Menggunakan AI vs. Membangun Di Sekitarnya: Di Mana Garisnya?

Kami menggunakan kata AI untuk menggambarkan segala macam hal, mulai dari berbicara dengan ChatGPT di peramban hingga menjalankan seluruh bisnis di mana operasi akan berhenti ada dalam bentuknya saat ini tanpa model bahasa. Di mana batas antara menggunakan otomatisasi AI dan AI menjadi inti sebuah bisnis? Pada titik mana terjadi pergeseran fundamental? Dan yang paling penting, apakah perusahaan bahkan harus berusaha menempatkan AI di panggung utama?

Kapan Bisnis Menjadi AI-Natif?

Saat ini, bahkan jika manajemen belum pernah mengumumkan transformasi AI, karyawan masih menggunakan Gemini untuk mencari informasi, ChatGPT untuk menulis email, Grok untuk menyiapkan laporan, Claude untuk menulis kode mereka, dan sebagainya. Akses ke alat LLM telah menjadi begitu meluas sehingga sekadar menggunakannya tidak lagi memberi banyak informasi tentang perusahaan itu sendiri.

Bagi saya, ada tes yang jauh lebih sederhana: apa yang terjadi jika Anda mematikan AI?

Ambil contoh perusahaan perangkat lunak akuntansi. Pengembangnya mungkin menggunakan AI untuk menulis fitur atau memelihara produk. Jika alat‑alat itu dimatikan besok, para insinyur kemungkinan akan bekerja lebih lambat. Namun perangkat lunak itu tetap ada, akuntan tetap menggunakannya, dan pelanggan tetap membayarnya. AI meningkatkan cara perusahaan beroperasi, tetapi bisnis itu sendiri tidak bergantung padanya.

Sekarang bayangkan sebuah pusat panggilan bank yang dulu mungkin mempekerjakan sepuluh ribu orang. Generasi pertama AI di lingkungan itu berfungsi hampir seperti pemberi petunjuk yang duduk di samping operator: ia mendengarkan percakapan, memahami masalah, dan menyarankan jawaban. Dalam banyak kasus, pemberi petunjuk itu kini telah menjadi agen itu sendiri. Seorang pelanggan mengatakan bahwa mereka dikenakan biaya yang salah; sistem memeriksa catatan, meninjau data relevan, mengidentifikasi masalah, dan kadang‑kadang menyelesaikannya tanpa melibatkan orang. Manusia hanya turun tangan ketika kasus membutuhkan eskalasi.

Itu adalah hubungan yang sangat berbeda dengan teknologi. Perusahaan akuntansi menjadi kurang efisien tanpa AI. Pusat panggilan mungkin harus membangun kembali sebagian besar model operasinya. Perbedaan itulah yang lebih mendekati apa yang saya maksud dengan AI‑native dibandingkan berapa banyak langganan AI yang dimiliki perusahaan atau apakah “AI” muncul di beranda mereka.

Di Mana Hal Ini Paling Terlihat?

Beberapa perusahaan telah membangun bisnis mereka di sekitar membantu orang lain melakukan transisi tersebut. Cohere adalah contoh yang baik: perusahaan Kanada ini tumbuh menjadi bisnis besar dengan membantu perusahaan beralih dari perangkat lunak dan alur kerja tradisional ke AI. Di industri lain, bagaimanapun, AI sudah begitu terintegrasi dalam produk sehingga hampir tidak mungkin memisahkan keduanya.

Menyetir secara otonom mungkin merupakan contoh paling jelas. Jika sebuah mobil diharapkan dapat melihat jalan, mengenali objek, memahami apa yang terjadi di sekitarnya, dan membuat keputusan secara mandiri, maka Anda tidak dapat menghilangkan AI tanpa menghilangkan gagasan dasar produk tersebut.

Kedokteran dan farmasi menyampaikan poin yang sama dengan cara yang berbeda, terutama dalam penemuan obat. Salah satu contoh terbaik tentang apa arti hal ini dalam skala besar adalah pekerjaan DeepMind pada struktur protein.

Bank Data Protein didirikan pada tahun 1971, dan diperlukan puluhan tahun kerja ilmuwan di seluruh dunia untuk membangun koleksi besar struktur yang ditentukan secara eksperimental. basis data melewati 1,000 struktur pada tahun 1993, 10,000 sekitar tahun 2000, dan 100,000 pada tahun 2014. Pada Januari 2023, ia telah melewati 200,000 struktur biomolekul yang ditentukan secara eksperimental. Dengan kata lain, setelah kira‑kira enam dekade biologi struktural, peneliti telah mengumpulkan sekitar dua ratus ribu struktur yang ditentukan secara eksperimental.

Kemudian muncul AlphaFold, sistem DeepMind untuk memprediksi struktur tiga dimensi sebuah protein dari urutan asam amino‑nya. Pada tahun 2022, AlphaFold membuat lebih dari 200 juta struktur protein yang diprediksi tersedia, mencakup hampir semua protein yang terdaftar yang dikenal ilmu pengetahuan pada saat itu. Itu tidak berarti AI “menemukan setiap protein yang ada.” Ini adalah struktur yang diprediksi berdasarkan urutan asam amino yang sudah diketahui. Namun perbedaan skala tetap sangat besar.

