Ketika mesin meningkatkan kemampuannya sendiri: Siapa yang mengendalikan masa depan AI kita?

Dari jebakan hype hingga penciptaan nilai nyata: Bagaimana AI benar-benar mengubah dunia kerja

AI membangun AI: Lompatan produktivitas yang luar biasa di laboratorium rahasia

Kecerdasan buatan (AI) telah benar-benar hadir di jantung wacana ekonomi dan politik global. Masa-masa ketika debat publik hanya berputar di sekitar chatbot yang mengada-ada atau ancaman kehilangan pekerjaan telah berakhir. Saat ini, pergeseran mendasar sedang dipertaruhkan: Siapa yang menentukan laju perkembangan teknologi? Sementara AS menggelontorkan miliaran dolar yang belum pernah terjadi sebelumnya untuk meningkatkan skala dan telah membantu AI mutakhir mengembangkan penerusnya sendiri, Eropa sedang mencari keseimbangan yang tepat antara regulasi yang diperlukan—misalnya, dalam perlindungan anak—dan mempertahankan daya saingnya sendiri. Tetapi bahkan di dalam perusahaan itu sendiri, euforia awal mulai digantikan oleh kenyataan pahit: AI mungkin mengurangi biaya produksi, tetapi jauh dari menjamin nilai tambah. Artikel berikut ini mengkaji aspek-aspek penting dari transformasi struktural ini dan menunjukkan mengapa manusia harus mempertahankan kendali di masa depan—bukan hanya sebagai korektor, tetapi sebagai arsitek strategis dari seluruh sistem.

Eropa melakukan regulasi, Amerika melakukan skalasi – dan mesin-mesin mulai meningkatkan diri

Debat sosial tentang kecerdasan buatan memasuki fase baru. Hingga saat ini, fokus utamanya adalah pada kemampuan model generatif, kerentanannya terhadap kesalahan, dan pertanyaan tentang tugas mana yang dapat diotomatisasi. Sekarang, perspektifnya bergeser. Pertanyaan krusialnya bukan lagi hanya apa yang dapat dicapai AI, tetapi siapa yang mengendalikan pengembangannya, siapa yang menuai manfaat ekonomi, siapa yang menanggung risikonya, dan regulasi politik mana yang menentukan di mana inovasi terjadi.

Tiga perkembangan terkini menggambarkan transisi ini. Dalam pemasaran, kesadaran semakin menguat bahwa meskipun AI mempercepat produksi dan analisis, AI tidak dapat menggantikan strategi merek yang layak. Dalam politik Eropa, perlindungan anak di bawah umur dari mekanisme platform yang manipulatif menjadi semakin penting, sementara pada saat yang sama ada kekhawatiran yang berkembang bahwa peraturan tambahan dapat lebih membebani penyedia Eropa yang lebih kecil daripada perusahaan teknologi global. Dan di laboratorium AI terkemuka, model-model sudah mengotomatiskan sebagian dari pekerjaan penelitian dan pengembangan yang akan melahirkan generasi model berikutnya.

Perkembangan ini saling terkait secara ekonomi. Perkembangan ini menggambarkan tiga tingkatan pergeseran kekuasaan yang sama: penerapan AI di perusahaan, pembentukan pasar digital oleh pemerintah, dan otomatisasi produksi AI itu sendiri. Mereka yang hanya fokus pada alat atau hukum individual meremehkan perubahan struktural. AI menjadi teknologi fundamental yang secara bersamaan mengubah produktivitas, persaingan, kebutuhan modal, organisasi kerja, dan kedaulatan regulasi.

Dari euforia AI hingga pertanyaan tentang penciptaan nilai

Debat dalam pemasaran dan periklanan merupakan titik awal yang baik karena ketegangan menjadi jelas di sana, terutama sejak awal. AI generatif dapat menghasilkan teks, gambar, video, variasi, pendekatan kelompok sasaran, dan analisis dengan kecepatan yang hampir tidak dapat dicapai dengan proses tradisional. Manfaat ekonomi awalnya terletak pada penurunan biaya marginal: setelah sistem diatur, variasi iklan yang keseratus hanya membutuhkan sebagian kecil biaya dari yang pertama. Logika ini mendukung penskalaan, personalisasi, dan pengujian yang lebih cepat.

Namun, biaya produksi yang lebih rendah tidak secara otomatis menghasilkan nilai tambah yang lebih tinggi. Jika semua pelaku pasar menggunakan model, sumber data, dan logika optimasi yang serupa, kuantitas konten yang tersedia meningkat lebih cepat daripada kualitasnya. Hasilnya dapat berupa inflasi komunikasi yang dapat saling menggantikan. Efisiensi teknis meningkat, sementara perhatian pelanggan menjadi semakin langka dan mahal. Perusahaan kemudian menghemat biaya pembuatan setiap konten secara individual, tetapi harus berinvestasi lebih banyak hanya untuk diperhatikan.

Inilah paradoks utama AI dalam pemasaran. Otomatisasi meningkatkan efisiensi operasional, tetapi secara bersamaan dapat melemahkan diferensiasi strategis. Sebuah model dapat menerapkan pedoman merek, meniru nada, dan menganalisis data yang ada. Namun, model tersebut tidak memutuskan, berdasarkan tanggung jawab ekonominya sendiri, posisi pasar mana yang harus dipertahankan perusahaan dalam jangka panjang, kelompok pelanggan mana yang sengaja dikecualikan, atau janji mana yang harus ditepati bahkan di bawah tekanan biaya.

