Artificial Intelligence

Selama puluhan tahun, komputer menunggu kita mengoperasikannya. Kita buka browser, email, spreadsheet, salin, tempel, klik, ulangi. Sekarang sesuatu mulai berubah. AI tidak lagi hanya menunggu pertanyaan dan memberikan jawaban. Ia mulai membuka browser, memakai tools, menjalankan langkah demi langkah, berkoordinasi dengan agent lain, lalu kembali membawa hasil. OpenAI, Anthropic, Google, xAI, dan Meta bergerak ke arah yang sama: membangun AI yang bukan sekadar pintar, tetapi bisa bekerja. Pertanyaannya pun berubah: bukan lagi “AI mana yang paling pintar?”, melainkan “pekerjaan apa yang berani kita delegasikan kepadanya?”

Bagaimana jika AGI tidak hadir sebagai satu AI superpintar, tetapi muncul dari interaksi banyak AI agent? Perkembangan agentic AI, multi-agent system, Mixture-of-Experts, dan emergent intelligence mulai mengubah cara kita membayangkan kecerdasan buatan. Sebagai founder, saya melihat analoginya seperti membangun perusahaan: kecerdasan organisasi tidak berada pada satu orang, tetapi pada hubungan antarorang. Dan seperti membangun manusia, membangun organisasi AI mungkin jauh lebih rumit daripada sekadar membangun sistem.

AI bisa menghasilkan jawaban semakin cepat, tetapi pengetahuan teknis juga semakin cepat usang. Dalam The Art of Doing Science and Engineering, Richard Hamming mengajarkan sesuatu yang justru semakin relevan di era AI: belajar bukan sekadar mengumpulkan fakta, tetapi membangun pola berpikir. Dari memilih masalah yang penting, memindahkan skill antar bidang, hingga kemampuan menilai jawaban AI, semuanya bermuara pada satu hal: kemampuan berpikir. Karena ketika teknologi terus berubah, fondasi berpikir yang kuat membuat kita tidak perlu selalu memulai dari nol.

AI membuat proses coding semakin cepat. Tetapi apakah perusahaan juga menjadi lebih cepat belajar? Buku Accelerate karya Nicole Forsgren, Jez Humble, dan Gene Kim menunjukkan bahwa kecepatan dan kualitas bukan dua hal yang harus dipertentangkan. Dengan DORA Metrics—Deployment Frequency, Lead Time for Changes, Mean Time to Recovery (MTTR), dan Change Failure Rate—kita bisa melihat bagaimana tim teknologi bergerak, belajar, dan pulih dari kegagalan. Di era AI, bottleneck bahkan mulai bergeser: dari menulis kode menuju validasi, evaluasi, keamanan, observability, dan kualitas keputusan.

AI berubah terlalu cepat. Buku, framework, model, bahkan prompt engineering yang hari ini dianggap penting bisa terasa usang beberapa bulan kemudian. Lalu, apa yang seharusnya kita pelajari agar tidak terus mengejar teknologi? Menariknya, jawabannya justru bukan buku tentang AI. Ada buku tentang riset pelanggan, pengambilan keputusan, budaya open source, engineering, metodologi sains, hingga ketidakpastian yang justru mengajarkan meta-skills yang tetap relevan ketika AI terus berubah. Karena AI hanyalah alat. Cara berpikir adalah aset. Dan aset selalu lebih berharga daripada alat.

Selama ini kita sibuk memperdebatkan model AI mana yang paling pintar: GPT, Claude, Gemini, Grok, Fable, atau Opus. Padahal, perubahan terbesar bukan lagi soal siapa yang memimpin benchmark, melainkan bagaimana berbagai model AI mulai bekerja bersama dalam satu workflow. Melalui kisah kembalinya Fable 5, artikel ini mengajak kita melihat lahirnya era AI Orchestration — sebuah paradigma baru ketika keunggulan tidak lagi ditentukan oleh satu model terbaik, tetapi oleh kemampuan mengorkestrasi berbagai model AI agar menghasilkan produktivitas, kualitas, dan efisiensi yang jauh lebih tinggi.