Revolusi Industri AI, kita saat ini berada di mana

Tulisan oleh: Will 阿望

Tahun lalu, saya menghadiri beberapa konferensi industri bertema AI. Pembicara di panggung bergiliran menunjukkan berbagai trik AI, orang di bawahnya memegang ponsel memotret layar, setelah mengirim posting 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 mengandalkan skrip untuk meningkatkan angka sehingga menjadi model kerja keras. Di media sosial, mereka yang seperti itu, hari ini revolusi Claude, besok Codex keren, lusa Gemini berjaya—apakah ini merangkul revolusi, atau sekadar ikut-ikutan cepat?

Semua itu hanyalah noise, bukan jawaban yang saya cari.

Masalah sebenarnya bukan seberapa kuat AI—蒸汽机 (mesin uap) sudah dibuatkan, masalahnya siapa yang pertama kali membongkar pabrik lama.

Hari ketika revolusi industri benar-benar dimulai bukan saat Watt menyempurnakan 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 pada akhir 2025 berjudul "Steam, Steel, and Infinite Minds", dengan analisis dingin: kita masih dalam tahap "mengganti air gerak"—menambahkan chatbot AI ke alat yang ada, tapi belum ada yang merancang ulang pabrik. Mantan karyawan OpenAI, Leopold Aschenbrenner, 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 bertaruh ke luar.

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

(Penenun mesin tenun otomatis, ukiran oleh J. Tingle setelah Thomas Allom, 1835 / Wikimedia Commons)

1. Pabrik atau yang lama

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

Begitu juga saat mesin uap muncul, pemilik pabrik awalnya hanya mengganti air gerak 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 obrolan AI ke dalam alur kerja—melakukan hal yang sama. Alatnya upgrade, pabriknya tidak berubah.

Tapi mengganti mesin baru tidak berarti mengganti pabrik. McLuhan berkata dengan baik:

Kita mengarahkan masa depan melalui kaca spion. Menggunakan proses lama untuk menampung alat baru, seperti film awal yang hanyalah panggung drama 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 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, yang jadi pertanyaan adalah di mana kita terjebak—empat baris pertama masih tahap mengganti mesin lama di pabrik lama, mesin uap sudah terpasang, rel kereta juga sedang dibangun, tapi cara produksi tetap sama. Baris keenam adalah titik balik sejati. Kemungkinan besar kita terjebak di antara dua langkah ini.

Mesin uap sudah di tangan, tapi pabrik tetap lama.

2. Uang terkumpul di lapisan paling jauh dari pabrik

Infrastruktur selalu dibangun secara berlebihan. Yang akhirnya bangkrut adalah investor, bukan infrastruktur.

Tahun 1846, parlemen Inggris mengesahkan 263 undang-undang kereta api, menyetujui pembangunan 9.500 mil jalur kereta baru. Investasi kereta api mencapai 13% dari PDB Inggris saat puncaknya. Saham kereta bisa dibeli dengan uang muka 10%, 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 berjalan di jalur yang sama. Goldman Sachs memperkirakan, pada 2026 pengeluaran modal infrastruktur AI global mencapai 765 miliar dolar, dan diperkirakan akan mencapai 1,6 triliun dolar per tahun pada 2031. Pengeluaran modal dari raksasa cloud mencapai sekitar 40% dari arus kas operasional pada 2023, naik hampir 70% pada 2025. Investasi terkait AI sudah sekitar seperempat dari seluruh investasi di AS. 136,8 miliar dolar Aschenbrenner, bertaruh pada lapisan ini—dia tidak bertaruh aplikasi mana yang menang, melainkan kekuatan komputasi dasar itu sendiri.

Siklus modal ini mirip 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 penyedia cloud, penyewa adalah perusahaan aplikasi AI, dan sewa adalah pendapatan API. Model bisnis penyedia cloud adalah menyewakan untuk membiayai—menggunakan pendapatan API untuk menutup pengeluaran modal pusat data, menunggu lonjakan valuasi dari ledakan aplikasi AI.