Oleh karena itu, pernyataan bahwa manusia memandu AI bukanlah sekadar formula yang meyakinkan, melainkan tugas manajemen yang menuntut. Kontrol manusia bukan berarti mengedit setiap hasil secara manual. Ini berarti mendefinisikan tujuan, batasan, kriteria kualitas, dan tanggung jawab sedemikian rupa sehingga otomatisasi tidak hanya menghasilkan lebih banyak output, tetapi juga hasil bisnis yang lebih baik. Semakin canggih sistemnya, semakin tidak cukup hanya mengoptimalkan setiap perintah individual. Diperlukan model operasional yang kuat untuk data, persetujuan, manajemen merek, pengukuran, dan tanggung jawab.

Nilai merek tidak diciptakan dalam model tersebut

Di masa-masa yang penuh ketidakpastian ekonomi, kepercayaan, kualitas, dan keandalan menjadi semakin penting. Bagi merek, ini merupakan gerakan penyeimbang yang krusial terhadap tekanan percepatan teknologi. Pelanggan tidak hanya membeli berdasarkan pesan iklan yang dirancang sempurna. Mereka mengevaluasi apakah kinerja produk, layanan, harga, kemampuan pengiriman, dan komunikasi menciptakan gambaran keseluruhan yang konsisten. AI dapat secara efisien menyampaikan gambaran ini, tetapi tidak dapat menggantikan kinerja yang mendasarinya.

Keaslian tidak seharusnya dipahami secara romantis. Ini bukan tentang menolak konten yang dihasilkan mesin secara langsung atau membuat semua komunikasi tampak dibuat dengan tangan. Sebaliknya, yang relevan secara ekonomi adalah keselarasan antara manfaat yang diklaim dan yang sebenarnya diberikan. Sebuah perusahaan tampak autentik ketika pesan-pesannya dapat diverifikasi, keputusannya selaras dengan nilai-nilai yang dinyatakan, dan pelanggannya memiliki pengalaman yang serupa di semua titik kontak.

AI generatif meningkatkan risiko bahwa perusahaan akan memberikan janji berlebihan dalam komunikasi mereka dan memberikan lebih dari yang secara realistis dapat diberikan oleh organisasi mereka. Gambar dapat membuat produk tampak lebih berkualitas, rantai pasokan lebih berkelanjutan, dan layanan lebih personal daripada yang sebenarnya. Dalam jangka pendek, ini dapat meningkatkan kesadaran dan konversi. Namun, dalam jangka panjang, kerusakan reputasi, pengembalian barang, dan biaya retensi pelanggan meningkat. Semakin mudah membuat presentasi yang sempurna, semakin berharga bukti yang dapat diverifikasi, pengalaman pelanggan yang nyata, dan kinerja yang konsisten.

Hal ini mengakibatkan perubahan peran bagi departemen pemasaran. Departemen ini tidak hanya harus menghasilkan konten tetapi juga mengelola kredibilitas perusahaan. Ini termasuk data produk yang dapat diverifikasi, informasi asal yang jelas, janji kinerja yang solid, proses persetujuan yang terkoordinasi, dan pengukuran yang melampaui klik atau jangkauan. Peningkatan produktivitas yang menentukan muncul ketika AI meningkatkan hubungan antara riset pasar, pengetahuan pelanggan, kreasi, penjualan, dan layanan. Jika hanya digunakan sebagai mesin konten murah, manfaatnya tetap terbatas dan risiko saling menggantikan sangat tinggi.

Kontrol manusia menjadi sistem operasi

Gagasan bahwa manusia harus meninjau setiap hasil AI secara individual tidaklah berkelanjutan seiring meningkatnya penggunaan. Organisasi besar menghasilkan ribuan teks, gambar, rekomendasi, perkiraan, dan keputusan otomatis setiap hari. Peninjauan manual sepenuhnya akan meniadakan peningkatan efisiensi dan tetap mengabaikan banyak kesalahan. Oleh karena itu, pengawasan manusia harus berevolusi dari peninjauan individual menjadi desain sistem.

Model pengendalian yang baik dimulai dengan klasifikasi risiko. Ringkasan internal atau daftar ide yang tidak mengikat membutuhkan pengendalian yang lebih sedikit daripada klaim produk publik, keputusan penetapan harga yang dipersonalisasi, atau komunikasi kepada anak di bawah umur. Oleh karena itu, perusahaan tidak boleh membuat perbedaan menyeluruh antara proses manusia dan otomatis, tetapi harus mempertimbangkan potensi bahaya, jangkauan, kemampuan untuk dibalik, dan implikasi hukum.

Berdasarkan hal ini, proses persetujuan bertingkat dapat ditetapkan. Aplikasi berisiko rendah dapat berjalan secara otomatis jika sumber data dan ambang batas kualitas telah ditentukan. Aplikasi berisiko menengah memerlukan pengambilan sampel, tanggung jawab yang terdokumentasi, dan jalur eskalasi yang jelas. Aplikasi berisiko tinggi masih memerlukan persetujuan manusia yang mengikat, audit independen, dan protokol yang dapat diaudit. Yang terpenting, manusia tidak hanya perlu mencentang kotak di akhir, tetapi juga mendefinisikan tujuan dan metriknya.

