Revolusi Industri AI: Apakah Kita Masih Menggunakan Alur Kerja Lama?

Penulis: Will Awang

Dalam setahun terakhir, saya telah menghadiri beberapa konferensi industri bertema AI. Para pembicara di atas panggung bergiliran memperagakan trik-trik AI, sementara penonton di bawah mengangkat ponsel mereka untuk memotret layar, lalu langsung mempostingnya di lingkaran sosial sebelum kembali menggulir ponsel. Namun, ketika kembali ke kantor, semuanya tetap sama: rapat mingguan yang sama, persetujuan yang sama, laporan mingguan yang sama. Perusahaan besar telah memasukkan jumlah token yang dikonsumsi ke dalam KPI, dan ada yang menjadi teladan karena menggunakan skrip untuk memperbanyak jumlahnya. Orang-orang di lingkaran sosial itu hari ini membicarakan revolusi Claude, besok memuji Codex yang luar biasa, lusa memuji Gemini sebagai yang terhebat—apakah ini benar-benar menyambut revolusi, atau hanya berlari dari satu acara ke acara lainnya?

Ini semua adalah noise, bukan jawaban yang saya inginkan.

Masalah sebenarnya bukan seberapa kuat AI—mesin uap sudah dibuat, masalahnya siapa yang pertama kali membongkar bengkel lama.

Hari yang benar-benar memulai Revolusi Industri bukanlah ketika Watt memperbaiki mesin uap, tetapi ketika para pemilik pabrik di Lancashire memutuskan untuk meninggalkan sungai-sungai dan membangun kembali pabrik mereka di sekitar mesin uap. Demikian pula, momen paling penting dalam AI bukanlah ketika model besar ditemukan, tetapi ketika organisasi pertama memutuskan untuk membongkar proses lama dan membangun kembali cara produksi mereka di sekitar AI. Hari itu belum tiba. Tetapi ia sudah dalam perjalanan.

Dua orang melihat hal ini sejak dini. CEO Notion, Zhao Yivan, menulis sebuah esai berjudul "Steam, Steel, and Infinite Minds" pada akhir 2025, dengan penilaian yang sangat dingin: Kita masih berada di tahap "mengganti roda air"—menambahkan chatbot AI ke alat yang sudah ada, tetapi tidak ada yang mendesain ulang pabriknya. Mantan karyawan OpenAI, Leopold Aschenbrenner, mengambil jalan berbeda: menulis buku berjudul "Situational Awareness" sepanjang 165 halaman, lalu mendirikan dana yang berhasil mengembangkan dana dari $225 juta menjadi $13,68 miliar, semuanya diinvestasikan pada infrastruktur AI. Satu orang melihat ke dalam, sementara yang lain bertaruh ke luar.

Artikel ini bukan tentang mereka. Ini tentang kita—di mana kita berdiri sekarang, dan bagian sejarah apa yang sedang kita ulangi.

(Penenun tenun listrik, ukiran oleh J. Tingle setelah Thomas Allom, 1835 / Wikimedia Commons)

Hari kebanyakan orang berjalan seperti ini: pagi hari menggunakan AI untuk menulis email, menghemat sepuluh menit; lalu menghabiskan dua jam mengikuti rapat mingguan yang sebenarnya tidak perlu diadakan; siang hari menyalin dan menempelkan satu set data yang sama di antara tiga alat; malam hari memposting di momen pribadi, “AI benar-benar enak.” Sepuluh menit yang dihemat hilang kembali tanpa perubahan pada proses lama.

Demikian pula, ketika mesin uap muncul, para pemilik pabrik awalnya hanya mengganti roda air dengan mesin uap, sementara segala hal lain tetap sama—pabrik tetap dibangun di tepi sungai, tetap berlantai banyak, tetap menggunakan poros transmisi pusat untuk menggerakkan seluruh lini produksi. Kita memasukkan ChatGPT ke dalam Slack, menambahkan Copilot ke dalam Office, dan menanamkan jendela obrolan AI ke dalam alur kerja—melakukan hal yang sama. Alatnya diperbarui, tetapi pabriknya tidak berubah.

Tetapi mengganti mesin baru tidak sama dengan mengganti pabrik. McLuhan mengatakan dengan baik:

Kami mengemudi menuju masa depan melalui cermin retro. Menggunakan proses lama untuk menampung alat baru, seperti film awal yang hanyalah perekaman drama panggung. Terobosan sejati baru terjadi ketika seseorang benar-benar melepaskan mesin uap dari sungai, dan merancang ulang seluruh cara produksi berdasarkan tenaga baru tersebut.

