1. Kamu merekrut 100 orang jenius, tetapi semuanya di ruang istirahat karena tidak ada tiket kerja
AI generatif bisa menulis kode, membuat teks, meneliti, menerjemahkan, membandingkan pilihan, dan memakai kumpulan pengetahuan yang sangat besar.
Secara teori, besok semua orang seharusnya sudah mengelola sepuluh perusahaan satu orang.
Namun banyak hal berhenti pada satu pertanyaan:
“Jadi kita bikin apa?”
AI yang sangat kuat tanpa tugas tetaplah kapasitas menganggur. Seratus Ferrari tanpa tujuan hanya menjadi tempat parkir yang sangat mahal.
Di era AI, sumber daya langka tidak selalu kemampuan model.
Bisa jadi yang langka adalah orang yang memberi kemampuan itu pekerjaan pertama.
2. Kekuatan sebenarnya sering bukan penemuan besar, melainkan membuat percikan pertama
Kemampuan ide sering dibayangkan sebagai inspirasi revolusioner.
Dalam praktik, pertanyaan kecil bisa lebih kuat:
- bagian ini merepotkan
- apakah dua hal ini bisa dihubungkan?
- bisakah fungsi lama dipakai untuk tujuan baru?
- mengapa langkah ini harus ada?
- apa yang kita pelajari jika membuat versi minimum?
Itulah titik penyalaan.
Ide pertama tidak harus selesai. Fungsinya adalah menciptakan sesuatu yang bisa dipakai untuk berpikir lebih lanjut.
Meja kosong sulit dikritik. Begitu ada prototipe kasar, langsung muncul “ini aneh”, “ini berguna”, “ini kurang”, dan “kalau begitu berikutnya begini”.
Langkah pertama bukan jawaban.
Ia adalah mesin untuk menghasilkan jawaban berikutnya.
3. “Kemampuan ide” bukan satu kemampuan
| Kemampuan | Fungsi |
|---|---|
| Divergensi | Menghasilkan banyak kemungkinan |
| Analogi | Mengambil struktur dari bidang lain |
| Rekombinasi | Mengubah A+B menjadi C baru |
| Penemuan masalah | Menemukan friksi sebelum masalah yang diberikan |
| Pembingkaian ulang | Menentukan ulang apa yang sebenarnya harus diselesaikan |
| Konvergensi | Memilih ide yang layak dibuat |
| Dekomposisi | Membagi tujuan menjadi tugas yang dapat ditangani AI |
| Inisiasi | Membuat artefak pertama yang terlihat |
| Ide ulang | Memakai artefak untuk memunculkan ide berikutnya |
APA menjelaskan pemikiran divergen sebagai pemikiran kreatif yang menyimpang dari strategi yang umum atau sudah diajarkan.[1]
Namun tes pemikiran divergen bukanlah seluruh kreativitas di dunia nyata.[2]
Menghasilkan banyak ide saja tidak cukup.
Kita perlu membingkai ulang, memilih, membuat, mengamati, lalu berpikir lagi.
4. Kreativitas lebih mirip “menghasilkan→menjelajah→menghasilkan lagi”
Model Geneplore dalam riset kognisi kreatif membedakan proses generatif dan eksploratif, lalu melihat kreativitas sebagai siklus di antara keduanya.[3]
Dalam kerja AI:
- ide muncul
- dibahas dengan AI
- dibuat spesifikasi kasar
- dibangun
- dijalankan
- terasa ada yang salah
- sudut baru muncul
- dibangun lagi
Ide tidak harus selesai sebelum implementasi.
Implementasi menjadi bagian dari proses berpikir.
Jika prototipe butuh tiga bulan, kita mencoba menyelesaikan banyak hal di kepala.
Jika prototipe muncul dalam tiga puluh menit, prototipe itu sendiri menjadi catatan berpikir.
5. “Saya tidak bisa multitasking” benar jika manusia harus mengerjakan semuanya
Otak manusia tidak cocok untuk menahan sepuluh proyek, sepuluh spesifikasi, sepuluh jalur kode, dan sepuluh status verifikasi sekaligus.
Itu bukan kegagalan manusia.
Itu arsitektur yang salah.
Manusia tidak harus multitasking. Sistem yang menjalankan pekerjaan secara paralel.
Manusia menjaga arah, prioritas, batas, dan keputusan akhir.
Riset, spesifikasi, implementasi, pengujian, penerjemahan, dan audit dapat dipisahkan sesuai dependensi dan didelegasikan.
Semakin buruk kita dalam multitasking, semakin berharga desain yang memindahkan pekerjaan dari kepala menjadi tanggung jawab eksplisit.
6. Korpus raksasa adalah gudang bahan, bukan rencana bangunan
Basis pengetahuan AI yang sangat besar seperti toko bahan bangunan raksasa dengan kayu, baja, kaca, alat, dan mesin berat.
Hebat.
Tetapi jika tidak ada yang memutuskan apa yang akan dibangun, toko itu tetap toko.
Kemampuan berubah menjadi pekerjaan saat seseorang berkata:
“Saya ingin menghilangkan friksi ini.” “Dua sistem ini mungkin bisa disatukan.” “Pengalaman ini bisa dinaikkan satu tingkat.”
Kita tidak perlu tahu lebih banyak daripada AI.
Kita perlu tahu di mana AI harus menggali.
7. Orang yang dapat membentuk ulang masalah bisa lebih kuat daripada orang yang hanya menyelesaikannya
Riset desain membahas pembingkaian dan pembingkaian ulang sebagai praktik penting untuk masalah yang terbuka dan kompleks. Dorst menekankan pembuatan bingkai baru agar situasi sulit menjadi lebih dapat ditangani.[4]
Semakin cepat AI menjawab, semakin penting hal ini.
