1. Kamu merekrut 100 orang jenius. Semuanya nongkrong di pantry karena belum ada yang kasih tugas
AI generatif memang luar biasa. Bisa ngoding. Bisa nulis. Bisa riset. Bisa menerjemahkan. Bisa juga mengakses tumpukan pengetahuan yang luar biasa besar.
Kedengarannya, besok semua orang bakal bisa menjalankan sekitar 10 usaha sendirian.
Tapi kenyataannya, banyak yang berhenti justru di titik ini.
"Jadi, mau bikin apa?"
Ya, pertanyaan itu.
Secanggih apa pun AI-nya, kalau tidak ada yang memberi titik awal, tidak ada yang jalan. Mau dijajarkan 100 Ferrari pun, kalau tujuan belum diisi di GPS, hasilnya cuma tempat parkir yang mewah.
Di era AI, yang sering kurang bukan selalu kemampuan model.
Yang kurang adalah orang yang memberi pekerjaan pertama untuk semua kemampuan itu.
2. Yang kuat bukan penemuan besar yang sudah jadi, tapi kemampuan memantik percikan pertama
Kalau dengar "jago bikin ide", kita biasanya membayangkan ilham revolusioner yang belum pernah terpikir siapa pun.
Padahal ada kemampuan yang lebih sederhana dan jauh lebih ampuh:
- bagian ini ribet banget
- dua hal ini bisa disambungkan, nggak?
- fitur yang sudah ada bisa dipakai buat hal lain, nggak?
- sebenarnya kenapa langkah ini perlu ada?
- kalau dibuat versi paling sederhana dulu, kelihatan apa?
Yaitu kemampuan membuat titik pemicu.
Ide pertama tidak harus sempurna. Yang penting, ada pijakan supaya pemikiran berikutnya bisa muncul.
Di meja kosong, diskusi susah dimulai. Tapi begitu ada satu prototipe, sekasar apa pun, langsung bermunculan "ini aneh", "ini kepakai", "kalau gitu, berikutnya begini".
Langkah pertama bukan jawaban.
Ia adalah mesin yang memunculkan banyak jawaban berikutnya.
3. "Jago bikin ide" itu bukan satu kemampuan saja
Kalau dibongkar, setidaknya ada komponen-komponen ini:
| Kemampuan | Apa yang dilakukan |
|---|---|
| Mengembangkan | Memunculkan banyak kemungkinan dari satu masalah |
| Analogi | Meminjam cara kerja dari bidang lain |
| Menggabungkan ulang | Membuat C dari bahan yang sudah ada, A+B |
| Menemukan masalah | Melihat kerepotan yang muncul sebelum masalah yang diberikan |
| Membingkai ulang | Merumuskan ulang pertanyaan yang benar-benar harus dijawab |
| Mengerucutkan | Memilih ide mana yang akan benar-benar dibuat |
| Memecah | Membagi tujuan jadi tugas-tugas yang bisa dikerjakan AI |
| Memulai | Langsung membuat wujud pertama |
| Ide lanjutan | Melihat hasil yang sudah jalan lalu memikirkan langkah berikutnya |
Yang dalam psikologi disebut berpikir divergen adalah salah satu bagian penting dari daftar ini. APA menjelaskan berpikir divergen sebagai cara berpikir kreatif untuk memecahkan masalah atau mengambil keputusan dengan strategi yang keluar dari cara umum atau yang sudah biasa dipelajari.[1]
Tapi ada juga catatan bahwa skor tes berpikir divergen saja tidak bisa mengukur seluruh kreativitas di dunia nyata.[2]
Artinya, "bisa mengeluarkan banyak ide" saja belum cukup.
Praktik sebenarnya mencakup membingkai ulang, memilih, mewujudkan, lalu berpikir lagi.
4. Berkreasi itu bolak-balik: memunculkan → menjelajah → memunculkan lagi
Dalam riset tentang cara pikiran berkreasi, ada pandangan bahwa ide tidak langsung jadi sekali jalan. Kita memunculkan kandidat dulu, lalu menjelajah dan menilainya, dan kalau perlu kembali memunculkan ide. Ini yang disebut model Geneplore.[3]
Kalau diterapkan ke pengembangan bersama AI, jadi sangat gampang dipahami:
- kepikiran sesuatu
- ngobrol dan adu ide dengan AI
- dijadikan spesifikasi kasar
- dibuat
- dijalankan
- sadar "kok bukan begini, ya"
- muncul sudut pandang lain
- dibuat lagi
Jadi, ide tidak perlu matang sebelum mulai dibuat.
Proses membuat itu sendiri adalah bagian dari berpikir.
Inilah perbedaan besar dengan dulu.
Kalau membuat prototipe butuh 3 bulan, wajar kita ingin berpikir panjang dulu di kepala sebelum mulai.
Kalau wujudnya bisa keluar dalam 30 menit, prototipe itu sendiri bisa jadi catatan berpikir.
