Havedev
AI Tidak Bisa Dibangun di Atas Tim yang Kehilangan Arah
Banyak perusahaan sekarang merasa harus bergerak cepat di AI. Model harus lebih pintar. Produk harus lebih otomatis. Data harus lebih banyak. Tim harus lebih agresif.
Di atas kertas, dorongan seperti ini masuk akal. AI memang sedang mengubah cara software, bisnis, dan pekerjaan digital dibangun.
Tetapi ada sisi lain yang sering tidak terlihat dari luar: AI bukan hanya soal model, GPU, data, dan investasi besar. AI juga soal bagaimana organisasi mengatur manusia yang diminta membuat semua itu berjalan.
Berita tentang unit AI baru Meta memberi contoh yang cukup keras. Ribuan engineer dan product manager disebut dipindahkan ke unit Applied AI untuk mendukung ambisi riset AI perusahaan. Sebagian karyawan merasa mereka tidak benar-benar punya pilihan. Ada yang menyebut diri mereka sebagai draftees. Ada laporan tentang pekerjaan yang terasa repetitif, moral yang turun, struktur manajemen yang berat, sampai protes internal terkait penggunaan data kerja karyawan untuk pelatihan AI.
Kita tidak perlu menyimpulkan semuanya dari satu laporan. Perusahaan sebesar Meta pasti punya konteks internal yang kompleks.
Namun sebagai pelajaran bisnis, kasus ini menunjukkan satu hal penting: transformasi AI yang dipaksakan tanpa desain operasional yang sehat bisa berubah dari strategi menjadi tekanan.
The Core Update
Meta dilaporkan sedang menghadapi ketegangan internal di unit Applied AI yang baru berusia beberapa bulan. Unit ini berisi sekitar 6.500 engineer dan product manager yang ditugaskan membantu ambisi AI perusahaan.
Menurut laporan Wired dan Business Insider, sebagian karyawan mengetahui perpindahan mereka melalui email mendadak. Mereka diminta mengerjakan tugas seperti membuat puzzle, coding problems, dan contoh aktivitas komputer untuk membantu melatih model AI agar lebih memahami pekerjaan teknis manusia.
Alasan bisnisnya cukup jelas. Untuk membangun AI agent yang lebih mampu melakukan tugas teknis, perusahaan membutuhkan contoh kerja nyata dari orang yang memang terbiasa mengerjakan tugas tersebut.
Tetapi cara eksekusinya menimbulkan masalah.
Sebagian karyawan merasa dipindahkan tanpa pilihan yang sehat. Ada laporan bahwa mereka harus bergabung atau keluar. Ada juga protes lebih luas dari karyawan terkait program pemantauan klik dan keystroke untuk data pelatihan AI. Bahkan suasana internal disebut cukup berat sampai pimpinan perusahaan perlu mengakui bahwa perubahan terbaru telah menyebabkan distress.
Ini bukan sekadar cerita tentang satu perusahaan teknologi besar. Ini adalah contoh ekstrem dari masalah yang juga bisa terjadi di banyak bisnis dalam skala lebih kecil.
Ketika AI diperlakukan sebagai target strategis yang harus dikejar secepat mungkin, organisasi sering lupa bertanya:
- siapa yang akan menanggung pekerjaan tambahannya?
- apakah tugasnya jelas dan masuk akal?
- apakah tim memahami alasan perubahan?
- apakah data yang dipakai sudah punya aturan yang dipercaya?
- apakah struktur manajemen siap menampung perubahan?
- apakah orang yang terdampak punya ruang untuk memberi masukan?
Tanpa jawaban yang jelas, inisiatif AI bisa terlihat maju dari luar, tetapi terasa kacau dari dalam.
The Reality Check
Masalah utama dalam banyak implementasi AI bukan selalu teknologinya. Sering kali, masalahnya adalah organisasi belum siap secara operasional.
AI membutuhkan data. Tetapi data tidak muncul begitu saja. Data berasal dari pekerjaan manusia, proses bisnis, interaksi pelanggan, keputusan internal, dan aktivitas harian yang sebelumnya mungkin tidak pernah dianggap sebagai bahan pelatihan sistem.
Di sinilah tantangannya dimulai.
Kalau perusahaan tiba-tiba meminta tim membuat data, memberi label, mendokumentasikan proses, atau mengubah cara kerja tanpa konteks yang cukup, pekerjaan itu mudah terasa seperti beban tambahan. Apalagi jika pekerjaan tersebut tidak terlihat berhubungan langsung dengan skill, karier, atau kontribusi yang sebelumnya mereka pahami.
Bagi leadership, tugas seperti membuat contoh coding problem mungkin terlihat sebagai investasi strategis untuk model AI. Bagi engineer yang dipindahkan tanpa diskusi, tugas yang sama bisa terasa seperti degradasi pekerjaan.
Keduanya bisa benar dari sudut pandang masing-masing.
Inilah bagian yang sering hilang dalam transformasi digital: perubahan bukan hanya perlu benar secara strategi, tetapi juga perlu terbaca secara manusiawi.
Perusahaan boleh punya north star. Tetapi tim tetap butuh peta harian.
Mereka perlu tahu kenapa pekerjaan berubah, apa output yang diharapkan, bagaimana kualitas diukur, berapa lama fase ini berjalan, siapa yang mengambil keputusan, dan bagaimana dampaknya ke peran mereka.
Tanpa itu, AI initiative mudah berubah menjadi black box internal. Orang diminta percaya pada arah besar, sementara pekerjaan hariannya terasa tidak jelas.
