Havedev
AI Bukan Sekadar Model, AI Adalah Perebutan Kontrol Kerja
Palantir baru saja mencatat kuartal yang sangat kuat. Revenue naik tajam, profit besar, dan permintaan enterprise terhadap AI ikut mendorong hasil tersebut.
Namun yang menarik bukan hanya angkanya.
CEO Palantir, Alex Karp, memakai bahasa yang sangat keras untuk mengkritik arah industri AI. Ia menyebut ada nuansa Marxist dalam bisnis AI, terutama ketika lab pembuat large language model dinilai ingin mengambil alih “means of production” dari partner enterprise mereka.
Bahasanya provokatif. Sebagian terdengar seperti retorika khas perusahaan defense tech. Tetapi di balik pilihan katanya, ada pertanyaan yang cukup serius untuk bisnis: ketika perusahaan memakai AI dari pihak luar, siapa sebenarnya yang sedang belajar dari pekerjaan siapa?
The Core Update
Palantir melaporkan hasil kuartal yang sangat kuat. Perusahaan mencatat revenue sekitar $1.9 billion, naik 93% dibanding periode yang sama tahun sebelumnya, serta profit sekitar $1.1 billion.
Dengan kata lain, AI bukan ancaman langsung bagi Palantir. Justru permintaan AI dari pemerintah dan enterprise ikut memperbesar bisnisnya.
Tetapi Palantir mencoba membedakan posisinya dari lab AI frontier. Menurut Karp, banyak perusahaan AI tidak hanya menjual model. Mereka juga berpotensi menyerap IP, know-how, workflow, prompt, konteks operasional, dan pola keputusan dari client yang memakai produk mereka.
Di sisi lain, Palantir menawarkan pendekatan model-agnostic. Artinya, perusahaan bisa memakai berbagai model AI, tetapi tetap mengontrol data, orchestration, konteks, dan output kerja di dalam lingkungan mereka sendiri.
Pesan utamanya jelas: bagi enterprise, risiko AI bukan hanya biaya token atau kualitas jawaban. Risiko yang lebih besar adalah kehilangan kendali atas pengetahuan kerja yang selama ini membuat bisnis berjalan.
The Reality Check
Kritik seperti ini perlu dibaca dengan hati-hati.
Palantir juga perusahaan for-profit. Lab AI besar juga perusahaan for-profit. Tidak ada pihak yang otomatis menjadi pahlawan atau penjahat hanya karena model bisnisnya berbeda.
Namun, kekhawatiran tentang kontrol enterprise memang masuk akal.
Banyak bisnis mulai memakai AI untuk pekerjaan yang semakin dekat dengan inti operasional: sales follow-up, customer support, analisis dokumen, legal review, design, healthcare operation, sampai drug discovery. Semakin dalam AI masuk ke alur kerja, semakin banyak konteks bisnis yang ikut terbawa.
Masalahnya, konteks sering lebih bernilai daripada data mentah.
Data pelanggan penting. Tetapi cara tim memprioritaskan pelanggan juga penting. Dokumen internal penting. Tetapi pola keputusan di balik dokumen itu juga penting. Prompt terlihat seperti instruksi biasa. Tetapi dalam skala besar, prompt bisa menggambarkan cara sebuah organisasi berpikir, menjual, melayani, dan mengambil keputusan.
Di sinilah bisnis perlu lebih tenang. Bukan anti-AI, tetapi tidak naif.
AI yang bagus bisa mempercepat pekerjaan. Namun AI yang dipasang tanpa batas bisa membuat perusahaan menyerahkan terlalu banyak konteks ke sistem yang tidak sepenuhnya mereka kendalikan.
Pertanyaan yang seharusnya muncul bukan hanya: model mana yang paling pintar?
Pertanyaan yang lebih penting adalah:
- data apa yang dikirim ke AI?
- konteks apa yang ikut terbaca?
- output apa yang disimpan?
- prompt dan workflow siapa yang menjadi aset?
- apakah vendor boleh memakai data itu untuk training?
- apakah bisnis bisa pindah model tanpa membangun ulang seluruh proses?
- apakah tim tetap memahami keputusan yang dibantu AI?
Tanpa jawaban ini, AI bisa terlihat produktif di awal, tetapi membuat dependency baru yang sulit dibaca beberapa bulan kemudian.
The Havedev Way
Dari sudut pandang Havedev, pelajaran dari polemik Palantir bukan bahwa bisnis harus menolak lab AI besar. Pelajarannya lebih sederhana: jangan mulai strategi AI dari nama model.
Mulai dari alur kerja.
Sebelum memilih vendor AI, bisnis perlu tahu pekerjaan mana yang ingin dibantu, data mana yang boleh dipakai, keputusan mana yang tetap harus dikontrol manusia, dan konteks mana yang tidak boleh keluar sembarangan.
Untuk banyak bisnis, langkah awal yang sehat bisa sesederhana ini:
- petakan proses yang paling sering makan waktu
- pisahkan data publik, internal, sensitif, dan rahasia
- tentukan pekerjaan yang boleh dibantu AI
- tentukan pekerjaan yang hanya boleh diberi rekomendasi AI
- simpan prompt penting sebagai aset internal
- ukur hasil dari workflow, bukan dari demo model
- pastikan bisnis bisa mengganti model jika perlu
AI enterprise yang sehat tidak selalu berarti membangun sistem besar sejak awal. Kadang cukup mulai dari automation kecil, form yang lebih rapi, SOP input yang jelas, dashboard sederhana, atau internal tool yang menjaga data tetap berada di tempat yang tepat.
Yang berbahaya adalah ketika bisnis langsung menghubungkan semua data ke AI tanpa tahu batasnya.
AI seharusnya membantu bisnis membaca pekerjaan lebih cepat, bukan membuat bisnis kehilangan bahasa kerja sendiri. AI seharusnya mempercepat keputusan, bukan memindahkan inti pengetahuan perusahaan ke vendor tanpa kontrol yang jelas.
Palantir punya kepentingan bisnis ketika mengkritik lab AI. Lab AI juga punya kepentingan bisnis ketika menawarkan model yang semakin dalam masuk ke workflow enterprise.
Di tengah dua kepentingan itu, bisnis perlu mengambil posisi sendiri.
Bukan anti-tool. Bukan ikut hype. Tetapi jelas tentang satu hal: pengetahuan operasional adalah aset.
Jika AI membantu menjaga, merapikan, dan mempercepat aset itu, AI layak dipakai. Jika AI membuat bisnis tidak tahu lagi siapa yang menguasai data, konteks, dan workflow-nya, berarti ada risiko yang perlu dibereskan sebelum skalanya diperbesar.
Sebelum menambah AI baru ke operasional, cek dulu satu hal sederhana: apakah bisnis Anda tahu data dan konteks kerja apa saja yang sedang diberikan ke sistem AI?
Kalau jawabannya belum jelas, mulai dari sana.
Dapatkan Audit Teknis Gratis untuk meninjau alur data, website, automation, dan penggunaan AI sebelum bisnis Anda menyerahkan terlalu banyak konteks operasional ke tool yang belum jelas batasnya.
Sumber referensi berita: TechCrunch