Dengan membandingkan garis waktu Revolusi Industri dan AI, kita bisa memperkirakan di mana kita berada di peta:

Garis waktu saat ini sangat dipersingkat. Revolusi industri membutuhkan 60 tahun dari mesin uap hingga histeria kereta api, sementara AI hanya membutuhkan 7 tahun dari Transformer hingga gelombang pembangunan pusat data.

Kecepatan bukan masalahnya, masalahnya adalah di mana kita terjebak—empat baris pertama masih berada di tahap memasang mesin baru di pabrik lama, mesin uap sudah dipasang, rel kereta api sedang dibangun, tetapi cara produksi tetap sama. Baris keenam adalah titik balik sejati. Kita kemungkinan besar terjebak di antara dua langkah ini.

Mesin uap sudah di tangan, tetapi bengkelnya masih lama.

Infrastruktur selalu dibangun berlebihan. Yang bangkrut akhirnya adalah investor, bukan infrastruktur.

Pada tahun 1846, Parlemen Inggris mengesahkan 263 undang-undang kereta api, menyetujui pembangunan 9.500 mil jalur kereta api baru. Investasi kereta api mencapai puncaknya, menyumbang 13% dari PDB Inggris. Saham kereta api dapat dibeli dengan uang muka hanya 10%, mendorong kelas menengah membanjiri pasar. Buble meledak pada tahun 1847. Sepertiga dari jalur yang disetujui tidak pernah dibangun, dan ribuan investor kehilangan seluruh modalnya. Darwin rugi 60% pada saham kereta api, namun keberuntungannya jauh lebih baik daripada kebanyakan orang.

Tetapi rel kereta api tetap ada.

Infrastruktur AI hari ini mengikuti jalur yang sama. Perkiraan terbaru Goldman Sachs menunjukkan, belanja modal infrastruktur AI global pada 2026 mencapai $765 miliar, dan diperkirakan mencapai $1,6 triliun per tahun pada 2031. Persentase belanja modal penyedia cloud skala besar terhadap arus kas operasional naik dari sekitar 40% pada 2023 menjadi hampir 70% pada 2025. Investasi terkait AI telah menyumbang sekitar seperempat dari seluruh investasi di Amerika Serikat. $13,68 miliar yang diinvestasikan Aschenbrenner bertaruh pada lapisan ini—ia mempertaruhkan bukan aplikasi mana yang akan menang, tetapi daya komputasi dasarnya sendiri.

Siklus modal ini memiliki struktur yang sama dengan pengembangan properti. Membangun pusat data sama dengan membangun gedung: tanah adalah listrik, bahan bangunan adalah GPU dan penyimpanan, kontraktor adalah pihak yang membangun pusat data, pengembang adalah penyedia cloud, penyewa adalah perusahaan aplikasi AI, dan sewa adalah pendapatan API. Model bisnis penyedia cloud adalah membiayai pinjaman melalui sewa—menggunakan pendapatan API untuk menutupi pengeluaran modal pusat data, sambil menunggu lonjakan valuasi yang dibawa oleh ledakan aplikasi AI.

(Hashpower Real Estate: Setiap Generasi Memiliki Infrastruktur Sendiri)

Risiko intinya sama: Apakah penurunan harga per unit API diimbangi oleh laju pertumbuhan volume pemanggilan? Jika sewa jatuh di bawah garis pembayaran pinjaman—ini adalah mimpi buruk yang paling dikenal pengembang properti. Pelajaran dari 2008 bukanlah terlalu banyak membangun rumah, tetapi karena jumlah rumah yang dibangun tidak sesuai dengan struktur permintaan nyata. Risiko setara untuk AI adalah: kelebihan pasokan daya komputasi umum, tetapi kemampuan spesialisasi yang benar-benar mampu menangani skenario bernilai tinggi seperti kepatuhan keuangan dan diagnosis medis tetap langka.

Rel kereta api, properti, AI—tiga infrastruktur era yang berbagi aturan yang sama: pembangunan berlebihan adalah hal biasa, produsen bahan bangunan selalu kehilangan daya tawar, dan pengembalian jangka panjang selalu milik pemilik properti di "lokasi inti". Lihat portofolio dana Q1 di Wall Street—kemungkinan besar 80% diarahkan ke lapisan infrastruktur ini: NVIDIA, pusat data, infrastruktur cloud. Tetapi histeria rel kereta api mengajarkan kita: ini bukan seluruh gambaran revolusi AI, bahkan bukan lapisan dengan pengembalian tertinggi.

