Apakah ChatGPT dan Claude akan menghapus semua pekerjaan?

a16z mitra Joe Schmidt IV menunjukkan bahwa laboratorium model besar hanya akan memimpin tugas horizontal, sedangkan peluang aplikasi AI yang sebenarnya tersembunyi dalam skenario vertikal dan alur kerja yang kompleks.
（Prakata: Altman menarik kembali ramalan "AI menghancurkan pekerjaan manusia": Saya sangat senang saya salah, sungguhkah?）
（Latar belakang tambahan: Google memimpin investasi di platform routing AI OpenRouter, valuasi 1,3 miliar dolar AS tumbuh 240% dalam satu tahun）

Daftar isi artikel

Toggle

• Jalan Batu Kuning
• Tempat lain di Negeri Oz
• Mengapa tempat lain di Negeri Oz tidak akan diduduki penyihir
• Studi kasus bidang penjualan—saran praktis dari CEO 11x
  • Fokus pada hasil
  • Mengatasi masalah dengan tingkat kompleksitas tinggi
  • Penghalang bukan hanya untuk mencegah hal buruk terjadi, itulah alasan pelanggan membayar
• Studi kasus bidang asuransi—saran praktis dari CEO FurtherAI
• Bagaimana Anda menilai apakah Anda berada di tempat lain di Negeri Oz?
• Keduanya bisa (dan akan) menang

Pengusaha dan calon karyawan terus bertanya kepada saya satu pertanyaan yang sama: Apakah masih ada ruang yang layak dibangun dalam lapisan aplikasi AI? Atau OpenAI dan Anthropic akan menyingkirkan semuanya?

Di balik pertanyaan ini tersembunyi semacam "kecemasan AI" yang khusus. Beberapa orang sudah menyimpulkan bahwa untuk menghindari menjadi kelas bawah permanen, satu-satunya tempat yang bisa bertahan lama adalah di laboratorium besar atau di bidang terdepan seperti robot dan teknologi keras—secara teori apa pun yang "tidak bisa dijangkau laboratorium".

Jika setiap perangkat lunak akan segera ditelan, baik oleh Codex maupun Claude yang langsung menggantikan pekerjaan, atau oleh model masa depan yang membuat segala sesuatu yang Anda bangun menjadi tidak relevan, maka lari saja!

Dengarkan, saya hampir sama seperti semua orang adalah penganut AI supremasi, tapi saya rasa mereka hanya benar setengah. Laboratorium memang sedang mengikis sebagian besar peta aplikasi. Tapi "lapisan aplikasi" bukanlah peluang tunggal dan homogen. Kerangka berpikir yang benar adalah: Anda berada di "Jalan Batu Kuning" dari "Perjalanan ke Oz", atau di tempat lain di dunia ajaib Oz?

Jalan Batu Kuning adalah singkatan dari jalan yang sedang ditempuh laboratorium, mereka menginvestasikan sumber daya yang luar biasa di sana. Alasan laboratorium paling cocok menyelesaikan masalah seperti pembuatan kode, penulisan, atau penciptaan gambar, adalah karena masalah-masalah ini dapat diperbaiki seiring peningkatan "kemampuan asli model": setiap dolar yang diinvestasikan dalam pra-pelatihan dan pasca-pelatihan langsung meningkatkan kualitas produk.

Sementara itu, tempat lain di Negeri Oz penuh dengan masalah yang lebih kompleks dan biasanya bersifat vertikal. Masalah ini bukan sekadar memberi pengguna perusahaan alat umum dan hak akses komputer.

Nilainya lebih dari sekadar kemampuan model dasar (meskipun ini tetap penting!), melainkan dari kerangka pendukung (scaffolding) yang mengelilinginya, yang membuat output di industri tertentu menjadi dapat dipercaya, sesuai regulasi, dan dapat digunakan secara nyata.

Kita sedang menyaksikan situasi ini secara langsung: OpenAI dan Anthropic secara nyata menyampaikan pesan ke pasar bahwa mereka tidak bisa menyelesaikan semua masalah dengan satu AI umum. Mereka telah mengumumkan rencana kemitraan besar untuk deployment front-line, membangun perusahaan yang mengkhususkan model yang dikonfigurasi dan disesuaikan untuk perusahaan. Jika Anda berpikir bahwa peluncuran model berikutnya akan menyelesaikan semuanya, Anda pasti tidak akan menginvestasikan miliaran dolar ke dalam proyek ini.

