Havedev
AI Tidak Menggantikan Pengalaman yang Belum Bisa Dijelaskan
Ford baru-baru ini menjadi contoh menarik tentang batas praktis AI di dunia engineering.
Perusahaan itu disebut merekrut kembali sekitar 350 engineer veteran, sebagian mantan karyawan dan sebagian lain dari supplier, setelah sistem AI dan otomasi kualitas belum memberi hasil sesuai harapan. Mereka bukan direkrut untuk menggantikan AI, tetapi untuk membantu menemukan titik gagal lebih awal, melatih engineer muda, dan memperbaiki cara AI dipakai.
Ini bukan cerita tentang AI yang gagal total.
Ini cerita tentang bisnis yang terlalu cepat berharap bahwa AI bisa menggantikan pengalaman teknis yang belum dirumuskan dengan baik.
The Core Update
Ford sebelumnya semakin mengandalkan sistem kualitas otomatis. Secara logika, langkah ini masuk akal. Mobil modern punya ribuan komponen, banyak spesifikasi, banyak supplier, dan proses produksi yang kompleks. AI terlihat seperti jawaban yang tepat untuk membaca data lebih cepat, mendeteksi pola, dan mengurangi kesalahan manusia.
Tetapi hasilnya belum cukup.
Eksekutif Ford menyampaikan bahwa perusahaan sempat berpikir, dengan memasukkan requirement desain ke dalam sistem AI, kualitas produk yang tinggi akan muncul dengan sendirinya. Kenyataannya tidak sesederhana itu.
Karena itu Ford membawa kembali technical specialists, para engineer berpengalaman yang disebut sebagai “gray beard” engineers. Tugas mereka bukan sekadar memeriksa produk akhir. Mereka mencari titik gagal sebelum part masuk ke lantai produksi.
Perubahan ini mulai terlihat dampaknya. Ford menyebut biaya warranty dan recall menurun, bahkan memberi dampak penghematan yang sangat besar. Perusahaan juga meraih posisi teratas di JD Power Initial Quality Survey untuk kategori mainstream brands.
Jadi pelajarannya bukan: jangan pakai AI.
Pelajarannya adalah: AI lebih berguna ketika dipandu oleh orang yang benar-benar memahami risiko di lapangan.
The Reality Check
Banyak bisnis punya pola berpikir yang mirip, hanya skalanya berbeda.
Begitu ada AI, automation, dashboard, atau sistem baru, muncul harapan bahwa proses akan langsung lebih rapi. Lead akan otomatis terkelola. Support akan otomatis diprioritaskan. Produksi akan otomatis lebih akurat. Report akan otomatis memberi jawaban.
Kadang memang membaik.
Tetapi AI tidak selalu tahu konteks yang selama ini hidup di kepala orang berpengalaman.
Di banyak perusahaan, pengetahuan penting sering tidak tertulis. Senior sales tahu mana inquiry yang serius dari cara pelanggan bertanya. Admin berpengalaman tahu order mana yang berisiko terlambat. Engineer senior tahu desain mana yang secara dokumen terlihat benar, tetapi secara produksi rawan bermasalah. Manager operasional tahu supplier mana yang perlu dicek lebih ketat meskipun datanya terlihat aman.
Masalahnya, AI tidak otomatis mewarisi intuisi seperti itu.
AI bisa membaca dokumen. AI bisa menganalisis data. AI bisa membantu memberi rekomendasi. Tetapi jika pola keputusan, pengecualian, risiko, dan konteks lapangan belum dijelaskan, AI hanya bekerja dari input yang tersedia.
Di sinilah banyak implementasi AI menjadi terlalu optimistis.
Bisnis mengira sudah punya data, padahal yang dimiliki baru catatan aktivitas. Bisnis mengira sudah punya SOP, padahal banyak keputusan masih bergantung pada kebiasaan orang tertentu. Bisnis mengira AI bisa langsung mengambil alih, padahal rule dasar, kualitas data, dan definisi keberhasilan belum cukup matang.
AI tidak menggantikan proses yang belum jelas. AI memperbesar proses yang sudah ada.
Kalau prosesnya rapi, AI bisa mempercepat. Kalau prosesnya kabur, AI bisa membuat kebingungan terlihat lebih canggih.
