Melihat Kebutuhan Nilai dan Peluang Masyarakat pada Tahap Berikutnya melalui Model Bisnis AI-Native

Belakangan, ketika menata hubungan antara pusat kajian, SOP Empat Arah, dan AI Skill, saya melangkah lebih jauh dalam berpikir: jika AI dapat terlibat dalam semakin banyak pekerjaan perusahaan, bagaimana model bisnis perusahaan akan berubah?

Satu tindakan dapat ditata menjadi Skill. Sejumlah tindakan digabungkan menjadi hasil pekerjaan suatu jabatan, lalu hasil dari sejumlah jabatan, melalui kerja sama dalam proses bisnis, memenuhi unsur-unsur kunci yang diperlukan untuk membentuk hasil usaha. Unsur-unsur kunci itu kemudian diorganisasikan hingga akhirnya menghasilkan hasil usaha perusahaan.

Jika dilihat sepanjang proses ini, peluang yang dibawa AI akan meluas dari penggunaan suatu alat menuju cara perusahaan mengorganisasikan pekerjaan, menyerahkan nilai, dan memperoleh pendapatan.

Jika sudut pandangnya diperluas lagi, apabila kemampuan AI terus meningkat dan dipadukan dengan robot, di manakah nilai manusia? Sumber daya apa yang diperlukan AI itu sendiri? Kebutuhan baru apa yang akan muncul selama masa peralihan ketika manusia dan AI bekerja bersama?

Semua pertanyaan ini mengarah pada hal yang lebih ingin saya teliti: bagaimana sisi kebutuhan akan nilai dalam keseluruhan perekonomian dan masyarakat akan berubah pada tahap berikutnya, dan dari mana kita dapat berpartisipasi. Di bawah ini saya menata pemikiran saya saat ini, dengan melihat hal-hal yang dapat diuji sekarang sekaligus tetap membuka pembahasan tentang skenario masa depan.

Di antaranya, ada produk dan layanan AI-native, ada infrastruktur yang mendukung AI, dan ada pula layanan transformasi yang muncul dari penerapan teknologi. Ketiganya berada pada posisi berbeda dalam rantai nilai yang sama, sehingga tidak dapat semuanya dimasukkan ke dalam satu jenis model bisnis.

I. Perjelas dahulu apa yang diubah oleh AI-native

Dalam pemahaman saya, AI-native berarti sejak merancang produk, layanan, dan cara menjalankan usaha, kita sudah memperhitungkan pekerjaan yang dapat ditangani AI, lalu menata ulang manusia, proses, sumber daya, dan tanggung jawab.

Sebagai contoh, dalam layanan riset yang sama, satu pendekatan adalah memakai AI untuk membantu menulis laporan. Pendekatan lain adalah terus mengumpulkan informasi, mengidentifikasi perubahan, memeriksa bukti, dan mengajukan hal-hal yang perlu diperhatikan berdasarkan persoalan yang menjadi perhatian pelanggan, kemudian meminta tenaga profesional meninjau dan membuat penilaian, sehingga terbentuk layanan riset yang berkelanjutan.

Kedua pendekatan itu sama-sama mungkin bernilai. Pendekatan kedua lebih jelas mengubah cara layanan diorganisasikan, sekaligus membuka kemungkinan menyerahkan pekerjaan yang sebelumnya membutuhkan cukup banyak tenaga manusia untuk dijalankan terus-menerus dengan biaya dan frekuensi yang berbeda.

Bagi saya, untuk menilai apakah suatu model layak diteliti, kita dapat memulai dengan empat pertanyaan:

1. Masalah apa yang perlu diselesaikan pelanggan, dan mengapa mereka bersedia membayar?
2. Setelah AI terlibat, apa yang berubah dalam cara bekerja, kecepatan penyerahan hasil, dan struktur biaya?
3. Bagaimana hasil diperiksa untuk diterima, dan siapa yang bertanggung jawab jika terjadi masalah?
4. Setelah setiap penyerahan, apakah ada pengetahuan yang tertinggal untuk terus digunakan dan diperbaiki?

Jika pertanyaan-pertanyaan ini belum diperjelas, sekalipun banyak alat AI digabungkan, tetap sulit menilai apakah model bisnisnya dapat berjalan.

II. Delapan jenis peluang yang saya lihat

Delapan jenis berikut merupakan upaya menata peluang berdasarkan cara nilai diserahkan, dan satu sama lain dapat beririsan. Satu perusahaan juga mungkin memakai beberapa pendekatan sekaligus.

1. Produk AI yang bekerja terus-menerus

Sebagian kebutuhan tidak selesai hanya dengan satu kali pengerjaan. Perusahaan perlu terus memahami perubahan persaingan, pengelola perlu terus mengikuti perkembangan proyek, dan pelanggan juga terus mengajukan persoalan baru.

Jika AI dapat terus menangani pekerjaan ini dalam lingkup yang jelas, yang diserahkan produk tersebut mencakup suatu kemampuan yang beroperasi secara berkelanjutan. Misalnya, secara berkala menata perubahan dalam suatu industri, menemukan informasi yang perlu diperhatikan, menyimpan sumbernya, dan mengingatkan penanggung jawab terkait.

Produk semacam ini dapat mengenakan biaya berdasarkan langganan, penggunaan, atau jumlah tugas. Apakah pelanggan memperpanjang langganan pada akhirnya bergantung pada kemampuannya membantu mereka menyelesaikan pekerjaan secara konsisten, bukan pada seberapa mengesankan demonstrasi pertamanya.

2. Layanan AI yang menyerahkan hasil konkret

Banyak layanan profesional dapat diorganisasikan ulang.

