AI seharusnya menggantikan tenaga manusia. Menurut George Sivulka, pendiri dan CEO Hebbia, yang terjadi justru sebaliknya.
Untuk pertama kalinya dalam sejarah, manusia lebih murah daripada perangkat lunak. AI juga menciptakan lebih banyak pekerjaan daripada yang dihapuskannya. Grafik dalam tulisan Sivulka memperlihatkan pengeluaran token per karyawan dan pertumbuhan jumlah karyawan setelah adopsi AI, tetapi tidak menyediakan angka yang dapat dibaca.
Tujuh paralel, enam slide
Manusia lebih murah. AI sebagai tenaga kerja. Loop. Penimbunan konteks. Evals. Token 100X.
Ini bukan anomali. Teknologi selalu menyelesaikan satu masalah dengan menciptakan masalah lain.
Kali ini, AI memberi setiap karyawan, termasuk yang paling buruk, jumlah tenaga kerja tanpa batas dan anggaran tanpa batas. Ketika kemampuan itu masuk ke organisasi yang tidak sehat, AI tidak memperbaiki sistem. AI memperbesar seluruh disfungsi secara instan.
Pelajaran dari jalur kereta
Pada 1830-an, pembangunan rel kereta menjadi proyek infrastruktur terbesar yang pernah dilihat dunia. Panjang jalur kereta di Amerika bertumbuh 120X dalam satu dekade.
Lalu sistemnya rusak.
Pada 5 Oktober 1841, dua kereta bertabrakan secara fatal di Western Railroad, Massachusetts. Penyebabnya bukan kegagalan mesin yang rumit, melainkan kegagalan koordinasi sederhana.
Ketika jaringan rel semakin kompleks, kondektur individual tidak lagi cukup untuk menjaga perjalanan tetap aman. Perusahaan kereta mulai menunjuk manajer berdasarkan wilayah, menetapkan peran baru, dan membangun hierarki dengan jalur pelaporan yang jelas.
Dari kebutuhan itu, manajemen modern lahir.
Kereta kemudian menjadi industri bernilai miliaran dolar pertama di dunia. Pada puncaknya, sektor ini mewakili sekitar 60% pasar saham.
AI sedang mematahkan sistem organisasi dengan pola serupa. Kemampuan produksi meningkat jauh lebih cepat daripada kemampuan koordinasi. Menurut Sivulka, tenaga kerja manusia dan tenaga kerja berbasis agent bahkan gagal melalui pola yang sama.
Ada 7 paralel utama yang menentukan apakah perusahaan akan memperoleh nilai dari AI atau sekadar membakar kecerdasan dalam skala besar.
1. Tokenmaxxing adalah menambah orang tanpa memperbaiki masalah
Siklus kehebohan tokenmaxxing berlangsung kurang dari sebulan. Namun jumlah token yang digunakan bukan masalah utamanya.
Perusahaan menghabiskan banyak token karena karyawannya belum tahu cara menggunakannya. Mungkin hanya 1 dari 100 karyawan yang tahu cara memberikan konteks kepada AI dengan baik. Orang seperti ini mampu menjelaskan proses secara jernih, sabar menghadapi context window yang tercemar, dan memahami mengapa konteks tersebut memengaruhi hasil.
Berikan sebuah agent harness kepada 99 orang lainnya, lalu yang muncul adalah loop.
Menambah anggaran komputasi tanpa memperbaiki cara kerja sama saja dengan melempar lebih banyak orang ke proyek yang tidak memiliki arahan. Kapasitas naik, tetapi koordinasi tidak ikut naik.
2. Loop adalah rapat tentang rapat
Di Claude Code, Cowork, Copilot, Karpathy Autoresearch, atau harness lain, loop sering menjadi tambalan bagi instruksi manusia yang tidak jelas.
Agent memanggil dirinya sendiri, memeriksa hasilnya sendiri, lalu mencoba memperbaiki dirinya sendiri. Semua itu terjadi karena manusia tidak pernah mengartikulasikan tugas dengan bersih sejak awal.
Alih-alih memahami masalah, sistem menggunakan brute force sebagai jalur menuju kemajuan. AI membelanjakan token untuk mencari tahu mengapa ia membelanjakan token.
Di organisasi manusia, pola yang sama muncul sebagai rapat untuk membahas rapat berikutnya. Aktivitas terlihat sibuk, tetapi masalah inti tidak pernah didefinisikan.
3. Token terbuang adalah pembengkakan jumlah karyawan
Banyak organisasi memiliki lapisan persetujuan, proses, dan jabatan yang keberadaannya hanya mempertahankan mesin organisasi itu sendiri. Orang merekrut lebih banyak orang, sebagaimana token dapat memicu penggunaan lebih banyak token.
