Revolusi Perindustrian AI: Adakah Kita Masih Menggunakan Aliran Kerja Lama?

Ditulis oleh Will Awang

Dalam setahun terakhir, saya telah menghadiri beberapa konvensi industri bertema AI. Para pembicara di atas pentas bergiliran memperlihatkan trik-trik AI, sementara penonton di bawah mengangkat telefon mereka untuk memotret skrin, kemudian memuat naik ke朋友圈 sebelum terus menggulir telefon. Namun, apabila kembali ke pejabat, semuanya tetap sama: mesyuarat mingguan yang sama, persetujuan yang sama, dan laporan mingguan yang sama. Syarikat besar telah memasukkan penggunaan token ke dalam KPI, dan ada yang menjadi pekerja teladan hanya dengan menggunakan skrip untuk memperbanyak jumlah. Orang-orang di朋友圈 itu hari ini mengatakan Claude adalah revolusi, esok Codex hebat, dan lusa Gemini adalah segalanya—adakah ini benar-benar menyambut revolusi, atau hanya berlari dari satu acara ke acara lain?

Ini semua adalah bunyi, bukan jawapan yang saya inginkan.

Masalah sebenarnya bukanlah sama ada AI cukup kuat—mesin stim sudah dibina, masalahnya siapa yang pertama kali membongkar bengkel lama.

Hari sebenar permulaan Revolusi Industri bukanlah ketika Watt memperbaiki enjin stim, tetapi ketika pengusaha kilang di Lancashire memutuskan untuk meninggalkan sungai dan membina semula pabrik mereka di sekitar enjin stim. Masa paling penting dalam AI juga sama—bukan hari model besar ditemukan, tetapi hari pertama organisasi memutuskan untuk membongkar proses lama dan membina semula cara pengeluaran mereka di sekitar AI. Hari ini belum tiba. Tetapi ia sudah dalam perjalanan.

Dua orang telah melihat perkara ini sejak awal. CEO Notion, Zhao Yiwang, menulis sebuah esei berjudul "Steam, Steel, and Infinite Minds" pada akhir 2025, dengan penilaian yang sangat dingin: Kita masih berada di tahap "menggantikan roda air"—menambahkan chatbot AI ke alat-alat sedia ada, tetapi tiada siapa yang mendesain semula kilang. Leopold Aschenbrenner, bekas pekerja OpenAI, mengambil jalan yang berbeza: menulis "Situational Awareness" sebanyak 165 muka surat, kemudian membina sebuah dana yang membesar dari $225 juta menjadi $13.68 bilion, semuanya dipertaruhkan pada infrastruktur AI. Satu berfokus ke dalam, satu lain bertaruh ke luar.

Artikel ini bukan tentang mereka. Ia tentang kita—di mana kita berada sekarang, dan sejarah mana yang sedang kita ulangi.

(Penenunan loom kuasa, ukiran oleh J. Tingle selepas Thomas Allom, 1835 / Wikimedia Commons)

Hari kebanyakan orang adalah seperti ini: pagi hari menggunakan AI untuk menulis satu e-mel, menghemat sepuluh minit; kemudian menghabiskan dua jam menghadiri mesyuarat mingguan yang sebenarnya tidak perlu diadakan; petang hari menyalin dan melekatkan set data yang sama antara tiga alat; malam hari memuat naik satu pos di media sosial dengan berkata, “AI memang hebat.” Sepuluh minit yang dijimatkan telah sepenuhnya dimakan semula oleh proses lama.

Demikian juga, ketika enjin stim muncul, pemilik kilang awalnya hanya menggantikan roda air dengan enjin stim, sementara segala perkara lain tetap sama—kilang masih dibina di tepi sungai, masih berbentuk bangunan bertingkat, dan masih menggunakan aci pusat untuk menggerakkan seluruh lini pengeluaran. Kita memasukkan ChatGPT ke dalam Slack, menambahkan Copilot ke dalam Office, dan menyematkan tetingkap perbualan AI ke dalam alur kerja—kita melakukan perkara yang sama. Alat telah ditingkatkan, tetapi bengkel masih tidak berubah.

