Kecerdasan buatan atau AI sedang mengubah cara perusahaan membangun produk. Dengan bantuan AI generatif dan AI agentic, pekerjaan yang sebelumnya membutuhkan waktu berhari-hari atau berminggu-minggu kini dapat diselesaikan dalam hitungan jam, bahkan menit.
 |
| The AI Productivity Paradox: Mengapa AI Membuat Kita Lebih Cepat, tetapi Belum Tentu Lebih Baik |
Namun, muncul sebuah fenomena menarik: produktivitas meningkat, tetapi hasil bisnis tidak selalu ikut meningkat.
Fenomena ini sering disebut sebagai AI Productivity Paradox.
AI Membuat Pekerjaan Lebih Cepat, tetapi ROI Belum Tentu Meningkat
Adopsi AI terus meningkat di berbagai perusahaan. Tim engineering dapat menghasilkan kode lebih cepat, tim product dapat membuat dokumentasi dalam waktu singkat, dan berbagai pekerjaan administratif dapat diotomatisasi.
Masalahnya, kecepatan tersebut tidak selalu menghasilkan dampak yang lebih besar.
Banyak organisasi akhirnya berada dalam situasi seperti ini:
Tim dapat membangun lebih banyak dalam waktu yang lebih singkat, tetapi pelanggan tidak otomatis mendapatkan lebih banyak nilai.
Inilah inti dari AI Productivity Paradox.
AI memang meningkatkan output, tetapi output bukanlah hal yang sama dengan outcome.
Output vs Outcome
Contohnya sederhana.
Sebuah tim sebelumnya membutuhkan dua minggu untuk membangun sebuah fitur. Setelah menggunakan AI, mereka mampu menyelesaikannya hanya dalam dua hari.
Secara produktivitas, keberhasilannya terlihat jelas.
Tetapi bagaimana jika fitur tersebut ternyata tidak digunakan oleh pelanggan?
Atau ternyata fitur tersebut menyelesaikan masalah yang sebenarnya tidak penting?
Atau bahkan pelanggan tidak pernah meminta fitur tersebut?
Dalam kondisi seperti itu, tim memang bekerja lebih cepat, tetapi perusahaan belum tentu mendapatkan hasil yang lebih baik.
Masalahnya Bukan Sekadar Kecepatan
Selama bertahun-tahun, banyak perusahaan menggunakan pendekatan berbasis project.
Biasanya prosesnya terlihat seperti ini:
Ide → Business Case → Roadmap → PRD → Development → Launch
Pendekatan tersebut berfokus pada menghasilkan sesuatu.
Masalah utamanya bukan karena proses tersebut selalu lambat. Masalah yang lebih besar adalah bahwa pendekatan ini cenderung mengoptimalkan delivery, bukan memastikan bahwa sesuatu yang dibangun benar-benar memberikan hasil yang diinginkan.
AI kemudian membuat proses tersebut semakin cepat.
Business case dapat dibuat menggunakan AI.
Roadmap dapat dibuat menggunakan AI.
PRD dapat dibuat menggunakan AI.
Kode dapat dibuat menggunakan AI.
Dokumentasi dapat dibuat menggunakan AI.
Tetapi ada satu pertanyaan yang tetap tidak bisa dijawab hanya dengan mempercepat proses tersebut:
Apakah kita sebenarnya sedang membangun sesuatu yang layak untuk dibangun?
"It's Never Been Faster to Build"
Ada sebuah peringatan menarik dari Hilary Gridley:
“It’s never been faster to build, which means it’s never been easier to run 10 times faster in the wrong direction.”
Artinya, semakin mudah kita membangun sesuatu, semakin mudah pula kita membuat kesalahan dalam skala yang lebih besar.
Bayangkan sebuah tim yang salah memahami kebutuhan pelanggan.
Tanpa AI, mungkin mereka membutuhkan tiga bulan untuk membangun solusi tersebut.
Dengan AI, mungkin mereka hanya membutuhkan tiga minggu.
Apakah itu kemenangan?
Belum tentu.
Jika solusi tersebut tetap tidak menyelesaikan masalah pelanggan, perusahaan hanya berhasil gagal lebih cepat.
