Judul asli: AI Institusi vs AI Individu
Penulis asli: George Sivulka, a16z
Penerjemahan asli: Shenchao TechFlow
AI baru saja meningkatkan produktivitas setiap orang hingga 10 kali.
Tidak ada perusahaan yang menjadi 10 kali lebih berharga karenanya.
Kemana perginya produktivitas?
Ini bukan pertama kalinya terjadi.
Pada 1890-an, listrik menjanjikan peningkatan produktivitas yang besar.
Pabrik tekstil di New England, yang awalnya dibangun di sekitar tenaga putar mesin uap, dengan cepat mengganti mesin uap dengan motor listrik yang lebih cepat.
Namun selama tiga puluh tahun, pabrik yang teraliri listrik hampir tidak meningkatkan output. Teknologi jauh berada di depan. Namun organisasi tidak mengikutinya.
Hanya sampai tahun 1920-an, pabrik benar-benar meredesain lini produksinya—jalur perakitan, setiap mesin dilengkapi motor mandiri, pekerja dan mesin melakukan jenis pekerjaan yang sangat berbeda—listrik baru benar-benar memberikan imbalan.
Catatan: Evolusi tiga tahap pabrik Lowell. Dari kiri ke kanan: Pabrik bertenaga uap tahun 1890, pabrik bertenaga listrik tahun 1900, pabrik 'unit drive' tahun 1920 (yaitu dibangun kembali dari nol menjadi jalur perakitan bertenaga listrik).
Imbalan tidak berasal dari teknologi itu sendiri, atau dari membuat pekerja atau mesin memutar benang lebih cepat. Namun, ketika kita akhirnya meredesain sistem dan teknologi bersama-sama, barulah manfaatnya benar-benar terwujud.
Ini adalah pelajaran termahal dalam sejarah teknologi, dan sekarang kita sedang mengambil pelajaran ini lagi.
Pada tahun 2026, AI sedang membawa peningkatan produktivitas 10 kali lipat bagi mereka yang tahu bagaimana memanfaatkannya. Tapi itu belum cukup. Kita telah mengganti motor, tetapi kita belum meredesain pabrik.
Karena satu fakta sederhana: individu yang efisien tidak sama dengan organisasi yang efisien.
Sebagian besar produk AI memberi kesan 'efisien', tetapi tidak benar-benar mendorong nilai. Sebagian besar kasus penggunaan AI yang kamu lihat adalah individu yang terjebak dalam 'efisiensi max' di Twitter atau Slack perusahaan, dengan dampak nyata nol.
Pernyataan 'layanan adalah perangkat lunak' yang disebutkan berulang kali dalam setahun terakhir tidak salah arah, tetapi tidak memberikan cetak biru. Dan itu mengabaikan gambaran yang lebih besar. Perubahan nyata bukan dari alat ke layanan, tetapi dari membangun teknologi dan institusi secara bersamaan (baik itu mengubah yang lama atau membangunnya dari nol). Masa depan yang benar-benar efisien membutuhkan kategori produk baru—jalur perakitan masa depan.
Organisasi yang efisien membutuhkan 'kecerdasan institusi'.
Artikel ini akan mendalami tujuh dimensi yang membedakan 'AI tingkat institusi' dan 'AI tingkat pribadi'. Seluruh perusahaan di bidang AI B2B selama sepuluh tahun ke depan akan dibangun di atas perbedaan ini.
Catatan: Tabel perbandingan tujuh pilar kecerdasan institusi
Tujuh pilar kecerdasan institusi
1. Koordinasi
AI tingkat pribadi menciptakan kekacauan.
AI tingkat institusi menciptakan koordinasi.
Mari kita mulai dengan eksperimen pemikiran. Bayangkan kamu menggandakan jumlah orang di organisasi besok, sepenuhnya menggandakan karyawan terbaikmu.
Setiap karyawan ini memiliki perbedaan kecil, preferensi, kebiasaan, dan perspektif (terutama karyawan terbaikmu). Jika manajemen tidak memadai, komunikasi tidak cukup, pembagian tanggung jawab, OKR, dan batas peran tidak didefinisikan dengan jelas... yang kamu ciptakan adalah kekacauan.