Keduanya membentuk loop. Keduanya juga dapat berubah menjadi pembangunan kerajaan internal.
Sivulka menunjuk restrukturisasi X sebagai contoh. Elon Musk memangkas 80% staf X, lalu perusahaan tersebut disebut berkinerja lebih baik. Ini bukan instruksi agar setiap perusahaan memecat 80% karyawannya, melainkan gambaran tentang besarnya inefisiensi yang dapat tersembunyi di dalam organisasi.
Analogi Sivulka sengaja tajam: sebagaimana 80% karyawan tidak melakukan sesuatu yang bermakna bagi bisnis, 80% token hari ini juga tidak melakukan sesuatu yang bermakna.
Masalahnya bukan bahwa karyawan atau token tidak berguna. Masalahnya adalah manajemen yang tidak mampu membedakan pekerjaan bernilai tinggi dari aktivitas yang hanya menghasilkan aktivitas lain.
4. Token 100X adalah insinyur 10X yang baru
Janji lama perangkat lunak sederhana: bangun sekali, jalankan selamanya dengan biaya rendah, dan jangan mengawasinya lagi.
AI mematahkan janji tersebut. Begitu perangkat lunak dapat melakukan hampir apa saja, hasilnya justru menjadi kurang dapat diprediksi untuk satu tugas tertentu.
Token lebih mirip tenaga kerja daripada perangkat lunak tradisional:
- Token bisa lebih akurat daripada manusia, tetapi hanya jika diberi instruksi yang benar.
- Token bisa lebih cepat daripada manusia, tetapi kecepatan tidak berarti banyak setelah 100 percobaan ulang.
- Token tidak memainkan politik kantor, tetapi dapat membangun kerajaan pengeluaran token.
- Token tidak mengundurkan diri, tetapi konteksnya mati ketika model atau sesi berganti.
- Token terlihat dapat dipercaya, tetapi dapat gagal dengan percaya diri dalam format yang sempurna.
Keunggulan nyata AI ada pada skalabilitas. Memperbesar tim manusia membutuhkan perekrutan, orientasi, koordinasi, dan pengelolaan pergantian karyawan. Memperbesar penggunaan token dapat dilakukan seketika.
Karena itu, salah mengelola AI juga menjadi sangat mahal dalam waktu singkat.
Insinyur 10X membantu membangun era perusahaan sebelumnya. Token 100X akan membantu membangun era berikutnya. Untuk pekerjaan tertentu, sedikit konteks yang tepat dapat memangkas upaya AI beberapa tingkat sekaligus dan menghasilkan daya ungkit 100X.
Secara rata-rata, manusia lebih murah daripada token. Namun token yang baik menjadi lebih murah ketika diperbesar skalanya.
Tugas manajemen adalah mengubah yang pertama menjadi yang kedua.
5. Menimbun konteks adalah bentuk baru keamanan kerja
Hambatan AI di dalam perusahaan bukan hanya teknis. Ia juga politis.
Karyawan tidak selalu ingin mengajarkan pengetahuan rahasia mereka kepada AI. Mereka mulai memahami bahwa sistem tersebut bukan cuma alat bantu atau meningkatkan produktivitas. Sistem yang sama juga dapat menyerap proses kerja yang selama ini membuat seseorang sulit digantikan.
Sivulka menyoroti Meta. Bahkan karyawan yang memiliki saham perusahaan dan insentif kuat agar strategi AI berhasil dilaporkan marah ketika konteks karyawan digunakan sebagai data pelatihan. Pada 2 Juni, Polymarket mengutip laporan bahwa Meta mengurangi penggunaan alat pelacakan tetikus berbasis AI setelah mendapat penolakan dari karyawan.
Konflik ini bukan hal baru. Serikat pengrajin abad pertengahan menjaga metode kerja mereka tetap rahasia. Pengetahuan kesukuan telah menjadi sumber keamanan kerja selama berabad-abad.
AI menjadi teknologi pertama yang meminta pekerja menyerahkan seluruh pengetahuan itu sekaligus. Tidak ada orang yang secara sukarela melatih penggantinya tanpa insentif yang sepadan.
Ironisnya, orang yang memegang token 100X, yaitu konteks paling bernilai bagi perusahaan, juga memiliki insentif paling kecil untuk menyerahkannya. Secara emosional, struktural, dan politis, organisasi dapat menolak aset AI terpenting yang mereka miliki.
6. Evals adalah OKR baru
Cara terbaik mengelola tenaga kerja berbasis token sama dengan cara mengelola manusia: definisikan seperti apa hasil yang baik.