Ambil penataan operasi usaha perusahaan sebagai contoh. Pertama, dapatkan otorisasi pelanggan, lalu analisis logika penciptaan nilai dan pendapatannya berdasarkan dokumen, serta tata proses bisnis, tanggung jawab jabatan, dan persoalan pekerjaan. AI menangani penataan dan analisis yang cocok untuk distandardisasi, sedangkan tenaga profesional bertanggung jawab atas verifikasi, penilaian, dan penanganan pengecualian, hingga akhirnya terbentuk hasil yang dapat digunakan pelanggan.

Pendapatan dapat berasal dari biaya proyek, atau menggunakan biaya layanan dasar ditambah biaya tugas yang hasilnya diterima. Prasyaratnya adalah memperjelas lingkup penyerahan: apakah yang diserahkan berupa diagnosis dan saran yang memenuhi standar, atau pendampingan pelanggan hingga pelaksanaan selesai. Keduanya membawa tanggung jawab dan biaya yang berbeda.

Jika sejak awal pembagian pendapatan ditetapkan berdasarkan pertumbuhan laba pelanggan, maka dasar pembanding, atribusi, periode pengamatan, dan pengaruh pelaksanaan oleh pelanggan sendiri harus dipertimbangkan lebih jauh. Penetapan biaya berdasarkan hasil memang menarik, tetapi hasil yang sulit dikendalikan tidak boleh begitu saja ditulis sebagai janji.

3. Fungsi digital yang terus menyediakan hasil pekerjaan

Jika beberapa Skill dapat bekerja sama secara stabil, layanan memiliki peluang berkembang dari satu tindakan menuju tugas fungsional suatu jabatan.

Asisten riset dapat menggabungkan pengumpulan informasi, pemeriksaan sumber, penataan pandangan, dan pengingat pembaruan. Koordinasi proyek dapat menggabungkan penguraian tugas, tindak lanjut tahapan, perangkuman masalah, dan persiapan rapat. Layanan pelanggan dapat menggabungkan identifikasi kebutuhan, penelusuran pengetahuan, persiapan jawaban, dan pengalihan kepada petugas manusia.

Kemampuan semacam ini dapat disediakan setiap bulan, dengan biaya berdasarkan volume tugas, lingkup layanan, dan jumlah dukungan manusia.

Yang perlu diperhatikan di sini adalah tanggung jawab jabatan atas hasil. Menyelesaikan banyak tindakan tidak berarti tugas fungsional suatu jabatan telah tercapai. Sekalipun AI menangani pelaksanaan, tetap perlu diperjelas kewenangan, penerimaan hasil, dan keadaan yang memerlukan keputusan manusia.

4. Pengetahuan profesional dan keahlian pakar yang dapat diakses

Banyak pengalaman berharga tersebar dalam benak pakar, dokumen, dan proyek. Melalui otorisasi dan penataan, pengalaman itu secara bertahap dapat dibentuk menjadi pemikiran, model, metode, kasus, alat, dan Skill.

Dengan begitu, selain berkonsultasi langsung dengan pakar, pelanggan juga mungkin mengakses salah satu kemampuan yang telah ditata dengan jelas. Misalnya, menggunakan suatu metode untuk memeriksa bukti apa yang masih kurang dalam rencana bisnis, lalu meminta pakar meninjau kembali persoalan kunci.

Pendapatan dapat berasal dari lisensi pengetahuan, layanan akses kemampuan, tinjauan profesional, atau penyerahan gabungan. Bagaimana nama kontributor dicantumkan dan bagaimana mereka memperoleh imbalan juga dapat diperjelas dalam proses ini.

Batas hak atas pengetahuan perlu dipertimbangkan pada saat yang sama: dapat dibaca tidak berarti dapat dipublikasikan; dapat digunakan untuk tugas saat ini juga tidak berarti dapat digunakan untuk pelatihan lintas pelanggan atau dilisensikan kembali. Hanya setelah hubungan-hubungan ini jelas, pengetahuan memiliki kondisi yang diperlukan untuk terakumulasi dan beredar dalam jangka panjang.

5. Jaringan kerja sama yang diorganisasikan di sekitar kebutuhan

Satu kebutuhan pelanggan sering kali memerlukan berbagai kemampuan profesional untuk diselesaikan bersama.

Misalnya, ekspansi perusahaan ke luar negeri dapat melibatkan riset pasar, merek, produk, pembayaran, hukum, dan operasi. AI dapat membantu memperjelas kebutuhan, menguraikan tugas, mencocokkan sumber daya, dan melacak penyerahan hasil, tetapi penilaian profesional dan pemenuhan kewajiban nyata tetap harus ditanggung oleh peserta yang sesuai.

Pendapatan platform dapat berasal dari layanan pengorganisasian proyek, perantaraan, atau pengelolaan penyerahan hasil.

Yang benar-benar perlu dibangun di sini adalah mekanisme kerja sama: apakah kebutuhannya nyata, apakah sumber dayanya memiliki kemampuan yang sesuai, bagaimana hasil diserahterimakan, siapa yang memeriksa untuk menerima hasil, dan bagaimana sengketa ditangani. Menguji hubungan-hubungan ini terlebih dahulu melalui proyek konkret, lalu menghimpun bagian yang berulang menjadi kemampuan platform, akan memberikan landasan yang lebih kuat.

6. Pendidikan dan pelatihan yang bertumpu pada pekerjaan nyata

AI juga mungkin mengubah cara produk pendidikan disampaikan.

Sebagai contoh, dalam mempelajari SOP Empat Arah, selain membaca model dan kasus, peserta dapat membawa persoalan perusahaannya sendiri, lalu secara bertahap menata hasil usaha, proses bisnis, tugas fungsional, dan tindakan, hingga terbentuk hasil pekerjaan yang dapat dibahas, diperiksa, dan diperbaiki.

AI terlibat dalam penjelasan, latihan, dan umpan balik, sementara mentor membantu menangani bagian sulit dan persoalan yang memerlukan penilaian. Kursus, program pelatihan intensif, layanan pembelajaran organisasi, dan dukungan mentor semuanya mungkin menjadi sumber pendapatan.