(Properti kekuatan komputasi: generasi manusia punya infrastruktur masing-masing)

Risiko utama juga sama: apakah penurunan harga API bisa diimbangi oleh pertumbuhan volume panggilan? Jika sewa turun melewati batas cicilan—ini mimpi buruk bagi pengembang properti. Pelajaran 2008 bukan soal membangun terlalu banyak rumah, tapi struktur rumah dan kebutuhan nyata tidak cocok. Risiko setara AI adalah: kekurangan kekuatan komputasi umum, tapi kemampuan khusus 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: overbuilding adalah norma, produsen bahan bangunan selalu kehilangan kekuasaan penetapan harga, dan pengembalian jangka panjang selalu milik pemilik "lokasi utama". Lihat saja portofolio dana Q1 Wall Street—kemungkinan 80% terkonsentrasi di lapisan infrastruktur ini: NVIDIA, pusat data, infrastruktur cloud. Tapi pelajaran dari gelembung kereta api adalah: ini bukan gambaran lengkap revolusi AI, bahkan bukan lapisan yang paling menguntungkan.

Apa lapisan utama AI? Data industri yang unik dan workflow yang tertanam dalam-dalam. Bagi individu, "lokasi utama" sejati bukan saham yang dimiliki, melainkan kemampuan penilaian dan pengetahuan industri yang tak tergantikan—asalkan sudah membangun ulang cara mereka menggunakannya berbasis AI.

Keuntungan sejati ada di lapisan berikutnya. Tapi dari infrastruktur ke penciptaan nilai, bukan tanpa celah. 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 efisiensi" bukanlah orang yang sama.

Simon, salah satu pendiri Notion, dulu adalah "programmer sepuluh kali lipat", sekarang jarang menulis kode sendiri—dia mengendalikan tiga sampai empat agen pengkodean AI sekaligus, efisiensinya mencapai 30 sampai 40 kali lipat. Sekarang Notion 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 gerak.

600 juta pengguna di China pernah pakai alat AI generatif, tumbuh 142%—ini adalah kolam permintaan AI terbesar di dunia. Tapi hampir tidak ada perusahaan China yang membangun ulang workflow inti mereka berbasis AI. Permintaan terbesar di dunia, tapi organisasi perubahan di sisi pasokan hampir tidak bergerak. Kontras ini sendiri adalah sinyal: bukan alat yang kurang, tapi organisasi yang tidak mengikuti.

Pengetahuan kerja yang tersebar di puluhan alat dan puluhan kepala orang, hasilnya tidak bisa diverifikasi, tidak ada yang tahu apakah catatan strategi itu efektif.

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

Anthropic sudah mulai bergerak di skala yang 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. Yang paling tajam dari pasar tenaga kerja.

Remaja usia 22-25 tahun yang masuk ke pekerjaan dengan paparan tinggi terhadap AI, peluang mereka mendapatkan pekerjaan 14% lebih rendah dibanding yang masuk ke pekerjaan dengan paparan rendah. Posisi entry-level sudah tertekan.

Kalau saya lulusan baru, angka ini langsung mempengaruhi pencarian kerja saya. Kalau saya manajer, mungkin rekrutmen posisi awal berikutnya bukan lagi manusia.

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

Sekarang pertanyaannya, apakah kita mampu meninggalkan sungai itu.

Data dari Anthropic menunjukkan, pengguna yang sudah pakai AI lebih dari 6 bulan, tingkat keberhasilan tugasnya 10% lebih tinggi dari pengguna baru. Mereka yang mulai setengah tahun lebih dulu sudah unggul 10%, dan selisih ini akan berakumulasi secara bunga majemuk.

Tapi belum ada perusahaan yang bangkrut karena tidak pakai AI, setidaknya firma hukum saya masih terus berkembang karena AI. Pemenang belum dipilih pasar. Kurva belajar nyata—yang lebih dulu maju sudah mulai mengumpulkan keunggulan, tapi kebanyakan masih di titik awal.