Menurut Sivulka, 99% pendapatan AI hari ini berasal dari coding karena coding memiliki evals bawaan. Kode berjalan atau tidak. Hasilnya relatif mudah diuji tanpa harus melewati perdebatan politik dan penilaian yang kabur.
Kasus penggunaan AI lintas bidang membutuhkan mekanisme yang sama. Perusahaan harus membangun evals yang spesifik bagi pekerjaan mereka, bukan hanya mengajari karyawan menulis prompt atau memberi mereka antarmuka percakapan baru.
Pekerjaan manajemen yang sesungguhnya adalah mengubah proses manusia yang kabur menjadi aturan yang dapat diuji. Hal kualitatif perlu diterjemahkan menjadi sesuatu yang dapat dinilai secara konsisten.
Jika OKRs membantu mengarahkan tenaga kerja manusia, evals akan membantu mengarahkan tenaga kerja token yang dapat diperbesar hampir tanpa batas. Kumpulan evals sebuah perusahaan bisa jadi salah satu aset paling berharganya.
Tidak ada dua perusahaan yang memiliki proses, pelanggan, risiko, dan definisi kualitas yang persis sama. Karena itu, evals generik dan agent generik tidak menciptakan keunggulan yang tahan lama.
Keunggulan muncul ketika perusahaan mampu menyatakan dengan tepat apa arti pekerjaan yang baik menurut konteksnya sendiri.
7. Peluang triliunan dolar ada pada perusahaan transformasi
Perusahaan telah bertahun-tahun membeli komitmen penggunaan model fondasi, aplikasi AI, dan sistem internal. Namun di balik seluruh pengeluaran itu terdapat kenyataan yang lebih keras: belum ada yang membuat AI bekerja secara andal.
Salah satu respons Silicon Valley adalah mendanai neofirm atau perusahaan layanan AI-native. Tesisnya, perusahaan baru ini dapat merebut belanja layanan senilai $21 triliun karena pemain lama terlalu terjerat politik dan proses internal untuk melakukan transisi.
Tekanan dari neofirm mungkin mempercepat adopsi AI oleh perusahaan tradisional. Namun aset AI terbesar tetap berada di dalam perusahaan lama: proses yang sudah terbukti, pengetahuan spesifik, hubungan pelanggan, serta saluran distribusi yang sudah berskala.
Karena itu, Sivulka memperkirakan perusahaan transformasi AI akan menjadi 10X lebih besar daripada neofirm mana pun.
Transformasi terdengar seperti proyek satu kali, tetapi Jevons paradox mengubah dinamikanya. Setiap satu kasus penggunaan yang berhasil akan memunculkan sepuluh kasus penggunaan baru. Semakin mampu sebuah perusahaan menggunakan AI, semakin banyak transformasi lanjutan yang dibutuhkannya.
Palantir menjadi contoh penting. Di atas kertas, perusahaan ini bernilai setengah triliun dolar meski bisnisnya membangun aplikasi khusus untuk perusahaan, jenis pekerjaan yang seharusnya mudah terganggu oleh model seperti Claude.
Berdasarkan logika yang membuat SaaS kehilangan daya tarik investasi, $PLTR seharusnya mencapai nol sebelum $NOW. Namun Palantir tidak hanya menjual perangkat lunak. Ia menjual transformasi.
Dalam dunia yang mengutamakan AI, transformasi tidak berhenti pada ontologi, perangkat lunak khusus, atau satu prompt yang cerdas. Pekerjaan utamanya ada pada pembangunan evals, pengurangan penggunaan token, dan pemahaman mendalam terhadap bisnis hingga prosesnya dapat diprogram.
Mengodekan nuansa setiap perusahaan ke dalam agent bisa jadi tugas ekonomi terbesar dekade ini.
Saatnya mengelola kecerdasan
Setiap fase ledakan AI memiliki slogan sendiri. Industri pernah diminta menjual beliung dalam demam emas, lalu membangun infrastruktur. Setelah itu muncul gagasan layanan sebagai perangkat lunak, lalu lahirlah neofirm.
Infrastruktur sudah cukup banyak. Layanan juga sudah cukup banyak. Kini pekerjaan utamanya adalah membuat kereta tiba tepat waktu.
Perusahaan perlu memetakan operasinya, menemukan token 100X, mencatat loop yang benar-benar bekerja, dan mengarahkan kecerdasan yang selama ini terbuang.
Manusia baru saja menjadi lebih murah daripada perangkat lunak. Namun manusia maupun perangkat lunak tetap membutuhkan seseorang yang mampu memberi tahu keduanya apa yang harus dilakukan.