Efektivitas pendekatan ini perlu diuji melalui penguasaan dan penerapan nyata oleh peserta. Dihasilkannya sebuah tugas tidak langsung membuktikan bahwa peserta telah memahami, apalagi langsung membuktikan bahwa operasi usaha perusahaan telah membaik.

7. Evaluasi, tata kelola, dan validasi berkelanjutan atas kemampuan AI

Ketika perusahaan mulai bergantung pada AI dalam bekerja, persoalan baru akan muncul: apakah informasi dapat dipercaya, dalam kondisi apa suatu Skill berlaku, versi mana yang telah diuji, operasi apa yang harus mendapat persetujuan, dan bagaimana kesalahan ditelusuri?

Di sekitar persoalan-persoalan ini dapat dibentuk standar evaluasi, contoh pengujian, perancangan kewenangan, tinjauan, dan layanan pemantauan berkelanjutan.

Biayanya dapat ditetapkan per proyek, layanan tahunan, atau langganan alat. Nilainya terletak pada membantu perusahaan mengetahui dengan lebih jelas letak kemampuan dan risikonya serta dapat terus memeriksanya, bukan memberikan jaminan bahwa kesalahan tidak akan pernah terjadi.

8. Layanan riset, riset investasi, dan pascainvestasi yang lebih berkelanjutan

AI dapat terlibat dalam penataan informasi publik, perbandingan proyek, pelacakan data operasi usaha, dan pengingat anomali, sehingga riset menjadi lebih berkelanjutan dan tenaga profesional berkesempatan memusatkan perhatian pada persoalan kunci.

Kemampuan semacam ini dapat dibentuk menjadi langganan riset, layanan perusahaan, atau layanan dukungan pascainvestasi.

Ketika melibatkan nasihat investasi, pembiayaan, dan transaksi, kualifikasi serta persyaratan regulasi tetap harus diperiksa sesuai wilayah dan jenis kegiatannya. Peningkatan kemampuan pengolahan informasi oleh AI tidak menggantikan tanggung jawab profesional, dan hasil analisis tidak boleh diperlakukan sebagai jaminan imbal hasil.

III. Satuan penagihan sedang berubah, tetapi hasil pekerjaan harus diperjelas

Beberapa cara penagihan baru sudah dapat dilihat di pasar. Misalnya, Intercom Fin mengenakan biaya berdasarkan outcome layanan pelanggan menurut definisinya; Salesforce Agentforce menawarkan beberapa cara penagihan berdasarkan percakapan, konsumsi tindakan, atau lisensi pengguna. Ini adalah mekanisme produk yang dapat diamati, bukan berarti perusahaan terkait secara keseluruhan merupakan perusahaan AI-native. Penjelasan resmi Intercom｜Penjelasan resmi Agentforce

Perubahan-perubahan ini membuat saya memperhatikan satu persoalan: satuan yang dibeli pelanggan dapat berkembang dari hak penggunaan perangkat lunak menuju pekerjaan yang telah diselesaikan.

Namun, “satu tindakan”, “satu percakapan”, dan “satu hasil menurut definisi platform” tidak berada pada tingkat makna yang sama dengan hasil usaha yang akhirnya diperoleh perusahaan. Sebagai contoh, outcome Fin mencakup keadaan seperti selesainya alur kerja tertentu; rinciannya tetap harus mengacu pada definisi penagihan produk tersebut.

Hubungannya dengan SOP Empat Arah sangat langsung. Setelah tindakan selesai, perlu dilihat apakah tindakan itu dapat membentuk hasil suatu jabatan. Setelah hasil jabatan terbentuk, perlu dilihat apakah hasil itu dapat memenuhi penyerahan dalam proses bisnis. Setelah penyerahan proses bisnis, masih perlu diperiksa apakah hal itu mendukung terbentuknya hasil usaha.

Karena itu, ketika merancang model bisnis AI, menurut saya hal pertama adalah memperjelas apa yang dijual. Apakah hak penggunaan alat, tugas fungsional berkelanjutan, hasil serahan konkret, atau hasil pekerjaan yang telah diperiksa dan diterima menurut standar yang disepakati? Satuan penyerahan yang berbeda memerlukan penghitungan biaya dan pengaturan tanggung jawab yang berbeda.

IV. Sekalipun AI lebih kuat, kebutuhan apa yang mungkin masih memerlukan manusia

Jika dipikirkan lebih jauh, secara alami muncul satu pertanyaan: jika kelak muncul kecerdasan buatan yang lebih kuat dan dipadukan dengan robot, jabatan apa yang sama sekali tidak dapat digantikan?

Pertanyaan ini layak diteliti, tetapi sekarang kita belum dapat memberikan “daftar profesi yang aman selamanya”. Masih ada ketidakpastian tentang apa yang mampu dilakukan teknologi di masa depan, apa yang akan diizinkan masyarakat, dan apa yang bersedia diterima manusia. Satu jabatan juga terdiri atas beragam tugas; sebagian dapat diotomatisasi, sedangkan sebagian lain mungkin masih perlu ditangani manusia.

Saya lebih memilih menganalisis dari kebutuhan itu sendiri: nilai manusia apa yang sebenarnya dibutuhkan pelanggan, dan mengapa mereka bersedia membayar nilai tersebut?

1. Tujuan, pilihan, dan tanggung jawab

AI dapat mengajukan banyak pilihan, tetapi apa yang sebenarnya dikejar perusahaan, risiko mana yang bersedia ditanggung, dan bagaimana menyeimbangkan kepentingan berbagai pemangku kepentingan harus diputuskan oleh pihak bertanggung jawab yang telah memperoleh kewenangan.

