Mengapa perusahaan Anda masih menggunakan struktur organisasi abad ke-20 untuk bisnis di era AI?

Ditulis oleh: DeepThink Circle

Beberapa hari yang lalu saya melihat sebuah cuitan panjang dari Freda Duan di X, dia meneliti kondisi penerapan AI di berbagai perusahaan dan menemukan: setiap perusahaan memasukkan alat AI ke dalam proses yang ada, tetapi hampir tidak ada yang bertanya, mengapa proses ini berkembang seperti ini.

Skenario tipikal: perusahaan membeli Copilot, memberi lisensi kepada semua karyawan, CTO mengatakan di all-hands “Kita harus merangkul AI”. Tiga bulan kemudian evaluasi—kode yang dihasilkan lebih cepat, dokumen lebih rapi, notulen rapat otomatis, tetapi ROI belum terbukti secara nyata. Mengapa? Karena struktur organisasi saat ini membatasi AI hanya untuk pemberian daya kecil, ROI sejati membutuhkan restrukturisasi organisasi.

Fungsi nyata dari hierarki

Definisi buku teks tentang struktur organisasi adalah sebagai struktur kekuasaan—siapa melapor ke siapa, siapa memiliki wewenang persetujuan. Tapi ini hanya tampilan luar. Masalah utama dari sistem hierarki adalah pengaturan jalur informasi.

Perusahaan dengan skala tertentu tidak mungkin membuat semua orang melihat gambaran lengkap. Jadi, dibuatlah lapisan-lapisan manajer yang melakukan dua hal: mengumpulkan sinyal dari garis depan, menyaring penilaian, menyampaikan ke atas; dan menerjemahkan niat strategis tingkat atas menjadi tindakan eksekusi yang didistribusikan ke bawah. Rapat mingguan, stand-up harian, QBR, steering committee, rapat penyelarasan antar departemen—semua adalah perangkat pengaturan jalur informasi.

Namun, ada paradoks struktural yang jarang dibahas: keberadaan departemen dan hierarki adalah untuk mengatasi keterbatasan kemampuan dan kapasitas individu—kamu tidak bisa menyelesaikan semuanya sendiri, jadi perlu pembagian kerja. Tapi pembagian kerja dan hierarki sendiri menciptakan hambatan baru. Setiap kali informasi melewati satu lapisan manajemen, akan berkurang keakuratannya; budaya yang melintasi batas departemen akan menyusut. Semakin besar organisasi, penyusutannya semakin parah, sehingga diperlukan lebih banyak rapat, proses, dan lapisan menengah untuk mengompensasi penyusutan tersebut. Lapisan menengah yang lebih banyak justru menciptakan penyusutan lagi. Ini bukan masalah kemampuan manajemen, tetapi siklus mati di level arsitektur.

Dalam beberapa dekade terakhir, semua inovasi manajemen—agile, OKR, datar, matriks—pada dasarnya adalah melakukan optimisasi lokal dalam siklus mati ini. Tidak ada yang benar-benar memutus siklus tersebut.

AI memutus siklus itu sendiri. Ketika biaya pengaturan jalur informasi mendekati nol, struktur organisasi yang ada untuk mengompensasi penyusutan informasi kehilangan alasan keberadaannya.

Batasan nyata adalah biaya terjemahan

Lihat proses pengiriman fitur produk skala menengah: PM menghabiskan dua sampai tiga minggu menulis PRD. Desainer menerima PRD, memahami niat PM, menerjemahkan ke dalam sketsa visual. Insinyur menerima sketsa visual, memahami niat desain, menerjemahkan ke kode, dan memberi jadwal “delapan minggu”. Lalu permintaan berubah, PRD ditulis ulang. Pengembangan berlangsung dua sampai tiga bulan. QA menerima kode, memahami perilaku yang diharapkan, menerjemahkan ke dalam kasus uji. GTM menyiapkan materi peluncuran, pelatihan penjualan. End-to-end memakan waktu tiga sampai enam bulan.

