Belum pernah ada begitu banyak tools otomatisasi seperti sekarang. Agen AI yang bisa membaca inbox Anda, meringkas rapat Anda, menyusun balasan Anda, menulis kode Anda, menata pekan Anda. Setiap bulan, datang gelombang baru.
Namun sebagian besar orang yang kami ajak bicara masih melakukan pekerjaan manual, berulang, dan menguras tenaga yang sama seperti dua tahun lalu.
Mengapa?
Kami menghabiskan beberapa bulan terakhir mencoba menjawab pertanyaan itu. Kami duduk bersama 22 orang dari berbagai peran, industri, dan tingkat keterampilan. Sekitar tiga perempat memiliki latar belakang teknis. Sisanya tidak. Kira-kira separuh bekerja di bidang teknologi. Separuh lainnya tidak.
Kami menanyakan seperti apa pekerjaan mereka. Apa yang sulit. Apa yang mereka harap bisa diubah.
Yang kami temukan adalah empat hambatan yang muncul berulang kali, terlepas dari apa pun pekerjaan seseorang atau seberapa teknis mereka. Tiga di antaranya bersifat personal. Yang keempat bersifat struktural. Bersama-sama, mereka menjelaskan mengapa otomatisasi, meski menjadi kategori yang paling dijanjikan dalam software selama dua dekade, masih sebagian besar bersifat aspirasional bagi kebanyakan orang.
Inilah keempatnya.
Hambatan 1: Anda tidak bisa melihat apa yang rusak
Hal pertama yang mengejutkan kami: ketika kami menanyakan apa yang sulit atau menjengkelkan dari pekerjaan mereka, sebagian besar memberi kami keluhan utama yang samar. "Mengatur prioritas." "Komunikasi." "Saya cuma sibuk." Tidak ada yang spesifik. Tidak ada yang bisa ditindaklanjuti.
Jadi kami mencoba pertanyaan berbeda: "Jika Anda bisa mengayunkan tongkat ajaib dan memperbaiki satu hal dari alur kerja Anda saat ini, apa yang akan Anda perbaiki?"
Tiba-tiba, rasa sakit yang vivid. Tugas-tugas spesifik. Hal-hal yang mereka benci. Orang yang sama yang hanya mengangkat bahu lima menit sebelumnya kini punya tiga jawaban masing-masing.
Salah satu orang yang kami wawancarai memberi tahu kami:
"Ya, saya sudah sejalan. Saya sudah melakukan banyak sekali diskusi. Tapi sekadar menjaga semua orang tetap update itu bagian pekerjaan yang sangat melelahkan."
Yang lain, menggambarkan proses kuartalan:
"Pasti ingin menghilangkan pelacakan manual ini. Terlalu banyak menyita waktu kami. Dilakukan hampir setiap kuartal. Dan di masa, di pekan saat itu dikerjakan, di semua lini, semua orang membencinya."
Narasumber ketiga menggambarkan tugas yang berulang:
"Kadang saya menerima permintaan dari toko yang meminta saya menyelaraskan dengan inventaris online. Permintaannya begitu... tidak terstandar. Kadang mereka memberikan store ID yang benar. Kadang store ID-nya harus huruf besar, tapi mereka memberikan huruf kecil. Formatnya tidak benar. Saya harus mengalibrasi semua format secara manual untuk memastikan benar, memasukkannya ke mesin, dan menekan tombol."
Tidak satu pun dari orang-orang ini menganggap tugas-tugas itu bisa diotomatisasi sampai kami mengajukan pertanyaan yang tepat. Mereka sudah melakukannya selama berbulan-bulan atau bertahun-tahun. Itu sekadar bagian dari pekerjaan.
Ini bukan kegagalan pribadi. Begitulah cara kerja perhatian. Tugas-tugas berulang memudar ke latar belakang. Otak Anda berhenti menandainya sebagai layak diperhatikan karena mereka dapat diprediksi. Ketidaknyamanan melakukannya menjadi "Senin".