Peran seperti pemilik usaha, anggota direksi, dan pengelola yang diberi amanah dapat banyak memanfaatkan AI untuk analisis informasi dalam pekerjaannya, tetapi hubungan kewenangan, tanggung jawab, dan perwakilan kepentingan harus diatur dengan jelas. Dalam sebagian besar organisasi dan tata kelembagaan saat ini, tanggung jawab tersebut masih ditanggung oleh orang perseorangan atau organisasi. Tata kelembagaan mungkin berubah di masa depan; aturan hari ini tidak boleh diperlakukan sebagai hukum yang berlaku selamanya.

Peluang di sini mencakup dukungan keputusan, peringatan risiko, pengelolaan bukti, dan layanan tata kelola. Nilainya adalah membantu pihak yang bertanggung jawab membuat keputusan dengan landasan yang lebih kuat; tanggung jawab tidak dapat dialihkan hanya dengan memberi AI sebuah nama jabatan.

2. Hubungan antarmanusia

Sebagian kebutuhan memang mencakup keinginan agar seorang manusia nyata terlibat.

Misalnya, pendampingan langsung oleh anggota keluarga, kepercayaan antarmanusia, pemahaman yang tumbuh dari pengalaman bersama, dan perhatian seseorang kepada pencipta nyata lainnya. Sekalipun mesin dapat menyediakan sebagian pengalaman serupa, itu tidak berarti semua orang akan mengambil pilihan yang sama.

Dalam layanan lansia, pendidikan, dukungan psikologis, budaya, dan pengalaman, pembagian kerja manusia dan mesin mungkin muncul. AI dapat membantu persiapan, pencatatan, dan penanganan urusan berulang, sementara manusia menggunakan waktunya untuk bagian yang benar-benar memerlukan hubungan dan kehadiran. Namun, dari sini kita tidak boleh menyimpulkan bahwa semua jabatan dalam industri tersebut akan tetap ada, atau begitu saja memperlakukan pendampingan manusia sebagai komoditas yang tidak memerlukan standar profesional.

3. Legitimasi, keterwakilan, dan penerimaan sosial

Sebagian keputusan perlu diakui oleh orang-orang yang terkait. Nilai seorang wakil yang dipilih organisasi, mediator yang dipercaya kedua pihak yang bersengketa, atau peninjau yang diberi kewenangan mencakup pertanyaan “mengapa Anda yang mengambil keputusan ini”.

Hal ini berkaitan dengan kemampuan komputasi dan penalaran, sekaligus dengan aturan, kewenangan, identitas, dan kepercayaan. AI dapat memberi bantuan, tetapi apakah AI diterima untuk langsung memegang peran terkait harus ditentukan oleh tata kelembagaan tertentu dan para pesertanya.

Karena itu, verifikasi identitas, catatan otorisasi, mekanisme perundingan, tinjauan independen, dan penyelesaian sengketa mungkin tetap dibutuhkan. Hambatan masuk yang terbentuk di sini harus dibangun di atas tanggung jawab nyata dan aturan yang dapat dipercaya.

4. Asal-usul autentik dan pengalaman langka

Ketika konten semakin mudah dihasilkan, asal-usul autentik mungkin semakin dihargai. Pengalaman langsung seseorang, proses penciptaan sebuah karya, dan catatan validasi suatu hasil semuanya dapat memengaruhi kesediaan orang untuk percaya dan membayar.

Dalam seni, acara langsung, kerajinan tangan, dan pengalaman lokal, mungkin juga ada preferensi tentang “siapa yang mengerjakannya dan di mana hal itu terjadi”. Apakah preferensi ini dapat membentuk pasar yang cukup besar bergantung pada kelompok tertentu; kita tidak boleh menganggap semua orang akan membayar lebih tinggi demi “manusia nyata”.

5. Kemampuan menangani kenyataan yang kompleks

Di lapangan yang lingkungannya terus berubah, batas biayanya nyata, dan memerlukan koordinasi yang luwes, pekerjaan manusia mungkin masih memiliki keunggulan pada tahap tertentu. Contohnya meliputi perawatan peralatan, layanan dalam situasi yang tidak standar, dan penanganan kondisi tidak normal. Begitu keandalan dan keekonomian robot membaik, batasnya akan berubah lagi.

Karena itu, peluang semacam ini harus dilihat per skenario, dan penilaian jangka panjang tidak boleh hanya didasarkan pada “mesin untuk sementara belum mampu”. Yang lebih layak diakumulasikan adalah pengetahuan lapangan, kemampuan menangani masalah, dan jaringan layanan, agar kita juga dapat terlibat dalam kerja sama manusia dan mesin berikutnya.

Analisis ini membuat saya mengalihkan perhatian dari nama jabatan ke kebutuhan di balik jabatan tersebut. Preferensi manusia, pengaturan tanggung jawab, kepercayaan, dan kendala nyata mungkin membuat sebagian tugas fungsional manusia tetap bernilai dalam jangka panjang, tetapi jumlah orang, imbalan, dan cara pengorganisasiannya tetap akan berubah. Pengamatan harus dilanjutkan; kata “tak tergantikan” tidak boleh menggantikan analisis.

V. AI sendiri juga akan membentuk rantai kebutuhan akan nilai

Kita mudah memusatkan perhatian pada apa yang dihasilkan AI, tetapi mengabaikan apa yang diperlukan agar AI terus bekerja.

Penggunaan AI memerlukan seseorang atau organisasi untuk membayar energi, perangkat keras, data, serta biaya operasi dan pemeliharaan. “Kebutuhan AI” yang dimaksud di sini sebenarnya diputuskan pembelian dan pembayarannya oleh pihak seperti perusahaan model, platform cloud, perusahaan pengguna, dan operator robot. Menemukan pembeli yang sebenarnya lebih penting daripada sekadar membuat daftar industri terkait.