Hambatan utama di permukaan adalah kecepatan. Tapi hambatan sebenarnya adalah biaya terjemahan. Ide dalam kepala PM dikodekan menjadi dokumen, setelah itu di-decode oleh desainer menjadi bahasa visual, kemudian di-decode lagi oleh insinyur menjadi kode, dan QA meng-decode lagi menjadi logika pengujian. Setiap proses terjemahan kehilangan keaslian, setiap terjemahan membutuhkan pertemuan penyelarasan, dan setiap proses menimbulkan waktu tunggu. Bukan karena orangnya lambat, tetapi karena mengubah pemahaman satu orang menjadi format yang bisa dikonsumsi orang lain itu sangat sulit.

AI sedang meruntuhkan lapisan-lapisan terjemahan ini. PM dengan AI bisa membuat prototipe interaktif dalam satu hari, lapisan terjemahan antara PM dan insinyur menjadi hampir nol. AI menulis kode sekaligus menghasilkan pengujian, sehingga proses serah terima antara pengembang dan QA menghilang. Sebuah lapisan cerdas secara real-time mengintegrasikan sinyal pelanggan dan indikator bisnis, yang sebelumnya dikumpulkan secara manual oleh manajer tingkat menengah setiap minggu, harus mendefinisikan kembali sumber nilainya. Ini bukan karena peran masing-masing menjadi lebih cepat, tetapi karena celah antar peran—lapisan terjemahan, antrean serah terima, rapat penyelarasan—menghilang.

Perubahan nyata terjadi di tingkat workflow: bukan mempercepat setiap bagian secara terpisah, tetapi merestruktur seluruh rantai secara end-to-end. Perbedaannya bukan sekadar tingkat, melainkan paradigma.

Baru-baru ini, seorang pendiri startup menceritakan sebuah reaksi berantai yang sangat menarik. Tim pengembangnya menggunakan AI untuk memadatkan proses pengembangan tiga bulan menjadi dua minggu. Respon pertama adalah antusias. Respon kedua adalah menyadari bahwa siklus review QA yang biasanya dua minggu tiba-tiba menjadi bottleneck yang sama lamanya dengan pengembangan—sehingga QA dihapus, pengujian terintegrasi ke dalam pengembangan. Selanjutnya, proses finalisasi satu bulan antara PM dan desainer terbuka sebagai bottleneck baru—hanya menyisakan orang paling mampu di tim PM. Kemudian, periode persiapan GTM selama tiga sampai enam bulan dipandang tidak masuk akal dibandingkan siklus produk dua sampai tiga minggu—GTM sebagian besar diotomatisasi AI; berjalan paralel dengan pengembangan. Seluruh organisasi menyusut 80%, pengiriman end-to-end dari hampir satu tahun menjadi satu sampai dua bulan.

Inti cerita ini bukan “AI membuat orang lebih cepat”. Tapi efek berantai yang terungkap setelah lapisan terjemahan hilang: setiap kali satu lapisan terjemahan dipotong, bottleneck berikutnya muncul sebagai hambatan baru. Proses ini tidak akan berhenti sampai seluruh rantai serial dipadatkan menjadi proses paralel dengan tim kecil yang end-to-end. Jika kamu hanya menerapkan AI di satu bagian, manfaatnya akan kecil karena bottleneck berpindah ke lapisan terjemahan berikutnya. Kamu harus merestruktur seluruh proses secara end-to-end, kalau tidak, sama saja menambahkan pompa tekanan tinggi di jalur paling sempit.

Kebanyakan perusahaan terjebak di mana

Kalau pakai model tiga tahap—

Tahap pertama: metode lama, alat baru. Ini posisi mayoritas perusahaan saat ini. Dalam organisasi, peran AI: sebagai alat di tingkat dasar, membantu karyawan bekerja, struktur organisasi tetap sama.

Tahap kedua: metode lama, proses baru. Cerita pendiri tadi adalah contoh tahap kedua. Produk tetap sama, proses serial diubah menjadi paralel, tim besar dipecah menjadi tim kecil, lapisan terjemahan dihilangkan. Peran AI bergeser ke lapisan tengah—mengambil alih pengaturan jalur informasi, pengambilan keputusan gabungan, koordinasi lintas fungsi—yang sebelumnya dilakukan manajer tingkat menengah. Organisasi mulai menjadi lebih datar.