Pentingnya pergeseran itu menjadi lebih jelas pada tahun 2024, ketika Demis Hassabis dan John Jumper dari Google DeepMind menerima setengah Hadiah Nobel Kimia “untuk prediksi struktur protein”. Setengah lainnya diberikan kepada David Baker untuk desain protein komputasional. Sesuatu yang hanya beberapa tahun sebelumnya tampak seperti terobosan AI yang mengesankan, dengan cepat diakui sebagai kemajuan fundamental dalam biologi modern.

DeepMind adalah contoh global yang menjadi sorotan utama, tetapi startup medis yang mengutamakan AI tidak lagi luar biasa. Selama tahun‑tahun saya di Keymakr, tim kami mengerjakan proyek yang berkisar dari kedokteran gigi dan pencitraan ultrasonik hingga kardiologi intervensional, di mana model dilatih untuk mendeteksi katup jantung, aorta, dan struktur lain selama prosedur. Kami juga mengerjakan proyek bedah saraf di mana model belajar membedakan jaringan otak, pembuluh darah, instrumen bedah, dan area operasi. Dalam semua kasus ini, AI bukan fitur tambahan yang ditambahkan ke produk; ia adalah produk itu sendiri.

Dari Struktur Protein ke Email Dingin

Hal yang sama terjadi di bagian bisnis yang jauh lebih biasa. Penjualan dan pemasaran mungkin termasuk contoh yang paling cepat berubah: pekerjaan yang dulu memakan berjam‑jam kini dapat diulang ratusan atau ribuan kali dengan sangat sedikit usaha tambahan.

CRM, kampanye, prospeksi, dan riset prospek dibangun di sekitar model bahasa. Kami sudah jauh melampaui titik di mana hanya meminta ChatGPT menulis email dingin. Sebuah sistem dapat menelusuri profil LinkedIn seseorang, melihat apa yang mereka lakukan, apa yang mereka pedulikan, dan apa yang mereka posting, lalu menggunakan informasi itu untuk menulis sesuatu yang terasa sangat pribadi.

Saya pernah menerima pesan dengan isi kira‑kira: “Michael, pasti luar biasa terbang di ketinggian 4.000 kaki dan melihat lewat kaca…” Pesan itu merujuk pada cerita penerbangan saya di media sosial. Reaksi pertama saya adalah bahwa seseorang benar‑benar telah menelusuri profil LinkedIn saya dan membacanya dengan cermat. Tentu saja, tidak ada orang yang melakukannya. Sistem telah menemukan informasi tersebut dan secara otomatis menghasilkan pendekatan.

Di sinilah ekonomi personalisasi mulai berubah. Riset yang dulu memakan waktu lama bagi seseorang kini dapat dibantu oleh alat yang memindai informasi publik dan mengidentifikasi detail relevan. Manusia kemudian dapat memutuskan apa yang benar‑benar berguna, tepat, dan layak dimasukkan.

Saya melihat pergeseran yang sama di Keymakr, meskipun bagi kami, tujuan tidak pernah untuk mengotomatisasi penilaian atau hubungan manusia. Saya terus mendorong orang untuk melihat bagian‑bagian berulang dari pekerjaan harian mereka dan menanyakan di mana agen dapat menghemat waktu, memberikan konsistensi lebih, atau membantu mereka bekerja pada skala yang lebih besar. 

Di Scryon, kami memulai dengan logika itu yang sudah tertanam dalam perusahaan. Sebagian besar pekerjaan pemasaran ditangani oleh beberapa agen melalui artikel, blog, LinkedIn, dan situs web.

Bagian yang menarik adalah bahwa keunggulan terbesar mereka seringkali bukan menulis. Misalnya Anda menambahkan dua puluh halaman baru ke sebuah situs web. Seseorang yang menulis artikel baru kemungkinan akan menambahkan beberapa tautan internal. Hampir tidak ada yang akan kembali menelusuri 80 atau 800 konten lama dan memeriksa di mana halaman baru itu seharusnya ditautkan. Seorang agen dapat melakukannya. Dalam pekerjaan semacam itu, agen tidak perlu lebih pintar daripada manusia. Agen hanya tidak akan bosan, dan perbedaan antara 80 halaman dan 800 halaman jauh kurang penting bagi agen dibandingkan bagi kami.

Namun inilah batas otomatisasi bagi saya. Hubungan Masyarakat yang baik tidak bisa begitu saja diserahkan kepada agen dan dilupakan. Hal yang sama berlaku untuk artikel opini, di mana penempatan, pemahaman audiens, dan kemampuan memutuskan apa yang harus dikatakan sangat penting.

Jadi bahkan ketika Anda membangun sistem agen yang cukup kompleks, Anda tetap membutuhkan orang yang menjalankannya. Seseorang harus menilai output, memutuskan apa yang penting, dan menentukan arah.

Bisakah Anda Mengotomatiskan Seorang Pendiri?

