Revolusi Industri AI Di mana posisi kita saat ini

Tahun lalu, saya menghadiri beberapa konferensi industri bertema AI. Para tamu di panggung bergiliran menampilkan trik AI, orang-orang di bawahnya memegang ponsel memotret layar, setelah mengirim postingan di media sosial mereka melanjutkan nge-scroll ponsel. Tapi begitu kembali ke kantor, tetap saja rapat mingguan yang sama, persetujuan yang sama, laporan mingguan yang sama. Perusahaan besar sudah memasukkan konsumsi Token ke dalam KPI, ada yang mengumpulkan volume lewat skrip jadi model kerja keras. Di media sosial, orang-orang itu, hari ini revolusi Claude, besok Codex keren, lusa Gemini hidup—apakah ini merangkul revolusi, atau sekadar ikut-ikutan cepat?

Ini semua hanya noise, bukan jawaban yang saya cari.

Masalah sebenarnya bukan seberapa kuat AI—mesin uap sudah dibuat, masalahnya siapa yang pertama kali membongkar pabrik lama.

Hari ketika revolusi industri benar-benar dimulai bukan saat Watt memperbaiki mesin uap, melainkan saat pemilik pabrik di Lancashire memutuskan meninggalkan sungai, membangun ulang pabrik dengan mesin uap. Momen terpenting AI juga sama—bukan saat model besar ditemukan, melainkan saat organisasi pertama memutuskan membongkar proses lama dan membangun ulang cara produksi berbasis AI.

Hari itu belum tiba. Tapi sudah dalam perjalanan.

Dua orang sudah melihat ini sejak lama. CEO Notion, Zhao Yiwan, menulis artikel di akhir 2025 berjudul "Steam, Steel, and Infinite Minds", dengan analisis dingin: kita masih dalam tahap "mengganti air mill"—menambahkan chatbot AI ke alat yang ada, tapi belum merancang ulang pabrik. Leopold Aschenbrenner, mantan karyawan OpenAI, memilih jalan berbeda: menulis 165 halaman "Situational Awareness", lalu membangun dana investasi, dari 225 juta dolar menjadi 13,68 miliar dolar, semua bertaruh pada infrastruktur dasar AI. Satu melihat ke dalam, satu lagi bertaruh ke luar.

Ini bukan tentang mereka. Ini tentang kita—di mana posisi kita sekarang, dan bagian mana dari sejarah yang sedang kita ulangi.

(Tenun mesin power-loom, ukiran oleh J. Tingle setelah Thomas Allom, 1835 / Wikimedia Commons)

1. Pabrik Masih Lama

Kebanyakan orang menjalani hari seperti ini: pagi-pagi pakai AI menulis email, hemat sepuluh menit; lalu dua jam mengikuti rapat mingguan yang sebenarnya bisa tidak diadakan; sore menyalin-tempel data yang sama di tiga alat berbeda; malamnya posting di media sosial bilang "AI keren banget". Sepuluh menit yang dihemat itu kembali hilang karena proses lama yang tidak berubah.

Begitu juga saat mesin uap muncul, pemilik pabrik awalnya hanya mengganti air mill dengan mesin uap, semuanya tetap sama—pabrik tetap di tepi sungai, tetap bangunan bertingkat, tetap poros pusat menggerakkan seluruh jalur produksi. Kita memasang ChatGPT di Slack, menambahkan Copilot ke Office, menyematkan jendela chat AI ke workflow—melakukan hal yang sama. Alat diperbarui, pabrik tidak berubah.

Tapi mengganti mesin baru tidak berarti mengganti pabrik. McLuhan bilang:

Kita mengarahkan masa depan melalui spion belakang. Menggunakan proses lama untuk menampung alat baru, seperti film awal yang hanyalah panggung teater yang difilmkan. Terobosan sejati menunggu saat seseorang benar-benar membebaskan mesin uap dari sungai, dan merancang ulang seluruh cara produksi berbasis kekuatan baru.