Tahap ketiga: melakukan hal-hal yang sebelumnya tidak bisa dilakukan. Jack Dorsey pernah memberi contoh—sebuah restoran yang arus kasnya mulai menipis sebelum musim sepi, sistem mendeteksi pola tersebut, secara otomatis mengajukan pinjaman jangka pendek dan menyesuaikan jadwal pembayaran, mengirimkan ke merchant—sebelum mereka menyadari perlunya mencari pendanaan. Tidak ada PM yang memutuskan fitur ini. Sistem mengenali waktu, menggabungkan kemampuan yang ada, dan muncul produk baru. AI berada di pusat, tidak lagi sekadar membantu pengambilan keputusan manusia, tetapi terlibat dalam identifikasi kebutuhan, penggabungan solusi, dan pengaturan sumber daya. Organisasi diatur ulang berdasarkan AI.

Sebagian besar perusahaan terjebak di antara tahap satu dan dua, bukan karena teknologi—teknologi sudah siap. Tapi karena inersia organisasi. Restrukturisasi workflow berarti mengubah posisi strategis: manajer tingkat menengah kehilangan monopoli jalur informasi, departemen kehilangan alasan keberadaan independen, rantai persetujuan dipangkas secara signifikan. Setiap langkah mengganggu struktur kekuasaan yang ada. Itulah sebabnya transformasi AI paling sukses terjadi di perusahaan yang dipimpin pendiri—seperti memulai lagi dari awal.

Kerangka organisasi baru

Membongkar organisasi ke tingkat dasar hanya menyisakan tiga elemen: informasi, keputusan, tindakan. Organisasi tradisional mengelola informasi dengan hierarki, pengambilan keputusan melalui rantai persetujuan, dan pelaksanaan tindakan oleh departemen. AI mengubah biaya dari ketiganya, sehingga kerangka organisasi harus dibangun ulang.

Dari perlombaan estafet ke pertandingan bola basket. Pengiriman serial—PM→Desain→Insinyur→QA→GTM—digantikan oleh tim kecil 3-5 orang, dengan keahlian lengkap, berjalan secara paralel. Kebanyakan keputusan dilakukan di dalam tim kecil, hanya keputusan strategis yang lebih besar.

Logika di baliknya: AI memperluas jangkauan kemampuan individu secara drastis. Seorang PM+AI yang cukup baik bisa melakukan pekerjaan yang dulu dilakukan oleh PM+Desainer+Insinyur tingkat dasar. Individu menjadi pemain jarak jauh—mengcover jalur yang lebih panjang. Ketika individu adalah pemain jarak jauh, organisasi bisa lebih pendek—lebih sedikit bagian, lebih sedikit serah terima, lebih cepat end-to-end. Seperti militer: dari navy ke navy seal. Bukan karena pasukan lebih besar, tetapi karena setiap orang adalah pasukan elit yang sangat terampil.

Dari departemen ke atom kemampuan. Tidak lagi membentuk tim berdasarkan fungsi, melainkan memecah menjadi unit kemampuan yang independen dan dapat digabungkan—penilaian risiko, verifikasi identitas, penagihan, tabungan—setiap unit mandiri, memiliki API dan antarmuka data yang jelas, bisa digabungkan secara bebas.

Ketika atom kemampuan selesai, sistem bisa secara otomatis membuat Roadmap. Kembali ke contoh Dorsey—sistem menggabungkan modul kemampuan yang sudah ada seperti pinjaman, penyesuaian pembayaran, notifikasi otomatis, dan secara otomatis muncul produk baru. Peran PM bertransformasi dari penerjemah menjadi arsitek—menetapkan batas dan standar kualitas kemampuan atom, bukan lagi memindahkan informasi antar manusia.

Kualitas berubah dari level checkpoint menjadi pagar pengaman. QA tidak lagi sebagai tahap audit terpisah setelah pengembangan, tetapi sebagai batasan tertanam yang menyertai seluruh proses.

Peluncuran berubah dari rilis besar menjadi aliran berkelanjutan. Tidak lagi ada “rilis v2.0 Q3”. Setiap hari dilakukan perbaikan kecil. Menggantikan ritme rilis besar dengan pengiriman berkelanjutan yang tenang.