Hal ini juga mengubah kualifikasi yang dibutuhkan dari para karyawan. Mengelola AI secara efektif membutuhkan keahlian, literasi data, penilaian kritis, dan kemampuan untuk menilai konsekuensi bisnis. Keterampilan operasional semata menjadi kurang berharga karena antarmuka pengguna menjadi lebih sederhana dan model menjadi lebih canggih. Yang tetap berharga adalah kemampuan untuk memilih masalah yang relevan, menempatkan hasil dalam konteks ekonomi, dan mengenali inkonsistensi. Manusia tidak secara otomatis mempertahankan kepemimpinan. Mereka hanya mempertahankannya jika organisasi secara institusional mengamankan peran mereka dan secara strategis mengembangkan kompetensi mereka.

Peningkatan efisiensi tanpa ilusi produktivitas

Penggunaan AI seringkali dibenarkan oleh penghematan waktu yang ditawarkannya. Meskipun penghematan ini nyata, hal itu tidak boleh disamakan dengan produktivitas ekonomi secara keseluruhan. Jika suatu tugas hanya membutuhkan satu jam alih-alih empat jam, ini pada awalnya menciptakan keunggulan teknologi. Nilai ekonomi hanya muncul ketika tiga jam yang dihemat tersebut benar-benar digunakan untuk pekerjaan yang bernilai lebih tinggi, ketika hasil yang sama dicapai dengan sumber daya yang lebih sedikit, atau ketika permintaan tambahan dapat dipenuhi secara menguntungkan.

Di banyak perusahaan, langkah kedua ini masih belum jelas. Karyawan menghasilkan lebih banyak variasi, analisis, dan presentasi tanpa membuat keputusan lebih cepat atau lebih baik. Organisasi menerima lebih banyak informasi, tetapi belum tentu lebih banyak panduan. Hal ini dapat menyebabkan biaya baru untuk peninjauan, koordinasi, dan administrasi. AI kemudian mengurangi biaya setiap langkah kerja, tetapi meningkatkan volume pekerjaan dan dengan demikian upaya koordinasi.

Untuk analisis biaya-manfaat yang realistis, semua biaya harus dipertimbangkan. Ini termasuk lisensi, daya komputasi, integrasi, persiapan data, keamanan, pelatihan, pemantauan, potensi kesalahan, dan ketergantungan pada penyedia eksternal. Biaya peluang juga muncul ketika tim menginvestasikan waktu yang signifikan dalam proyek percontohan yang tidak pernah ditransisikan menjadi proses yang stabil. Metrik yang relevan bukanlah jumlah alat yang diimplementasikan, melainkan perubahan waktu pemrosesan, tingkat kesalahan, pendapatan, retensi pelanggan, atau total biaya.

Distribusi keuntungan sangat penting. Otomatisasi dapat meringankan beban karyawan, meningkatkan margin, atau menurunkan harga. Dampak sebenarnya bergantung pada persaingan, daya tawar, dan strategi perusahaan. Di pasar yang terkonsentrasi, penyedia platform dapat merebut sebagian besar peningkatan produktivitas melalui penetapan harga dan ketergantungan. Di pasar yang sangat kompetitif, penghematan lebih mungkin diteruskan kepada pelanggan. Oleh karena itu, bagi Eropa, sangat penting tidak hanya untuk menerapkan AI tetapi juga untuk mendapatkan kendali ekonomi atas sebagian besar infrastruktur, model, dan platform yang mendasarinya.

Perlindungan anak berpadu dengan kebijakan industri

Debat seputar Undang-Undang Anak Eropa menunjukkan hubungan erat antara tujuan masyarakat dan kebijakan lokasi. Batasan usia, kontrol orang tua, pembatasan penggunaan harian, dan larangan elemen desain yang manipulatif mengatasi masalah nyata. Pengguliran tanpa henti, pemutaran otomatis, lingkaran hadiah, dan rekomendasi yang sangat personal bukanlah fitur produk yang netral. Itu adalah alat untuk menarik perhatian dan karenanya merupakan bagian dari model bisnis yang menerjemahkan waktu pengguna menjadi pendapatan iklan, data, dan kekuatan pasar.

Logika perlindungan sangat masuk akal, terutama jika menyangkut anak di bawah umur. Tergantung pada tahap perkembangan mereka, anak-anak dan remaja belum memiliki kemampuan yang sama dengan orang dewasa untuk menilai mekanisme persuasif, daya tarik emosional, atau konsekuensi jangka panjang terhadap privasi data. Chatbot AI memperburuk masalah ini karena mereka tidak hanya menampilkan konten tetapi juga dapat terlibat dalam dialog, membangun kepercayaan, dan memperoleh informasi pribadi. Pendamping digital dapat bermanfaat, tetapi juga membawa risiko ketergantungan emosional, nasihat manipulatif, dan interaksi yang tidak pantas.

Tantangan kebijakan ekonomi dimulai dari implementasi. Verifikasi usia, akun terpisah untuk remaja, pembatasan fungsi, kontrol waktu penggunaan, dan pemeriksaan keamanan semuanya menimbulkan biaya tetap. Platform besar dapat membagi biaya ini kepada ratusan juta pengguna. Penyedia kecil di Eropa memiliki skala ekonomi yang jauh lebih kecil. Oleh karena itu, aturan yang secara formal sama untuk semua orang dapat memiliki dampak ekonomi yang tidak merata dan bahkan meningkatkan konsentrasi pasar.