1. Listrik dan pasokan energi yang stabil

Pelatihan dan pengoperasian sistem AI memerlukan listrik. Kebutuhannya bukan hanya berapa banyak listrik yang dibangkitkan, tetapi juga apakah listrik dapat tersambung, kapan dipasok, apakah stabil, apakah harganya terjangkau, serta bagaimana sumber daya cadangan dan penyimpanan energi dikonfigurasikan.

Laporan International Energy Agency, Energy and AI, secara khusus membahas konsumsi listrik pusat data dan pasokan energi terkait, yang menunjukkan bahwa energi merupakan kondisi nyata yang harus diperhitungkan dalam penerapan AI. Sudah ada persoalan nyata yang perlu dipecahkan tanpa terlebih dahulu mengasumsikan kapan kecerdasan buatan yang kuat akan muncul. Laporan International Energy Agency

Cara berpartisipasi yang mungkin mencakup layanan efisiensi energi, fasilitas distribusi dan pasokan listrik, penyimpanan energi dan daya cadangan, perencanaan penggunaan energi, serta proyek energi setelah persyaratannya terpenuhi. Kebutuhan modal, teknologi, dan perizinan sangat berbeda antarpendekatan; pertumbuhan kebutuhan tidak berarti setiap proyek energi dapat menghasilkan imbal hasil yang baik.

2. Pasokan komputasi, memori, dan perangkat keras

Pekerjaan AI memerlukan chip, server, memori, pengemasan chip, papan dan kartu sirkuit, serta fasilitas pendukung. Tugas yang berbeda juga memiliki kebutuhan komputasi dan memori yang berbeda. Melatih model besar, menerapkan satu model khusus, dan menjalankan satu inferensi biasa tidak dapat dipahami dengan konfigurasi yang sama.

Selain produksi perangkat keras, mungkin ada peluang dalam integrasi peralatan, optimasi kinerja, penjadwalan, perbaikan, dan pengelolaan siklus hidup. Kemungkinan masuk bergantung pada kemampuan pasokan, saluran pelanggan, akumulasi teknologi, dan kondisi modal.

Kita terutama harus mewaspadai kecenderungan hanya melihat kebutuhan peralatan tanpa melihat tingkat pemanfaatan dan kecepatan pembaruan. Membeli kapasitas komputasi tidak berarti kapasitas itu dapat terjual; peralatan menganggur, hilangnya pelanggan, dan penyusutan teknologi semuanya dapat mengubah pendapatan.

3. Penyimpanan, data, dan jaringan

Sistem perlu menyimpan model, dokumen bisnis, catatan operasi, dan cadangan, serta mengirimkan informasi antara perangkat komputasi, pusat data, dan pengguna.

Memori menangani akses data selama sistem berjalan, sedangkan penyimpanan jangka panjang menangani penyimpanan dan pengelolaan. Keduanya merupakan kebutuhan yang berbeda dan tidak dapat saling menggantikan. Interkoneksi klaster berkecepatan tinggi, jaringan pusat data, dan jaringan akses pengguna juga memiliki persyaratan masing-masing.

Peluang terkait mencakup pengelolaan penyimpanan, pencadangan dan pemulihan, penataan data, koneksi berlatensi rendah, transmisi aman, dan penerapan di edge. Kita perlu menilai apakah persoalan yang sebenarnya dihadapi pelanggan adalah kapasitas, kecepatan, keandalan, biaya, atau hak akses, baru kemudian menentukan produknya.

4. Pendinginan, ruang, serta operasi dan pemeliharaan berkelanjutan

Peralatan dengan komputasi intensif membutuhkan pendinginan dan bergantung pada ruang server, distribusi daya, pemantauan, serta operasi dan pemeliharaan. Solusi pendinginan juga dipengaruhi lokasi, sumber daya air, iklim, dan kondisi fasilitas.

Di sini kita dapat meneliti peralatan pendingin, peningkatan fasilitas, pemantauan peralatan, perbaikan, dan layanan penghematan energi. Sebagian perusahaan tidak perlu menjadi investor seluruh pusat data; mereka juga dapat memberikan nilai dalam satu bidang khusus.

Namun, kebutuhan fasilitas dipengaruhi lokasi penerapan, kepadatan peralatan, dan jalur teknologi. Suatu metode pendinginan atau suatu jenis lahan tidak boleh dianggap sebagai aset yang pasti diuntungkan.

5. Data dan pengetahuan yang dapat digunakan, serta validasi

Komputasi memungkinkan sistem berjalan, sedangkan data dan pengetahuan memengaruhi apakah sistem dapat menyelesaikan pekerjaan konkret.

Yang diperlukan perusahaan bukan hanya lebih banyak dokumen, tetapi juga materi yang dapat digunakan secara sah, sumber yang akurat, struktur yang jelas, pembaruan berkelanjutan, serta contoh dan standar untuk memeriksa hasil. Penataan data, lisensi pengetahuan, evaluasi profesional, serta pemeliharaan SOP dan Skill semuanya mungkin menjadi layanan.

Hal ini berhubungan langsung dengan arah pusat kajian. Menata pengalaman menjadi pengetahuan yang dapat dipahami, digunakan, dan diverifikasi merupakan pekerjaan berkelanjutan, bukan pekerjaan yang selesai setelah semua berkas lama diserahkan kepada model.

6. Ketika AI masuk ke robot, kebutuhan akan semakin memasuki dunia fisik

Robot juga memerlukan sensor, komponen penggerak, sistem kendali, baterai atau perangkat pasokan daya, struktur mekanis, serta layanan pengisian daya, perbaikan, suku cadang, dan daur ulang.

Di lokasi pelanggan, masih ada perancangan tugas, penyesuaian lokasi, integrasi sistem, pemeriksaan keselamatan, dan operasi berkelanjutan. Apakah robot mampu menyelesaikan tugas dan apakah robot mampu menyelesaikannya secara stabil serta ekonomis dalam jangka panjang di tempat nyata merupakan dua persoalan yang harus diuji secara terpisah.

