Ini awal dari sebuah seri. Saya akan menceritakan transformasi yang kami mulai di tech, di Prolog, sekitar dua bulan lalu: kenapa dimulai, apa yang sedang berjalan, dan apa yang mahal harganya. Ini bukan teori panggung. Ini yang kami jalani.
Saya memutuskan menulis karena satu alasan sederhana: waktu saya mencari cara melakukannya, saya menemukan banyak opini dan sedikit cerita jujur dari orang yang benar-benar ada di tengah prosesnya. Kalau tulisan ini jadi tempat sandaran buat builder lain, sudah cukup berarti.
Semua dimulai dari rasa ganjil.
Yang saya lihat
Di bulan Maret, saya dan Jean, co-founder saya, pergi ke SXSW, di Texas, salah satu festival inovasi terbesar di dunia. Saya pulang dengan perasaan berbeda, dan rasa ganjil itu tidak hilang. Bukan soal yang saya lihat di panggung. Tapi soal yang saya lihat sudah dilakukan perusahaan-perusahaan dalam praktik.
Setiba di rumah, saya menyelam ke konten teknis dari orang-orang yang benar-benar membangun dengan AI di luar sana. Bukan konten hangat-hangat kuku ala Instagram dan LinkedIn. Yang dalam, dari orang yang turun tangan langsung dan mempublikasikan apa yang mereka pelajari. Dan saya terus menabrak kasus demi kasus perusahaan yang benar-benar mengubah cara kerjanya. Bedanya halus sekaligus besar pada saat yang sama: mereka bukan “mulai memakai AI”, mereka menaruh AI di pusat.
Dan ini tidak bisa dianggap cuma hype panggung. Ini adopsi dalam skala industri: perusahaan besar dan perusahaan kecil, semua berjalan menuju tempat yang sama. Salah satu hal yang membekas buat saya adalah satu angka sederhana: 9 dari 10 perusahaan Fortune 100 sudah mengadopsi Copilot. Tapi data yang penting bukan soal adopsi. Tapi soal besarnya hasil. Yang cuma menyelipkan AI ke alur lama melaporkan produktivitas 10, 20% lebih tinggi. Yang membangun ulang di sekitarnya melaporkan kelipatan: 5x, 10x. Saya akan membedah kasus-kasus ini satu per satu di artikel berikutnya. Untuk sekarang, yang penting adalah pergeseran yang sama-sama mereka miliki.
AI di samping vs. AI di pusat
Perbedaan ini terlihat kecil dan justru inilah yang menentukan segalanya.
Memakai AI berarti membuka satu tool di samping dan menjalankan proses yang sama seperti sebelumnya. Alurnya tetap sama, perannya tetap sama, review-nya tetap sama. AI cuma satu tab tambahan, dan tiap orang bertahan sendiri dengannya. Hasilnya muncul di pinggiran.
Menaruh di pusat berarti mendesain ulang proses di sekitarnya. Kamu mengasumsikan AI akan membangun sebagian besar pekerjaan dan kamu menyusun ulang alur, peran, dan review dari situ. Konteks berhenti mati di dalam satu percakapan dan mulai dibagikan. Hasilnya beda level, karena ini bukan pekerjaan yang sama tapi lebih cepat. Ini pekerjaan yang berubah bentuk.
Pekerjaan yang sama, dua tempat untuk AI
AI di samping vs. AI di pusat
AI ada di tab sebelah. Alur, peran, dan review tetap sama. Masing-masing jalan sendiri, dengan caranya sendiri.
+10–20% peningkatan di pinggir. Bottleneck tetap di tempatnya.Alur, peran, dan review dibangun ulang supaya AI yang membangun. Konteks dibagi bersama, tidak mati di satu percakapan.
Beda level peningkatannya. Bukan 10% lebih; ini pekerjaannya yang berubah.Waktu itu klik, pertanyaannya berhenti jadi “tool mana yang kami adopsi” dan berubah jadi “apa, dalam cara kami bekerja, yang dirancang untuk dunia tanpa AI”. Lalu saya mulai melihat ke dalam.
Diagnosisnya: semua orang bertahan sendiri-sendiri
Sekitar akhir Maret, bahkan sebelum kami pindah ke Claude, saya duduk dengan orang-orang dari produk, desain, dan engineering di Prolog dan mengajukan satu pertanyaan sederhana: bagaimana kamu memakai AI sehari-hari? Apa yang bagus, di mana macetnya, bottleneck apa yang kamu lihat di operasi.
Yang saya dengar menyentak saya.
Setiap orang memakai tool yang berbeda. Satu di Copilot, satu lagi di Claude, satu lagi melemparkan semuanya ke AI internal Prolog. Dan, lebih parah dari tool yang tercerai-berai, adalah konteks yang tercerai-berai: apa yang dibangun seseorang lewat percakapan dengan AI mati di situ, bersama dia. Tim maintenance, misalnya, sudah menyusun materi yang bagus di dalam AI Prolog, dengan aturan produk itu. Tapi itu tidak sampai ke tim ban, yang butuh konteks serupa dan mulai dari nol.
Ada satu yang nyangkut di kepala saya. Para dev menghindari memakai AI untuk mereview PR besar karena takut kehabisan credit sebelum akhir minggu. Bayangkan absurdnya: seseorang harus memilih antara menyelesaikan task-nya sendiri dengan AI, yang sudah dia janjikan untuk dikirim, atau menghabiskan credit yang sama untuk mereview PR raksasa milik rekannya. Jadi rebutan sumber daya yang langka. Dan akhirnya tidak ada yang mau mengambil review orang lain.