Jika diukur secara individu, organisasi mungkin menjadi lebih efisien. Namun, ribuan Agen (atau manusia) mendayung ke arah yang berbeda, hasil baiknya adalah tetap di tempat, hasil buruknya adalah menghancurkan kohesi organisasi.
Ini bukan asumsi. Setiap organisasi yang mengadopsi AI tanpa lapisan koordinasi saat ini sedang mengalami hal ini. Setiap karyawan memiliki kebiasaan penggunaan ChatGPT mereka sendiri, gaya prompt mereka sendiri, hasil mereka sendiri—tanpa ada keterkaitan dengan hasil orang lain. Struktur organisasi mungkin masih ada, tetapi pekerjaan yang dihasilkan AI sebenarnya berjalan di jalur yang berbeda.
Catatan: Individu yang efisien (atau Agen) masing-masing mendayung ke arah yang berbeda. Tanpa koordinasi, hanya ada kekacauan.
Koordinasi adalah kebutuhan yang absolut, baik untuk manusia maupun Agen.
Kecerdasan institusi akan memicu seluruh industri 'manajemen Agen'—fokus pada peran dan tanggung jawab Agen, komunikasi antara Agen dan antara Agen dan manusia, serta cara mengukur nilai Agen (hanya menghitung biaya jauh dari cukup).
2. Sinyal
AI tingkat pribadi menghasilkan kebisingan.
AI tingkat institusi menemukan sinyal.
Hari ini manusia dapat menciptakan—atau lebih tepatnya menghasilkan—apa pun yang bisa dibayangkan: artikel yang ditulis AI, presentasi, spreadsheet, foto, video, lagu, situs web, perangkat lunak. Hadiah yang sangat baik.
Masalahnya adalah, sebagian besar konten yang dihasilkan AI adalah sampah total. Meluapnya sampah AI sudah cukup parah sehingga beberapa organisasi overcorrect dan melarang semua produk AI. Jujur saja, saya juga merasakan hal yang sama—saya menjalankan perusahaan AI, tetapi meminta tim eksekutif untuk tidak menggunakan AI dalam produk akhir apa pun. Saya tidak tahan dengan sampah itu.
Pikirkan tentang bagaimana industri PE (ekuitas swasta) berubah. Tahun lalu, mungkin di meja kamu ada 10 peluang transaksi. Tahun ini, di kuartal berikutnya, kamu akan menerima 50 peluang, masing-masing dipoles oleh AI dengan sempurna, sementara waktu yang kamu miliki untuk menilai tetap sama—kamu harus menemukan yang benar-benar dapat diandalkan di antara semuanya.
Menghasilkan apa pun sudah bukan masalah. Masalah bagi organisasi yang serius sekarang adalah menghasilkan dan menyaring hal yang benar. Dalam dunia yang didorong oleh AI, menemukan hasil yang baik, transaksi yang baik, sinyal di antara kebisingan, menjadi semakin krusial. Penggerak ekonomi inti selama sepuluh tahun ke depan adalah menggali sinyal dari tumpukan sampah yang tumbuh eksponensial.
Catatan: Sampah AI yang dihasilkan oleh alat produktivitas pribadi sedang berkembang dengan kecepatan eksponensial. Manusia sendiri sudah tidak bisa memilah dari kebisingan, membutuhkan jenis produk AI tingkat institusi yang baru.
AI tingkat institusi harus menemukan sinyal, harus memstrukturkan kebisingan untuk menembus sampah, dan harus dapat didefinisikan, deterministik, dan dapat diaudit dalam pekerjaannya.
AI tingkat pribadi mungkin menekankan produktivitas 'selalu online' seperti Clawdbot, memenuhi kebutuhanmu secara tidak terduga 24/7—pada dasarnya adalah Agen yang tidak pasti. AI tingkat institusi, sebaliknya, bergantung pada keandalan Agen yang menentukan. Agen dengan titik cek, langkah, dan proses yang dapat diprediksi adalah yang dapat diskalakan, dapat menemukan sinyal, dan mendorong pendapatan bagi organisasi melalui sinyal-sinyal tersebut.