Jadi, jika Anda ingin menjadi kaya dari pengembangan aplikasi AI—hindarilah Jalan Batu Kuning, dan jelajahi tempat lain di Negeri Oz. Berikut adalah pelajaran yang kami dan beberapa pengusaha dalam portofolio kami pelajari tentang apa yang benar-benar efektif.

Jalan Batu Kuning

Jika Anda ingin memulai usaha, Jalan Batu Kuning adalah jalur yang paling jelas, tetapi juga paling berisiko. Ambil model berkinerja tinggi, pasang beberapa konektor siap pakai (seperti Google Drive, Slack, Salesforce, Notion, GitHub), lalu bangun semacam Agent (agen cerdas) dengan lapisan orkestrasi di atasnya. Sungguh seperti sihir!

Masalahnya di sini adalah, ini persis apa yang dilakukan laboratorium melalui Cowork dan Codex. Jelas, mereka memiliki model itu sendiri, yang memberi mereka margin keuntungan lebih baik, kontrol lebih besar, dan kemampuan untuk menetapkan harga kepada pihak lain di hilir.

Namun yang paling penting, mereka juga menguasai "pilihan arsitektur" yang menentukan produk mereka dapat menyelesaikan masalah secara sempurna. Hingga saat ini, mereka telah memikirkan secara matang tentang mode "pemanggilan alat (tool calls)" yang cocok untuk pekerjaan tingkat rendah dan horizontal—itulah level yang dibutuhkan di Jalan Batu Kuning. Bahkan startup yang mampu melampaui Codex atau Claude Code dalam beberapa aspek, tetap memiliki jalur distribusi besar dan aura merek terkuat di bidang AI.

Jika Anda adalah perusahaan aplikasi AI, meniru pola ini, menggunakan konektor yang sama, tanpa sub-Agent maupun konfigurasi mendalam, dan tanpa saluran distribusi, maka Anda mungkin sedang berjalan menuju jalan buntu.

Tempat lain di Negeri Oz

Bagi startup, ini bukan akhir dari segalanya. Di luar Jalan Batu Kuning, ada peluang besar, dan startup di sana memiliki jalur yang jelas untuk mendapatkan pelanggan mereka sendiri dan menyelesaikan masalah yang kompleks.

Perusahaan-perusahaan ini membangun pengalaman Agent, mengintegrasikan model ke dalam jaringan kompleks yang terdiri dari alat, otomatisasi, dan integrasi (alias: perangkat lunak), yang membuat sebagian besar startup semacam ini secara default bersifat vertikal.

Mereka dapat fokus pada pekerjaan berlangkah banyak dan kolaborasi multi-peran, serta membangun sub-Agent (sub-agen) untuk tugas tertentu dan peran vertikal—yang tidak bisa dijangkau oleh platform umum seperti Anthropic dan OpenAI: mengumpulkan konteks dari berbagai sistem, lalu mengarahkan ke banyak orang yang harus melakukan review di berbagai tahap.

Ini biasanya melibatkan satu atau lebih sistem warisan (legacy systems), cenderung membutuhkan hasil yang pasti (tanpa ruang untuk keraguan), dan sering kali terkait langsung dengan hasil bisnis bernilai tinggi.

Laboratorium sangat memahami nilai dari masalah ini: itulah sebabnya mereka membangun departemen konfigurasi outsourcing mereka sendiri, dan mengapa ada seluruh bisnis reinforcement learning yang berorientasi pasar premium.

Mengapa tempat lain di Negeri Oz tidak akan diduduki penyihir

Untuk pandangan di atas, ada yang membantah bahwa sejauh ini, memegang posisi short terhadap model/laboratorium adalah taruhan yang tidak menguntungkan. Mereka kemungkinan akan terus berkembang dan akhirnya menelan pasar yang dilayani oleh perusahaan lapisan aplikasi ini.

Laboratorium tentu akan terus maju, tapi saya percaya bahwa perusahaan di tempat lain di Oz, seiring waktu, bisa melindungi diri mereka dengan beberapa cara:

Flywheel data dan pembelajaran: Sebagian besar pengetahuan yang mereka internalisasi tidak ada di dalam dataset pelatihan—aturan industri yang tidak tertulis, standar yang tidak terdokumentasi, dan kecerdasan kolektif yang ada di kepala para profesional. Semuanya tidak bisa ditemukan di situs web publik. Lebih banyak daya komputasi pelatihan pun tidak akan menggantikan "alur kerja" yang benar-benar mengandung pengetahuan ini.