Dan bahkan mungkin gagal dengan biaya yang lebih besar karena mereka menghasilkan lebih banyak fitur, lebih banyak kode, dan lebih banyak kompleksitas.
Tantangan Terbesar Tetap: Menentukan Apa yang Harus Dibangun
Chip Huyen, penulis AI Engineering, menyampaikan sebuah poin yang sangat relevan:
“AI makes building easier, but the hardest part remains knowing what to build.”
AI sangat bagus dalam membantu kita membuat sesuatu.
Tetapi menentukan apa yang seharusnya dibuat adalah persoalan yang berbeda.
AI dapat membantu menghasilkan ribuan ide.
AI dapat membuat prototype.
AI dapat menulis kode.
AI dapat membuat UI.
AI bahkan dapat membantu melakukan analisis data.
Namun, semua kemampuan tersebut tidak otomatis membuat sebuah ide menjadi solusi yang tepat.
Di sinilah kemampuan product management, product discovery, strategi, dan pemahaman terhadap pelanggan menjadi semakin penting.
Mengapa Perusahaan dengan Product Culture yang Kuat Justru Semakin Unggul?
Pada awal perkembangan AI generatif, ada anggapan bahwa AI akan menjadi semacam great equalizer.
Perusahaan yang sebelumnya unggul karena memiliki engineer terbaik mungkin tidak lagi memiliki keunggulan sebesar itu karena semua orang dapat menggunakan AI untuk menghasilkan kode dengan cepat.
Namun kenyataannya justru bisa berbalik.
Perusahaan yang memiliki engineer bagus sering kali juga memiliki:
Product manager yang kuat
Pemahaman pelanggan yang mendalam
Budaya eksperimen
Strategi produk yang jelas
Proses discovery yang matang
Kemampuan mengambil keputusan berdasarkan evidence
Kemampuan membedakan masalah penting dan tidak penting
Dengan kata lain, keunggulan mereka ternyata bukan hanya kemampuan membangun, tetapi kemampuan menentukan apa yang layak dibangun.
AI kemudian memperbesar keunggulan tersebut.
Perusahaan yang sudah memiliki product culture yang kuat dapat menggunakan AI untuk mempercepat proses discovery sekaligus delivery.
Sementara perusahaan lain mungkin hanya menggunakan AI untuk menghasilkan lebih banyak output.
Build to Learn vs Build to Earn
Salah satu konsep penting dalam era AI adalah membedakan dua aktivitas:
Build to Learn
dan
Build to Earn
Keduanya sama-sama menggunakan proses development, tetapi tujuannya berbeda.
Build to Learn
Build to Learn berarti membangun sesuatu untuk mendapatkan informasi dan mengurangi ketidakpastian.
Misalnya:
Apakah pelanggan benar-benar mengalami masalah ini?
Apakah solusi yang kita pikirkan memang menyelesaikan masalah?
Apakah pelanggan bersedia menggunakan solusi tersebut?
Apakah stakeholder internal mendukung solusi tersebut?
Apakah solusi tersebut layak secara bisnis?
Dalam tahap ini, tujuan utamanya bukan menghasilkan produk final.
Tujuannya adalah belajar.
AI dapat digunakan untuk mempercepat proses ini dengan membuat prototype, melakukan simulasi, menganalisis feedback, menghasilkan alternatif solusi, membuat mockup, dan membantu melakukan eksperimen.
Build to Earn
Setelah tim memiliki cukup evidence bahwa solusi tersebut memang layak, barulah masuk ke tahap Build to Earn.
Pada tahap ini, produk harus dibangun dengan standar production yang sebenarnya.
Artinya:
Reliable
Accurate
Scalable
Performant
Secure
Maintainable
Mudah digunakan
Dapat diandalkan pelanggan
AI kembali dapat mempercepat proses tersebut.
Tetapi sekarang AI digunakan untuk membangun sesuatu yang sudah memiliki alasan kuat untuk dibangun.
Jangan Langsung Launch Hanya Karena Bisa
Mungkin muncul pertanyaan:
"Kenapa tidak langsung saja membuat sesuatu dengan cepat, lalu launch ke pelanggan dan lihat hasilnya?"