Catatan: Matrix adalah alat yang memanfaatkan teknologi generatif untuk menembus kebisingan, membuka dunia agen dan titik cek yang deterministik.
3. Bias
AI tingkat pribadi memberi makan bias.
AI tingkat institusi menciptakan objektivitas.
Diskusi seputar bias sosial dan politik mendominasi wacana AI selama beberapa tahun. Laboratorium model dasar akhirnya melewati masalah ini dengan cukup banyak RLHF, menyesuaikan semua model untuk menjadi 'penghormatan'. Hari ini, model seperti ChatGPT, Claude, dan lainnya sudah terlalu selaras, setuju denganmu pada topik apa pun dalam jendela Overton (kadang-kadang bahkan sedikit melewati batas, menyebutmu @Grok). Diskusi tentang bias sosial dan politik telah mereda. Namun, masalah baru muncul menggantikan yang lama.
Penghormatan berlebihan terhadap segalanya sudah mencapai tingkat yang konyol. Itu sendiri telah menjadi meme—ucapan refleks Claude 'kamu benar sekali!' tidak peduli apakah yang kamu katakan benar-benar benar.
Ini terdengar tidak berbahaya. Tidak juga.
Banyak orang yang paling bersemangat mendorong AI di organisasi mungkin segera menjadi karyawan terburuk dalam sejarah. Pikirkan tentang alasannya.
Karyawan yang berkinerja terburuk di organisasi, hampir tidak mendapatkan umpan balik positif setiap hari, dengan cepat akan memiliki ASI yang sepenuhnya setuju dengan mereka. Mereka akan berpikir: 'Agen paling cerdas yang pernah ada setuju dengan saya. Manajer saya yang salah.'
Ini membuat ketagihan. Juga beracun bagi organisasi.
Catatan: Ruang gema AI tingkat pribadi memperburuk perpecahan, membuat dua orang semakin menjauh, dinamika ini setelah diskalakan akan menciptakan faksi dalam organisasi yang awalnya konsisten.
Ini mengungkapkan sesuatu yang penting. Alat produktivitas pribadi memperkuat pengguna. Namun yang seharusnya diperkuat adalah fakta.
Organisasi manusia telah berevolusi selama ribuan tahun, membangun sistem yang secara khusus melawan masalah ini:
· Rapat komite investasi
· Due diligence pihak ketiga
· Periksa dewan direksi
· Pemisahan kekuasaan eksekutif, legislatif, dan yudikatif di pemerintah AS
· Demokrasi perwakilan, serta sistem demokrasi itu sendiri
Catatan: Objektivitas bahkan dapat meredakan masalah koordinasi—menekan perbedaan kecil daripada memperbesarnya.
Organisasi jarang gagal karena kurangnya kepercayaan karyawan. Mereka gagal karena tidak ada yang mau atau mampu mengatakan 'tidak'.
AI tingkat institusi harus memainkan peran ini. Ia tidak akan dilatih dengan RLHF untuk menyenangkan pengguna atau mengiyakan kepercayaan mereka, melainkan untuk menantang bias mereka. Memberikan umpan balik positif ketika perilaku efisien, menggambar garis keras dan memaksa pembenaran saat menyimpang.
Oleh karena itu, Agen yang paling penting di dalam organisasi tidak akan menjadi 'pengiyut', melainkan 'penolak' yang disiplin—mempertanyakan penalaran, mengungkap risiko, menegakkan standar. Beberapa aplikasi AI paling berpengaruh di masa depan akan dibangun di sekitar batasan institusi: anggota dewan AI, auditor AI, pengujian pihak ketiga AI, kepatuhan AI…
4. Keunggulan marginal
AI tingkat pribadi mengoptimalkan penggunaan.
AI tingkat institusi mengoptimalkan keunggulan marginal.
Batas kemampuan AI bergerak setiap minggu bahkan setiap hari. Perusahaan model dasar berusaha merebut perhatian setiap orang dan setiap organisasi, dengan kemampuan yang cepat beriterasi.