Masalah lain adalah kepercayaan data.
Jika perusahaan ingin memakai aktivitas karyawan sebagai data pelatihan AI, pertanyaannya bukan hanya apakah itu legal atau teknis mungkin. Pertanyaannya juga apakah tim merasa prosesnya adil, transparan, dan punya batas yang jelas.
Monitoring klik dan keystroke mungkin bisa memberi sinyal perilaku kerja. Tetapi jika tidak dikomunikasikan dengan hati-hati, ia bisa terbaca sebagai pengawasan, bukan inovasi.
Di titik ini, teknologi yang seharusnya membantu produktivitas justru bisa merusak trust.
Dan trust yang rusak mahal biayanya. Ia tidak selalu muncul sebagai bug di dashboard. Ia muncul sebagai resistensi, sinisme, turnover, produktivitas yang turun, dan kualitas kerja yang melemah.
Untuk bisnis yang lebih kecil, pelajarannya sederhana: jangan meniru ambisi AI perusahaan besar tanpa meniru disiplin operasional yang seharusnya menyertainya.
AI bukan tombol ajaib. AI adalah perubahan proses.
Jika proses lama belum jelas, AI sering hanya memperbesar kebingungan. Jika ownership belum rapi, AI membuat tanggung jawab makin kabur. Jika data belum dipercaya, AI membuat keputusan makin dipertanyakan. Jika komunikasi internal lemah, AI menjadi simbol ancaman, bukan alat bantu.
The Havedev Way
Dari sudut pandang Havedev, pertanyaan pertama sebelum membangun AI bukan “model apa yang dipakai?” tetapi “pekerjaan mana yang ingin dibuat lebih jelas, lebih cepat, atau lebih konsisten?”
AI yang sehat biasanya dimulai dari masalah operasional yang konkret.
Misalnya:
- lead masuk terlalu banyak dan sulit diprioritaskan
- tim support sering menjawab pertanyaan yang sama
- sales lambat melakukan follow-up
- laporan masih dibuat manual setiap minggu
- dokumen internal sulit dicari
- status project tidak terbaca oleh owner
- admin mengulang input data dari banyak channel
Masalah seperti ini punya konteks yang jelas. Ada alur kerja. Ada pemilik proses. Ada data yang bisa diperiksa. Ada hasil yang bisa diukur.
Dari sana, AI bisa ditempatkan sebagai alat bantu, bukan sebagai proyek besar yang memaksa seluruh organisasi berubah tanpa arah.
Untuk bisnis yang ingin mulai memakai AI, pendekatan yang lebih sehat biasanya seperti ini.
Pertama, pilih satu alur kerja yang paling sering macet. Jangan mulai dari semua departemen sekaligus.
Kedua, petakan status dan keputusan di dalam alur tersebut. Apa yang masuk? Siapa yang menerima? Kapan perlu respons? Informasi apa yang wajib ada? Bagian mana yang berulang? Bagian mana yang butuh keputusan manusia?
Ketiga, tentukan batas AI. Apakah AI hanya membantu merangkum? Mengklasifikasi? Memberi draft jawaban? Mengingatkan follow-up? Membuat laporan? Atau mengambil tindakan otomatis?
Keempat, pastikan tim tahu perannya. AI tidak boleh membuat ownership hilang. Jika AI memberi rekomendasi, tetap harus jelas siapa yang memeriksa, menyetujui, atau memperbaiki.
Kelima, bangun kepercayaan data sejak awal. Jelaskan data apa yang dipakai, untuk tujuan apa, siapa yang bisa mengakses, dan apa yang tidak akan dilakukan.
Pendekatan ini mungkin terdengar lebih lambat daripada langsung membuat program AI besar. Tetapi untuk banyak bisnis, ini justru lebih aman dan lebih menghasilkan.
Karena targetnya bukan sekadar “kami sudah pakai AI”.
Targetnya adalah pekerjaan yang lebih terbaca, keputusan yang lebih cepat, dan tim yang tidak merasa sistem baru hanya menambah beban.
Kasus seperti Meta mengingatkan kita bahwa perusahaan dengan talenta besar dan dana besar pun tetap bisa menghadapi masalah dasar: perubahan yang tidak terasa jelas bagi orang yang menjalankannya.
AI boleh menjadi masa depan software. Tetapi masa depan itu tetap dibangun oleh manusia, proses, dan kepercayaan internal.
Jika tiga hal itu diabaikan, AI initiative bisa terlihat ambisius di presentasi, tetapi melelahkan di operasional.
Untuk bisnis, pelajarannya bukan menghindari AI. Pelajarannya adalah jangan memulai AI dari tekanan ikut tren.
Mulai dari pekerjaan yang nyata. Rapikan alurnya. Jelas statusnya. Tentukan datanya. Libatkan tim yang menjalankannya. Baru pilih automasi atau AI yang tepat.
AI yang baik tidak hanya membuat sistem lebih pintar. Ia harus membuat pekerjaan manusia lebih jelas.
Kalau sebuah inisiatif AI justru membuat tim bingung, kehilangan kontrol, dan tidak tahu kenapa mereka mengerjakan sesuatu, mungkin masalahnya bukan di modelnya.
Mungkin masalahnya ada di desain operasionalnya.
Dapatkan Audit Teknis Gratis untuk meninjau alur kerja, data, dan peluang AI automation yang paling masuk akal untuk bisnis Anda sebelum membangun sistem yang terlalu besar atau terlalu cepat.
Sumber referensi berita: TechCrunch