Tetapi menukar mesin baru tidak bermakna menukar pabrik. McLuhan berkata dengan baik:

Kita memandu ke masa depan melalui cermin belakang. Menggunakan proses lama untuk menampung alat baru, seperti filem awal yang tidak lebih daripada pentas yang direkam. Terobosan sejati akan berlaku apabila seseorang benar-benar melepaskan enjin stim daripada sungai, dan mendesain semula keseluruhan cara pengeluaran berdasarkan kuasa baru.

Dengan membandingkan garis masa Revolusi Industri dengan AI, anda boleh mengenal pasti di mana kita berada di peta:

Masa kini sangat dipadatkan. Revolusi Industri mengambil 60 tahun dari mesin stim ke hiruk-pikuk kereta api, manakala AI hanya mengambil 7 tahun dari Transformer ke gelombang pembinaan pusat data.

Kelajuan bukan masalah, masalahnya ialah di mana kita terperangkap—empat baris pertama masih berada dalam peringkat memasang mesin baru di kilang lama, enjin stim telah dipasang, landasan kereta api sedang dibina, tetapi cara pengeluaran tetap tidak berubah. Baris keenam adalah titik belah yang sebenarnya. Kita kemungkinan besar terperangkap di antara dua langkah ini.

Mesin stim sudah di tangan, tetapi bengkel masih lama.

Infrastruktur sentiasa dibina berlebihan. Pada akhirnya, pelabur yang bangkrut, bukan infrastruktur.

Pada tahun 1846, Parlimen British meluluskan 263 undang-undang keretapi, membenarkan pembinaan 9,500 batu keretapi baru. Pelaburan keretapi mencapai puncaknya pada 13% KDNK British. Saham keretapi boleh dibeli dengan deposit hanya 10%, menyebabkan kelas pertengahan berbondong-bondong masuk. Buih meletus pada tahun 1847. Sepertiga daripada laluan yang diluluskan tidak pernah dibina, dan ramai pelabur kehilangan semua modal mereka. Darwin rugi 60% dalam saham keretapi, tetapi nasibnya jauh lebih baik berbanding kebanyakan orang.

Tetapi rel kereta api kekal.

Infrastruktur AI hari ini mengikuti jalan yang sama. Anggaran terkini Goldman Sachs menunjukkan belanja modal infrastruktur AI global pada tahun 2026 mencapai US$765 bilion, dan dijangka mencapai US$1.6 trilion setiap tahun pada 2031. Peratusan belanja modal terhadap arus kas operasi bagi pengeluar awan berskala besar meningkat dari sekitar 40% pada 2023 menjadi hampir 70% pada 2025. Pelaburan berkaitan AI kini telah menyumbang sekitar seperempat daripada keseluruhan pelaburan di Amerika Syarikat. US$13.68 bilion Aschenbrenner menempatkan taruhan pada lapisan ini—dia bertaruh bukan pada aplikasi mana yang akan menang, tetapi pada kekuatan pengiraan asas itu sendiri.

Siklus modal ini adalah isomorfik dengan pembangunan hartanah. Membina pusat data adalah seperti membina bangunan: tanah adalah kuasa, bahan binaan adalah GPU dan penyimpanan, kontraktor adalah pihak yang membina pusat data, pembangun adalah penyedia awan, penyewa adalah syarikat aplikasi AI, dan sewa adalah pendapatan API. Model perniagaan penyedia awan adalah dengan menyokong pinjaman melalui sewa—menggunakan pendapatan API untuk menutup perbelanjaan modal pusat data, sambil menunggu lonjakan penilaian yang dibawa oleh ledakan aplikasi AI.

(Kekuatan Penggalian Properti: Setiap Generasi Memiliki Infrastruktur Sendiri)

Risiko utama juga sama: Adakah penurunan harga per API diimbangi oleh peningkatan kadar penggunaan? Jika sewa jatuh di bawah garis bayaran pinjaman—ini adalah mimpi buruk yang paling dikenali oleh pembangun hartanah. Pelajaran dari 2008 bukanlah terlalu banyak rumah dibina, tetapi jumlah rumah yang dibina tidak sepadan dengan keperluan sebenar. Risiko setara AI ialah: kelebihan kapasiti pengiraan umum, tetapi kemampuan khusus yang mampu menangani skenario bernilai tinggi seperti kepatuhan kewangan dan diagnosis perubatan masih jarang.

