Artikel ini memakai Shadowverse: Worlds Beyond untuk membahas gabungan AI agent, simulasi, robust optimization, dan external memory agar satu manusia tidak perlu menghafal dan mencoba semuanya.
1. “Harus ahli dulu baru bisa memberi instruksi” sekarang cuma setengah benar
Dulu: riset sendiri, implementasi sendiri, tes sendiri. Sekarang manusia bisa menentukan tujuan, kondisi akhir, batasan, dan kriteria sukses. Lalu delegasikan: Riset. Beri opsi. Bandingkan. Implementasikan. Tes. Bawa hasilnya.
Manusia menilai: “A buang. Pilih B. Ini salah. Tes ulang.”
Itu sudah manajemen. Kalau juga menentukan masalah mana yang layak menerima waktu dan compute, apakah proyek layak dilakukan, dan apa definisi sukses, perannya mendekati eksekutif.
OpenAI pada 2026 menggambarkan Codex sebagai cara mengelola banyak agent, mendelegasikan pekerjaan, menjalankan paralel, meninjau perubahan, dan mengubah arah. Panduan AI-native juga membagi Delegate, Review, dan Own.
Struktur berubah dari manusia → tugas menjadi manusia → karyawan AI → tugas.
Tidak ada payroll.
Tetap ada organisasi.
2. Tugas CEO bukan lagi “tahu semua jawaban”, melainkan “tahu apakah jawaban itu bagus”
Pengetahuan nol tetap berbahaya. AI berkata “optimisasi selesai”, tetapi kita tetap harus menanyakan mengapa optimal, apa alternatifnya, apakah asumsi berubah akan merusaknya, apakah tes realistis, apakah data basi, dan berapa biaya kesalahan.
Kalau tidak:
AI: “Selesai.”
Manusia: “Bagus.”
Realita: “Rusak.”
Perubahannya bukan dari ahli menjadi bodoh, tetapi dari mampu mengimplementasikan semua detail ke mampu mengevaluasi, menantang, dan mengendalikan hasil.
Tidak perlu hafal semua kartu. Tetapi perlu melihat bila rata-rata cantik menyembunyikan matchup 25%.
3. Sebelum bermain Shadowverse, bangun pabrik simulasi
Cara biasa: mulai, baca kartu, bikin deck, kalah, ubah, kalah lagi, 100 game baru mulai paham meta.
Dengan komputasi:
- Ambil semua data kartu.
- Kumpulkan deck turnamen/publik.
- Implementasi aturan dan efek.
- Definisikan mulligan dan policy.
- Simulasikan puluhan/ratusan ribu match.
- Buat matriks win rate.
- Analisis kelemahan, varians, brick.
- Manusia hanya tes finalis.
100 deck × 50 match = 5.000 eksperimen manusia. Biarkan mesin membuang 95%.
Guidebook selesai sebelum game dipasang.
Masalah kecil: simulasinya begitu lama sampai expansion baru mungkin keburu datang.
Tidak sengaja mendirikan divisi R&D.
4. Optimisasi tepat sebelum pack baru bisa menghasilkan “solusi optimal yang mati lima hari kemudian”
Per 22 Agustus 2026, set kesembilan Revenants of Azvaldt / アズヴォルト・レヴナント diumumkan untuk 27 Agustus.
22 Agustus: “Deck optimal selesai!”
27 Agustus: “Kartu baru.”
Deck optimal: “Dadah.”
Jadi menjelang ekspansi, investasi terbaik adalah menyelesaikan pabrik: pipeline data, rules engine, AI battle, agregasi, matriks, robust evaluation, report.
Semua bisa dipakai ulang.
Mau main kartu. Jadi manufaktur.
5. Robust optimization: bukan cuma rata-rata terbaik, tetapi tetap hidup saat meta meleset
| Deck | vs Dragon | vs Rune | vs Sword | vs Forest |
|---|---|---|---|---|
| A | 70% | 65% | 60% | 25% |
| B | 57% | 56% | 55% | 54% |
Forest sedikit? A terlihat hebat. Forest naik? A meninggal.
B tidak spektakuler tetapi tahan terhadap kesalahan prediksi.