Pertanyaan yang salah dapat menghasilkan jawaban yang sangat rapi untuk masalah yang salah dengan kecepatan tinggi.
Jangan hanya bertanya:
“Bagaimana membuat tugas ini lebih cepat?”
Tanyakan juga:
“Apakah tugas ini perlu ada?” “Apakah pengguna ingin bekerja lebih cepat, atau tidak perlu mengerjakannya?” “Bisakah kebutuhan ini diselesaikan dari pintu lain?”
8. Implementasi lebih cepat menciptakan lebih banyak ide, bukan hanya lebih banyak hasil
Dalam eksperimen preregistrasi Noy dan Zhang pada tugas menulis profesional, akses ChatGPT mengurangi waktu penyelesaian rata-rata 40% dan menaikkan kualitas yang dinilai 18% pada tugas yang diteliti.[5]
Itu bukan berarti semua pekerjaan otomatis 40% lebih cepat.
Poin yang lebih penting:
ketika biaya mencoba turun, kita bisa mencoba lebih banyak.
Artefak nyata memberi informasi baru: apakah berguna, apakah lebih buruk dari bayangan, apakah penggunaan lain lebih kuat, apakah bisa terhubung ke fitur lain, dan di mana pengguna bingung.
Karena itu, semakin pendek siklus
ide→implementasi→observasi→ide baru
semakin mudah ide menjadi reaksi berantai.
9. Tetapi jika AI menghasilkan semua ide, semua orang bisa mendaki gunung yang sama
Doshi dan Hauser menemukan bahwa dukungan ide cerita dari AI meningkatkan evaluasi rata-rata karya individu, tetapi karya yang dibantu AI menjadi lebih mirip satu sama lain sehingga keragaman kolektif menurun.[6]
Jika semua orang meminta “sepuluh ide kreatif” kepada model yang sama, kita bisa naik bus wisata yang sama.
Karena itu masukan manusia yang aneh tetap berharga:
- friksi yang benar-benar dialami
- detail lapangan yang ganjil
- batas khusus sistem lama
- analogi dari bidang lain
- kombinasi aneh
- pertanyaan “semua orang melakukan ini, tapi kenapa?”
Manusia melempar satu batu aneh.
AI memperbesar riaknya.
10. Siklus praktisnya sederhana: percikan→satu kalimat→bagi→delegasikan→periksa→percikan lagi
- Percikan — “Bukankah lebih enak jika ini bekerja seperti itu?”
- Satu kalimat — Siapa harus berpindah dari keadaan apa ke keadaan apa.
- Bagi — Riset, desain, implementasi, verifikasi.
- Delegasikan — Jangan simpan semuanya di kepala; serahkan pada AI.
- Artefak — Teks, layar, kode, atau data yang terlihat.
- Baca ulang — Pastikan keadaan target benar-benar ada.
- Ide ulang — Tanyakan apa yang menjadi mungkin setelah ini ada.
A membuat B terlihat. A+B melahirkan C. C memungkinkan seluruh layanan didefinisikan ulang sebagai D.
Percikan kecil bisa berakhir sebagai pembangkit listrik.
11. Bahayanya adalah kecepatan ide melebihi kecepatan organisasi
Ide cepat plus implementasi cepat menghasilkan lapisan tambahan tanpa henti.
Suatu hari kita membuka kabel:
“Siapa yang bikin ini?”
Kita sendiri, kemarin.
Solusinya bukan mematikan ide.
Perkuat struktur:
- jangan memperbanyak sumber kebenaran
- jangan membuat sistem kedua untuk tanggung jawab yang sama
- integrasikan ke sistem lama jika bisa
- paralelkan hanya pekerjaan yang benar-benar independen
- selalu baca ulang dan verifikasi setelah implementasi
- pasang gerbang kualitas untuk perubahan penting
- bedakan “bisa dibuat” dari “harus dibuat sekarang”
Jangan kurangi gas.
Perbaiki setir dan rem.
12. Kesimpulan: keunggulan bergeser dari “bisa memakai AI” menjadi “bisa menciptakan pekerjaan untuk AI”
Model akan terus membaik.
Pengetahuan bertambah, coding dan menulis makin cepat, banyak agen makin mudah dijalankan.
Maka lapisan manusia naik:
menemukan apa yang seharusnya ada,
membuat percikan pertama,
membingkai ulang masalah,
membagi pekerjaan,
mendelegasikan,
melihat hasil nyata,
dan membuat ide berikutnya dari kenyataan.
AI adalah kemampuan yang sangat besar.
Tetapi kemampuan menunggu tugas.
Dalam perusahaan dengan 100 AI jenius, kebutuhan pertama mungkin bukan jenius ke-101.
Mungkin hanya orang yang menulis baris pertama pada tiket kerja.
- APA Dictionary of Psychology, “divergent thinking. dictionary.apa.org
- American Psychological Association, “The science behind creativity” — notes that divergent-thinking measures are useful but do not map cleanly onto real-world creativity as a whole apa.org
- Ward, T. B., Smith, S. M., & Finke, R. A., “Creative Cognition,” in Handbook of Creativity; see also Geneplore descriptions of iterative generative and exploratory processes cambridge.org
- Dorst, K. (2011). “The core of ‘design thinking’ and its application.” Design Studies, 32(6), 521–532 doi.org
- Noy, S., & Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192 doi.org
- Doshi, A. R., & Hauser, O. P. (2024). “Generative AI enhances individual creativity but reduces the collective diversity of novel content.” Science Advances, 10(28), eadn5290 doi.org