Keretapi, hartanah, AI — tiga infrastruktur pelaburan zaman, berkongsi hukum yang sama: pembinaan berlebihan adalah norma, pembekal bahan binaan sentiasa kehilangan kuasa penetapan harga, dan pulangan jangka panjang sentiasa menjadi milik pemilik yang memegang "lokasi utama". Lihat portfolio dana Q1 di Wall Street — kemungkinan besar 80% tertumpu pada lapisan infrastruktur ini: NVIDIA, pusat data, infrastruktur awan. Tetapi kegilaan keretapi mengajar kita: ini bukan seluruh revolusi AI, bahkan bukan lapisan dengan pulangan tertinggi.

Lokasi inti AI ialah data industri yang unik dan alur kerja yang tersisip secara mendalam. Bagi individu, lokasi inti yang sebenarnya bukanlah saham yang dimiliki, tetapi keupayaan dan pengetahuan industri yang tidak boleh digantikan—dengan syarat cara penggunaannya telah dibina semula mengelilingi AI.

Pulangan sebenar ada di tahap seterusnya. Tetapi antara infrastruktur kepada penciptaan nilai, ia bukan sambungan yang lancar. Terdapat jurang di antaranya—secara sejarah, jurang ini telah menelan puluhan tahun.

Orang yang membongkar bengkel dan orang yang “menggunakan AI untuk meningkatkan kecekapan” tidak melakukan perkara yang sama.

Simon, rakan penubuh Zhao Yiwang, dahulu adalah "programmer sepuluh kali ganda", tetapi kini jarang menulis kod secara langsung—dia mengendalikan tiga atau empat Agen kod AI serentak, mencapai kecekapan 30 hingga 40 kali ganda. Notion kini mempunyai 1,000 pekerja dan lebih daripada 700 Agen AI. Perbezaannya bukan pada alat, tetapi Simon telah membongkar bengkel lamanya, manakala kebanyakan orang hanya menukar roda air mereka.

600 juta pengguna China telah menggunakan alat AI generatif, meningkat 142% secara tahunan—ini adalah pasaran permintaan AI terbesar di dunia. Namun, hampir tidak ada perusahaan China yang telah membangun semula alur kerja inti mereka berdasarkan AI. Permintaan terbesar di dunia, disertai dengan perubahan organisasi di sisi penawaran yang hampir tidak bergerak. Kontras ini sendiri merupakan isyarat: bukan kerana alatnya tidak mencukupi, tetapi kerana organisasi tidak mampu mengejar. Konteks kerja pengetahuan tersebar di puluhan alat dan puluhan otak manusia, hasilnya tidak boleh diverifikasi, dan tiada siapa yang tahu bagaimana menilai sama ada memo strategik itu efektif.

(Dampak pasaran buruh terhadap AI: Ukuran baharu dan bukti awal)

Anthropic telah bertindak pada skala yang lebih besar. Mereka melancarkan Economic Index, yang menggambarkan tugas dan industri mana yang paling awal akan digantikan oleh AI menggunakan data penggunaan sebenar, kemudian membina strategi berdasarkan gambaran ini: membentuk perusahaan perkhidmatan asli AI bersama Goldman Sachs, Blackstone, dan Hellman & Friedman; membina aliansi global dengan KPMG, membolehkan 276,000 pekerja mengakses Claude; Accenture membentuk kumpulan perniagaan, melatih 30,000 orang, dengan fokus pada perbankan, sains hayat, dan perubatan.

Peranan syarikat konsultasi ini bukan sebagai pengguna AI, tetapi sebagai jurutera rel kereta api AI—mereka tidak membina enjin stim atau meletakkan rel, tetapi membantu perusahaan membongkar kilang lama dan membina semula lini pengeluaran di sekitar kuasa baru. Tanpa peranan ini, kebanyakan pemilik kilang tidak tahu di mana harus bermula.

Isyarat sudah berkelip. Yang paling tajam datang dari pasaran pekerjaan.

Pemuda berusia 22-25 tahun yang memasuki kerjaya dengan paparan AI tinggi mempunyai kebarangkalian mendapat pekerjaan 14% lebih rendah berbanding rakan sebaya yang memasuki kerjaya dengan paparan AI rendah. Jawatan peringkat permulaan sudah sedang ditekan.

Jika saya seorang graduan baru, nombor ini secara langsung mempengaruhi pencarian pekerjaan saya. Jika saya seorang pengurus, jawatan peringkat permulaan seterusnya yang saya pekerjakan mungkin bukan lagi manusia.