Ada orang di tim yang merangkumnya dalam satu kalimat yang tidak bisa saya lupakan:
Kami memproduksi dengan AI dan mereview tanpa AI.
Semua orang bertahan sendiri-sendiri, dengan caranya masing-masing, dengan tool seadanya. Yang berhasil buat satu orang tidak jadi resep buat yang lain. Tidak ada standar, tidak ada titik temu.
Dan ini bukan cuma soal caranya, tapi strukturnya
Makin saya perhatikan, makin jelas bahwa ini tidak bisa dibereskan cuma dengan mengajari semua orang “memakainya lebih baik”. Cara memakainya cuma gejala. Struktur di bawahnya yang belum siap. Muncul tiga lubang.
Pertama, konteks tersebar ke mana-mana. Satu potong di Notion, satu lagi di Drive, satu lagi di Jira, di Figma, di Fathom. Tidak ada single source of truth. Jadi setiap percakapan baru dengan AI dimulai dengan menjelaskan semuanya dari nol, karena informasi yang dia butuhkan ada di lima tempat dan tidak dikurasi di satu pun. Kami membayar dengan token, dengan request, dan dengan waktu cuma untuk menyusun ulang konteks yang sebenarnya sudah ada di suatu sudut.
Kedua, manusia yang jadi lemnya. Seseorang di produk menghasilkan spec dengan AI, menaruhnya di sebuah doc, mengirim link ke orang berikutnya, yang mengambilnya dan melemparkannya ke project AI miliknya. AI muncul di ujung-ujung, tidak pernah di tengah: ia memproduksi satu potong, seorang manusia membawa hasilnya dengan tangan sampai ke tool berikutnya, dan AI lain memulai lagi dari awal. Alurnya tetap manusia.
Ketiga, arsitekturnya. Fondasi yang kami bangun selama sepuluh tahun dibuat untuk dunia di mana bottleneck-nya adalah orang, bukan AI. Ia kusut di beberapa titik dan punya bagian tanpa test, dan justru itulah yang menghambat perubahan cepat yang seharusnya bisa dilakukan berkat AI. Ini bukan kesalahan moral siapa pun. Ini akumulasi sepuluh tahun keputusan yang berhasil sampai sini. AI cuma menelanjanginya.
Dan penting untuk dikatakan: ini bukan kesalahan tim, bukan juga kesalahan Prolog. Ini yang terjadi di perusahaan mana pun yang menempelkan AI di atas cara kerja lama. Setiap perusahaan berumur sepuluh tahun membawa cara kerja yang berhasil sampai sekarang. AI menyorotinya dengan lampu sorot. Dan tanggung jawab untuk mengubahnya ada di saya.
Kenapa membangun ulang semuanya, bukan cuma engineering
Godaan pertama adalah membereskannya di engineering. Masuk akal, di situlah AI paling cepat menempel dan di situ juga kami sudah mulai. Tapi justru di situ jebakannya.
Kalau satu area bergerak di kecepatan AI dan area di sebelahnya tetap di kecepatan manusia, saya tidak mempercepat apa-apa. Saya cuma memindahkan bottleneck ke tempat lain.
Pikirkan seluruh alurnya. Kalau engineering mulai mengirim dalam hitungan jam tapi produk masih butuh berminggu-minggu untuk menyusun spec, yang menahan antrean sekarang adalah produk. Beres produk dan engineering, tapi validasinya masih manual? Macet di validasi. Dan ini tidak berhenti di tech: kalau kami merilis banyak hal tapi marketing tidak bisa mengumumkannya dengan ritme yang sama, bottleneck-nya pindah ke marketing. Mempercepat satu bagian tidak membubarkan kemacetan. Cuma mendorongnya ke bagian berikutnya.
Mempercepat satu bagian tak mengosongkan antrean
Bottleneck cuma pindah tempat
Saya percepat engineering saja
Saya percepat produk dan engineering
Tiap bagian yang kamu percepat menyalakan bagian berikutnya. Kemacetan tidak hilang; cuma pindah tempat.
Karena itu, di akhir April, kami mulai membangun ulang seluruh tech. Produk, desain, data, quality. Bukan cuma engineering. Kalau AI masuk ke pusat, ia masuk ke pusat seluruh alur, bukan cuma satu potong.
Yang akan datang
Di artikel-artikel berikutnya, saya akan membedah tiap bagiannya. Apa itu “harness”, infrastruktur yang membuat AI benar-benar produktif alih-alih cuma menghasilkan potongan lepas. Bagaimana pekerjaan tiap peran berubah ketika AI menjadi yang membangun, dan manusia menjadi yang mengarahkan dan mereview. Dan kenapa pertanyaan yang tepat saat sesuatu rusak berhenti jadi “apa yang saya lakukan sekarang” dan berubah jadi “apa yang kurang dari konteksnya supaya ini tidak terjadi lagi”.
Transformasi ini sedang berjalan, dengan yang tepat dan yang keliru. Saya akan menceritakan keduanya di sini, seiring berjalannya. Ini bukan resep. Ini yang sedang kami jalani. Kalau berguna sebagai peta buat orang lain yang juga membangun, lebih baik lagi.