Sebenarnya, boleh.
Bahkan dalam beberapa kondisi, pendekatan tersebut sangat masuk akal.
Masalahnya adalah ketika perusahaan menjadikan speed of development sebagai strategi utama tanpa memahami apa yang ingin dipelajari dari eksperimen tersebut.
Jika sebuah tim meluncurkan fitur tanpa hipotesis yang jelas, tanpa memahami masalah pelanggan, dan tanpa menentukan indikator keberhasilan, hasilnya sering kali hanya menjadi:
Build → Launch → Tidak berhasil → Bingung mengapa
Kemudian tim membuat fitur baru.
Dan proses tersebut diulang kembali.
AI membuat siklus tersebut semakin cepat.
Tetapi cepat bukan berarti efektif.
AI Seharusnya Mempercepat Discovery, Bukan Hanya Development
Inilah perubahan pola pikir yang penting.
Jika sebelumnya AI hanya digunakan untuk:
"Tolong buatkan kode untuk fitur ini."
Maka penggunaan AI yang lebih strategis adalah:
"Apakah fitur ini memang solusi terbaik untuk masalah pelanggan?"
Kemudian AI dapat digunakan untuk:
Memahami masalah pelanggan.
Mengidentifikasi berbagai kemungkinan solusi.
Membandingkan alternatif.
Membuat prototype dengan cepat.
Menguji prototype.
Menganalisis feedback pengguna.
Mengidentifikasi risiko.
Menguji asumsi bisnis.
Memperbaiki solusi.
Baru kemudian membantu membangun produk production-ready.
Dengan cara ini, AI bukan hanya menjadi coding accelerator, tetapi menjadi product discovery accelerator.
AI Tidak Menggantikan Product Thinking
Inilah alasan mengapa kemampuan product thinking justru semakin penting di era AI.
Ketika biaya untuk membuat software semakin murah, kemampuan untuk memilih software apa yang harus dibuat menjadi semakin bernilai.
Jika dahulu perusahaan memiliki keterbatasan karena engineer membutuhkan waktu lama untuk membangun sesuatu, sekarang hambatannya semakin bergeser.
Pertanyaannya bukan lagi:
"Bisakah kita membangunnya?"
Tetapi:
"Haruskah kita membangunnya?"
Dan setelah itu:
"Apakah ini benar-benar menyelesaikan masalah yang penting?"
Kesimpulan
AI Productivity Paradox sebenarnya bukanlah sebuah paradoks yang terlalu misterius.
AI memang membuat manusia dan tim bekerja lebih cepat.
Tetapi kecepatan menghasilkan output tidak otomatis menghasilkan outcome.
Jika sebuah perusahaan hanya menggunakan AI untuk mempercepat cara kerja lama, mereka mungkin hanya akan menghasilkan lebih banyak business case, roadmap, PRD, kode, dan fitur dalam waktu yang lebih singkat.
Sebaliknya, perusahaan yang memahami perbedaan antara Build to Learn dan Build to Earn dapat menggunakan AI dengan cara yang jauh lebih strategis.
Mereka menggunakan AI untuk mempercepat proses menemukan solusi yang benar terlebih dahulu.
Setelah memiliki evidence bahwa solusi tersebut memberikan value bagi pelanggan dan viable bagi perusahaan, barulah AI digunakan untuk mempercepat proses pembangunan produk berkualitas tinggi.
Pada akhirnya, keunggulan AI bukan hanya tentang siapa yang bisa membangun paling cepat.
Keunggulan sebenarnya adalah:
siapa yang paling cepat menemukan apa yang layak dibangun, membuktikan bahwa solusi tersebut benar, lalu membangunnya dengan baik.
Di era AI, kemampuan untuk membuat software semakin mudah.
Karena itu, kemampuan untuk menentukan software apa yang layak dibuat justru menjadi semakin berharga.
Baca Juga:
Ketika AI Menjadi Teman Curhat: Menyoal Empati dan Koneksi Manusia di Era Society 5.0
Masa Depan AI di Perusahaan: Produktivitas Tumbuh, Tenaga Kerja Berubah Perlahan
0 Comments