AfterQuery Naik Cepat, Tetapi Nilai Terbesarnya Ada di Cara Kerja Manusia

The Core Update

AfterQuery dilaporkan menjadi unicorn tercepat dalam sejarah Y Combinator. Startup AI training-data ini disebut mendapat valuasi sekitar 3,2 miliar dollar, hanya beberapa bulan setelah mengumumkan Series A sebesar 30 juta dollar dengan valuasi 300 juta dollar pada April.

Kenaikan lebih dari 10 kali lipat dalam waktu kurang dari setengah tahun tentu menarik perhatian. Apalagi pendirinya masih berusia 22 dan 23 tahun, dan baru mengikuti Y Combinator Winter 2025 sekitar 18 bulan lalu.

Di permukaan, ini terlihat seperti cerita startup AI yang sangat cepat: founder muda, revenue besar, investor agresif, dan pasar yang sedang panas.

Tetapi ada hal yang lebih penting dari angka valuasinya.

AfterQuery tidak hanya menjual data untuk membuat model menjawab lebih akurat. Mereka mencoba melatih model dan agent agar bisa bekerja seperti profesional. Dokter, pengacara, dan spesialis lain tidak hanya memberi jawaban, tetapi membantu mengajarkan pola keputusan, langkah kerja, dan cara bernalar yang biasa dipakai dalam pekerjaan nyata.

Dengan kata lain, yang dijual bukan sekadar data mentah. Yang dijual adalah cara kerja.

The Reality Check

Banyak bisnis masih melihat AI sebagai alat untuk menjawab pertanyaan lebih cepat. Chatbot untuk customer service. Generator konten untuk marketing. Ringkasan dokumen untuk admin. Automation untuk mengurangi pekerjaan manual.

Semua itu berguna.

Namun berita AfterQuery menunjukkan arah yang lebih dalam: nilai AI semakin bergerak dari sekadar jawaban menuju eksekusi pekerjaan.

Masalahnya, eksekusi pekerjaan tidak sesederhana menjawab prompt. Pekerjaan profesional biasanya penuh konteks. Ada urutan keputusan. Ada pengecualian. Ada pertimbangan risiko. Ada standar kualitas yang tidak selalu tertulis. Ada kebiasaan senior yang sering tidak masuk SOP, tetapi menentukan hasil akhir.

Di sinilah banyak bisnis perlu berhati-hati.

Kalau proses internal belum jelas, AI sulit membantu secara sehat. Jika tim belum sepakat cara menilai lead yang layak, AI hanya akan mempercepat klasifikasi yang kabur. Jika alur support belum punya kategori yang rapi, AI hanya akan memberi label yang terlihat canggih tetapi tetap membingungkan. Jika keputusan operasional masih bergantung pada ingatan orang tertentu, automation akan ikut bergantung pada pola yang tidak terdokumentasi.

AI tidak otomatis membuat bisnis lebih terstruktur. Sering kali, AI justru memperlihatkan struktur yang belum ada.

Itulah sebabnya training data berbasis profesional menjadi bernilai. Model tidak cukup diberi banyak contoh. Model perlu belajar bagaimana pekerjaan diputuskan, bukan hanya bagaimana jawaban ditulis.

Untuk bisnis, pelajarannya sederhana: sebelum berharap AI bisa mengambil alih pekerjaan, bisnis perlu tahu dulu bagaimana pekerjaan itu sebenarnya dilakukan oleh orang terbaik di tim.

Pertanyaan yang perlu dijawab bukan hanya:

• tugas apa yang ingin diotomatisasi?
• tool AI apa yang paling murah?
• prompt seperti apa yang paling bagus?

Tetapi juga:

• keputusan apa yang sering diambil berulang?
• data apa yang dipakai sebelum mengambil keputusan?
• kapan pekerjaan boleh lanjut?
• kapan harus ditahan?
• siapa yang biasanya dimintai pendapat saat kasus tidak biasa?
• standar hasil yang dianggap cukup baik itu seperti apa?

Tanpa jawaban ini, AI mudah terlihat aktif tetapi belum tentu membantu bisnis bergerak lebih baik.

The Havedev Way

Dari sudut pandang Havedev, berita AfterQuery bukan hanya tentang startup dengan valuasi besar. Ini tanda bahwa pasar mulai menghargai sesuatu yang sering diabaikan bisnis: knowledge workflow.

Banyak perusahaan punya orang berpengalaman, tetapi cara kerja mereka tidak tertulis. Sales senior tahu lead mana yang serius. Admin senior tahu order mana yang berisiko bermasalah. Support senior tahu komplain mana yang perlu dinaikkan cepat. Owner tahu keputusan mana yang tidak bisa dibuat dari angka saja.

Masalahnya, pengetahuan seperti ini sering tinggal di kepala orang.

Selama volume kecil, pola ini masih bisa berjalan. Tim bertanya langsung. Owner ikut membaca kasus. Keputusan penting dibahas lewat chat. Tetapi saat volume naik, model kerja seperti ini mulai mahal. Bukan hanya mahal secara biaya, tetapi mahal secara perhatian.

AI dan automation baru berguna kalau bisnis mulai memindahkan cara kerja itu menjadi struktur yang bisa dibaca sistem.

Bukan berarti semua hal harus dibuat rumit. Langkah awal justru bisa sederhana:

• tulis kategori pekerjaan yang paling sering muncul
• petakan status dari awal sampai selesai
• catat keputusan yang sering berulang
• pisahkan kasus normal dan kasus pengecualian
• tentukan data minimum sebelum pekerjaan diproses
• dokumentasikan cara senior menilai kualitas hasil

Setelah itu, baru pilih teknologi yang masuk akal.

Mungkin cukup dengan form yang lebih rapi. Mungkin spreadsheet dengan status yang jelas. Mungkin dashboard internal. Mungkin CRM ringan. Mungkin automation WhatsApp. Mungkin AI assistant yang membantu membaca inquiry dan menyarankan tindak lanjut.

Tetapi urutannya penting. Jangan mulai dari AI. Mulai dari cara kerja yang ingin dibantu AI.

AfterQuery menjadi besar karena pasar percaya bahwa pola kerja profesional bisa menjadi aset. Bisnis biasa tidak harus membangun startup AI untuk mengambil pelajaran yang sama.

Cukup mulai dari pertanyaan sederhana: pekerjaan penting apa di bisnis Anda yang hanya bisa berjalan lancar karena ada satu atau dua orang yang tahu caranya?

Kalau jawabannya banyak, berarti ada knowledge workflow yang perlu dirapikan.

AI bisa membantu, tetapi hanya setelah bisnis tahu apa yang perlu diajarkan.

Dapatkan Audit Teknis Gratis untuk meninjau alur kerja, data lead, dan peluang automation yang bisa dibuat lebih jelas sebelum bisnis Anda menambah tool AI baru.

---

Sumber referensi berita: TechCrunch