Ada dua flywheel yang saling bertumpuk: satu adalah flywheel antar pelanggan (ketika Anda melihat lebih banyak variasi dari masalah yang sama, pola akan berkembang secara eksponensial); yang lain adalah flywheel internal pelanggan (alasan di balik keputusan tertentu, pengecualian yang tidak diungkapkan, dan aturan pengalaman perusahaan sendiri—semuanya hanya muncul melalui interaksi nyata dengan sistem).

Perusahaan yang menjalankan Agent mereka melalui 100 kali revisi ketentuan hukum, 1000 kali siklus underwriting asuransi, atau 10.000 kali aktivitas pemasaran SDR, telah menginternalisasi bentuk esensial dari masalah tersebut—yang tidak bisa ditiru oleh pendatang baru saat mereka memulai Agent baru. Eval set, label output, dan metode klasifikasi kondisi ekstrem dapat membentuk sebuah flywheel data vertikal yang unik, yang memberi kekuatan untuk fine-tuning.

Variasi dan kompleksitas pengelolaan model: Laboratorium sudah melakukan routing—menggunakan model berbeda untuk permintaan berbeda, melakukan ensemble di tingkat dasar. Tapi mereka tidak bisa melakukan "routing antar vendor", atau menilai model pesaing untuk sub-tugas tertentu, atau menggunakan model open-source yang di-fine-tune di bagian tertentu. Perusahaan di tempat lain di Oz akan memilih model paling cocok untuk setiap sub-tugas di seluruh pasar model.

Setiap kali model baru dirilis, mereka juga harus menanggung pekerjaan yang tidak diinginkan—mengulang evaluasi saat upgrade, menyesuaikan prompt untuk kondisi ekstrem pelanggan, dan melakukan deployment tanpa mengganggu produksi. Laboratorium tidak melakukan ini untuk klien mereka; mereka hanya menjual model berikutnya dan menyuruh klien melakukan migrasi sendiri. Perusahaan di tempat lain di Oz menyerap biaya migrasi ini.

Optimisasi biaya: Menjalankan setiap query dengan model besar terbaru adalah jalan tercepat menuju kerugian. Perusahaan aplikasi terbaik melakukan routing di antara berbagai tingkat model—menggunakan model terbaru untuk tugas paling sulit, model menengah untuk sebagian besar tugas rutin, dan model yang lebih kecil atau disesuaikan untuk bagian tertentu.

Laboratorium menetapkan harga dasar: menawarkan kecerdasan minimal dengan biaya tertentu per dolar. Perusahaan di tempat lain di Oz sebaliknya—menyediakan tingkat kecerdasan yang dibutuhkan untuk alur kerja tertentu dengan biaya dolar paling rendah. Ini hanya mungkin jika Anda tahu secara tepat apa yang dibutuhkan setiap sub-tugas.

Tata kelola (Governance): Menjadi panel kontrol (control plane) untuk pelanggan yang menjalankan AI di bidang vertikal tertentu sangat berharga—di sinilah hak akses, audit, apa yang dilakukan Agent, dan apa yang dilakukan Agent secara nyata bertemu.

Karena mereka memiliki alat, alur kerja, dan data yang dilibatkan Agent secara end-to-end, mereka mampu memberikan hasil yang pasti. Mereka juga menjadi entitas yang menanggung kompleksitas regulasi untuk pembeli akhir—aturan hukum, HIPAA di bidang medis, SEC dan FINRA di bidang keuangan, serta regulasi asuransi di berbagai negara bagian. CIO ingin memiliki mitra yang dapat secara kontrak menyatakan "mereka mengelola kepatuhan untuk Agent yang mereka sediakan".

Semua ini dapat dirangkum dalam satu hal: fokus. Bisa berupa bidang vertikal (asuransi, hukum, akuntansi), atau fungsi mendalam (penjualan, dukungan pelanggan, keuangan). Laboratorium bukanlah untuk tujuan ini. Mereka harus hadir di mana-mana, melayani semua orang, dan itulah alasan mereka membangun kembali Jalan Batu Kuning. Penyeimbangan ini juga menjauhkan mereka dari tempat lain di Oz—Anda tidak bisa hadir di mana-mana dan sekaligus unggul di satu bidang. Keduanya tidak bisa bersamaan.