Lokasi inti AI adalah data industri yang unik dan alur kerja yang terintegrasi mendalam. Bagi individu, "lokasi inti" yang sebenarnya bukanlah saham yang dimiliki, melainkan kemampuan penilaian dan pengetahuan industri yang tak tergantikan—dengan syarat telah membangun kembali cara penggunaannya sekitar AI.

Pengembalian sejati ada di level berikutnya. Namun, antara infrastruktur dan penciptaan nilai, bukanlah sambungan yang mulus. Ada celah di tengahnya—secara historis, celah ini telah menelan puluhan tahun.

Orang yang membongkar bengkel dan orang yang "menggunakan AI untuk meningkatkan efisiensi" tidak melakukan hal yang sama.

Simon, co-founder dari Zhao Yivan, dulunya adalah "programmer berkecepatan sepuluh kali lipat", sekarang jarang menulis kode secara langsung—dia mengendalikan tiga atau empat AI coding Agent sekaligus, dengan efisiensi mencapai 30 hingga 40 kali lipat. Notion kini memiliki 1.000 karyawan dan lebih dari 700 AI Agent. Perbedaannya bukan pada alatnya, melainkan Simon telah membongkar bengkel lamanya, sementara kebanyakan orang hanya mengganti roda air mereka.

600 juta pengguna Tiongkok telah menggunakan alat AI generatif, meningkat 142% dibanding tahun sebelumnya—ini adalah pasar permintaan AI terbesar di dunia. Namun, hampir tidak ada perusahaan Tiongkok yang telah membangun ulang alur kerja intinya berdasarkan AI. Permintaan terbesar di dunia, disertai perubahan organisasi di sisi pasokan yang hampir tidak bergerak. Kontras ini sendiri merupakan sinyal: bukan karena alatnya tidak cukup, tetapi karena organisasi belum mengejar ketertinggalan. Konteks pekerjaan pengetahuan tersebar di puluhan alat dan puluhan otak manusia, hasilnya tidak dapat diverifikasi, dan tidak ada yang tahu bagaimana menilai apakah sebuah memo strategis itu efektif.

(Dampak pasar tenaga kerja dari AI: Ukuran baru dan bukti awal)

Anthropic telah mulai bergerak dalam skala yang lebih besar. Mereka meluncurkan Economic Index, yang menggambarkan tugas dan industri mana yang paling awal akan digantikan oleh AI menggunakan data penggunaan nyata, lalu membangun strategi berdasarkan peta tersebut: membentuk perusahaan layanan berbasis AI bersama Goldman Sachs, Blackstone, dan Hellman & Friedman; membangun aliansi global dengan KPMG, memungkinkan 276.000 karyawan mengakses Claude; Accenture membentuk kelompok bisnis, melatih 30.000 orang, dengan fokus pada keuangan, ilmu kehidupan, dan kesehatan.

Peran perusahaan konsultasi ini bukan sebagai pengguna AI, melainkan sebagai insinyur kereta api AI—mereka tidak membuat mesin uap atau memasang rel, melainkan membantu perusahaan membongkar pabrik lama dan membangun kembali lini produksi di sekitar kekuatan baru. Tanpa peran ini, sebagian besar pemilik pabrik tidak tahu harus mulai dari mana.

Sinyal sudah berkedip. Yang paling tajam berasal dari pasar tenaga kerja.

Pemuda berusia 22-25 tahun yang memasuki pekerjaan dengan paparan AI tinggi memiliki peluang mendapatkan pekerjaan 14% lebih rendah dibandingkan rekan sebaya yang memasuki pekerjaan dengan paparan AI rendah. Posisi tingkat pemula sudah mulai terdesak.

Jika saya lulusan baru, angka ini secara langsung memengaruhi pencarian pekerjaan saya. Jika saya seorang manajer, posisi junior berikutnya yang saya rekrut mungkin bukan lagi manusia.

Organisasi sedang dibongkar, bagaimana dengan individu? Gelar akademis saya, riwayat karier saya, pengalaman industri yang telah saya kumpulkan selama bertahun-tahun—ini adalah roda air saya. Mereka dulu menggerakkan seluruh lini produksi saya, tetapi mesin uap sudah datang. 985 dan 211 tidak lagi menjadi parit pertahanan; itu hanya membuktikan bahwa saya pernah membangun pabrik yang bagus di tepi sungai.