Karena itu, peluang tidak hanya berada dalam pembuatan robot utuh, tetapi juga mungkin dalam penerapan, pemeliharaan, dan operasi untuk suatu jenis situasi. Misalnya, pertama-tama memperjelas tugas, penerimaan hasil, dan kerja sama personel di satu tempat konkret, lalu menilai apakah cocok mengenakan biaya per perangkat, sewa, atau tugas yang telah diselesaikan.

Dilihat dari rantai kebutuhan ini, semakin banyak AI masuk ke pekerjaan, mungkin semakin besar kebutuhannya akan sumber daya nyata yang stabil dan layanan profesional. Namun, pertumbuhan kebutuhan tidak otomatis berubah menjadi laba bagi setiap peserta. Kita juga harus menilai siapa yang mengendalikan sumber daya kunci, siapa yang menanggung belanja modal, siapa yang dapat memperoleh pesanan, dan apakah persaingan akan menekan harga.

VI. Dari manusia ke AI, lalu ke kecerdasan yang lebih kuat dan robot: apa nilai peralihan itu sendiri

Saya memikirkan “manusia, AI, kecerdasan buatan yang lebih kuat, dan robot” bersama-sama untuk mengamati perubahan kemampuan dan cara bekerja sama.

Semuanya belum tentu muncul secara berurutan dalam satu garis waktu yang sama. Robot khusus sudah dapat bekerja dalam sebagian situasi dan belum tentu perlu menunggu kecerdasan buatan umum. Kecerdasan perangkat lunak yang lebih kuat juga tidak berarti semua pekerjaan di dunia nyata akan diotomatisasi pada saat yang sama. Wilayah dan industri yang berbeda mungkin tetap berada pada tahap yang berbeda dalam waktu lama.

Karena itu, nilai yang diperlukan selama proses peralihan layak diteliti tersendiri.

1. Perjelas dahulu pekerjaan manusia

Banyak perusahaan belum dapat menjelaskan dengan jelas bagaimana suatu hasil dihasilkan, siapa yang bertanggung jawab, apa masukannya, dan tingkat pencapaian seperti apa yang dinilai memenuhi syarat.

Dalam kondisi seperti itu, memasukkan AI sering kali membawa persoalan yang semula kabur ke dalam sistem. Penataan pekerjaan, penataan pengetahuan, standardisasi proses, dan perancangan penerimaan hasil memiliki nilai tersendiri, serta dapat diserahkan sebagai layanan riset, konsultasi, dan pelatihan.

Pada tahap ini, SOP Empat Arah dapat membantu perusahaan melihat ke bawah dari tuntutan hasil usaha, lalu memverifikasi ke atas dari tindakan konkret, sehingga tidak hanya mengotomatisasi beberapa tindakan tanpa memperbaiki hasil proses bisnis.

2. Kelola serah terima dengan baik ketika manusia dan AI bekerja bersama

Tugas mana yang diserahkan kepada AI, mana yang memerlukan persetujuan manusia, dalam keadaan apa pekerjaan harus dihentikan, dan bagaimana memulihkannya setelah kegagalan semuanya perlu diatur secara konkret.

Perusahaan mungkin juga perlu menghubungkan perangkat lunak lama, menata kewenangan, melatih personel, memantau kualitas, dan mengendalikan biaya. Integrasi sistem, alur kerja sama manusia dan AI, operasi dan pemeliharaan berkelanjutan, serta dukungan transisi personel semuanya mungkin membentuk kebutuhan pada tahap ini.

Jika suatu layanan membantu perusahaan mengurangi pengerjaan ulang, mempersingkat waktu tunggu, serta dapat menjelaskan biaya dan tanggung jawab, nilainya akan lebih mudah dipahami pelanggan.

3. Ketika beberapa AI bekerja bersama, pengorganisasian dan tata kelola menjadi penting

Ketika beberapa kemampuan AI masing-masing menangani riset, pelaksanaan, dan pemeriksaan, tetap diperlukan pihak yang merancang tujuan, pembagian tugas, batas data, anggaran, penerimaan hasil, dan eskalasi kondisi tidak normal.

Hal ini akan membentuk kebutuhan akan katalog kemampuan, penjadwalan tugas, otorisasi identitas, pengujian, dan audit. Semakin mandiri sistem AI, semakin perlu diperjelas siapa yang dapat diwakilinya untuk melakukan apa, serta siapa yang berwenang menghentikan sementara dan mengoreksinya.

Hal-hal ini dapat dibentuk menjadi perangkat lunak atau layanan, tetapi tidak patut menganggap bahwa suatu alur berwenang menerbitkan sesuatu, melakukan pembayaran, atau mengambil keputusan besar atas nama pelanggan hanya karena alur itu dapat berjalan otomatis. Keterpercayaan dan pengelolaan risiko selama proses perancangan serta evaluasi juga merupakan arah yang terus diperhatikan oleh kerangka yang sudah ada. Kerangka Manajemen Risiko AI NIST

4. Ketika robot masuk ke lapangan, hubungkan proses digital dengan pekerjaan nyata

Ketika tugas dalam sistem digital masuk ke dunia nyata, kendala peralatan, lingkungan, personel, dan keselamatan bertambah.

Evaluasi situasi, penyesuaian fasilitas, penerapan, dukungan jarak jauh, perbaikan, suku cadang, dan pengelolaan operasi semuanya mungkin menjadi layanan yang perlu dibeli pelanggan. Di sini, keseluruhan biaya operasi harus dihitung; kita tidak boleh hanya membandingkan harga robot dengan gaji satu orang.

Jika pengambilalihan oleh manusia sering diperlukan atau waktu henti dapat memengaruhi produksi, nilai pemeliharaan dan pemulihan mungkin sangat tinggi. Sebaliknya, seiring semakin matangnya robot, sebagian pekerjaan integrasi sekali jalan juga mungkin berkurang. Karena itu, layanan perlu terus bergerak dari “membantu pemasangan” menuju “membantu operasi berkelanjutan dan bertanggung jawab atas hasil”.

