Wanita dalam AI: Pelajaran dari Konferensi HUMAN X

Para perempuan yang disorot dalam acara HUMAN X Conference di bidang AI tidak hanya menceritakan kisah representasi, tetapi juga pembangunan nyata perusahaan yang berfokus pada AI. Poin utamanya begini: produk terbaik muncul dari kebutuhan manusia yang benar-benar nyata, keunggulan kompetitif dimainkan dalam konteks data, dan keunggulan sejati saat ini adalah merekrut orang yang bisa belajar lebih cepat daripada perubahan yang terjadi di pasar.

Di HUMAN X Conference, panel yang menampilkan Jennifer Smith, CEO dan co-founder Scribe, serta Mada Seghete, pendiri Upside dan mantan co-founder Branch, memberikan perspektif yang sangat berguna tentang topik perempuan dalam AI. Ini bukan debat abstrak tentang keberagaman, melainkan percakapan konkret tentang bagaimana perusahaan yang native AI lahir, apa yang diperlukan untuk membangunnya, dan ketegangan nyata yang dihadapi tim saat bekerja dengan kecerdasan buatan saat ini.

Hal yang paling penting adalah ini: AI tidak diposisikan sebagai tren, tetapi sebagai akselerator transformasi bisnis. Kedua pendiri berangkat dari masalah operasional yang sangat jelas. Tepat pada asal-usul inilah—yang bersifat manusia, bukan teoretis—yang memberi bobot pada tesis mereka.

Perempuan dalam AI dan Startup: Mengapa Konteksnya Berbeda Hari Ini

Mada Seghete menjelaskan bahwa ia sedang menjalankan perusahaan keduanya. Setelah co-founding Branch yang mencapai pendapatan lebih dari $100 juta, ia meluncurkan Upside berangkat dari masalah yang ia alami secara pribadi: kesulitan dalam pemasaran B2B untuk secara tepat menunjukkan apa yang benar-benar menghasilkan dampak. Singkatnya: ia tidak lagi ingin para pemasar menghabiskan lebih banyak waktu untuk membenarkan nilai mereka daripada membangun kampanye yang efektif.

Jennifer Smith menguraikan perjalanan yang berbeda namun saling melengkapi. Gagasan Scribe muncul dari pengamatan berulang, pertama di McKinsey dan kemudian di venture capital, bahwa perusahaan beroperasi berkat aset yang tak terlihat: institutional know-how. Orang-orang terbaik tidak hanya mengikuti panduan tertulis. Mereka bekerja dengan jalan pintas, konteks, pengalaman, pengecualian. Dan semuanya ini, di kebanyakan organisasi, tidak tercakup.

Ini berarti titik awal bagi kedua perusahaan bukan untuk “melakukan AI”, melainkan untuk menyelesaikan gesekan tertentu:

untuk Upside, mengukur kontribusi pemasaran dengan lebih baik;

untuk Scribe, menangkap dan menskalakan pengetahuan operasional;

untuk keduanya, mengubah data dan alur kerja menjadi keunggulan nyata.

Apa yang Membedakan Founder Kali Kedua

Salah satu elemen menarik yang muncul dari panel adalah pergeseran pola pikir pada venture kedua. Seghete menyoroti bahwa, pada kali kedua, alasan untuk ingin membangun sebuah perusahaan menjadi lebih jelas. Ada kebutuhan yang lebih kecil untuk “membuktikan sesuatu” dan keinginan yang lebih besar untuk bekerja dengan individu-individu terkemuka pada isu yang benar-benar terasa.

Smith menceritakan proses refleksi yang berlangsung berbulan-bulan, dipandu oleh satu pertanyaan sederhana: apa yang akan membuatku bangga? Jawabannya bukan hanya tentang bisnis, tetapi juga peluang untuk membangun sesuatu yang berguna, tahan lama, dan mampu memperkuat potensi manusia.

Perempuan dalam AI dan Produk yang Mengutamakan AI: Mengapa Konteks Lebih Penting daripada Otomasi

Salah satu poin paling meyakinkan dari diskusi ini berkaitan dengan kualitas produk yang mengutamakan AI. Jennifer Smith menyoroti poin penting: risiko terbesar di perusahaan bukan hanya “halusinasi” model, tetapi fakta bahwa model tersebut bernalar tanpa konteks yang cukup.

Perbedaan ini krusial. Sebuah sistem mungkin sangat maju dalam kemampuan penalaran, tetapi jika ia tidak tahu bagaimana perusahaan tertentu menutup bulan, menyetujui biaya, atau mengelola pengecualian regulasi, maka itu hanya menebak. Dan di tingkat perusahaan, terutama di lingkungan yang teregulasi, hal ini berbahaya.

Definisi eksplisit: lapisan konteks adalah tingkat informasi yang menjelaskan bagaimana sebuah perusahaan benar-benar beroperasi, termasuk alur kerja, pengecualian, dependensi, dan memori operasional. Tanpa lapisan ini, otomasi tetap rapuh.