Hal ini menciptakan dilema regulasi klasik. Persyaratan yang tidak memadai dapat menyebabkan kerugian sosial bagi keluarga, sekolah, sistem perawatan kesehatan, dan mereka yang terkena dampaknya. Persyaratan yang terlalu kompleks dapat menghambat inovasi, mencegah masuknya pasar, dan memperkuat perusahaan-perusahaan yang perilakunya seharusnya dibatasi oleh regulasi tersebut. Oleh karena itu, pertanyaan sebenarnya bukanlah apakah perlu melakukan regulasi, tetapi bagaimana menyeimbangkan efek perlindungan, kelayakan, dan dinamika persaingan secara bersamaan.

Kewajiban untuk berhati-hati tanpa jebakan data

Verifikasi usia terdengar sederhana, tetapi secara teknis dan hukum sangat kompleks. Sebuah platform harus dapat membedakan secara andal apakah pengguna berada di bawah atau di atas batas usia tertentu. Pada saat yang sama, proses verifikasi tidak boleh mengharuskan setiap orang untuk menyerahkan dokumen identitas, data biometrik, atau informasi identitas lengkap untuk layanan online biasa. Sistem perlindungan yang dirancang dengan buruk justru dapat menciptakan kumpulan data baru yang menarik untuk pengawasan, pembuatan profil, atau pencurian identitas.

Secara ekonomi, ini adalah masalah proporsionalitas. Akurasi verifikasi usia biasanya hanya dapat ditingkatkan dengan mengakses data tambahan. Namun, akurasi yang lebih tinggi menyebabkan biaya yang lebih tinggi dan risiko privasi data yang lebih besar. Sebaliknya, metode yang sangat efisien dalam penggunaan data mungkin kurang tepat dan dapat secara keliru menerima anak di bawah umur atau mengecualikan orang dewasa. Oleh karena itu, sistem yang kuat harus menggunakan berbagai tingkat verifikasi tergantung pada risikonya.

Untuk risiko yang lebih rendah, pengaturan default yang sesuai usia, fungsi yang dibatasi, dan sinyal teknis lokal mungkin sudah cukup. Untuk risiko yang lebih tinggi, metode verifikasi yang lebih ketat dapat diterima, asalkan hanya informasi usia yang diperlukan yang dikirimkan dan bukan identitas lengkap. Yang terpenting, arsitektur harus memastikan bahwa penyedia layanan hanya mengetahui apakah batasan usia telah terpenuhi. Metode verifikasi yang meminimalkan data tersebut harus dapat dioperasikan sehingga setiap platform tidak perlu membangun sistem identitasnya sendiri.

Penegakan hukum layak mendapat perhatian lebih daripada perumusan kewajiban baru. Ketika pihak berwenang memberlakukan banyak aturan terperinci tetapi kekurangan personel, keahlian teknis, dan prosedur yang cepat, beban yang tidak seimbang akan muncul. Perusahaan kecil yang patuh menanggung biaya implementasi yang tinggi, sementara pemain besar dapat memperpanjang proses selama bertahun-tahun. Oleh karena itu, regulasi yang baik membutuhkan standar yang jelas, infrastruktur teknis bersama, periode transisi yang realistis, lingkungan uji coba (sandbox) untuk penyedia yang lebih kecil, dan sanksi yang cukup cepat untuk mencegah distorsi persaingan.

Keahlian kami di Uni Eropa dan Jerman dalam pengembangan bisnis, penjualan, dan pemasaran - Gambar: Xpert.Digital

Bidang fokus industri: B2B, digitalisasi (dari AI hingga XR), teknik mesin, logistik, energi terbarukan, dan industri

Informasi selengkapnya di sini:

• Pusat Bisnis Pakar

Pusat tematik yang menawarkan wawasan dan keahlian:

• Platform pengetahuan yang mencakup ekonomi global dan regional, inovasi, dan tren spesifik industri
• Kumpulan analisis, wawasan, dan informasi latar belakang dari area fokus utama kami
• Sebuah tempat untuk mendapatkan keahlian dan informasi tentang perkembangan terkini di bidang bisnis dan teknologi
• Sebuah pusat informasi bagi perusahaan yang mencari informasi tentang pasar, digitalisasi, dan inovasi industri

Kesenjangan AI di Eropa terutama merupakan kesenjangan dalam hal skala

Kekhawatiran tentang kesenjangan AI transatlantik bukanlah tanpa dasar. Amerika Serikat adalah rumah bagi sejumlah besar modal swasta, platform cloud terkemuka, keahlian semikonduktor, talenta penelitian, dan saluran distribusi global. Pada tahun 2025, investasi AI swasta di AS telah mencapai sekitar $285,9 miliar, dibandingkan dengan sekitar $20,9 miliar untuk Eropa. Konsentrasi tersebut bahkan lebih menonjol dalam AI generatif: AS menyumbang sekitar $163,6 miliar, sementara Eropa menyumbang sekitar $3,2 miliar.