5. Setelah kemampuan terus meningkat, perhatikan kendala baru

Jika di masa depan muncul sistem yang dapat menyelesaikan tugas kognitif dan fisik secara lebih luas, layanan yang saat ini bergantung pada satu jenis keterampilan langka mungkin akan dinilai ulang harganya.

Dalam skenario ini, hal yang mungkin lebih layak diamati adalah: dari mana kebutuhan nyata berasal, siapa yang memiliki hak penggunaan sumber daya yang sah, pengalaman apa yang tetap dihargai manusia, bagaimana tanggung jawab ditanggung, serta bagaimana masyarakat mengatur pekerjaan, pendapatan, dan pembagian manfaat.

Ini merupakan skenario masa depan yang perlu terus diteliti, bukan jadwal yang pasti, dan tidak dapat dijadikan dasar untuk menyimpulkan bahwa suatu proyek saat ini pasti akan berhasil.

VII. Bagaimana kebutuhan akan nilai dalam keseluruhan masyarakat mungkin berubah

Jika petunjuk-petunjuk sebelumnya disatukan, menurut saya ada beberapa perubahan yang juga perlu diamati bersamaan.

Pertama, biaya sebagian produksi dan layanan mungkin menurun. Kebutuhan yang sebelumnya tidak terpenuhi karena terlalu mahal mungkin berkesempatan terpenuhi, seperti riset yang lebih tersegmentasi, dukungan belajar yang lebih personal, dan layanan operasi yang lebih berkelanjutan.

Kedua, harga sebagian pekerjaan yang sebelumnya mahal mungkin tertekan. Setelah pembuatan konten, analisis dasar, atau operasi rutin menjadi mudah, nilai bisnis mungkin lebih banyak bergeser ke pemahaman kebutuhan, validasi kualitas, penyerahan yang kompleks, dan pengambilan tanggung jawab. Ke mana tepatnya pergeseran itu terjadi bergantung pada penawaran dan permintaan nyata.

Ketiga, kemampuan baru akan meningkatkan kebutuhan pendukung. Energi, komputasi, jaringan, fasilitas, operasi dan pemeliharaan, serta tata kelola merupakan kebutuhan yang muncul bersamaan dengan ekspansi AI. Namun, bidang-bidang ini juga dipengaruhi peningkatan efisiensi, penambahan kapasitas, dan perubahan teknologi.

Keempat, kemampuan memasok dan kemampuan membeli perlu dilihat secara terpisah. Sekalipun masyarakat mampu memproduksi lebih banyak produk dan layanan, jika pendapatan sebagian orang turun dan mereka kesulitan bertransisi, kebutuhan belum tentu segera menjadi pesanan. Peralihan pekerjaan, pembelajaran keterampilan, dan pembagian manfaat akan memengaruhi apakah peluang akhirnya dapat membentuk pasar.

Kelima, manusia mungkin semakin menghargai waktu, pilihan mandiri, hubungan, kesehatan, pengalaman autentik, dan sumber yang dapat dipercaya. Di sini ada peluang bisnis, sekaligus persoalan layanan publik dan pengaturan kelembagaan, yang tidak semuanya dapat diselesaikan dengan satu model penagihan yang sama.

Karena itu, ketika mengamati perkembangan ekonomi dan masyarakat pada tahap berikutnya, pertanyaan yang ingin terus saya ajukan adalah: apa yang menjadi mudah, apa yang tetap langka, persoalan baru apa yang menyertainya, dan siapa yang bersedia serta mampu membayar untuk menyelesaikannya?

VIII. Bagaimana memahami peluang-peluang ini dalam WISERUNION

Pusat kajian WISERUNION, SOP Empat Arah, Skill, dan ekosistem pemangku kepentingan yang sedang saya pikirkan dapat dihubungkan di sini.

Pusat kajian menata persoalan dan pengetahuan menjadi pemikiran, model, metode, rencana, alat, dan pelatihan. SOP Empat Arah selanjutnya menghubungkan pengetahuan itu dengan pekerjaan perusahaan: unsur kunci apa yang dibutuhkan hasil usaha, proses bisnis apa yang menyediakan hasil tersebut, jabatan apa yang memegang tugas fungsional terkait, dan tindakan konkret apa yang menyelesaikannya.

Bagian yang sesuai untuk digunakan ulang dan dijalankan dapat secara bertahap dihimpun menjadi Skill. Selanjutnya, melalui ekosistem sumber daya, ekosistem modal, ekosistem operasi dan tata kelola, serta ekosistem pelanggan, kebutuhan nyata, kemampuan profesional, dan hubungan kerja sama diorganisasikan.

Di sini, “penciptaan nilai” dan “pembagian nilai” perlu dipertimbangkan bersamaan.

Ada yang mengajukan pemikiran, ada yang menata metode, ada yang menyediakan alat, ada yang ikut meninjau, ada yang mengorganisasikan penyerahan hasil, dan ada pula yang menyediakan dana atau situasi penerapan nyata. Bagaimana beragam kontribusi dicatat, dinilai, dan membentuk manfaat serta hak yang sesuai menurut kesepakatan merupakan persoalan penting bagi keberlanjutan sistem ini.

Karena itu, peluang yang saya lihat adalah memakai AI untuk menghubungkan pengetahuan, pekerjaan, dan hubungan kerja sama dengan lebih jelas, agar lebih banyak kemampuan profesional dapat masuk ke proses bisnis nyata, serta kontribusi peserta berkesempatan dikenali dan diperlakukan secara wajar.