Anda tidak bisa mengotomatisasi apa yang tidak bisa Anda sebut namanya. Dan kebanyakan orang tidak bisa menyebut apa yang rusak dalam pekerjaan mereka tanpa bantuan.
Itulah hambatan satu.
Hambatan 2: Anda tidak tahu harus mulai dari mana
Katakanlah Anda memang melihat apa yang rusak. Anda tahu persis tugas mana yang menguras pekan Anda. Anda bahkan punya akses ke tools AI yang kemungkinan bisa menanganinya.
Sebagian besar orang tetap membeku.
Masalahnya: terlalu banyak kemungkinan, tidak ada titik awal yang spesifik. Kelumpuhan keputusan yang diterapkan pada otomatisasi. Ketika Anda bisa mengotomatisasi apa saja, Anda sering kali tidak mengotomatisasi apa pun.
Seseorang memberi tahu kami:
"Bagaimana Anda, seperti, mengarahkan AI untuk melakukannya? Bagaimana Anda menyusun pesan ke AI untuk melakukannya? Saya pikir butuh waktu untuk belajar bagaimana lebih spesifik soal itu."
Mereka tahu AI-nya mampu. Mereka hanya tidak tahu cara mengarahkannya ke pekerjaan mereka.
Narasumber lain menggambarkannya lebih langsung:
"Saya rasa dari UI-nya tidak terlalu jelas apa lagi yang bisa Anda lakukan. Karena ketika Anda hanya bilang seperti sebuah prompt, saya jadi, 'oh, saya harus memikirkan apa yang saya butuhkan.' Tapi saya tidak benar-benar punya opsi, kan? Saya tidak tahu apa lagi yang bisa ia lakukan. Jadi sejauh apa saya bisa membayangkan masalah saya? Dalam percakapan kita sebelumnya saya sadar saya bisa memintanya membuat laporan standup di email saya, atau mungkin membuat issue Linear atau semacamnya. Jadi menurut saya itu, seperti, tidak jelas."
Mereka menjelaskan lebih lanjut:
"Mungkin jika Anda punya, seperti, dropdown atau contoh prompt atau template yang mungkin bisa saya pakai, saya rasa itu mungkin membantu, daripada saya harus berpikir sepenuhnya dari nol."
Yang lain menginginkan sesuatu yang bahkan lebih spesifik:
"Ada begitu banyak. Tech stack-nya sangat besar saat ini. Ada begitu banyak kemungkinan. Jadi jika seseorang bisa memberi tahu saya tool mana yang sebaiknya saya pakai, mana yang lebih efisien untuk saya di setiap tugas yang saya kerjakan. Seperti, entah bagaimana melihat Linear saya dan memberi tahu saya bahwa, hei, untuk tugas ini sebaiknya kamu pakai ini daripada Claude Code atau semacamnya. Itu akan sangat menyenangkan."
Yang orang butuhkan bukan kemampuan yang lebih banyak. Tapi titik awal yang spesifik. Sebuah contoh nyata. Sebuah alur kerja yang dibangun oleh seseorang seperti mereka, bekerja dari ujung ke ujung, yang bisa mereka salin dan adaptasi.
Inilah salah satu alasan mengapa lima alur kerja yang sama terus diotomatisasi di mana-mana: morning brief, laporan mingguan, triage inbox, catatan standup, ringkasan pelanggan. Itu bukan otomatisasi terbaik. Itu hanya yang punya template publik dan titik awal yang jelas.
Segala hal lainnya tetap manual. Bukan karena tidak bisa diotomatisasi, tapi karena tidak ada yang menunjukkan seperti apa "memulai" itu.
Itulah hambatan dua.
Hambatan 3: Biaya untuk memulai lebih tinggi daripada biaya untuk tidak
Oke, Anda sudah mengidentifikasi pekerjaannya. Anda punya titik awal yang konkret. Sekarang Anda benar-benar harus menyiapkannya.