Masalahnya sekarang, apakah kita mampu meninggalkan sungai itu.

Data dari Anthropic menunjukkan bahwa pengguna yang menggunakan alat AI lebih dari 6 bulan memiliki tingkat keberhasilan tugas 10% lebih tinggi dibandingkan pengguna baru. Mereka yang lebih dulu memulai sudah unggul 10%, dan selisih ini akan bertambah seiring waktu secara berlipat.

Namun hingga kini belum ada perusahaan yang bangkrut karena tidak menggunakan AI, setidaknya kantor hukum saya masih bergerak pesat di sekitar AI. Pemenang belum dipilih oleh pasar. Kurva pembelajaran nyata—mereka yang lebih dulu maju sudah mengakumulasi keunggulan, tetapi kebanyakan orang masih di titik awal.

Gelar profesi saya sekarang, apakah masih ada sepuluh tahun mendatang? Daftar alat yang saya gunakan setiap hari lima tahun lalu, berapa banyak yang masih tersisa hari ini? Jawabannya mungkin semuanya negatif. Tapi saya tidak tahu apa nama pengganti mereka—karena hal-hal itu belum ada sekarang.

Selalu begitu sepanjang sejarah. Hal-hal baru bukanlah direncanakan, tetapi muncul dengan sendirinya setelah batasan-batasan lama hilang.

Sebelum jalur kereta api dibangun, Inggris terdiri dari berbagai ekonomi lokal yang terpisah. Harga kain katun di Manchester bisa berbeda 30% dibandingkan di London. Setiap kota memiliki standar waktunya sendiri, dan tidak ada yang merasa ada masalah. Dalam dua puluh tahun setelah jalur kereta api dibangun, semuanya berubah. Pasar nasional yang terpadu muncul untuk pertama kalinya, perbedaan harga dihapuskan; waktu standar dipaksa oleh kereta api, bukan ditemukan; pekerjaan seperti stasiun kereta, operator telegraf, dan agen perjalanan sama sekali tidak ada sebelum kereta api.

Tidak ada yang memperkirakan toko serba ada saat membangun rel kereta api. Tidak ada yang memperkirakan waktu standar saat membangun mesin uap.

(Uap, Baja, dan AI Kecerdasan Tak Terbatas)

Kota-kota memiliki cerita yang sama. Kota-kota ratusan tahun lalu berskala manusia—berjalan kaki empat puluh menit melintasi Firenze. Kerangka baja membuat gedung pencakar langit menjadi mungkin, jalur kereta api menghubungkan kota dengan wilayah sekitarnya, diikuti oleh lift, kereta bawah tanah, dan jalan raya. Tokyo, Chongqing, Dallas—bukan Firenze yang lebih besar, melainkan gaya hidup baru yang sama sekali berbeda.

Pekerjaan pengetahuan saat ini juga berskala manusia. Tim berjumlah puluhan orang, dengan ritme yang ditentukan oleh rapat dan email, akan kewalahan jika melebihi ratusan orang. Kita sedang membangun Firenze dengan batu dan kayu. AI membuat “Tokyo” menjadi mungkin—organisasi yang terdiri dari ribuan agen AI dan manusia, dengan alur kerja yang berjalan terus-menerus lintas zona waktu. Rapat mingguan, perencanaan triwulan, dan tinjauan tahunan lama mungkin sudah tidak lagi relevan.

Simon sudah tidak menulis kode lagi—pekerjaannya berubah menjadi "mengelola AI Agent". Dua tahun lalu, posisi ini belum ada. Judul karier saya berikutnya mungkin belum memiliki nama sekarang. Tetapi seseorang sudah mulai membangun masa depan yang belum kita sebut namanya.

Setelah membongkar pabrik lama, apa yang akan dibangun? Jawaban YC adalah: biarkan perusahaan memperbaiki dirinya sendiri.

Sistem internal mereka sekarang secara otomatis mengubah kode mereka sendiri di malam hari. Seorang karyawan mengirimkan permintaan pada siang hari, tetapi gagal. Sebuah Agent pengawas membaca kegagalan tersebut, menganalisis penyebabnya, menulis kode sendiri untuk memperbaiki, mengirimkan untuk ditinjau, lalu menerapkannya ke produksi. Pada hari berikutnya, permintaan yang sama berhasil dijalankan. Seluruh proses ini selesai saat semua orang sedang tidur.