Hal ini tetap perlu diuji melalui praktik. Adanya konten di pusat kajian tidak berarti setiap konten sudah dapat dijalankan; adanya Skill juga tidak berarti Skill itu sudah berlaku untuk perusahaan yang berbeda. Setiap langkah perlu mencatat kondisi penerapan, dampak nyata, dan bagian yang perlu diperbaiki.

IX. Jika memilih titik awal, saya akan memprioritaskan tiga arah

Pertama, penataan SOP Empat Arah perusahaan. Dengan bertumpu pada perusahaan nyata, pertama-tama perjelas kemungkinan dan unsur kunci pembentukan hasil usaha, lalu tata proses bisnis, tugas fungsional, dan tindakan hingga terbentuk hasil pekerjaan yang dapat terus dibahas dan diperbaiki.

Kedua, riset perusahaan dan dukungan tindakan. Dengan bertumpu pada industri atau persoalan operasi usaha yang konkret, terus tata informasi yang memiliki sumber, bentuk daftar persoalan, dasar penilaian, dan saran tindakan, lalu uji apakah pelanggan bersedia terus menggunakannya.

Ketiga, tugas pembangunan bersama Perusahaan Nomor Nol. Pilih satu tugas nyata dengan lingkup yang jelas dan risiko terkendali, libatkan berbagai peran bersama AI, catat masukan, tindakan, hasil, penerimaan hasil, dan kontribusi, lalu amati apakah aturan kerja sama benar-benar berguna.

Ketiga arah ini masing-masing dapat membantu saya memahami mengapa pelanggan membayar, bagaimana pengetahuan diserahkan secara stabil, dan bagaimana kerja sama berbagai pihak menghasilkan hasil.

Pada tahap sekarang, memilih situasi yang sesuai untuk diuji terlebih dahulu lebih memudahkan penemuan persoalan nyata daripada langsung membangun platform lengkap sejak awal. Materi yang terbentuk selama validasi juga dapat kembali ke pusat kajian dan menjadi dasar perbaikan kasus, metode, serta alat.

Arah seperti energi, komputasi, dan robot juga dapat masuk ke lingkup riset berkelanjutan serta penghubungan sumber daya. Namun, cara berpartisipasi harus sesuai dengan kemampuan sendiri: mampu melakukan riset, menghubungkan sumber daya, atau menyediakan layanan profesional tidak berarti langsung memenuhi kondisi untuk membangun fasilitas padat aset dan memproduksi mesin utuh. Untuk proyek-proyek tersebut, kebutuhan, jalur teknologi, modal, perizinan, serta risiko imbal hasil harus diperiksa tersendiri.

X. Pada akhirnya, tetap harus kembali ke kebutuhan dan model bisnis itu sendiri

Masih ada jarak antara kemampuan AI menyelesaikan suatu hal dan kemampuan hal itu membentuk model bisnis yang berkelanjutan.

Saya akan terus melihat apakah pelanggan memiliki kebutuhan nyata, siapa yang menguasai anggaran, apakah mereka bersedia membayar berulang kali, apakah hasil dapat diperiksa dan diterima, serta apakah penyerahan masih masuk akal setelah biaya model, alat, data, tinjauan manusia, dan pengerjaan ulang dikurangkan.

Masih ada pertanyaan lanjutan: jika kemampuan model generasi berikutnya meningkat secara nyata, apakah nilai layanan ini akan naik, atau justru akan hilang? Jawabannya akan membantu kita membedakan peluang pada tahap tertentu dari kemampuan yang lebih layak diakumulasikan dalam jangka panjang.

Kita juga perlu melihat apakah pengetahuan dan pengalaman dapat diakumulasikan secara sah, apakah pengerjaan berikutnya menjadi lebih mudah, serta apakah kemampuan yang sama dapat digunakan ulang dalam situasi yang serupa.

Dengan pandangan ini, riset model bisnis AI-native dapat bergerak melalui jalur yang cukup jelas: berangkat dari hasil yang dibutuhkan pelanggan, mengorganisasikan manusia, AI, dan sumber daya untuk menyelesaikan pekerjaan, lalu memperbaiki metode, proses, dan aturan kerja sama melalui penerimaan hasil serta umpan balik.

Bagi WISERUNION, hal ini juga memperjelas pemahaman saya tentang nilai pusat kajian. Setelah ditata, pengetahuan dapat membantu manusia memahami persoalan; setelah masuk ke SOP dan Skill, pengetahuan dapat lebih jauh mendukung pekerjaan; penggunaan dan validasi berulang dalam proses bisnis nyata kemudian dapat mendorong perkembangan pengetahuan.

Saya ingin menempatkan pertanyaan-pertanyaan ini dalam satu peta kebutuhan untuk terus diteliti: apa lagi yang dibutuhkan manusia, apa yang diperlukan agar AI beroperasi, apa yang dibutuhkan dalam peralihan kerja sama manusia dan AI, serta bagaimana kemampuan produksi baru akan mengubah pendapatan, konsumsi, dan alokasi sumber daya.

Berangkat dari sini, lalu kembali ke perusahaan, proses bisnis, dan tugas yang konkret, kita dapat menilai kebutuhan mana yang layak dipenuhi, siapa yang memberikan nilai, bagaimana pendapatan dibentuk, serta bagaimana para peserta tumbuh bersama menurut aturan yang jelas. Inilah arah pemahaman saya saat ini tentang peluang bisnis AI-native.

Keterangan

Contoh perusahaan dalam artikel ini hanya digunakan untuk menjelaskan mekanisme penagihan yang dipublikasikan, bukan merupakan rekomendasi produk atau bukti dampak usaha. Halaman resmi diperiksa pada 5 November 2026 dan mungkin disesuaikan di kemudian hari.

Analisis tentang kecerdasan buatan yang lebih kuat dan robot merupakan pembahasan skenario, bukan prediksi pasti tentang waktu kemunculannya, keberlangsungan jabatan, atau imbal hasil bisnis.