Havedev
AI Tidak Gagal Karena Model Saja, AI Gagal Karena Operasinya Dipaksa Kabur
The Core Update
Meta kembali menjadi sorotan setelah laporan Wired menggambarkan suasana tegang di unit Applied AI yang baru berumur beberapa bulan.
Unit ini disebut berisi sekitar 6.500 engineer dan product manager yang diarahkan untuk mendukung ambisi riset AI perusahaan. Menurut laporan tersebut, sebagian karyawan merasa dipindahkan ke unit ini tanpa pilihan yang jelas: ikut atau keluar.
Sebagian menyebut diri mereka sebagai “draftees”. Pekerjaan yang diberikan juga dinilai jauh dari ekspektasi banyak engineer: membuat puzzle, coding problem, dan contoh aktivitas komputer untuk membantu melatih model AI.
Ketegangan itu terlihat dari insiden dalam presentasi internal yang disiarkan untuk karyawan, ketika seseorang menginterupsi acara dengan kemarahan terbuka terhadap salah satu eksekutif AI senior.
Di saat yang sama, lebih dari 1.600 karyawan Meta disebut menandatangani petisi menolak program yang memantau klik dan keystroke untuk data pelatihan AI. Mark Zuckerberg kemudian disebut mengakui bahwa perubahan terbaru telah menyebabkan distress dan ada kesalahan yang perlu diperbaiki.
Di permukaan, ini terlihat seperti drama internal perusahaan teknologi besar.
Tetapi di baliknya, ada pelajaran yang lebih luas: AI tidak hanya menuntut model, GPU, data, dan talenta. AI juga menuntut operasi kerja yang manusiawi dan jelas.
The Reality Check
Banyak perusahaan melihat AI sebagai perlombaan teknologi. Siapa punya model lebih kuat, data lebih banyak, budget lebih besar, dan tim lebih agresif, dianggap lebih dekat dengan kemenangan.
Sebagian benar. AI memang mahal. AI memang butuh data. AI memang butuh orang teknis yang kuat.
Tetapi masalahnya, kemampuan teknis tidak otomatis membuat organisasi siap menjalankan kerja AI dalam skala besar.
Ketika ribuan orang tiba-tiba dipindahkan ke satu unit baru, pekerjaannya berubah, mandatnya terasa kabur, jalur komunikasinya berat, dan rasio manager bisa membengkak, yang muncul bukan hanya masalah produktivitas. Yang muncul adalah masalah kepercayaan.
AI training work sering terlihat sederhana dari luar. Buat contoh. Label data. Uji model. Bandingkan jawaban. Tulis prompt. Evaluasi output. Ulangi lagi.
Namun bagi engineer yang terbiasa membangun sistem, memiliki ownership, memecahkan masalah arsitektur, atau mengirim fitur ke pengguna, pekerjaan seperti ini bisa terasa seperti penurunan makna kerja jika tidak dijelaskan dengan baik.
Masalah utamanya bukan sekadar “pekerjaan ini membosankan”.
Masalahnya adalah ketika orang tidak memahami:
- kenapa mereka dipindahkan
- bagaimana pekerjaan mereka berkontribusi
- sampai kapan fase ini berjalan
- apa definisi hasil yang baik
- siapa yang mengambil keputusan
- bagaimana feedback mereka dipakai
- apa masa depan peran mereka setelah program selesai
Tanpa jawaban itu, AI initiative mudah berubah dari proyek strategis menjadi mesin tekanan internal.
Ini penting juga untuk bisnis yang jauh lebih kecil dari Meta.
Banyak perusahaan sekarang ingin memakai AI untuk customer service, sales follow-up, reporting, content, finance, HR, dan operasi internal. Tetapi pola yang sama bisa terjadi dalam skala kecil.
Tim diminta memakai AI, tetapi tidak diberi alur kerja baru. Admin diminta mengecek output AI, tetapi tidak jelas kapan harus mengoreksi. Sales diminta memakai chatbot, tetapi tidak jelas kapan percakapan harus diambil alih manusia. Developer diminta membuat automation, tetapi proses manualnya sendiri belum rapi.
Lalu ketika hasilnya tidak sesuai harapan, AI yang disalahkan.
Padahal sering kali masalahnya bukan AI belum cukup pintar. Masalahnya: organisasi belum cukup jelas.
AI yang kuat tetap membutuhkan status, ownership, review, dan batas tanggung jawab. Tanpa itu, automation hanya mempercepat kebingungan.
Perusahaan besar bisa menyebutnya transformation. Perusahaan kecil bisa menyebutnya efisiensi. Tetapi kalau orang di dalamnya merasa hanya dilempar ke proses baru tanpa konteks, hasilnya sama: resistensi, kualitas rendah, dan kelelahan operasional.