Jika kita bandingkan garis waktu revolusi industri dan AI, kira-kira kita bisa menentukan posisi kita di peta:

Saat ini garis waktu sangat dipadatkan. Revolusi industri dari mesin uap ke kereta api memakan waktu 60 tahun, AI dari Transformer ke gelombang pembangunan pusat data hanya 7 tahun.

Kecepatan bukan masalah, masalahnya di mana kita terjebak—empat langkah pertama masih tahap mengganti mesin lama di pabrik lama, mesin uap sudah terpasang, rel kereta juga sedang dibangun, tapi cara produksi tetap sama. Langkah keenam adalah titik balik sejati. Kemungkinan besar kita terjebak di antara dua langkah ini.

Mesin uap sudah di tangan, tapi pabrik masih lama.

2. Uang Terkumpul di Lapisan Terjauh dari Pabrik

Infrastruktur selalu dibangun berlebihan. Yang bangkrut akhirnya investor, bukan infrastrukturnya.

Tahun 1846, parlemen Inggris menyetujui 263 RUU kereta api, membangun 9.500 mil jalur baru. Investasi kereta api mencapai 13% dari PDB Inggris saat puncaknya. Saham kereta bisa dibeli dengan uang muka 10%, banyak kelas menengah berbondong-bondong masuk. Bubble meledak tahun 1847. Se sepertiga jalur yang disetujui tidak pernah dibangun, banyak investor bangkrut. Darwin kehilangan 60% dari investasi di saham kereta, meski keberuntungannya jauh lebih baik dari kebanyakan.

Tapi kereta api tetap tinggal.

Infrastruktur AI hari ini mengikuti jalur yang sama. Goldman Sachs memperkirakan, pada 2026, pengeluaran modal infrastruktur AI global mencapai 765 miliar dolar, dan diperkirakan mencapai 1,6 triliun dolar per tahun pada 2031. Pengeluaran modal dari raksasa cloud meningkat dari sekitar 40% arus kas operasional di 2023 menjadi hampir 70% di 2025. Investasi terkait AI sudah sekitar seperempat dari seluruh investasi AS. 136,8 miliar dolar Aschenbrenner, bertaruh pada lapisan dasar ini—dia tidak bertaruh aplikasi mana yang akan menang, melainkan kekuatan komputasi dasar itu sendiri.

Siklus modal ini sama seperti pengembangan properti: membangun pusat data sama seperti membangun gedung—tanah adalah listrik, bahan bangunan adalah GPU dan penyimpanan, kontraktor adalah perusahaan pembangunan pusat data, pengembang adalah perusahaan cloud, penyewa adalah perusahaan AI, dan sewa adalah pendapatan API. Model bisnis cloud adalah menyewa untuk membiayai pinjaman—menggunakan pendapatan API untuk menutup pengeluaran modal pusat data, menunggu kenaikan valuasi dari ledakan aplikasi AI.

(Properti kekuatan komputasi: generasi infrastruktur)

Risiko utama juga sama: apakah penurunan harga API bisa diimbangi oleh pertumbuhan volume panggilan? Jika sewa turun melewati batas pembayaran utang—ini mimpi buruk bagi pengembang properti. Pelajaran dari 2008 bukan soal membangun terlalu banyak rumah, melainkan struktur rumah dan kebutuhan nyata yang tidak cocok. Risiko setara AI adalah: kelebihan kekuatan komputasi umum, tapi kemampuan profesional untuk menangani skenario bernilai tinggi seperti kepatuhan keuangan dan diagnosis medis tetap langka.

Kereta api, properti, AI—tiga era investasi infrastruktur mengikuti pola yang sama: pembangunan berlebihan adalah norma, produsen bahan bangunan selalu kehilangan kekuasaan penetapan harga, dan pengembalian jangka panjang selalu milik pemilik "lokasi utama". Lihat saja portofolio Q1 dari dana Wall Street—kemungkinan besar 80% berada di lapisan infrastruktur ini: NVIDIA, pusat data, infrastruktur cloud. Tapi kegilaan kereta api mengajarkan kita: ini bukan gambaran lengkap revolusi AI, bahkan bukan lapisan yang paling menguntungkan.

