Robot General-Purpose Tidak Kekurangan Ambisi, Mereka Kekurangan Data Dunia Nyata

The Core Update

XDOF, startup yang mengumpulkan data teleoperation dunia nyata untuk melatih robot general-purpose, dikabarkan sedang dalam pembicaraan tahap akhir untuk pendanaan Series B dengan valuasi sekitar $1,2 miliar.

Yang menarik, kabar ini muncul kurang dari tiga bulan setelah XDOF keluar dari stealth. Sebelumnya, XDOF sudah mengumumkan pendanaan Series A senilai $70 juta dengan partisipasi Thrive Capital, Andreessen Horowitz, Lux, dan Spark Capital.

Menurut laporan TechCrunch, XDOF sebenarnya tidak berencana menggalang dana lagi secepat itu. Tetapi pertumbuhan perusahaan, dengan annualized revenue mendekati $50 juta, membuat investor datang lebih dulu.

XDOF dibangun oleh Philipp Wu dan Fred Shentu, peneliti dari UC Berkeley. Akar teknologinya berasal dari GELLO, sistem teleoperation murah yang memungkinkan manusia mengendalikan lengan robot dari jarak jauh untuk menghasilkan data pelatihan.

Sekarang XDOF mencoba membangun sesuatu yang lebih besar: pipeline data, tools pengumpulan data, dan sistem anotasi untuk AI lab dan perusahaan robotika yang tidak mudah membangunnya sendiri.

Dengan kata lain, XDOF tidak menjual robot yang terlihat futuristik. Mereka menjual bagian yang lebih membosankan, tetapi mungkin lebih penting: data dunia nyata agar robot bisa belajar melakukan pekerjaan fisik.

The Reality Check

Banyak orang membayangkan masa depan robotika dimenangkan oleh perusahaan yang punya model AI paling pintar atau hardware paling canggih. Itu tidak salah, tetapi belum lengkap.

Robot fisik punya masalah yang berbeda dari LLM.

LLM bisa dilatih dari teks, kode, dokumen, forum, artikel, dan banyak sekali jejak digital yang sudah tersedia di internet. Data memang tetap perlu dibersihkan dan dipilih, tetapi bahan mentahnya sudah sangat besar.

Robot tidak punya kemewahan yang sama.

Untuk mengajarkan robot melipat baju, merapikan kotak, mengambil barang, membuka pintu, atau bekerja di lingkungan nyata, data harus dikumpulkan dari dunia fisik. Gerakan harus direkam. Konteks harus ditangkap. Kegagalan harus diamati. Variasi objek, ruangan, posisi tangan, tekanan, dan urutan aksi harus muncul berkali-kali.

Ini pekerjaan yang tidak glamor.

Tetapi justru di situlah nilai ekonominya muncul.

XDOF disebut oleh investor sebagai semacam Scale AI atau Mercor untuk robotika fisik. Perbandingan ini masuk akal, walau tidak sempurna. Scale AI menjadi penting karena AI membutuhkan data berlabel. XDOF mencoba menjadi penting karena robot membutuhkan data tindakan nyata.

Masalahnya, data robotika tidak hanya soal label. Data ini lebih mahal, lebih lambat, dan lebih operasional. Perusahaan harus merekrut operator, melatih teleoperator, menyiapkan perangkat sensor, menjaga kualitas rekaman, dan memastikan data cukup konsisten untuk dipakai melatih model.

Di sinilah hype robotika bertemu realitas operasional.

Sebuah perusahaan bisa punya demo robot yang terlihat mengesankan. Tetapi untuk membuat robot bekerja stabil di banyak lingkungan, mereka membutuhkan ribuan sampai jutaan contoh dari pekerjaan yang sama dengan variasi dunia nyata.

Dan dunia nyata jarang rapi.

Kotak bisa penyok. Baju bisa kusut. Meja bisa terlalu rendah. Cahaya bisa berubah. Orang bisa menaruh barang di tempat yang tidak ideal. Robot yang hanya bagus di demo lab belum tentu siap di gudang, toko, rumah, atau pabrik.

Maka valuasi besar XDOF bukan hanya cerita tentang satu startup yang sedang panas. Ini sinyal bahwa pasar mulai mengakui satu hal: bottleneck AI berikutnya mungkin bukan model, tetapi supply chain data.

Namun ada catatan penting.

Pendanaan besar tidak otomatis berarti kategori ini sudah matang. Terms deal XDOF belum final. Besaran dana belum diketahui. Valuasi juga belum jelas apakah termasuk dana baru atau belum. Selain itu, pasar robotika masih punya banyak ketidakpastian: biaya hardware, reliability, regulasi keselamatan, deployment, dan unit economics.