AI tidak bisa menjadi strategi kalau cara menjalankannya terasa seperti pemaksaan administratif.
The Havedev Way
Dari sudut pandang Havedev, pelajaran dari kasus seperti ini bukan bahwa perusahaan harus takut memakai AI.
Sebaliknya, bisnis perlu lebih serius menyiapkan cara kerja sebelum menempelkan AI ke proses yang sudah ada.
AI yang sehat sebaiknya dimulai dari pertanyaan operasional, bukan dari pertanyaan teknologi.
Bukan langsung:
- model apa yang dipakai?
- pakai agent atau chatbot?
- bisa otomatis semua atau tidak?
- bisa menggantikan berapa orang?
Tetapi mulai dari:
- pekerjaan mana yang paling sering berulang?
- bagian mana yang paling sering macet?
- siapa pemilik keputusan terakhir?
- data apa yang boleh dipakai?
- output seperti apa yang dianggap benar?
- kapan manusia wajib masuk?
- bagaimana kesalahan AI dicatat dan diperbaiki?
Pertanyaan seperti ini terlihat lebih pelan, tetapi justru membuat implementasi AI lebih aman.
Untuk bisnis, AI sebaiknya tidak langsung diposisikan sebagai pengganti tim. Lebih sehat jika dimulai sebagai alat bantu untuk memperjelas pekerjaan yang sudah ada.
Contohnya:
- merangkum inquiry pelanggan sebelum sales follow-up
- mengelompokkan tiket support berdasarkan urgensi
- membuat draft balasan yang tetap direview manusia
- membaca form lead dan memberi konteks awal
- membantu tim melihat pekerjaan yang terlalu lama pending
- membuat laporan operasional dari data yang sudah rapi
Di sini AI tidak mengambil alih seluruh proses. AI membantu mempercepat bagian yang repetitif, sementara keputusan penting tetap punya pemilik yang jelas.
Hal lain yang sering dilupakan: AI implementation perlu komunikasi internal yang baik.
Tim perlu tahu kenapa proses berubah. Mereka perlu tahu pekerjaan mana yang akan dibantu AI, mana yang tetap menjadi tanggung jawab manusia, dan bagaimana performa sistem akan dievaluasi. Jika tidak, AI akan dilihat sebagai ancaman atau beban tambahan, bukan alat kerja.
Untuk bisnis kecil dan menengah, ini justru kesempatan.
Anda tidak harus meniru cara perusahaan besar yang menggerakkan ribuan orang sekaligus. Anda bisa mulai dari satu alur yang dekat dengan pendapatan atau pengalaman pelanggan.
Misalnya lead dari website.
Sebelum membuat chatbot atau automation penuh, rapikan dulu status lead. Pastikan form membawa konteks yang cukup. Pastikan pesan WhatsApp punya template awal. Pastikan tim tahu kapan lead disebut baru masuk, sudah dibalas, perlu follow-up, menunggu pelanggan, atau tidak cocok.
Setelah itu, AI bisa masuk dengan lebih masuk akal.
AI bisa membantu membaca kebutuhan dari form. AI bisa membantu membuat ringkasan. AI bisa memberi rekomendasi prioritas follow-up. AI bisa membantu owner melihat pola inquiry yang paling sering muncul.
Tetapi fondasinya tetap sama: alur kerja harus bisa dibaca.
Kasus Meta menunjukkan bahwa bahkan perusahaan dengan talenta, uang, dan infrastruktur besar tetap bisa tersandung jika perubahan AI terasa dipaksakan dan tidak cukup jelas bagi orang yang menjalankannya.
Untuk bisnis lain, pelajarannya sederhana.
Jangan mulai AI dari ambisi terbesar. Mulai dari proses yang paling nyata.
Jangan otomatisasi pekerjaan yang belum jelas pemiliknya. Jangan memaksa tim memakai AI tanpa menjelaskan perubahan alurnya. Jangan mengukur keberhasilan AI hanya dari seberapa banyak pekerjaan yang bisa diganti, tetapi dari seberapa jelas pekerjaan bisa bergerak.
AI yang baik bukan hanya soal model yang lebih pintar.
AI yang baik adalah sistem kerja yang membuat manusia tahu kapan harus percaya, kapan harus mengecek, kapan harus mengambil alih, dan kapan harus memperbaiki prosesnya.
Jika bisnis Anda ingin memakai AI, pertanyaan pertamanya bukan “AI apa yang harus kami beli?”
Pertanyaan yang lebih sehat adalah: pekerjaan mana yang sudah cukup jelas untuk dibantu AI, dan pekerjaan mana yang masih perlu dirapikan dulu?
Mulai dari sana.
Dapatkan Audit Teknis Gratis untuk meninjau alur website, lead, automation, dan peluang penggunaan AI yang paling masuk akal untuk bisnis Anda.
Sumber referensi berita: TechCrunch