Apa lokasi utama AI? Data industri yang unik, dan workflow yang tertanam dalam secara mendalam. Bagi individu, "lokasi utama" sejati bukan saham yang dimiliki, melainkan kemampuan penilaian dan pengetahuan industri yang tidak tergantikan—asalkan sudah membangun ulang cara mereka menggunakan AI.

Keuntungan sejati ada di lapisan berikutnya. Tapi dari infrastruktur ke penciptaan nilai, tidak ada hubungan langsung. Ada celah di antaranya—secara sejarah, celah ini menyerap puluhan tahun.

3. Siapa yang Membongkar Pabrik

Orang yang membongkar pabrik dan orang yang "menggunakan AI untuk meningkatkan efisiensi" bukan orang yang sama.

Simon, salah satu pendiri bersama Zhao Yiwan, dulu adalah "programmer sepuluh kali lipat", sekarang jarang menulis kode sendiri—dia mengendalikan tiga sampai empat agen AI pengkodean sekaligus, efisiensi mencapai 30 sampai 40 kali lipat. Notion sekarang punya 1.000 karyawan dan lebih dari 700 agen AI. Perbedaannya bukan alat, tapi Simon yang membongkar pabrik lamanya, sementara kebanyakan orang hanya mengganti air mill.

600 juta pengguna di China pernah memakai alat AI generatif, tumbuh 142%—ini adalah kolam permintaan AI terbesar di dunia. Tapi hampir tidak ada perusahaan China yang membangun ulang workflow inti berbasis AI. Permintaan terbesar di dunia, tapi pasokan organisasi perubahan hampir tidak bergerak. Kontras ini sendiri adalah sinyal: bukan alatnya yang kurang, tapi organisasinya yang belum mengikuti. Kerja pengetahuan tersebar di puluhan alat dan puluhan kepala orang, outputnya tidak bisa diverifikasi, tidak ada yang tahu apakah catatan strategi itu efektif.

(Impact pasar tenaga kerja AI: Ukuran baru dan bukti awal)

Anthropic sudah mulai bergerak di skala lebih besar. Mereka merilis Indeks Ekonomi, menggambarkan data penggunaan nyata tentang tugas dan industri apa yang paling dulu digantikan AI, lalu membangun perusahaan layanan berbasis AI bersama Goldman Sachs, Blackstone, Hellman & Friedman; membentuk aliansi global dengan KPMG, 276.000 karyawan terhubung Claude; membentuk grup bisnis di Accenture, melatih 30.000 orang, fokus di keuangan, ilmu kehidupan, dan kesehatan.

Peran konsultan ini bukan sebagai pengguna AI, tapi sebagai insinyur rel kereta AI—mereka tidak membangun mesin uap, tidak membangun rel, mereka membantu perusahaan membongkar pabrik lama dan membangun ulang jalur produksi berbasis kekuatan baru. Tanpa peran ini, kebanyakan pemilik pabrik tidak tahu harus mulai dari mana.

Sinyal sudah menyala. Salah satu yang paling tajam dari pasar tenaga kerja.

14% lebih kecil peluang kerja bagi usia 22-25 tahun yang masuk ke pekerjaan dengan paparan tinggi AI dibanding yang masuk ke pekerjaan paparan rendah. Posisi entry-level sudah tertekan.

Kalau saya lulusan baru, angka ini langsung mempengaruhi pencarian kerja saya. Kalau saya manajer, kemungkinan besar posisi entry-level berikutnya bukan lagi manusia.