Angka-angka ini tidak dapat dibandingkan secara langsung dengan pengumuman investasi publik Eropa. Pembiayaan ekuitas swasta, investasi pusat data, program subsidi, dan mobilisasi modal mengukur proses ekonomi yang berbeda. Meskipun demikian, angka-angka ini menunjukkan bahwa perusahaan Amerika dapat mencapai putaran pembiayaan yang sangat besar dengan jauh lebih mudah. ​​Hal ini sangat penting khususnya untuk model dasar, pusat data, dan chip, karena investasi awal yang tinggi, siklus inovasi yang pendek, dan pengembalian yang tidak pasti bertemu di sektor-sektor ini.

Eropa memang memiliki riset, data industri, tenaga profesional terampil, industri pengguna yang kuat, dan pasar domestik yang besar. Kekurangan sering muncul selama transisi dari prototipe ke skala internasional. Perusahaan muda mendapatkan pendanaan awal tetapi mencapai batas kemampuan mereka ketika berurusan dengan ratusan juta euro, distribusi global, dan kapasitas komputasi jangka panjang. Akibatnya, mereka menjadi bergantung pada modal non-Eropa, memindahkan operasi, atau diakuisisi.

Oleh karena itu, regulasi hanyalah sebagian dari masalah. Bahkan pembongkaran total regulasi AI Eropa pun tidak akan menutup kesenjangan di pasar modal, infrastruktur cloud, pasokan energi, pengadaan, dan penskalaan. Sebaliknya, akan salah jika mengabaikan biaya regulasi. Jika persetujuan, interpretasi hukum, dan implementasi nasional lambat atau kontradiktif, hal itu akan memperburuk kerugian yang ada. Dengan demikian, Eropa tidak membutuhkan deregulasi menyeluruh, melainkan kombinasi dari aturan yang jelas, penerapan yang cepat, infrastruktur bersama, dan kebijakan sisi permintaan yang tegas.

Ketika AI dibangun di atas AI

Perkembangan di Anthropic menandai skala ekonomi baru. Menurut perusahaan, pada Agustus 2026, Claude melakukan sebagian besar tugas, dari instruksi awal hingga hasil akhir, dalam 26 persen dari pekerjaan penelitian dan pengembangan yang diukur, sementara manusia tetap melakukan pengawasan. Pada bulan Februari, angka ini masih di bawah satu persen. Dalam lebih dari 90 persen pekerjaan yang tercatat, AI terlibat setidaknya sebagai kolaborator dekat.

Angka-angka ini tidak berarti bahwa Claude secara otonom merancang, melatih, dan merilis penerusnya. Anthropic mengkategorikan aktivitas tersebut berdasarkan skala. Pada tingkat kolaboratif, AI menyelesaikan paket pekerjaan yang lebih besar di bawah bimbingan manusia yang ketat. Pada tingkat kepemimpinan, AI menangani sebagian besar tugas secara mandiri tetapi masih diawasi dan tidak membuat keputusan akhir sendirian. Otonomi penuh tanpa intervensi manusia tidak diamati di area mana pun yang diukur.

Terlepas dari keterbatasan ini, dinamika tersebut memiliki signifikansi ekonomi. Ketika AI menulis kode penelitian, mempersiapkan eksperimen, menganalisis kesalahan, menghasilkan laporan, dan memecahkan masalah teknis, waktu antara hipotesis dan hasil berkurang. Para peneliti dapat melakukan lebih banyak eksperimen secara paralel dan bekerja dengan ruang pencarian yang lebih besar. Hal ini tidak hanya meningkatkan produktivitas tim yang ada tetapi juga dapat mempercepat laju inovasi itu sendiri.

Hal ini menciptakan lingkaran umpan balik. Model yang lebih baik meningkatkan penelitian untuk menghasilkan model yang lebih baik lagi. Model-model ini, pada gilirannya, mengotomatiskan sebagian besar pekerjaan pengembangan. Selama manusia menetapkan tujuan, meninjau hasil, dan memberikan persetujuan, ini bukanlah peningkatan diri yang otonom dan rekursif. Namun, bahkan umpan balik parsial pun dapat memiliki konsekuensi ekonomi yang signifikan karena siklus pengembangan memendek dan keunggulan laboratorium terkemuka meningkat.

Keunggulan kumulatif dari laboratorium-laboratorium terkemuka

Riset AI yang digerakkan oleh kecerdasan buatan (AI) menguntungkan perusahaan yang sudah memiliki model yang kuat, daya komputasi, data, talenta, dan platform pengembangan internal. Laboratorium terkemuka memanfaatkan modelnya sendiri untuk mengembangkan model baru dengan lebih cepat, sehingga meningkatkan alat yang digunakannya untuk penelitian. Keunggulan kumulatif ini menyerupai kurva pembelajaran, tetapi berpotensi lebih curam karena sarana produksinya sendiri menjadi lebih cerdas.

Dari segi persaingan, ini berarti bahwa kesenjangan yang ada saat ini mungkin tidak hanya akan bertahan besok tetapi juga dapat melebar dengan cepat. Penyedia yang lebih kecil mungkin dapat membaca publikasi ilmiah yang sama atau menggunakan model terbuka. Namun, mereka mungkin kekurangan data internal tentang jutaan keputusan pengembangan, infrastruktur khusus, dan cadangan keuangan untuk eksperimen skala besar. Lebih jauh lagi, laboratorium besar mendapat manfaat dari siklus produk yang lebih baik, lebih banyak pengguna, pendapatan yang lebih tinggi, daya komputasi yang lebih besar, dan penelitian yang lebih cepat.