Tetapi dilema inovator klasik mengajarkan kita bahwa dalam aplikasi spesifik, kedalaman selalu mengalahkan luas:
· Pekerjaan @Midjourney adalah menjaga keunggulan tipis dalam desain gambar.
· Pekerjaan @Elevenlabsio yang selalu terdepan dalam model suara.
· Pekerjaan @DecagonAI yang selalu terdepan dalam pengalaman layanan pelanggan penuh.
Meskipun model dasar semakin mendekati, keunggulan marginal yang sebenarnya adalah kunci bagi para ahli di masing-masing bidang.
Banyak desainer terbaik menggunakan @Midjourney, banyak perusahaan AI suara terbaik menggunakan @Elevenlabsio—karena meskipun model dasar terus berkembang, fokus tak henti-hentinya aplikasi khusus pada keunggulan marginal tertentu itu sendiri mendefinisikan keunggulan.
Selama solusi khusus juga berevolusi, kemampuan yang benar-benar kunci untuk hasil ekonomi—kemampuan yang penting untuk bisnis—selalu berada di sisi produk khusus.
Ini terlihat jelas di dunia keuangan—saat ini LLM sedang berkembang pesat. Setelah kemampuan tertentu menjadi umum, secara definisi itu tidak akan membantumu mengalahkan pasar. Tetapi jika teknologi terdepan dapat menciptakan keunggulan kecil 1% yang singkat? 1% ini dapat mendorong pengembalian miliaran dolar.
Catatan: Untuk setiap tugas yang cukup spesifik, keunggulan marginal didefinisikan oleh solusi tingkat institusi yang kamu bangun di atas teknologi terkini.
Pengguna kami selalu melampaui garis depan. Jendela konteks LLM telah berkembang dari 4K menjadi 1 juta token dalam empat tahun. Beberapa pengguna kami mengolah 30 miliar token dalam satu tugas. Tahun ini kami sudah melihat jalur untuk memproses tugas 100 miliar token. Setiap kali kemampuan model dasar meningkat, kami sudah melangkah lebih jauh.
Catatan: Jendela konteks dan kemampuan lainnya juga merupakan target yang bergerak. Perbandingan evolusi jendela konteks antara laboratorium terdepan tiga tahun lalu dan Hebbia.
Keserbagunaan untuk pengguna luas tentu penting, terutama saat membimbing karyawan untuk mulai menggunakan AI. Namun masa depan tidak akan berupa orang-orang yang menggunakan ChatGPT/Claude atau solusi vertikal, melainkan ChatGPT/Claude ditambah solusi vertikal.
Kecerdasan institusi harus memanfaatkan Agen yang khusus untuk bidang, bahkan khusus untuk tugas.
Kita sering bertanya pada diri sendiri sebuah pertanyaan yang terdengar konyol tapi sebenarnya tidak:
'AI akan memilih Agen mana yang digunakan sebagai jalan pintas? Bahkan kecerdasan super juga akan ingin menggunakan alat yang khusus untuk bidang tertentu.'
Batas kemampuan AI selalu bergerak, hanya organisasi yang memanfaatkan keunggulan marginal yang sebenarnya yang akan menjadi pemenang. Lainnya hanya membayar untuk komoditas umum yang sangat mahal.
5. Hasil
AI tingkat pribadi menghemat waktu.
AI tingkat institusi memperluas pendapatan.
@MaVolpi pernah mengatakan sesuatu yang mengubah pandanganku tentang menjual AI kepada perusahaan: 'Jika kamu bertanya kepada CEO mana pun apakah lebih baik mengurangi biaya atau memperluas pendapatan, hampir semua orang akan memilih pendapatan.'
Namun, hampir setiap produk AI di pasar saat ini menyampaikan penghematan biaya—janji untuk membantumu menghemat waktu, melakukan lebih banyak dengan lebih sedikit orang, atau menggantikan tenaga kerja.