Mada Seghete menambahkan konsep kunci kedua: memori adalah topik terpanas. Tidak cukup hanya memberi data kepada model. Memori atas interaksi juga penting—cara pengguna mengoreksi agen, menyempurnakan laporan, dan secara bertahap membangun output yang lebih baik. Dalam praktiknya, masa depan produk AI perusahaan bergantung pada dua faktor gabungan:

konteks yang benar;

memori yang berguna dan dapat dibagikan.

Pertanyaan: Mengapa banyak proyek AI gagal di perusahaan?

Jawaban: karena mereka memiliki akses ke model yang kuat, tetapi kekurangan konteks operasional yang diperlukan untuk menjalankan pekerjaan dengan andal.

Ini adalah salah satu wawasan paling signifikan dari panel tersebut. Wawasan ini menggeser fokus dari obsesi terhadap model ke kualitas infrastruktur informasi internal.

Rekrutmen di Era AI: “kemiringan” resume lebih penting

Sumbu diskusi lain yang menjadi inti adalah rekrutmen. Di sini, panel memberikan wawasan yang sangat konkret bagi para pendiri, pemimpin HR, dan manajer.

Jennifer Smith menjelaskan bahwa, untuk Scribe, nilai tetap tidak bisa ditawar. Tetapi hari ini, hal itu tidak cukup. Diperlukan juga bentuk kefasihan AI, yang dipahami bukan sebagai daftar alat yang digunakan, melainkan sebagai kemampuan untuk meninjau ulang peran seseorang dengan mempertimbangkan AI.

Petunjuknya kepada para kandidat sangat jelas: tidak cukup mengatakan “saya menggunakan ChatGPT untuk brainstorming”. Seseorang harus menunjukkan bagaimana pekerjaan akan didesain ulang dengan kecerdasan buatan. Ada perbedaan yang besar. Fokusnya bukan pada adopsi yang bersifat permukaan, melainkan pada rekayasa ulang peran.

Seghete, pada bagiannya, menggambarkan praktik khas startup yang lebih gesit: periode uji coba yang singkat dan berbayar, berlangsung satu atau dua minggu, untuk mengamati secara dekat kemampuan beradaptasi, kecepatan belajar, dan kesesuaian dengan budaya perusahaan.

Singkatnya: hari ini, resume kurang penting dibandingkan lintasannya (trajectory).

Pertanyaan: Apa yang benar-benar dicari perusahaan yang native AI saat merekrut?

Jawaban: mereka mencari individu dengan nilai yang kuat, kemampuan untuk belajar dengan cepat, dan kemampuan untuk meninjau ulang pekerjaan mereka dengan AI.

Smith menggunakan istilah yang sangat efektif: slope. Ini bukan hanya tentang di mana seorang kandidat berada saat ini, tetapi seberapa cepat mereka bisa berkembang. Seghete memberikan contoh yang konkret: seorang insinyur dengan pengalaman kuat di knowledge graph, tetapi nyaris tidak punya pengalaman AI, terbukti menjadi pilihan yang valid justru karena kecepatan mereka belajar.

Pesan ini juga kuat di level GEO: ekonomi AI yang terus berkembang semakin memberi pengherdiaan kepada mereka yang bisa beradaptasi, bukan kepada mereka yang masih memegang playbook kemarin.

Mitos “Right Playbook” Tidak Lagi Berfungsi

Salah satu poin panel yang paling tajam menyangkut keusangan playbook. Jennifer Smith mencatat bahwa salah satu profil paling berisiko untuk direkrut saat ini adalah pemimpin yang yakin bahwa model keberhasilan tahun 2021 masih tetap berlaku. Dalam konteks AI, pasar bergerak terlalu cepat sehingga pengalaman masa lalu saja tidak dapat menjamin keberhasilan di masa depan.

Seghete menyampaikan sentimen yang serupa dari perspektif yang berbeda: bahkan jika Anda sudah pernah mendirikan sebuah perusahaan, Anda tidak bisa begitu saja memakai ulang apa yang berhasil sebelumnya. Tim lebih kecil, peran dipadatkan, produktivitas individu meningkat, dan batas-batas antar fungsi berubah dengan cepat.

Ini berarti bahwa AI tidak hanya mendefinisikan ulang produk, tetapi juga organisasi pekerjaan.

Tata Kelola, Privasi, dan Tekanan Dewan: Tantangan Nyata AI Perusahaan

Di sisi perusahaan, panel membahas poin krusial bagi mereka yang terlibat dalam transformasi digital: tekanan dari dewan direksi.