Pada saat yang sama, konsentrasi bukanlah sesuatu yang tak terhindarkan. Penurunan biaya inferensi, model terbuka yang andal, dan aplikasi khusus dapat membuka pasar baru. Banyak perusahaan tidak perlu melatih model dasar mereka sendiri untuk menciptakan nilai ekonomi. Mereka dapat menggabungkan data spesifik industri, pengetahuan proses, akses pelanggan, dan keahlian regulasi. Eropa memiliki posisi awal yang sangat kuat dalam hal ini, terutama di bidang industri, logistik, perawatan kesehatan, energi, dan administrasi publik.

Oleh karena itu, bahaya strategisnya bukan terletak pada kebutuhan Eropa untuk meniru setiap model dasar Amerika. Masalahnya adalah ketergantungan total di semua tingkatan: chip, komputasi awan, model, platform agen, dan ekosistem aplikasi. Kedaulatan bukan berarti autarki. Itu berarti mempertahankan pilihan-pilihan penting, mampu beralih penyedia, menegakkan standar sendiri, dan membangun alternatif yang kompetitif di bidang-bidang tertentu.

Transparansi tidak boleh berupa promosi diri

Indeks Otomatisasi Anthropic memberikan data yang sangat konkret. Pendekatan ini menganalisis sekitar 15.000 tugas yang dijelaskan secara rinci, mengkategorikannya secara hierarkis, dan memberi bobot sesuai dengan waktu yang dihabiskan untuk setiap tugas. Tingkat otomatisasi kemudian dinilai untuk setiap kategori. Ini menawarkan wawasan yang lebih mendalam daripada pernyataan umum seperti "AI meningkatkan produktivitas" atau "AI mendukung penelitian.".

Namun, metodologi ini memiliki keterbatasan. Sebagian dari pengumpulan dan evaluasi data kembali dilakukan menggunakan Claude. Model dan evaluator manusia tidak sepakat dalam setiap kasus batas, terutama ketika membedakan antara kolaborasi erat dan manajemen yang sebagian besar independen. Selain itu, keranjang tugas didasarkan pada periode waktu tertentu. Jika otomatisasi menciptakan tugas baru, orang-orang mengambil tanggung jawab yang lebih berat, atau organisasi penelitian berubah, indeks tetap hanya dapat mencerminkan pergeseran ini secara parsial.

Metrik ini juga tidak mengukur dampak terhadap lapangan kerja. Pangsa 26 persen tugas yang digerakkan oleh AI bukan berarti 26 persen karyawan telah digantikan, atau 26 persen dari seluruh biaya penelitian telah dihilangkan. Manusia mendefinisikan masalah, memantau proses, mengevaluasi hasil, dan bertanggung jawab. Pada saat yang sama, tugas-tugas otomatis dapat menghasilkan permintaan tambahan untuk eksperimen, infrastruktur, pemantauan, dan penelitian keselamatan.

Meskipun demikian, publikasi merupakan langkah penting. Pemerintah dan masyarakat membutuhkan indikator kinerja utama (KPI) yang tidak hanya menunjukkan kemampuan pemodelan tetapi juga mengungkapkan proses produksi AI tingkat lanjut. Ini termasuk proporsi penelitian berbasis AI, ruang lingkup sistem berbasis agen, cakupan pemantauan, jumlah tindakan yang diblokir, waktu respons terhadap anomali, dan alokasi sumber daya untuk keamanan. Dalam jangka panjang, data tersebut harus dikumpulkan sesuai dengan standar umum dan diverifikasi secara independen. Jika tidak, transparansi akan tetap bergantung pada pengungkapan diri secara sukarela dari masing-masing perusahaan.

Keamanan sebagai faktor produksi

Anthropic melaporkan bahwa terkadang, sekitar 30.000 agen secara bersamaan melakukan tugas penelitian dan pengembangan pada platform internal utama. Lebih dari satu miliar keputusan diproses melalui kontrol otomatis dalam satu bulan. Sekitar 0,002 persen tindakan diblokir, yang setara dengan sekitar satu dari 47.000 keputusan. Tingkat yang rendah ini dapat diinterpretasikan sebagai indikasi anomali yang jarang terjadi, tetapi juga menyoroti masalah skalabilitas: Dengan miliaran operasi, bahkan peristiwa yang sangat jarang pun menjadi signifikan secara praktis.

Oleh karena itu, keamanan tidak dapat dipahami sebagai pemeriksaan retrospektif. Keamanan harus dibangun ke dalam arsitektur teknis. Kontrol waktu nyata harus menghentikan tindakan yang tidak dapat dibatalkan atau langsung berbahaya. Analisis selanjutnya dapat mendeteksi pola yang muncul secara perlahan. Identitas untuk masing-masing agen, saluran komunikasi yang dapat dilacak, izin terbatas, dan log lengkap memfasilitasi atribusi tindakan.

Dari perspektif ekonomi, kontrol semacam itu bukan sekadar beban. Kontrol tersebut mengurangi biaya kerusakan yang diperkirakan, meningkatkan keandalan proses otomatis, dan pada akhirnya memungkinkan pendelegasian lebih lanjut. Sebuah perusahaan hanya akan mendelegasikan penelitian penting, keputusan keuangan, atau kontrol industri kepada agen jika kesalahan dapat dideteksi, intervensi dapat dipicu, dan tanggung jawab dapat diklarifikasi. Dengan demikian, keamanan menjadi prasyarat untuk penskalaan.