Jadi, respons yang sehat bukan ikut euforia bahwa robot general-purpose sudah dekat untuk semua bisnis.

Respons yang lebih sehat adalah melihat pola dasarnya: teknologi besar sering dimenangkan oleh pihak yang menguasai infrastruktur yang terlihat membosankan.

Dalam AI teks, infrastruktur itu bisa berupa data labeling, eval, observability, dan deployment pipeline.

Dalam robotika, infrastruktur itu bisa berupa teleoperation, sensor capture, annotation, dataset quality, dan jaringan operator manusia.

Bukan bagian paling ramai dibicarakan, tetapi sering menjadi bagian yang membuat sistem benar-benar bisa dipakai.

The Havedev Way

Dari sudut pandang Havedev, pelajaran dari XDOF relevan bukan hanya untuk perusahaan robotika. Ia juga relevan untuk bisnis biasa yang sedang ingin memakai AI, automation, atau sistem internal.

Banyak bisnis ingin langsung bicara tentang output: chatbot, dashboard, agent, automation, rekomendasi, atau integrasi AI.

Tetapi sistem yang bagus jarang dimulai dari output. Ia dimulai dari input yang jelas.

Kalau data lead berantakan, AI sales assistant akan menjawab dengan konteks yang lemah. Kalau status order tidak konsisten, dashboard akan mempercantik kebingungan. Kalau SOP support tidak tercatat, automation hanya akan mempercepat proses yang belum disepakati.

Masalahnya bukan selalu kurang tool. Sering kali bisnis belum punya data kerja yang cukup rapi untuk dipakai oleh tool.

XDOF menarik karena mereka tidak mencoba melewati pekerjaan dasar itu. Mereka justru membangun bisnis dari pekerjaan dasar tersebut: mengumpulkan data, membuat pipeline, memberi struktur, menjaga kualitas, lalu menjualnya ke pihak yang membutuhkan.

Bisnis bisa mengambil prinsip yang sama dalam skala lebih kecil.

Sebelum menambah AI, tanyakan dulu:

• data apa yang sudah tersedia?
• data apa yang masih hanya hidup di chat?
• status apa yang belum konsisten?
• keputusan apa yang ingin dipercepat?
• siapa pemilik input pertama?
• kapan data dianggap cukup lengkap?
• apa tanda bahwa proses berhasil atau gagal?

Pertanyaan ini terdengar sederhana, tetapi sering lebih menentukan daripada pilihan software.

Untuk website, misalnya, form kontak tidak seharusnya hanya mengirim nama dan nomor. Form bisa menangkap layanan yang diminati, urgensi, budget range, sumber halaman, dan kebutuhan awal. Tombol WhatsApp bisa membawa pesan prefilled agar tim tahu calon pelanggan datang dari halaman mana.

Untuk sales, pipeline tidak cukup berisi nama prospek. Ia perlu status yang jelas: baru masuk, sudah dibalas, butuh info tambahan, menunggu keputusan, perlu follow-up, menang, atau tidak cocok.

Untuk operasional, dashboard tidak perlu langsung kompleks. Yang penting adalah menunjukkan pekerjaan mana yang baru masuk, mana yang menunggu pihak lain, mana yang tertahan terlalu lama, dan siapa pemilik langkah berikutnya.

AI dan automation baru masuk akal setelah pondasi itu cukup rapi.

Bukan harus sempurna. Tetapi harus cukup jelas untuk diulang.

XDOF menunjukkan bahwa dalam era AI, pekerjaan paling bernilai tidak selalu pekerjaan yang paling terlihat canggih. Kadang nilainya ada pada proses mengubah aktivitas nyata menjadi data yang bisa dipercaya.

Untuk robot, itu berarti teleoperation, sensor, dan dataset gerakan.

Untuk bisnis, itu berarti form yang benar, status yang jelas, CRM yang disiplin, SOP yang terbaca, dan dashboard yang menjawab pertanyaan operasional paling penting.

Teknologi tidak bisa belajar dari kekacauan yang tidak pernah diberi struktur.

Sebelum bisnis mengejar AI yang lebih pintar, cek dulu apakah bisnis sudah memberi AI bahan baku yang layak.

Karena seperti robot, banyak sistem bisnis tidak gagal karena kurang ambisi. Mereka gagal karena tidak punya data dunia nyata yang cukup jelas untuk dipelajari.

Dapatkan Audit Teknis Gratis untuk meninjau apakah website, lead flow, dan sistem operasional bisnis Anda sudah punya data yang cukup jelas sebelum menambah AI atau automation baru.

---

Sumber referensi berita: TechCrunch