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

Masalahnya sekarang ialah, adakah kita mampu meninggalkan sungai itu.

Data dari Anthropic menunjukkan bahawa pengguna yang menggunakan alat AI selama lebih daripada 6 bulan mempunyai kejayaan tugas 10% lebih tinggi berbanding pengguna baru. Mereka yang mula lebih awal sudah mempunyai keuntungan 10%, dan jurang ini akan bertambah secara berterusan seiring masa.

Namun, sehingga kini tiada sebarang syarikat yang bangkrut kerana tidak menggunakan AI, sekurang-kurangnya firma undang-undang saya masih terus memperjuangkan AI dengan gigih. Pemenang belum lagi dipilih oleh pasaran. Kurva pembelajaran adalah nyata—mereka yang mula lebih awal sudah mengumpulkan keuntungan, tetapi kebanyakan orang masih berada di permulaan.

Gelar kerjaku sekarang, adakah ia masih wujud sepuluh tahun lagi? Berapa banyak alat yang saya gunakan setiap hari lima tahun lalu masih ada hari ini? Jawapannya mungkin semuanya negatif. Tetapi saya tidak tahu apa nama pengganti-pengganti tersebut—kerana benda-benda itu belum wujud sekarang.

Setiap kali dalam sejarah, ia berlaku begitu. Hal-hal baru bukan direncanakan, tetapi muncul sendiri apabila batasan-batasan lama hilang.

Sebelum kereta api dibina, Britain terdiri daripada ekonomi tempatan yang terpisah. Harga kain kapas di Manchester boleh berbeza sebanyak 30% dengan di London. Setiap bandar mempunyai piawaian masa sendiri, dan tiada siapa yang menganggapnya masalah. Dalam dua puluh tahun selepas kereta api dibina, segalanya berubah. Pasar nasional yang seragam muncul buat pertama kali, perbezaan harga dihapuskan; masa piawai dipaksa oleh kereta api, bukan dicipta; pekerjaan seperti stesen, operator telegraf, dan agen perjalanan—semuanya tidak wujud sebelum kereta api.

Tidak ada yang meramalkan kedai serbaneka semasa membina landasan kereta api. Tidak ada yang meramalkan masa piawai semasa membina enjin stim.

(Uap, Baja dan AI Kecerdasan Tanpa Hingga)

Sejarah bandar menceritakan kisah yang sama. Bandar-bandar ratusan tahun lalu adalah berskala manusia—berjalan selama empat puluh minit melalui Firenze. Rangka keluli menjadikan bangunan pencakar langit mungkin, kereta api menghubungkan bandar dengan kawasan pedalaman, diikuti oleh lif, keretapi bawah tanah, dan lebuh raya. Tokyo, Chongqing, Dallas—ini bukan Firenze yang lebih besar, tetapi gaya hidup yang sama sekali baharu.

Kerja pengetahuan semasa juga berskala manusia. Pasukan beranggotakan puluhan orang, mesyuarat dan e-mel menentukan irama; melebihi ratusan orang akan menjadi terlalu berat. Kita sedang membina Firenze dengan batu dan kayu. AI menjadikan “Tokyo” mungkin—organisasi yang terdiri daripada beribu-ribu Agen AI dan manusia, dengan aliran kerja yang berterusan melintasi zon masa. Mesyuarat mingguan, perancangan kuartalan, dan tinjauan tahunan lama mungkin tidak lagi bermakna.

Simon sudah tidak menulis kod lagi—pekerjaannya berubah menjadi「mengurus AI Agent」. Dua tahun lalu, jawatan ini tidak wujud. Jawatan kerjaya saya seterusnya mungkin belum mempunyai nama sekarang. Tetapi seseorang sudah mula membina masa depan yang masih belum kita sebut namanya.

Selepas membongkar pabrik lama, apa yang akan dibina? Jawapan YC adalah: biarkan syarikat memperbaiki dirinya sendiri.

Sistem dalaman mereka kini boleh mengubah kod sendiri pada waktu malam. Seorang pekerja menghantar satu pertanyaan pada waktu siang, tetapi ia gagal. Seorang agen pengawas membaca kegagalan itu, menganalisis punca masalah, menulis kod untuk memperbaikinya, menghantar untuk semakan, dan melaksanakannya. Pertanyaan yang sama berjalan dengan lancar pada esok harinya. Keseluruhan proses selesai semasa semua orang tidur.