Studi kasus bidang penjualan—saran praktis dari CEO 11x

Bagaimana Anda harus memikirkan masalah ini dalam praktik? Berikut adalah beberapa saran praktis dari CEO 11x, Prabhav Jain:

Fokus pada hasil

Strategi utama untuk membangun perusahaan yang kebal terhadap laboratorium adalah memulai dari hasil "spesifik" yang benar-benar dihargai pelanggan. Bagi kami, itu adalah membantu perusahaan membangun lebih banyak pipeline penjualan.

Apa aktivitas yang benar-benar mendorong pipeline secara end-to-end? Pecah aktivitas menjadi tugas-tugas. Mana yang membutuhkan Agent, mana yang tidak. Ketika alur kerja melibatkan banyak langkah, input yang berantakan, status yang sulit dipahami, atau ada batasan dunia nyata, hanya model yang lebih baik tidak cukup. Tugas ini menjadi tanggung jawab rekayasa perangkat lunak tradisional.

Contohnya, tugas yang kami tangani meliputi: pengembangan prospek berdasarkan sinyal khusus, pengayaan data, riset akun mendalam, pengambilan konteks CRM, penulisan pesan untuk saluran tertentu, Agent kualifikasi prospek, dan sistem pengiriman email. Ini bukan tugas yang bisa diselesaikan sekali jalan (one-shot), mereka membutuhkan kedalaman rekayasa. Sekitar separuh dari alur kerja nyata tidak melibatkan Agent, dan bagian ini sama sekali tidak memiliki keunggulan laboratorium.

Mengatasi masalah dengan tingkat kompleksitas tinggi

Masalah kompleks adalah kunci untuk membuka nilai bisnis sejati. Kalau tidak, Anda hanya membangun kerangka tipis (thin wrapper).

Contohnya dari bidang pengembangan pasar (GTM): jika sebuah perusahaan sudah menjadi pelanggan Anda, Anda seharusnya tidak menghubungi kontak tertentu di perusahaan itu.

Tapi kenyataannya tidak sesederhana itu. Bagaimana jika perusahaan memiliki puluhan anak perusahaan? Jika catatan CRM hanya berisi domain induk? Jika kolom pencocokan yang kedaluwarsa mengirim email cold pitch ke kepala pendapatan (CRO) pelanggan yang sudah ada? Mengurai kekacauan ini membutuhkan Agent khusus yang disesuaikan dengan bentuk masalah tersebut, bukan copilot umum.

Penghalang bukan hanya untuk mencegah hal buruk, itulah alasan pelanggan membayar

Penghalang sangat diremehkan. Perlindungan yang diminta oleh calon pelanggan layanan keuangan yang diatur sangat berbeda dari pelanggan SaaS menengah—perlindungan ini meliputi bagaimana Agent menulis, siapa yang dapat dihubungi, data apa yang dapat diakses, dan bagaimana setiap keputusan didokumentasikan.

Perbedaan ini membuat sistem satu ukuran pasti akan gagal. Penghalang harus dibangun sesuai skenario penggunaan, dikonfigurasi sesuai pelanggan, dan diaudit secara berkelanjutan. Itulah mengapa kita memiliki insinyur deployment front-line (FDE) dan konsultan strategi deployment teknologi, yang menyesuaikan kebutuhan setiap pelanggan.

Studi kasus bidang asuransi—saran praktis dari CEO FurtherAI

Penjualan adalah satu contoh. Asuransi adalah contoh lain, yang mengonfirmasi pandangan yang sama dari sudut pandang berbeda. Berikut adalah pandangan CEO Aman Gour dari FurtherAI:

"Ketika kami mulai menerapkan AI di industri asuransi yang sesungguhnya, kami selalu mendengar asumsi tertentu: model adalah kecerdasan, dan alur kerja hanyalah kerangka di sekitarnya.

Semakin banyak perusahaan asuransi yang kami kerjasamakan, semakin kami yakin bahwa pandangan ini terbalik. Di industri asuransi, banyak kecerdasan sebenarnya terletak pada alur kerja itu sendiri.