Kemampuan punya ide dan kemampuan mengeksekusi tidak lagi jadi dua divisi terpisah.
5. "Saya nggak bisa multitasking" itu benar, kalau semuanya harus dikerjakan sendiri
"Nggak mungkin ngerjain sebanyak itu sekaligus."
Betul sekali.
Kalau satu orang harus memikirkan spesifikasi, kode, riset, pengecekan, dan perbaikan untuk 10 proyek sekaligus, semua tab di "browser" otaknya bakal jadi putih semua.
Tapi premisnya bisa diganti.
Manusia tidak perlu multitasking. Biarkan sistem yang bekerja paralel.
Yang perlu dipegang manusia cukup:
- mau apa
- apa yang penting
- sampai mana yang bisa diterima
- hasil mana yang dipakai
Sisanya,
- riset
- penyusunan spesifikasi
- pembuatan
- pengujian
- penerjemahan
- pemeriksaan
dibagi sejauh bisa berdiri sendiri, lalu diserahkan ke AI.
Jadi bukan "saya payah multitasking, berarti nggak bisa pakai AI".
Justru kalau kamu payah multitasking, makin berharga cara kerja yang mengeluarkan pekerjaan dari kepala dan menjadikannya tugas dengan penanggung jawab yang jelas.
6. Tumpukan pengetahuan raksasa itu gudang bahan, bukan rencana bangunan
Sebesar apa pun AI dan data di baliknya, itu tidak otomatis menjawab "apa yang sebaiknya dibuat".
Bayangkan toko bangunan super besar yang punya kayu, besi, kaca, perkakas, sampai alat berat.
Keren.
Tapi kalau pembelinya tidak memutuskan "mau membangun apa", toko itu tetap cuma toko bangunan.
AI juga mirip.
Bisa memberi informasi. Bisa membandingkan. Bisa menulis kode. Bisa memberi ide.
Tapi begitu masuk arah seperti
"aku mau kerepotan ini hilang", "kalau dua hal ini disambungkan, pasti seru", "aku mau pengalaman ini naik satu level",
saat itulah kemampuan berubah jadi pekerjaan.
Orang yang bisa memaksimalkan AI tidak perlu tahu lebih banyak daripada AI.
Ia cukup bisa bilang ke AI, "gali di sini".
7. Sebelum menyelesaikan masalah, yang unggul adalah yang bisa merumuskan ulang masalahnya
Dalam riset desain, "membingkai" masalah yang rumit dan terbuka dibahas sebagai praktik penting. Dorst menyoroti pembingkaian ulang: saat organisasi menghadapi situasi sulit, cara memandang masalahnya sendiri yang diubah.[4]
Di era AI, ini makin penting.
Kalau kita minta AI "kerjakan ini", AI bisa menyelesaikan persis apa yang diminta dengan kecepatan luar biasa.
Justru itu yang bikin seram.
Kalau rumusan masalahnya meleset, AI bisa memproduksi massal jawaban yang kelihatan benar, super cepat.
Pertanyaan yang benar-benar kuat bukan cuma
"Gimana caranya pekerjaan ini jadi lebih cepat?"
Tapi mundur sampai ke:
"Pekerjaan ini sebenarnya perlu, nggak?" "Yang diinginkan pengguna itu pekerjaannya lebih cepat, atau pekerjaannya hilang sama sekali?" "Bisa diselesaikan lewat jalan lain, nggak?"
Makin jago AI menjawab, makin besar pengaruh manusia yang merumuskan pertanyaannya.
8. Kalau membuat jadi cepat, ide pun bertambah. Ini diam-diam dahsyat
Ada hasil eksperimen yang menunjukkan AI generatif memangkas waktu dan menaikkan kualitas pada pekerjaan berbasis pengetahuan tertentu. Dalam eksperimen Noy dan Zhang, pada tugas menulis profesional yang diteliti, waktu rata-rata turun 40% dan kualitas yang dinilai naik 18%.[5]
Tentu ini bukan berarti semua pekerjaan jadi 40% lebih cepat.
Poin pentingnya lain:
kalau biaya mencoba turun, kita bisa mencoba lebih sering.
Dan makin sering mencoba, makin banyak informasi yang didapat dari hasil nyata:
- benar-benar kepakai atau tidak
- ternyata lebih jelek dari bayangan atau tidak
- lebih cocok untuk kegunaan lain atau tidak
- bisa disambungkan dengan fitur sebelahnya atau tidak
- di mana pengguna kebingungan
Informasi seperti ini jarang muncul kalau cuma dipikirkan di kepala.
Karena itu, makin pendek siklus
ide → buat → amati → ide baru
makin sering ide tidak berhenti di satu, tapi jadi berantai.
Kecepatan membuat bukan sekadar produktivitas.
Itu juga kecepatan putaran mesin ide.