Organisasi sedang membongkar, dan individu? Gelar saya, pengalaman saya, pengetahuan industri yang saya kumpulkan—itu adalah air mill saya. Mereka dulu menggerakkan jalur produksi saya, tapi mesin uap sudah datang. Gelar dari universitas ternama bukan lagi tameng, hanya bukti bahwa saya pernah membangun pabrik bagus di tepi sungai.

Sekarang masalahnya, apakah kita mampu meninggalkan sungai itu.

Data dari Anthropic menunjukkan, pengguna yang memakai alat AI lebih dari 6 bulan memiliki tingkat keberhasilan tugas 10% lebih tinggi daripada pengguna baru. Mereka yang mulai setengah tahun lebih dulu sudah unggul 10%, dan selisih ini akan berakumulasi dari waktu ke waktu.

Tapi sejauh ini belum ada perusahaan yang bangkrut karena tidak memakai AI, setidaknya firma hukum saya masih terus berkembang di sekitar AI. Pemenang belum dipilih pasar. Kurva belajar nyata—yang mulai duluan sudah mulai mengumpulkan keunggulan, tapi kebanyakan masih di awal.

4. Profesi Baru Saya Belum Punya Nama

Judul pekerjaan saya sekarang, apakah akan tetap ada sepuluh tahun lagi? Berapa dari daftar alat yang saya pakai lima tahun lalu masih tersisa hari ini? Jawabannya mungkin semuanya tidak, tapi saya tidak tahu apa nama penggantinya—karena alat itu sendiri belum ada.

Sejarah selalu begitu. Hal baru bukan direncanakan, tapi muncul sendiri setelah batasan lama hilang.

Sebelum kereta api dibangun, Inggris adalah kumpulan ekonomi lokal yang terisolasi. Harga kain kapas di Manchester bisa berbeda 30% dari London. Setiap kota punya standar waktu sendiri, tidak ada yang merasa ada masalah. Setelah kereta dibangun, dalam dua puluh tahun semuanya berubah. Pasar nasional yang terpadu pertama kali muncul, selisih harga disamakan; waktu standar dipaksa oleh kereta, bukan diciptakan; pekerjaan stasiun, petugas telegraf, agen perjalanan—semua tidak ada sebelum kereta.

Tidak ada yang meramalkan department store sebelum membangun rel kereta. Tidak ada yang meramalkan waktu standar sebelum mesin uap ditemukan.

(Kemajuan kota: dari uap, baja, hingga AI dengan kecerdasan tak terbatas)

Sejarah kota selalu menceritakan kisah yang sama. Beberapa ratus tahun lalu, kota berskala manusia—jalan kaki 40 menit melintasi Florence. Kerangka baja memungkinkan gedung pencakar langit, kereta menghubungkan kota dan pedesaan, lalu muncul lift, metro, jalan tol. Tokyo, Chongqing, Dallas—bukan versi lebih besar dari Florence, tapi gaya hidup yang sama sekali baru.

Sekarang, pekerjaan pengetahuan juga berskala manusia. Tim puluhan orang, rapat dan email mengikuti ritme, lebih dari ratusan orang sudah tidak mampu. Kita membangun Florence dari batu dan kayu. AI membuat "Tokyo" menjadi nyata—organisasi yang terdiri dari ribuan agen AI dan manusia, workflow berjalan lintas zona waktu. Rapat mingguan lama, perencanaan kuartalan, review tahunan—mungkin tidak lagi relevan.

Simon sudah tidak menulis kode lagi—pekerjaannya sekarang adalah "mengelola agen AI". Dua tahun lalu posisi ini belum ada. Judul profesi saya berikutnya mungkin belum punya nama. Tapi sudah ada yang membangun masa depan yang kita belum bisa sebut namanya.

5. Seperti Apa Pabrik Baru

Setelah membongkar pabrik lama, apa yang dibangun? Jawaban YC: biarkan perusahaan memperbaiki dirinya sendiri.