Dua perusahaan asuransi bisa mengajukan aplikasi asuransi melalui jalur yang tampaknya sama: pengajuan, peninjauan, penawaran, dan underwriting. Tapi jalur ini adalah bagian paling sederhana. Yang membedakan kedua perusahaan adalah detailnya: risiko apa yang harus dilaporkan, sinyal kerugian apa yang penting, ketika dua aturan "selera" (appetite) bertentangan, mana yang menang, kapan perlu tanda tangan manusia, dan bagaimana keputusan akhir didokumentasikan. Logika ini tidak ada dalam mesin aturan yang bersih dan rapi. Ia tersebar di SOP, review manajer, filosofi underwriting, dan pengalaman operasional bertahun-tahun.

Itulah sebabnya kami terus membangun alur kerja berbasis Agent (agentic workflows). Alur kerja yang rapi, dapat diaudit, dan hemat biaya; Agent menangani variabilitas dan memperbaiki saat jalur standar gagal; manusia tetap dalam proses (human-in-the-loop) untuk keputusan yang memerlukan akuntabilitas.

Lama kelamaan, alur kerja ini tidak lagi sekadar skrip, tetapi menjadi memori operasional (operating memory) perusahaan asuransi. Ini bagian yang sulit dijangkau laboratorium. Pemahaman ini hanya muncul dari menjalankan alur kerja tersebut ribuan kali di lingkungan produksi. Anda tidak akan mendapatkan keunggulan dari alur kerja yang Anda rilis hari pertama—seiring waktu, penggunaan di lingkungan produksi dan umpan baliknya yang membentuk siklus tertutup yang sesungguhnya."

Bagaimana Anda menilai apakah Anda berada di tempat lain di Negeri Oz?

• Uji alat dan langkah (The tools-and-steps test): Berapa banyak langkah yang dibutuhkan untuk pekerjaan ini? Seberapa kompleks alat yang harus Anda bangun untuk mendukungnya? Bandingkan: satu sisi adalah pencarian AI horizontal melalui Google Drive (satu alat, satu langkah, toleransi kesalahan tinggi); sisi lain adalah revisi ketentuan hukum multi-langkah yang melibatkan puluhan alat dan harus melalui review partner. Keduanya tampak seperti "Agent bekerja", tapi hanya satu yang membutuhkan pengembangan perangkat lunak mendalam selama bertahun-tahun.
• Uji sistem (The system test): Apakah Anda membangun "sistem" yang memungkinkan pelanggan menjalankan pekerjaan mereka, atau hanya "alat" yang dipasang di atas sistem yang sudah ada? Sistem memiliki alur kerja lengkap—pengumpulan data, tata kelola, pencatatan hasil. Sebaliknya, alat hanya menambah kecerdasan ke alur kerja yang sudah berjalan. Nilai kontrak tahunan tinggi (ACV) biasanya menandai sistem, karena menggantikan tenaga manusia secara nyata. Tanya diri Anda: jika sebuah laboratorium meluncurkan produk yang secara langsung bersaing, apakah pelanggan masih membutuhkan alat Anda? Jika ya, Anda membangun sistem.
• Uji hedge fund / P&L (The hedge fund / P&L test): Kinerja laboratorium dinilai berdasarkan benchmark, sedangkan kinerja di tempat lain di Oz dinilai berdasarkan laporan laba rugi (P&L) pelanggan. Pelanggan tidak peduli seberapa tinggi skor model Anda di benchmark—mereka peduli apakah Agent Anda membantu melakukan transaksi, dan apakah kontrak diperbaiki dengan benar. Perusahaan Agent terbaik harus berkompetisi seperti hedge fund—menang dalam "keuntungan berlebih (Alpha)" yang diukur dari laba pelanggan.

Keduanya bisa (dan akan) menang

Kita akan melihat pemenang besar baik di Jalan Batu Kuning maupun di luar sana. Perusahaan model akan terus menang karena mereka memiliki model itu sendiri dan saluran distribusi alat umum yang mereka rancang.

Perusahaan di tempat lain di Oz, jika mampu membangun sistem kerja (system of work), akan menang—yaitu, sistem operasional perusahaan yang menjalankan pekerjaan nyata dan data yang dihasilkan serta ditangkap. Seiring alur kerja vertikal yang semakin kompleks matang, mereka akan menjadi bagian dari pengalaman inti yang diandalkan pelanggan. Model dasar bisa digantikan, tetapi sistem kerja tidak.

Generasi berikutnya dari perangkat lunak perusahaan akan lahir di luar Jalan Batu Kuning.