9. Tapi kalau semua ide diserahkan ke AI, semua orang bisa mendaki gunung yang sama
AI juga bisa dipakai untuk membantu mencari ide.
Namun dalam eksperimen Doshi dan Hauser, cerpen individu yang dibantu ide dari AI rata-rata dinilai lebih tinggi, tetapi karya-karya yang dibantu AI jadi makin mirip satu sama lain, sehingga keragaman secara keseluruhan menurun.[6]
Ini penting.
Kalau setiap kali cuma bertanya ke AI "kasih 10 ide menarik", bisa-bisa semua orang naik bus wisata yang sama.
Karena itu, nilai manusia tidak hilang:
- hal yang benar-benar kamu rasakan merepotkan
- kejanggalan yang kamu temukan di lapangan
- kebiasaan aneh sistem yang sudah ada
- perumpamaan yang dibawa dari bidang lain
- kombinasi yang nyeleneh
- bantahan "semua orang biasanya begitu, tapi apa iya?"
Masukan khas seperti inilah yang memberi arah dan warna pada tumpukan pengetahuan raksasa milik AI.
Bukan menyuruh AI memikirkan segalanya.
Manusia melempar satu batu yang aneh, lalu AI memperbesar riaknya.
Begitu jauh lebih seru.
10. Putaran terbaik: kepikiran → jadikan satu kalimat → pecah → serahkan → lihat → kepikiran lagi
Dalam praktik, cukup sesederhana ini:
① Pemicu "Bukannya lebih enak kalau ini jadi begini?"
② Satu kalimat Apa, untuk siapa, dan mau diubah bagaimana — dalam satu kalimat.
③ Pecah Bagi jadi tugas yang bisa berdiri sendiri: riset, desain, pembuatan, pengecekan.
④ Serahkan Berikan tiap bagian ke AI. Manusia tidak memikul semuanya sekaligus.
⑤ Wujud nyata Tulisan, layar, kode, hasil — apa pun yang bisa dilihat.
⑥ Cek ulang Baca, coba, dan pastikan hasilnya benar-benar sesuai target.
⑦ Ide lanjutan Muncul "kalau ini bisa, berarti itu juga bisa".
Karena ada langkah ⑦ inilah putarannya tidak pernah selesai.
Satu hasil jadi bahan untuk ide berikutnya.
Fitur A selesai. Karena ada A, kepikiran B. Begitu B jadi, A+B menjadi C. Begitu C jadi, muncul "jangan-jangan seluruh layanannya bisa didefinisikan ulang jadi D?"
Awalnya cuma percikan kecil, tahu-tahu sudah berdiri pembangkit listrik.
11. Jebakannya: kecepatan dapat ide melampaui kecepatan merapikan
Cara kerja ini punya efek samping yang jelas.
Kalau ide terus muncul dan pembuatannya juga cepat, sistem jadi bangunan yang ditambal sulam terus.
Lalu suatu hari, kamu membuka kabel-kabelnya.
"Siapa yang bikin ini?"
Kamu sendiri, kemarin.
Solusinya bukan berhenti punya ide.
- jangan terlalu banyak sumber data utama
- jangan bikin dua mekanisme untuk tugas yang sama
- kalau bisa digabung ke fitur yang sudah ada, gabungkan
- jalankan paralel hanya tugas yang benar-benar berdiri sendiri
- setelah membuat, selalu cek ulang hasilnya
- pasang pemeriksaan kualitas untuk perubahan penting
- bedakan "bisa dibuat" dengan "perlu dibuat sekarang"
Ide yang cepat butuh perapian yang cepat juga.
Daripada mengurangi gas, perkuat setir dan remnya.
12. Kesimpulan: di era AI, yang unggul bukan sekadar "bisa pakai AI", tapi "bisa memberi AI pekerjaan"
Kemampuan model AI akan terus naik.
Pengetahuannya bertambah. Kode dan tulisan makin cepat jadi. Menjalankan banyak AI sekaligus juga makin gampang.
Akibatnya, kemampuan langka di sisi manusia pelan-pelan bergeser.
Dari "bisa membuat semuanya sendiri" menjadi:
menemukan apa yang perlu dibuat,
memantik pemicu pertama,
merumuskan ulang masalah,
membagi pekerjaan,
menyerahkannya ke AI,
melihat hasil nyatanya,
lalu dari situ kepikiran langkah berikutnya.
AI adalah kemampuan yang sangat besar.
Tapi kemampuan itu cuma menunggu sampai ada yang memberinya pekerjaan.
Karena itu, yang unggul bukan hanya orang yang ngoding lebih cepat dari AI.
Tapi orang yang berani bilang duluan, "Eh, kayaknya ini bisa dibikin, deh?"
Di perusahaan yang merekrut 100 AI jenius, yang pertama dibutuhkan bukan jenius ke-101.
Melainkan orang yang menulis baris pertama di 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