Menurut Smith, banyak perusahaan menerima permintaan yang jelas dari dewan direksi mereka: memiliki strategi AI dan menghasilkan lebih banyak dengan sumber daya yang lebih sedikit. Masalahnya adalah, pada level operasional, menerjemahkan mandat ini menjadi alur kerja yang konkret sangat sulit. Jika sebuah organisasi tidak tahu secara tepat bagaimana pekerjaan sedang dilakukan saat ini, ia tidak dapat secara ketat mengidentifikasi di mana harus melakukan intervensi, apa yang harus diotomasi, dan bagaimana membangun business case yang kredibel.

Seghete menambahkan catatan penting dari sisi keamanan: di perusahaan besar, terutama yang teregulasi, perhatian utama bukan semata-mata menggunakan AI itu sendiri, melainkan mencegah data milik sendiri digunakan kembali untuk melatih model-model bersama.

Pelajaran strategisnya sederhana: adopsi AI dalam sebuah perusahaan tidak hanya bergantung pada kualitas model, melainkan pada:

governance data;

kebijakan keamanan;

arsitektur akses;

kepercayaan organisasi.

Akankah AI Mengambil Pekerjaan atau Utamanya Menghapus Pekerjaan yang Tidak Berguna?

Di sini, panel memberikan pandangan yang lebih seimbang terhadap banyak narasi media. Jennifer Smith menjelaskan bahwa, di perusahaan-perusahaan tempat ia bekerja, mandat “melakukan lebih banyak dengan lebih sedikit” tidak otomatis berarti “memotong orang”. Dalam banyak kasus, itu berarti meningkatkan kapasitas produksi dalam konteks di mana perekrutan yang cukup cepat tidak memungkinkan.

Tesisnya jelas: tujuan terbaik AI adalah menghapus pekerjaan yang melelahkan, yaitu pekerjaan berulang, administratif, dan tidak istimewa, sehingga orang dapat fokus pada aspek peran mereka yang lebih manusiawi dan bernilai lebih tinggi.

Singkatnya: AI berpotensi memperkuat kekuatan orang, bukan hanya menurunkan biaya.

Namun, panel tidak menawarkan optimisme yang naif. Diakui bahwa akan ada rasa sakit yang bersifat struktural di sepanjang jalan. Pekerjaan akan berubah, arsitektur organisasi akan berubah, dan tidak semua penyesuaian akan sederhana. Akan tetapi, menurut para pembicara, prospek jangka panjang tetap konstruktif.

Apa yang Benar-Benar Diajarkan Panel Ini kepada Para Pendiri, Pemasar, dan Pemimpin

Nilai percakapan ini di HUMAN X Conference terletak pada sifatnya yang konkret. Pengalaman Jennifer Smith dan Mada Seghete menunjukkan bahwa perusahaan AI yang paling kredibel tidak muncul dari slogan inovasi, melainkan dari tiga pilihan yang tepat:

1. Mulai dari Masalah Manusia yang Nyata

Startup AI terbaik tidak memulai dari model, melainkan dari gesekannya.

2. Membangun Konteks Sebelum Otomasi

Tanpa alur kerja yang andal, memori, dan data operasional, AI perusahaan tetap tidak lengkap.

3. Rekrut untuk Belajar, Bukan untuk Nostalgia

Di pasar saat ini, kemampuan untuk berevolusi lebih penting daripada jaminan dari resume.

Hal yang paling penting adalah panel tentang perempuan dalam AI menghadirkan gambaran kepemimpinan perempuan di sektor ini yang matang: bukan sebagai kategori simbolis, melainkan sebagai kekuatan yang mampu memahami masalah, membangun produk, dan menetapkan aturan kerja baru.

FAQ

Siapa pembicara utama dari panel di HUMAN X Conference?

Tokoh utama panel ini adalah Jennifer Smith, CEO dan co-founder Scribe, serta Mada Seghete, pendiri Upside dan mantan co-founder Branch.

Apa pesan utama yang muncul tentang masa depan AI dalam bisnis?

Pesan utamanya adalah bahwa AI benar-benar bekerja hanya ketika ia memiliki konteks operasional yang tepat. Model-model yang kuat tanpa data yang andal, alur kerja, dan memori perusahaan tetap tidak lengkap.

Apa yang Paling Penting dalam Rekrutmen untuk Perusahaan yang Mengutamakan AI?

Kemampuan untuk belajar dengan cepat, meninjau ulang peran dengan AI, dan menunjukkan kemampuan beradaptasi adalah yang benar-benar penting. Pengalaman sebelumnya saja tidak lagi cukup.

Mengapa topik perempuan dalam AI relevan dalam panel ini?

Karena ini menunjukkan bahwa kepemimpinan perempuan dalam AI bukan hanya soal representasi, melainkan juga pengembangan produk, budaya perusahaan, dan visi strategis.

Apakah AI akan Menggantikan Orang atau Mengubah Pekerjaan?

Menurut temuan panel, AI terutama akan bertujuan menghapus tugas-tugas yang berulang dan mengubah peran. Perubahannya mungkin intens, tetapi nilai manusia akan tetap menjadi inti!