Pada saat yang sama, terdapat konflik tujuan terkait sumber daya. Dalam satu minggu yang diteliti, menurut data perusahaan, sekitar enam persen daya komputasi yang digunakan untuk penelitian AI dialokasikan untuk pekerjaan keamanan; untuk penelitian AI yang digerakkan oleh AI, sekitar dua belas persen. Angka-angka tersebut sulit dibandingkan karena penelitian keamanan dan kemampuan saling terkait, dan daya komputasi tidak mencerminkan semua biaya personel. Meskipun demikian, metrik ini membuka perdebatan penting: Mereka yang meningkatkan kecepatan pengembangan juga harus menunjukkan bahwa pemantauan, interpretasi, pengujian, dan responsivitas dapat mengimbangi kecepatan tersebut.

Pekerjaan tidak hilang, melainkan didistribusikan ulang

Meningkatnya keterlibatan AI dalam penelitian yang menuntut bertentangan dengan anggapan sederhana bahwa otomatisasi hanya menyangkut tugas-tugas rutin. Tugas-tugas yang tersedia secara digital, menghasilkan hasil yang dapat diverifikasi dengan cepat, dan menawarkan data pelatihan yang ekstensif sangat cocok untuk otomatisasi. Pemrograman, analisis data, dokumentasi teknis, dan desain eksperimen sebagian memenuhi kriteria ini. Sebaliknya, banyak tugas yang membutuhkan banyak tenaga fisik, interaksi sosial, atau tanggung jawab tetap lebih sulit untuk diotomatisasi.

Bagi pasar tenaga kerja, ini bukan berarti penggantian seluruh profesi secara linear. Kumpulan tugas dipecah dan disusun kembali. Seorang peneliti, pengembang, atau ahli pemasaran melakukan lebih sedikit draf awal dan analisis standar, tetapi menghabiskan lebih banyak waktu untuk pemilihan masalah, pemantauan, integrasi, dan pengambilan keputusan. Di organisasi yang sukses, output per karyawan meningkat. Di organisasi yang kurang terkelola dengan baik, hanya kuantitas hasil yang biasa-biasa saja yang bertambah.

Tekanan untuk beradaptasi akan terdistribusi secara tidak merata. Para pekerja berprestasi tinggi dapat menggunakan AI sebagai pengganda dan mengambil tanggung jawab yang lebih besar. Para profesional tingkat pemula mungkin kehilangan tugas-tugas di mana mereka sebelumnya memperoleh pengalaman mendasar. Jika analisis sederhana, draf kode awal, atau teks standar sebagian besar diotomatisasi, perusahaan harus menciptakan jalur pembelajaran baru. Jika tidak, kekurangan spesialis berpengalaman akan muncul dalam jangka panjang karena posisi tingkat pemula tradisional akan menghilang.

Distribusi pendapatan juga merupakan pertanyaan terbuka. Jika pemilik model, data, dan infrastruktur komputasi menerima sebagian besar keuntungan, AI dapat memperburuk konsentrasi pendapatan dan kekayaan. Namun, jika karyawan ikut menikmati peningkatan produktivitas, pelatihan lanjutan didanai, dan bisnis baru dipromosikan, teknologi ini dapat memiliki dampak yang lebih luas. Oleh karena itu, kebijakan pasar tenaga kerja tidak hanya harus mengkompensasi potensi kehilangan pekerjaan tetapi juga membentuk transisi, perusahaan rintisan, persaingan, dan distribusi peningkatan produktivitas.

Jawaban Eropa yang tepat

Eropa seharusnya tidak memperlakukan perlindungan anak, privasi data, dan daya saing ekonomi sebagai hal yang saling eksklusif. Aturan yang baik dapat membangun kepercayaan dan mendorong pasar untuk AI yang aman dan dapat diverifikasi. Namun, ini hanya akan berhasil jika regulasi tersebut secara teknis layak, konsisten di seluruh Eropa, dan dapat dikelola oleh penyedia yang lebih kecil. Oleh karena itu, setiap kewajiban baru harus tunduk pada penilaian dampak persaingan: Berapa biaya tetap yang akan timbul, siapa yang dapat menanggungnya, masuknya pemain pasar mana yang akan dicegah, dan infrastruktur bersama apa yang dapat mengurangi beban tersebut?

Konsep perlindungan anak di Eropa harus berbasis risiko. Jejaring sosial, platform video, permainan, dan chatbot AI berbeda dalam fungsi dan potensi bahayanya. Aturan umum dapat menyebabkan manuver penghindaran, pemblokiran berlebihan, dan pengumpulan data yang tidak perlu. Yang lebih masuk akal adalah larangan yang jelas terhadap desain yang sangat manipulatif, verifikasi usia yang meminimalkan data, pengaturan default yang aman, pengujian independen, dan persyaratan khusus untuk sistem dialogis dengan daya tarik emosional.

Secara paralel, Eropa harus memperkuat sisi penawarannya. Ini termasuk harga listrik yang kompetitif untuk pusat data, proses perizinan yang lebih cepat, ketersediaan kapasitas komputasi jangka panjang, dana pertumbuhan yang lebih besar, dan pengadaan bersama oleh otoritas publik. Perluasan pabrik AI dan gigafactory yang diumumkan dapat membantu, asalkan jumlah investasi yang dimobilisasi benar-benar diterjemahkan menjadi kapasitas yang dapat digunakan, akses cepat, dan perusahaan yang siap pasar.