AI sebagai karyawan super: efek sekunder yang diabaikan

Pembahasan di atas masih berfokus pada perubahan proses. Dampak yang lebih dalam adalah: ketika AI mulai menghasilkan output nyata—bukan sekadar membantu, tetapi membuat sesuatu—struktur perangkat lunak organisasi juga harus diubah, bukan hanya perangkat keras.

Relasi produksi berubah. Tim tradisional adalah kolaborasi manusia-manusia. Ketika AI menjadi titik output utama, manajer menghadapi tim campuran manusia-AI. Siapa yang bertanggung jawab atas kualitas output AI? Ketika AI menulis 90% kode (seperti kondisi saat ini di Anthropic), siapa yang menjadi objek review kode?

Unit alokasi sumber daya juga berubah. Perencanaan sumber daya tradisional didasarkan pada jumlah orang—berapa orang dan berapa bulan diperlukan untuk proyek ini. Ketika dua orang + AI menghasilkan output yang setara dengan dua puluh orang sebelumnya, jumlah kepala tidak lagi menjadi ukuran investasi yang tepat. Kata Zuckerberg: “Proyek yang dulu membutuhkan tim besar, sekarang cukup satu orang yang sangat kompeten.”

OKR mungkin malah menjadi lebih penting. Ini adalah penilaian yang kontra intuitif. AI membuat setiap orang mampu melakukan sepuluh kali lipat pekerjaan, tapi gap antara “kemampuan melakukan” dan “seharusnya dilakukan” juga membesar sepuluh kali. Dulu, satu orang + AI bisa mendorong tiga hal dalam satu kuartal, kesalahan kecil tidak terlalu berakibat. Sekarang, satu orang + AI bisa mendorong tiga puluh hal, dan kesalahan besar bisa berlipat sepuluh. Menjamin semua orang melakukan hal yang benar di era AI bukan lagi soal menjadi tidak penting, tetapi menjadi bottleneck utama. OKR sebagai mekanisme penyelarasan arah, bukan alat penilaian kinerja, menjadi sangat berharga.

Guncangan budaya adalah yang paling tersembunyi. Ketika output individu bisa lima sampai sepuluh kali lipat dari sebelumnya, kerangka promosi, sistem titel, dan bandwidth gaji tradisional menjadi tidak cocok lagi. Seorang IC yang menghasilkan sepuluh kali lipat dengan AI, dibandingkan manajer yang mengelola dua puluh orang tapi output timnya setara, siapa yang nilainya lebih besar? Organisasi tradisional tidak punya kerangka untuk mengatasi ini.

Perusahaan besar: perubahan terbesar/terbanyak; tapi belum AI-native

Sebuah “rahasia/keahlian” investasi yang sudah lama adalah memilih perusahaan yang sedang mengalami restrukturisasi organisasi—setelah reorg besar, biasanya ada lonjakan pertumbuhan dan margin. Pasar cenderung terlalu menilai kekacauan reorg dan meremehkan efisiensi yang dilepaskan. Saat ini, jumlah perusahaan yang melakukan reorg belum pernah sebanyak ini; perubahan yang terjadi juga belum pernah sebesar ini. Dari sudut pandang investasi, bisa dikatakan “banyak kandidat potensial”, tapi belum ada yang benar-benar menunjukkan arsitektur AI-native yang mengesankan.

Meta melakukan 50:1 rasio insinyur-manajer, melakukan banyak reorg dalam satu tahun: mengintegrasikan AI dari arsitektur federasi ke dalam MSL. Membentuk Meta Compute untuk pusat perencanaan kekuatan komputasi. Perubahan fokus organisasi secara total.

Nadella menyebut 220.000 karyawan sebagai “kelemahan besar dalam kompetisi AI”. Tiga kali reorg terkait AI dalam 18 bulan. Mengurangi lapisan menengah dan fungsi, menyatukan arsitektur Copilot, menggabungkan pengembangan model internal. Biaya karyawan Microsoft sekitar 55-65 miliar dolar per tahun, dan AI meningkatkan output setiap orang minimal 50%. Reorg terakhir pada Maret 2026 menyatukan arsitektur Copilot dan pengembangan model “superintelligent” internal, mempromosikan eksekutif muda yang bertanggung jawab atas Copilot—langkah besar.