Robust optimization memasukkan parameter tidak pasti ke rentang/set dan mencari keputusan yang tetap layak dalam kondisi buruk.
Ganggu proporsi meta, matchup, first/second, mulligan, gagal draw key card, dan error policy AI.
Peak 95/floor 20 belum tentu lebih baik daripada peak 80/floor 65.
Cari bukan gorila dengan pukulan terbesar, tetapi gorila yang tetap bekerja di kebun binatang yang salah.
6. Kabar buruk: simulator sempurna tidak bisa mencegah manusia salah klik
AI menemukan deck terbaik. Di match sungguhan: “Yang mana dulu ya?” Kalah.
Namun latihan bisa dikompresi. Ekstrak mulligan per matchup, posisi sering muncul, lethal umum, blunder fatal, respons lawan, dan keputusan yang paling memengaruhi win rate.
Manusia tidak berlatih “seluruh game”, tetapi 20% situasi yang menentukan mayoritas hasil.
Search: mesin. Position mining: mesin. Keputusan terakhir: manusia.
CEO tetap turun ke lapangan, tapi tidak perlu onboarding 100 jam.
7. Menyimpan semua kartu di otak bukankah arsitektur storage yang buruk?
Cognitive offloading adalah penggunaan catatan, perangkat, reminder, dan media eksternal untuk mengurangi beban memori internal.
Model 2024 menjelaskan trade-off: memori internal punya kapasitas terbatas sehingga ada opportunity cost; penyimpanan eksternal butuh tindakan retrieval tetapi kapasitas jauh lebih besar.
Untuk card game, otak hanya cache: archetype utama, win condition, ancaman umum, lethal range, mulligan, cabang sering muncul.
Tech card 3%?
Baca dari disk.
8. Data kartu WB memang bisa diambil otomatis
mariokart761/ShadowverseWB_card_data menggunakan crawler untuk mengambil data lima bahasa dan menyimpan detail, skill, evolusi, related cards, set, dan lain-lain ke JSON.
Bukan orang mengetik “3 cost… 2 attack… 3 life…” satu per satu.
Manajer crawler sudah masuk kerja.
ParticleG/shadowverse-wb-db juga menyimpan nama, skill, cost, attack, life, rarity, set, dan image dalam cards.json.
Tetapi mengambil teks ≠ mengeksekusi aturan. “Fanfare: 4 damage” mudah dibaca; targeting, timing, buff, reduction, full board—itulah neraka.
Departemen katalog sudah otomatis.
Departemen rules engine lembur.
9. Jadikan otak manusia decision engine, bukan database
GitHub / DB → memori jangka panjang
Crawler → pengumpulan
Simulator → pengalaman virtual
Codex / AI → riset, implementasi, tes, laporan
Manusia → tujuan, kriteria, prioritas, keputusan final
Dulu: hafal semua dan main ratusan kali. Sekarang: mesin main ratusan ribu, manusia menerima ringkasan penting.
Jangan jadikan ruang CEO gudang kartu.
Minta departemen membawa dokumen saat dibutuhkan.
10. Ini bukan lagi sekadar strategi game; ini operating system perusahaan satu orang
Tujuan, desired state, constraint, riset AI, perbandingan, simulasi, robust choice, execute, review, correct, external memory.
Metode ini berlaku untuk software, investasi, proses kerja, konten, riset, pembelian, dan game.
Yang dibangun bukan cuma deck terbaik, tetapi pabrik keputusan.
Karyawannya AI. Manusia tidak hafal semuanya, tetapi tetap memegang tujuan, kualitas, kepercayaan, dan GO/NO-GO.
Niatnya main kartu.
Belum hafal kartunya sudah jadi CEO.
11. Kesimpulan: desain sebelum menghafal; delegasikan eksperimen sebelum grinding
riset → data terstruktur → simulasi → robust evaluation → shortlist → tes manusia
Memori:
hafal semua → tidak
buat bisa dicari → ya
cache hanya informasi penting dan sering → ideal
Akhir:
AI main sejuta match.
GitHub mengingat semuanya.
Manusia hanya memutuskan yang penting.
Cuma ingin Storm ke muka. Metodenya berubah menjadi desain organisasi.
Sebelum Storm DUAR,
rapat direksi DUAR.