Dalam startup tahap awal, pendiri sering kali sekaligus teknis, operasional, dan eksekutif. Jadi pemikiran ini muncul secara alami: jika agen dapat mengurangi banyak pekerjaan tim, mengapa tidak memberi mereka sebagian tugas pendiri juga?

Saya memiliki agen terpisah yang terhubung ke Scryon Business dan mengetahui banyak tentang perusahaan. Saya dapat menanyakannya sesuatu seperti, \”Kami ingin mendapatkan 5.000 pengguna bulan depan.\” Apakah itu realistis, atau hanya angka bagus yang saya buat?

Ia dapat menarik data, melihat pasar, memeriksa pesaing dan sistem terkait, lalu kembali dengan mengatakan bahwa 5.000 kemungkinan terlalu banyak dan bahkan 2.000 sudah agresif pada tahap ini. Itu membantu saya menguji pemikiran saya sendiri. Namun agen tetap memberikan saran.

Keputusan tetap milik saya. Setelah semua data dan perhitungan, terkadang saya masih perlu keluar, berjalan di taman, dan memutuskan ke mana saya ingin membawa perusahaan.

Bagi saya, pembebasan nyata dimulai ketika saya dapat memberi seseorang kepemilikan, misalnya, “Ini milikmu,” dan kembali sebulan kemudian untuk melihat bahwa ia terus berjalan tanpa saya. Saya tidak melihat hal itu pada peran pendiri saat ini.

Hal yang sama berlaku untuk peran tingkat C. Tugas mereka adalah menetapkan arah: enam bulan ke depan, kami ingin masuk ke pasar otomotif, atau kami ingin orang di industri mengenal merek. Wakil Presiden, kepala, dan pemimpin tim kemudian mengubahnya menjadi tujuan dan pekerjaan spesifik.

Toolkit AI: Biaya Pribadi dan Perusahaan

Saya tidak benar‑benar percaya pada satu model “terbaik”. Saya lebih memperhatikan model mana yang paling cocok untuk tugas tertentu dan berapa biaya yang saya keluarkan untuk menggunakannya secara skala besar. Saya sering menggunakan Codex untuk pemrograman dan mengganti‑ganti model di dalamnya, tergantung pada kebutuhan saat itu. Saya mungkin mencoba Claude untuk desain suatu hari, dan beralih ke ChatGPT untuk tugas yang lebih berhubungan dengan bahasa, namun pilihan ini berubah bulan ke bulan, bahkan kadang di tengah‑tengah tugas.

Pada akhirnya, setiap orang membangun tumpukan mereka sendiri seiring waktu, menilai model mana yang optimal untuk tujuan tertentu. Jika Anda adalah pendiri teknis yang banyak melakukan coding sendiri, saya memperkirakan Anda akan menghabiskan sekitar $1.000 per bulan untuk tumpukan Anda. Namun saya mengetahui orang yang menghabiskan $10.000–15.000 per bulan karena mereka mengotomatisasi dengan jauh lebih agresif.

Begitu AI menjadi bagian inti bisnis, angka-angka berubah lagi. Dengan Scryon, saya nyaman dengan gagasan bahwa 30–40% pendapatan dapat langsung masuk ke infrastruktur dan layanan yang menjalankan produk, sebelum Anda bahkan menghitung orang‑orang yang membangunnya.

Pertama Tujuan Bisnis, Kemudian Teknologi

Dalam perlombaan otomatisasi dan label “AI companies,” saya rasa pertanyaan “jenis AI apa yang harus kami terapkan?” berbahaya. Itu dimulai dari sisi yang salah.

Baru‑baru ini kami menetapkan tujuan bisnis yang cukup standar – mengurangi biaya. Untuk melakukannya, kami membuat sebuah agen, memberinya akses ke informasi tentang di mana perusahaan menghabiskan uang, termasuk Amazon, Google, dan layanan lainnya, dan meminta agen tersebut secara rutin mencari anomali serta memberi peringatan merah jika ada yang tampak aneh.

Dalam minggu pertama saja, kami mengurangi biaya sekitar 30% karena sistem dengan cepat menunjukkan di mana uang dibelanjakan untuk hal‑hal yang hampir kami lupakan. Agen itu sendiri dapat berbiaya serendah $50 per bulan, namun penghematan dapat mencapai puluhan ribu.

Di Keymakr, AI terutama memperkuat orang dan proses individu. Di Scryon, AI sudah terintegrasi dalam arsitektur perusahaan. Dalam mobil otonom, tanpa AI, produk menghilang, dan dalam penemuan obat, AI mengubah ruang lingkup eksplorasi.

Bagi saya, pertanyaan tentang tujuan mendasar merupakan titik awal yang jauh lebih sehat daripada keinginan menjadi perusahaan yang berfokus pada AI. Pertama, harus muncul tujuan bisnis: menghasilkan lebih banyak, mempercepat skala, mengurangi biaya, memungkinkan produk baru, atau mengubah secara radikal proses yang ada. Hanya setelah itu masuk akal untuk menanyakan teknologi mana yang akan membawa Anda ke sana.