Kasus Ford juga menunjukkan hal penting lain: pengalaman manusia tidak hanya berguna setelah masalah terjadi. Pengalaman terbaik justru bekerja sebelum masalah muncul.
Engineer senior melihat potensi failure point lebih awal. Mereka tahu bagian mana yang perlu ditanya ulang. Mereka tahu asumsi desain mana yang sering tidak tahan di produksi. Mereka tahu kapan angka terlihat aman tetapi konteksnya belum lengkap.
Dalam bisnis digital, perannya mirip.
Orang berpengalaman bisa membantu menentukan data apa yang penting, status apa yang perlu dilacak, alert mana yang benar-benar berguna, dan keputusan mana yang sebaiknya tidak diserahkan penuh ke sistem.
Tanpa itu, AI mudah berubah menjadi automation yang sibuk, tetapi tidak bijak.
The Havedev Way
Di Havedev, kami melihat AI sebaiknya tidak dimulai dari pertanyaan “apa yang bisa diautomasi?”
Pertanyaan yang lebih sehat adalah: keputusan apa yang selama ini bergantung pada pengalaman orang tertentu?
Dari sana, bisnis bisa mulai memetakan pengetahuan yang masih tersembunyi.
Misalnya:
- bagaimana tim membedakan lead serius dan lead yang masih browsing?
- kapan order dianggap berisiko terlambat?
- support seperti apa yang harus dinaikkan prioritasnya?
- data apa yang membuat manager percaya sebuah pekerjaan aman?
- kondisi apa yang biasanya menjadi tanda awal masalah?
- siapa yang biasanya tahu masalah sebelum sistem mencatatnya?
Jawaban dari pertanyaan seperti ini jauh lebih bernilai daripada sekadar memasang AI tool baru.
Karena AI yang baik butuh konteks kerja. Ia butuh definisi kualitas. Ia butuh contoh keputusan yang benar dan salah. Ia butuh data yang tidak hanya banyak, tetapi relevan. Ia butuh manusia berpengalaman yang bisa mengatakan, “secara angka ini terlihat benar, tetapi secara praktik ada yang janggal.”
Untuk banyak bisnis, langkah awalnya bukan langsung membangun AI besar.
Mulai dari membuat proses lebih terbaca:
- rapikan status pekerjaan
- dokumentasikan alasan keputusan penting
- catat pengecualian yang sering terjadi
- tandai risiko yang biasanya muncul berulang
- buat dashboard yang menunjukkan pekerjaan macet
- gunakan automation untuk membantu follow-up, bukan menggantikan penilaian
Setelah itu, AI bisa masuk dengan lebih sehat.
AI bisa membantu membaca pola dari lead. AI bisa memberi ringkasan support. AI bisa mendeteksi order yang berisiko. AI bisa membantu menyusun prioritas. AI bisa membuat tim lebih cepat melihat masalah.
Tetapi tetap perlu ada manusia yang memahami konteks, terutama untuk keputusan yang menyangkut kualitas, reputasi, biaya besar, atau pengalaman pelanggan.
Kasus Ford mengingatkan bahwa teknologi paling canggih sekalipun tetap membutuhkan pengetahuan lapangan. Bukan untuk menghambat inovasi, tetapi untuk memastikan inovasi tidak berjalan dengan asumsi yang terlalu dangkal.
AI bukan pengganti pengalaman yang belum pernah ditulis.
AI adalah alat untuk memperbesar pengalaman yang sudah mulai dirapikan, dijelaskan, dan dilatih ke dalam sistem.
Jika bisnis ingin memakai AI dengan serius, jangan mulai dari tool. Mulai dari pengetahuan operasional yang selama ini hanya hidup di kepala orang-orang terbaik Anda.
Karena sering kali, keunggulan bisnis bukan berada di software yang dipakai.
Keunggulan itu ada pada cara tim membaca risiko, mengambil keputusan, dan menjaga kualitas sebelum masalah terlihat oleh pelanggan.
Dapatkan Audit Teknis Gratis untuk meninjau proses, data, dan peluang automation yang bisa dibantu AI tanpa mengorbankan konteks penting dari tim Anda.
Sumber referensi berita: TechCrunch