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

Pasangan YC, Tom Blomfield, menyebut bentuk perusahaan ini sebagai "siklus AI yang memperbaiki diri secara rekursif" dalam satu ucapan dalaman. Penilaian beliau sangat langsung: kebanyakan syarikat masih seperti legiun Rom—menghantar arahan secara bertingkat dan menghimpunkan maklumat secara bertingkat, dengan manusia bertindak sebagai saluran maklumat. AI tidak hanya memecahkan kecekapan satu peringkat, tetapi memusnahkan asas seluruh struktur hierarki ini.

Logik baru yang diberikannya ialah: bakar Token, jangan bakar manusia. Halangan sedang berubah daripada tenaga manusia kepada kuasa pengiraan. Data yang dilihat oleh YC menunjukkan bahawa pendapatan per orang bagi syarikat-syarikat yang mencapai Demo Day meningkat kira-kira lima kali ganda berbanding 18 bulan yang lalu. Peranan pengurusan peringkat pertengahan telah diambil alih oleh AI — tindakan “kerjasama” tidak lagi memerlukan manusia. Setiap orang seharusnya menjadi IC, builder, operator, dan setiap tugas mempunyai penanggungjawab yang dinamakan, bukan komite.

Masih ada satu prasyarat: syarikat mesti 'boleh dibaca' oleh AI. Perkara yang tidak direkodkan adalah sama seperti tidak pernah berlaku kepada AI. YC kini menyimpan semua e-mel pasangan, merekod semua mesej Slack dan rakaman jam pejabat. Seorang pasangan mengumpulkan 2,000 jam rakaman dalam tiga bulan, membolehkan AI menghasilkan semula sebuah manual dalaman 150 muka surat—jauh lebih baik daripada versi asal. Manual ini dikemas kini secara automatik setiap bulan, menjadi 'otak hidup' yang sentiasa segar.

Tom meninggalkan satu soalan:

Jika hari ini anda memulakan syarikat anda dari sifar, adakah anda akan membina ia dalam bentuk ini? Jika syarikat anda sudah membina struktur hierarki, anda perlu menjawab soalan yang lebih sukar—kesakitan semula jadi, adakah ia kurang daripada kos terus bergerak seperti legiun Rom?

Orang tidak berada di tengah pabrik, tetapi di luar lingkaran—bertanggung jawab atas area yang sementara ini tidak dapat dijangkau oleh AI: penilaian secara langsung, situasi baru, dan momen-momen dengan risiko tinggi dan emosi tinggi. Otak perusahaan terdiri dari data, rekaman, dan pengetahuan industri yang disusun bersama. Perangkat lunak yang berjalan di atasnya adalah barang habis pakai; jika bisa dibuat, bisa dibuat ulang. Nilai sejati berada di dalam pikiran manusia—bagaimana bisnis berjalan, langkah-langkah mana yang melibatkan penilaian, pemahaman inilah yang merupakan aset sejati.

Zhao Yiwang menggambarkan sisi lain arah ini dalam "Steam, Steel, and Infinite Minds"—sebuah organisasi yang terdiri daripada 1,000 pekerja dan lebih daripada 700 agen AI, di mana manusia bertanggungjawab atas penilaian dan agen bertanggungjawab atas pelaksanaan. Aschenbrenner berspekulasi tentang infrastruktur pengiraan, manakala Zhao Yiwang berspekulasi tentang reka bentuk semula organisasi. Dua jalan ini akhirnya menuju ke destinasi yang sama: cara penghasilan baharu yang dibina semula di sekeliling AI.

Antara tahun 1840-an dan 1850-an—jalur kereta api telah siap, tetapi pabrik belum dibina semula.

Di mana kita? Simon sudah tidak menulis kod lagi. Kincir airnya adalah yang dia bongkar sendiri.

Masalah bukanlah sama ada enjin stim cukup baik, tetapi siapa yang pertama kali membongkar bengkel lama.

Saya tidak bercadang meramal pusat beli-belah masa depan, saya hanya bercadang membuat yang terbaik untuk diri sendiri—hanya memastikan saya berdiri di sepanjang landasan kereta api, bukan berada di tepi sungai yang sedang kering.

Dan kamu?