Sektor publik juga dapat berperan sebagai pelanggan pertama yang menuntut. Penyedia AI Eropa tidak hanya membutuhkan pendanaan, tetapi juga proyek referensi, permintaan yang dapat diprediksi, dan kemampuan untuk meningkatkan skala solusi lintas batas. Standar umum untuk administrasi, industri, perawatan kesehatan, energi, dan pendidikan dapat menciptakan pasar domestik yang cukup besar untuk membangun daya saing internasional.

Kepemimpinan menentukan ekonomi AI

Ketiga perdebatan tersebut mengarah pada kesimpulan yang sama: Manusia tidak mempertahankan kendali hanya karena AI pada dasarnya tetaplah sebuah alat. Kendali muncul dari institusi, keterbatasan teknis, struktur kepemilikan, kompetensi, dan keputusan yang dapat diverifikasi. Tanpa struktur-struktur ini, kehadiran formal manusia dapat menjadi sekadar isyarat pengawasan, sementara sistem, insentif, dan platform secara efektif menentukan arahnya.

Bagi perusahaan, tugas utamanya adalah mengubah AI dari alat yang terisolasi menjadi model operasional yang bertanggung jawab. Pemasaran membutuhkan produksi konten yang tidak sembarangan dan diferensiasi strategis yang lebih baik. Riset tidak hanya membutuhkan agen yang handal, tetapi juga pengawasan yang terukur dan kontrol independen. Para pemimpin harus menerjemahkan peningkatan produktivitas menjadi penciptaan nilai nyata dan tidak boleh menyamakan peningkatan kecepatan dengan pengambilan keputusan yang lebih baik.

Tantangan bagi para pembuat kebijakan terletak pada koordinasi antara perlindungan dan inovasi. Perlindungan anak bukanlah isu ekonomi sekunder, karena kerugian sosial menimbulkan biaya nyata. Daya saing juga bukan isu sekunder, karena regulasi tanpa penyedia domestik dapat meningkatkan ketergantungan pada platform asing. Oleh karena itu, Eropa harus menjadi lebih konsisten dan lebih pragmatis: tujuan perlindungan yang jelas, implementasi yang sederhana, penegakan hukum yang kuat, infrastruktur bersama, dan lebih banyak modal untuk peningkatan skala.

Pernyataan provokatif bahwa Eropa melakukan regulasi sementara Amerika melakukan ekspansi menyentuh kelemahan nyata, tetapi tetap tidak lengkap. Amerika Serikat juga melakukan regulasi ketika tekanan sosial dan politik meningkat. Eropa juga berinvestasi dan melakukan ekspansi, tetapi sejauh ini lebih lambat dan dengan cara yang lebih terfragmentasi. Perbedaan krusial terletak bukan pada regulasi dan kebebasan, melainkan pada kecepatan, kedalaman modal, infrastruktur, dan kapasitas kelembagaan.

Fase selanjutnya dari AI tidak akan ditentukan semata-mata oleh model yang lebih baik. Hal itu akan ditentukan oleh kemampuan untuk mengubah percepatan teknologi menjadi manfaat ekonomi dan sosial. Mereka yang hanya memperlambat akan kehilangan kekuatan untuk membentuk masa depan. Mereka yang hanya mempercepat akan meningkatkan risiko yang tidak terkendali. Kesuksesan berkelanjutan akan datang kepada mereka yang menguasai keduanya: meningkatkan skala inovasi dan secara tegas menentukan arahnya.

Solusi semi-internal: Bagaimana Xpert.Digital menutup kesenjangan operasional dalam pemasaran dan penjualan B2B – Bisnis Cerdas Berbasis Konten - Gambar: Xpert.Digital

Xpert.Digital adalah pusat industri B2B berbasis data yang dipimpin oleh Konrad Wolfenstein . Perusahaan ini bertindak sebagai solusi eksternal, yang hampir bersifat internal, bagi mitra industri, menutup kesenjangan operasional dalam pemasaran, konten, dan penjualan – tanpa memerlukan sumber daya tambahan di pihak klien.

Informasi selengkapnya di sini:

• Solusi semi-internal: Bagaimana Xpert.Digital menutup kesenjangan operasional dalam pemasaran dan penjualan B2B – Bisnis Cerdas Berbasis Konten

☑️ Bahasa bisnis kami adalah bahasa Inggris atau Jerman

☑️ BARU: Korespondensi dalam bahasa ibu Anda!

Konrad Wolfenstein

Saya dan tim saya dengan senang hati siap membantu Anda sebagai penasihat pribadi Anda.

Anda dapat menghubungi saya dengan mengisi formulir kontak di sini [email protected]:atau cukup hubungi saya di +49 7348 4088 965. Alamat email saya adalah

Saya sangat menantikan proyek bersama kita.

☑️ Dukungan UKM dalam strategi, konsultasi, perencanaan, dan implementasi

☑️ Pembuatan atau penyesuaian kembali strategi digital dan digitalisasi

☑️ Perluasan dan optimalisasi proses penjualan internasional

☑️ Platform perdagangan B2B global & digital

☑️ Pelopor Pengembangan Bisnis / Pemasaran / Humas / Pameran Dagang