Sistem internal mereka sekarang bisa memperbarui kode sendiri setiap malam. Seorang karyawan mengirim query di siang hari, gagal dijalankan. Sebuah agen pengawas membaca kegagalan itu, mencari penyebabnya, menulis kode perbaikan, mengirim ke review, dan langsung deploy. Keesokan harinya query yang sama berjalan lancar. Semuanya selesai saat orang tidur.

Ini bukan AI yang meningkatkan produktivitas 30%. Ini sistem yang menyelesaikan seluruh siklus, memikirkan sendiri bagaimana menjadi lebih baik.

Tom Blomfield, mitra YC, menyebut bentuk perusahaan ini sebagai "siklus AI yang memperbaiki diri secara rekursif". Menurutnya, mayoritas perusahaan masih seperti tentara Romawi—bertingkat-tingkat, mengalirkan informasi ke bawah dan ke atas, manusia sebagai saluran informasi. AI yang membongkar bukan hanya efisiensi satu bagian, tapi seluruh struktur hierarki yang mendasarinya.

Dia memperkenalkan logika baru: gunakan Token, bukan tenaga manusia. Bottleneck beralih dari tenaga ke kekuatan komputasi. Data yang mereka lihat: perusahaan yang mengikuti Demo Day, pendapatan per orang meningkat sekitar 5 kali dalam 18 bulan. Peran manajemen menengah diambil alih AI—"kolaborasi" tidak lagi membutuhkan manusia. Setiap orang harus menjadi IC, builder, operator, dengan tanggung jawab yang jelas, bukan komite.

Satu syarat lagi: perusahaan harus "terbaca" oleh AI. Hal yang tidak didokumentasikan sama saja dengan tidak terjadi. YC sekarang menyimpan semua email partner, merekam semua pesan Slack dan rekaman jam kantor. Seorang partner, dengan 3 bulan rekaman 2000 jam, membuat AI menghasilkan buku panduan internal 150 halaman—lebih baik dari versi sebelumnya. Buku ini otomatis diperbarui setiap bulan, menjadi "otak hidup" yang selalu segar.

Tom meninggalkan satu pertanyaan:

Kalau hari ini mulai dari nol membangun perusahaan, apakah kamu akan mengikuti model ini? Kalau perusahaanmu sudah membangun struktur hierarki, pertanyaan lebih sulit: apakah rasa sakit membangun ulang lebih kecil daripada biaya terus menjalankan model Romawi?

Manusia tidak lagi di pusat pabrik, mereka di luar—bertanggung jawab atas bagian yang AI belum bisa masuk: penilaian offline, situasi baru, momen dengan risiko tinggi dan emosi tinggi. Otak perusahaan dibangun dari data, catatan, dan pengetahuan industri. Software yang berjalan di atasnya adalah barang konsumsi, bisa dibuat ulang. Yang berharga ada di dalam kepala manusia—bagaimana bisnis berjalan, langkah mana yang melibatkan penilaian, pemahaman ini adalah aset sejati.

Dalam "Steam, Steel, and Infinite Minds", Zhao Yiwan menggambarkan arah lain—organisasi yang terdiri dari 1.000 karyawan dan 700 agen AI yang berkolaborasi, manusia bertanggung jawab atas penilaian, agen bertugas eksekusi. Aschenbrenner bertaruh pada infrastruktur komputasi, Zhao Yiwan bertaruh pada restrukturisasi organisasi. Dua jalur ini akhirnya menuju satu titik: membangun ulang cara produksi berbasis AI.

6. Penutup

Antara tahun 1840-an dan 1850-an—rel kereta sudah terpasang, pabrik belum dibangun ulang.

Kita di mana? Simon sudah tidak menulis kode lagi. Air mill-nya dia bongkar sendiri.

Masalahnya bukan seberapa bagus mesin uap, tapi siapa yang pertama membongkar pabrik lama.

Saya tidak mau prediksi department store masa depan, saya hanya ingin fokus pada diri sendiri—pastikan saya berada di jalur rel, bukan di tepi sungai yang mengering.

Lalu, kamu?