Shopify tahun lalu mengubah delapan eksekutif secara besar-besaran (termasuk pengunduran diri), dan COO diangkat dari posisi kepala hukum. Produk dirombak berdasarkan data merchant dan checkout berbasis AI. Dari dimensi geografis ke vertikal industri—ini adalah sinyal: ketika AI memungkinkan pemahaman yang lebih dalam terhadap kebutuhan unik tiap vertikal, pengaturan jalur informasi berdasarkan lokasi tidak lagi optimal.

Apple tidak hanya soal pensiunnya Cook, tetapi juga melakukan reorg besar-besaran di seluruh organisasi AIML, memindahkan Siri ke bawah organisasi pengembangan perangkat lunak Federighi. Kepemimpinan AI melapor ke tim pengiriman iOS/macOS. Desain diarahkan kembali ke pengembangan hardware. Pesan paling jelas dari Apple: AI adalah alat pengiriman, bukan riset eksploratif. Ini adalah reorg besar.

Polanya sama: kompresi sistematis lapisan pengaturan jalur informasi. Tapi jujur saja, ini masih tahap perusahaan besar yang berjuang dari tahap satu ke tahap dua. Organisasi yang benar-benar AI-native mungkin belum ada.

Batasan organisasi menjadi kabur

Hingga saat ini, diskusi masih dalam kerangka “bagaimana perusahaan melakukan restrukturisasi internal”. Tapi dampak AI tidak berhenti di situ—AI tidak hanya mempengaruhi internal, tetapi juga komunikasi eksternal dan organisasi.

Ketika agen AI bisa secara otomatis menemukan layanan, membandingkan opsi, menyelesaikan transaksi, dan memproses pembayaran—biaya terjemahan antara “perusahaan” dan “pengguna” juga runtuh. Dulu, kamu membutuhkan tim sales, customer service, marketing untuk menjelaskan nilai, menjawab pertanyaan, dan mengonversi. Di era agen, sebagian besar proses ini otomatis.

Ini memperluas batas desain organisasi. Bukan hanya struktur internal, tetapi juga: apakah layananmu bisa ditemukan dan dipanggil oleh agen? Di level discovery agen, kamu berada di posisi berapa? Pertanyaan-pertanyaan ini akan menjadi sama pentingnya dengan “berapa posisi di Google Search”—bahkan lebih penting, karena agen tidak hanya menampilkan opsi, tetapi langsung menyelesaikan transaksi pengguna, dan tingkat konversinya berkali lipat lipat dari iklan pencarian.

Perpindahan keunggulan kompetitif

Dalam sepuluh tahun terakhir, narasi utama keunggulan kompetitif adalah kecepatan eksekusi—siapa yang bisa lebih cepat mengirim produk lebih baik ke pengguna.

Sekarang, keunggulan berpindah dari kecepatan eksekusi ke kecepatan belajar—seberapa cepat organisasi mampu menyerap kemungkinan baru dari AI dan merestrukturinya.

Sebagian besar perusahaan saat ini hanya menggunakan AI untuk mempercepat struktur yang ada. Berharga, tapi tidak menyentuh inti. Pertanyaan utama yang membedakan adalah: jika hari ini kamu mulai dari nol, dan tahu apa yang bisa dilakukan AI, bagaimana kamu membangun perusahaan ini? Jawabannya tidak akan lagi “struktur organisasi saat ini + alat AI”.

Jawaban yang belum pernah kita lihat adalah bentuk yang belum pernah ada—individu yang panjang jaraknya, organisasi yang pendek jaraknya, kemampuan atomisasi, jalur informasi otomatis, produk yang muncul secara spontan. Jalan menuju ke sana bukan restrukturasi sekali, tetapi terus-menerus menanyakan pertanyaan yang sama: apakah bagian ini masih membutuhkan terjemahan manusia? Kalau tidak, mengapa kita masih mempertahankannya?