Ini bukan AI membantu manusia menghasilkan 30% lebih banyak. Ini adalah sistem yang menyelesaikan seluruh siklus tertutup sendiri, dan secara mandiri menemukan cara untuk menjadi lebih baik.

Rekan YC, Tom Blomfield, dalam sebuah pidato internal menyebut bentuk perusahaan ini sebagai "siklus AI yang meningkatkan dirinya secara rekursif". Penilaiannya sangat langsung: sebagian besar perusahaan masih seperti legiun Romawi—meneruskan informasi secara hierarkis ke bawah dan mengumpulkannya kembali ke atas, dengan manusia berperan sebagai saluran informasi. AI tidak hanya memecahkan efisiensi pada satu tahap, tetapi menghancurkan dasar dari seluruh struktur hierarkis ini.

Logika baru yang dia ajukan adalah: bakar Token, jangan bakar manusia. Kendala sedang berpindah dari tenaga manusia menjadi kekuatan komputasi. Data yang dilihat YC menunjukkan bahwa perusahaan yang mencapai Demo Day memiliki pendapatan per orang sekitar lima kali lebih tinggi dibandingkan 18 bulan lalu. Peran manajemen menengah telah diambil alih oleh AI—kegiatan "kolaborasi" tidak lagi memerlukan manusia. Setiap orang seharusnya menjadi IC, builder, atau operator, dan setiap tugas harus memiliki penanggung jawab yang jelas, bukan komite.

Masih ada satu prasyarat: perusahaan harus dapat dibaca oleh AI. Hal-hal yang tidak tercatat sama dengan tidak pernah terjadi bagi AI. YC sekarang menyimpan semua email mitra, merekam semua pesan Slack dan rekaman office hour. Seorang mitra menggunakan 2.000 jam rekaman yang dikumpulkan selama tiga bulan untuk membuat AI menghasilkan kembali sebuah panduan internal sebanyak 150 halaman—jauh lebih baik daripada versi sebelumnya. Panduan ini diperbarui secara otomatis setiap bulan, menjadi sebuah "otak hidup" yang selalu segar.

Tom meninggalkan sebuah pertanyaan:

Jika hari ini Anda memulai perusahaan Anda dari nol, apakah Anda akan membangunnya dalam bentuk ini? Jika perusahaan Anda sudah memiliki struktur hirarkis, Anda harus menjawab pertanyaan yang lebih sulit—apakah penderitaan membangun ulang lebih kecil daripada biaya terus berjalan seperti legiun Romawi?

Orang tidak berada di pusat pabrik, orang berada di luar lingkaran—bertanggung jawab atas area yang sementara ini tidak dapat dijangkau oleh AI: penilaian offline, situasi baru, momen-momen dengan risiko tinggi dan emosi tinggi. Pusat perusahaan adalah "otak perusahaan" yang terbentuk dari data, rekaman, dan pengetahuan industri. Perangkat lunak yang berjalan di atasnya adalah barang habis pakai, bisa dibuat ulang sebanyak yang dibutuhkan. Nilai sejati ada di dalam pikiran manusia—bagaimana bisnis berjalan, langkah-langkah mana yang melibatkan penilaian, pemahaman inilah yang merupakan aset sejati.

Zhao Yiwang menggambarkan sisi lain dari arah ini dalam bukunya "Steam, Steel, and Infinite Minds"—sebuah organisasi yang terdiri dari 1.000 karyawan dan lebih dari 700 AI Agent yang bekerja sama, di mana manusia bertanggung jawab atas penilaian, sedangkan Agent bertanggung jawab atas eksekusi. Aschenbrenner mempertaruhkan infrastruktur komputasi, sementara Zhao Yiwang mempertaruhkan restrukturisasi organisasi. Dua jalur ini pada akhirnya menuju titik akhir yang sama: cara produksi baru yang dibangun ulang di sekitar AI.

Antara tahun 1840-an dan 1850-an—jalur kereta api sudah selesai dibangun, tetapi pabrik belum dibangun kembali.

Di mana kita? Simon sudah tidak menulis kode lagi. Kincir airnya dia bongkar sendiri.

Masalahnya bukan apakah mesin uap cukup baik, masalahnya siapa yang pertama kali membongkar bengkel lama.

Saya tidak berniat memprediksi toko serba ada masa depan, saya hanya berniat melakukan yang terbaik untuk diri sendiri—hanya memastikan saya berdiri di sepanjang jalur kereta api, bukan menjaga sungai yang sedang mengering.

Bagaimana denganmu?