perusahaan akan beralih dari menghitung jumlah karyawan ke mengelola kapasitas kognitif bersama antara manusia dan agen. Agen akan mengambil alih sebagian besar pekerjaan yang berorientasi pada masa lalu: analisis, pemrograman, dan pelaporan. Manusia akan beralih ke pekerjaan yang berorientasi pada masa depan: selera, visi, perencanaan, dan pengambilan keputusan.

Saya yakin perusahaan yang lebih dahulu menemukan cara membagi pekerjaan akan memimpin. Itulah pembahasan yang ingin saya lakukan di Paris untuk menentukan arah tahun-tahun mendatang.

Terima kasih atas wawancara yang luar biasa ini. Pembaca yang ingin mengetahui lebih lanjut tentang adopsi AI di perusahaan, alur kerja berbasis agen, dan transformasi data dapat mengunjungi Artefact.