4. Profesi saya berikutnya belum punya nama

Apakah jabatan saya sekarang akan tetap ada sepuluh tahun lagi? Berapa dari alat yang saya pakai lima tahun lalu masih tersisa? Jawabannya mungkin semuanya tidak ada. Tapi saya tidak tahu apa nama penggantinya—karena alat itu sendiri belum ada.

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

Sebelum kereta api dibangun, Inggris adalah kumpulan ekonomi lokal yang terisolasi. Harga kain katun 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 pertama muncul, selisih harga disamakan; waktu standar dipaksa oleh kereta, bukan diciptakan; pekerjaan seperti stasiun, petugas telegraf, agen perjalanan—semua tidak ada sebelum kereta.

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

(Kereta uap, baja, dan AI dengan kecerdasan tak terbatas)

Sejarah kota-kota menceritakan kisah yang sama. Beberapa ratus tahun lalu, kota berskala manusia—empat puluh menit jalan kaki melintasi Florence. Kerangka baja memungkinkan gedung pencakar langit, rel menghubungkan kota dan daerah pedalaman, lift, metro, jalan tol—semuanya mengikuti. 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" jadi mungkin—organisasi yang terdiri dari ribuan agen AI dan manusia, workflow berjalan terus-menerus lintas zona waktu. Rapat mingguan lama, perencanaan kuartalan, review tahunan—mungkin tidak lagi relevan.

Simon sudah tidak menulis kode—pekerjaannya sekarang adalah "mengelola agen AI". Dua tahun lalu posisi ini belum ada. Jabatan berikutnya saya mungkin belum punya nama. Tapi orang sudah 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 memperbaiki kode mereka sendiri di malam hari. Seorang karyawan mengirim query di siang hari, gagal dijalankan. Sebuah agen pengawas membaca kegagalan itu, mencari penyebabnya, menulis kode perbaikan, mengirim ke review, dan deploy otomatis. Keesokan harinya query yang sama berjalan lancar. Semuanya selesai saat orang tidur.

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

Tom Blomfield dari YC dalam sebuah presentasi menyebut bentuk perusahaan ini sebagai "siklus AI yang memperbaiki diri secara rekursif". Dia berpendapat: kebanyakan perusahaan masih seperti tentara Romawi—mengalirkan informasi dari atas ke bawah dan sebaliknya, manusia berperan sebagai saluran informasi. AI yang membongkar bukan hanya efisiensi satu bagian, tapi seluruh struktur hierarki yang mendasarinya.

Logika baru yang dia tawarkan: gunakan Token, jangan gunakan tenaga manusia. Batasan beralih dari tenaga manusia ke kekuatan komputasi. Data yang mereka lihat menunjukkan, perusahaan yang mengikuti Demo Day sudah meningkatkan pendapatan per orang sekitar 5 kali lipat dalam 18 bulan. Peran manajemen menengah diambil alih AI—"kolaborasi" tidak lagi perlu manusia. Setiap orang harus menjadi IC, builder, operator, dengan tanggung jawab yang jelas, bukan komite.

Satu lagi syarat: perusahaan harus "bisa dibaca" oleh AI. Hal yang tidak didokumentasikan sama saja tidak pernah terjadi. Saat ini, semua email partner, pesan Slack, rekaman jam kantor disimpan dan diarsipkan. Seorang partner mengumpulkan 2000 jam rekaman selama tiga bulan, lalu AI menggunakannya untuk membuat ulang buku panduan internal 150 halaman—lebih baik dari versi sebelumnya. Buku ini otomatis diperbarui setiap bulan, menjadi "otak aktif" yang selalu segar.

Tom meninggalkan satu pertanyaan:

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

Manusia tidak lagi di pusat pabrik, mereka di luar—bertanggung jawab atas bagian yang sementara AI belum bisa masuk: penilaian offline, skenario 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 dan dibuat lagi. 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 sisi lain dari arah ini—organisasi yang terdiri dari 1.000 karyawan dan 700 agen AI yang bekerja sama, manusia bertanggung jawab atas penilaian, agen bertanggung jawab atas eksekusi. Aschenbrenner bertaruh pada kekuatan 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 geraknya dia yang bongkar sendiri.

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

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

Kalau kamu?