AI tingkat institusi harus memberikan imbal hasil tambahan. Dan imbal hasil tambahan jauh lebih sulit untuk dikomodifikasi dibandingkan waktu yang dihemat.
Ambil contoh pengembangan perangkat lunak yang dibantu AI. IDE kode adalah salah satu alat produktivitas AI pribadi terbaik yang pernah ada, tetapi mereka sudah menghadapi tekanan besar dari Claude Code (alat AI tingkat pribadi lainnya). Cognition sedang bermain di permainan yang sama sekali berbeda. Bisnis mereka yang paling stabil tumbuh adalah menjual transformasi dengan teknologi, bukan menjual alat. Saya bertaruh model ini akan bertahan lama.
Perangkat lunak murni 'sedang dengan cepat menjadi tidak dapat diinvestasikan'. Layanan murni tidak dapat diskalakan. Lapisan solusi—mengikat teknologi dan hasil bersama-sama—adalah tempat penanaman nilai yang berkelanjutan.
Lihat M&A. AI tingkat pribadi membantu analis membangun model lebih cepat. AI tingkat institusi mengidentifikasi dari seratus target mana yang layak dikejar sebagai mitra dagang, lalu memperluas jangkauan pencarian hingga seribu. Satu menghemat waktu, yang lain menciptakan pendapatan.
Catatan: Perusahaan model dasar sedang bergerak menuju lapisan aplikasi vertikal. Perusahaan lapisan aplikasi vertikal sedang bergerak menuju lapisan solusi.
'Maju ke hulu' adalah daya tarik alami pasar saat ini. Model dasar bergerak menuju lapisan aplikasi, perusahaan lapisan aplikasi bergerak menuju lapisan solusi.
Kecerdasan institusi adalah lapisan solusi. Dan lapisan solusi—tempat hasil ada—akan menyimpan nilai yang berkelanjutan, menangkap ruang keuntungan terbesar.
6. Memberdayakan
AI tingkat pribadi memberi kamu alat.
AI tingkat institusi mengajarkan kamu cara menggunakan.
Manusia yang secerdas apapun, menolak untuk berubah.
Percaya atau tidak, saat ini masih ada toko yang sukses di New York yang tidak menerima kartu kredit. Mereka tahu mereka merugi, tahu bahwa tidak menerima kartu kredit akan merugikan, tetapi tetap tidak bergerak. Begitu juga, di masa yang bisa diprediksi, beberapa karyawan di organisasi tertentu akan menolak untuk menggunakan AI.
Transformasi dari organisasi murni manusia menjadi organisasi campuran yang mengutamakan AI akan menjadi tantangan paling berkelanjutan dan paling mendefinisikan dalam sepuluh tahun ke depan. Dan seringkali, orang-orang terpenting di organisasi, justru adalah yang paling lambat mengadopsi.
Catatan: Tingkat tertinggi organisasi—yang paling jauh dari 'operasi alat produktivitas'—sering kali adalah kelompok yang paling lambat mengadopsi teknologi baru tetapi paling krusial.
Palantir adalah satu-satunya perusahaan 'perangkat lunak' yang mempertahankan nilai estimasi yang sangat tinggi di tengah penjualan besar-besaran saham teknologi senilai triliunan dolar dalam dua bulan terakhir. Ada alasannya. Palantir adalah salah satu dari sedikit perusahaan 'rekayasa proses' yang sejati. Apapun sebutanmu untuk itu—'rekayasa proses' atau 'menulis dokumen keterampilan Claude', AI tingkat institusi di masa depan akan memicu industri: mengkodekan proses bisnis ke dalam Agen dan menerapkan manajemen perubahan yang diperlukan.
Catatan: Adopsi AI secara menyeluruh oleh organisasi akan melintasi banyak jurang, masing-masing dengan tantangannya sendiri. Meng-online-kan proses dengan AI akan menjadi pendorong utama.
Saya berani mengatakan, rekayasa proses akan menjadi 'teknologi' paling penting dalam waktu dekat.
Sementara dalam rekayasa proses, keahlian bisnis dan industri—bukan keahlian perangkat lunak—yang paling penting. Solusi vertikal akan melahirkan tenaga kerja yang memiliki keahlian dalam penerapan teknik, implementasi, dan manajemen perubahan di garis depan.
Sebuah bank investasi terkemuka (tiga besar) yang memilih Hebbia untuk penerapan menyeluruh mengatakan dengan tepat: alasan mereka tidak bekerja sama dengan salah satu laboratorium model besar adalah karena 'kami perlu menjelaskan kepada tim mereka apa itu CIM (confidential information memorandum)'. Tentu Claude atau GPT memahami bidang ini, tetapi tim yang bertanggung jawab untuk implementasi tidak memahaminya...
Perbedaan ini menentukan segalanya.
7. Tanpa prompt
AI tingkat pribadi merespons prompt manusia.
AI tingkat institusi mengambil tindakan secara proaktif, tidak memerlukan prompt.
Banyak diskusi tentang komunikasi antar Agen, apakah perusahaan dan institusi di masa depan masih memerlukan manusia.
Namun, pertanyaan yang lebih baik adalah: Apakah Agen AI di masa depan masih memerlukan prompt?
Menulis prompt untuk AGI itu seperti menyambungkan motor listrik ke mesin tenun manual. Ia secara fundamental, tidak dapat diubah, dibatasi oleh titik terlemah dalam rantai pasokan organisasi—kita sendiri. Manusia sama sekali tidak tahu pertanyaan apa yang benar untuk ditanyakan, apalagi kapan menanyakannya.
Pekerjaan paling berharga yang bisa dilakukan AI adalah yang tidak terpikirkan oleh siapa pun untuk ditanyakan. AI harus menemukan risiko yang tidak terdeteksi, mitra dagang yang tidak terbayangkan, dan saluran penjualan yang tidak diketahui ada.
Ini akan membuka batasan penggunaan AI secara menyeluruh.
Sebuah sistem yang tidak memerlukan prompt terus-menerus memantau aliran data seluruh portofolio investasi. Ia menemukan bahwa siklus modal kerja perusahaan yang diinvestasikan telah memburuk secara diam-diam selama tiga bulan berturut-turut, melakukan perbandingan silang dengan ketentuan dalam perjanjian kredit, dan memberitahu mitra operasi sebelum siapa pun di dana membuka PDF tersebut.
Ketika kamu tidak lagi membutuhkan manusia untuk menulis prompt untuk AI, antarmuka baru dan cara kerja baru muncul. Kami @Hebbia memiliki ide-ide yang kuat dalam hal ini. Kita akan membahasnya lagi nanti.
Kesimpulan
Semua ini tidak mengurangi nilai chatbot, Agen, dan AI tingkat pribadi.
AI tingkat pribadi akan menjadi kendaraan bagi sebagian besar perusahaan di dunia untuk pertama kalinya merasakan keajaiban transformasi AI. Mendorong penggunaan, mendorong kemudahan penggunaan, adalah langkah pertama kunci dalam manajemen perubahan yang diperlukan untuk membangun ekonomi yang mengutamakan AI.
Namun, pada saat yang sama, permintaan untuk kecerdasan institusi adalah jelas, mendesak, dan besar.
Di masa depan setiap organisasi akan memiliki chatbot dari laboratorium model besar. Setiap organisasi juga akan memiliki AI tingkat institusi yang dibangun khusus untuk masalah bidang tertentu—sementara AI tingkat pribadi akan menggunakan AI tingkat institusi sebagai alat paling penting dalam kotak alatnya.
AI tingkat institusi dan AI tingkat pribadi 'akan lebih baik terintegrasi' adalah tren yang tak terelakkan.
Tapi ingat pelajaran dari pabrik tekstil tahun 1890-an. Pabrik yang pertama kali teraliri listrik kalah dari pabrik yang meredesain ruang kerjanya.
Kami sudah memiliki listrik. Saatnya meredesain pabrik kami.
Terima kasih kepada @aleximm dan @WillManidis atas tinjauan mereka, serta artikel Will tentang 'bentuk alat' yang memberi inspirasi untuk tulisan ini.
Tautan asli