Di sinilah sebagian besar orang menyerah.
Seorang narasumber bercerita tentang sebuah tool AI yang rekan-rekan kerjanya gunakan secara rutin:
"Saya tahu OpenClaw, tapi saya belum pernah mencobanya sendiri. Saya tahu rekan-rekan kerja saya memakainya, tapi saya belum pernah mencobanya."
Ketika kami bertanya mengapa, mereka bilang setup-nya terlalu rumit dan memakan waktu. Mereka bahkan belum pernah mencobanya. Fakta bahwa rekan-rekan timnya berhasil menggunakannya tidak cukup. Biaya aktivasi yang dipersepsikan cukup tinggi sehingga mereka sekadar... tidak.
Yang lain bahkan lebih langsung soal titik dropoff-nya:
"Saya rasa secara pribadi ini lebih ke pengguna baru. Karena akan banyak orang yang melihat hal-hal ini dan ingin mencobanya. Dan ketika mereka melanjutkan dan mengetik NPM install itu, lalu mereka dihantam 'kamu juga perlu instalasi Claude' di atas itu... di situlah menurut saya banyak orang mungkin langsung menyerah, bahkan tidak repot-repot melanjutkan."
Dan di balik kedua kutipan itu ada kalkulasi rasional yang sama. Narasumber lain mengatakannya langsung:
"Ketika kami ingin mengotomatisasi alur kerja, kami hanya ingin menghemat waktu dan meningkatkan produktivitas. Kami tidak ingin menghabiskan begitu banyak waktu pada tools yang seharusnya meningkatkan efisiensi kami."
Ini bukan kemalasan. Ini matematika.
Inti dari otomatisasi adalah menghemat waktu. Tapi untuk sebagian besar alur kerja, setup-nya makan waktu lebih lama daripada sekadar mengerjakan tugasnya secara manual. Anda menghabiskan berjam-jam mempelajari antarmuka, berjam-jam menyambungkan trigger, berjam-jam menguji edge case, dan baru setelah semua itu Anda mulai menghemat waktu. Untuk tugas yang terjadi mingguan, waktu sampai untung adalah berbulan-bulan. Untuk tugas yang terjadi bulanan atau kuartalan, matematikanya benar-benar tidak pernah masuk.
Jadi orang melewatinya.
Pengalaman masa lalu memperparah masalah. Orang sudah mencoba tools yang menjanjikan dunia dan menghasilkan setup 40 langkah. Mereka sudah menghabiskan waktu mempelajari antarmuka yang tidak terbayar. Jadi bahkan ketika tool baru benar-benar bekerja, pengalaman masa lalu membuat mereka ragu untuk berinvestasi.
Sebagian besar tools otomatisasi mengasumsikan Anda akan menghabiskan satu jam untuk belajar sebelum mendapat nilai apa pun. Bagi kebanyakan orang, terutama yang non-teknis, di situlah hubungannya berakhir.
Itulah hambatan tiga.
Hambatan 4: Organisasi Anda tidak mengizinkan
Inilah hambatan yang paling sulit diperbaiki, dan yang paling sering kami dengar dari orang-orang yang bekerja di dalam organisasi yang lebih besar.
Bahkan jika Anda melihat apa yang rusak, tahu persis harus mulai dari mana, dan bersedia menginvestasikan waktu setup, perusahaan Anda mungkin tidak mengizinkan Anda benar-benar melakukannya.
Salah satu orang yang kami wawancarai, yang bekerja di sebuah enterprise besar, menggambarkan seperti apa ini dalam praktik:
"Setiap tool yang kami pakai harus disetujui klien atau disetujui internal. Begitu itu disetujui dan anggaran untuk itu diberikan, baru kami melanjutkan untuk membeli tool itu orang per orang."
Persetujuan. Anggaran. Lisensi per orang. Untuk setiap tool baru. Pada saat prosesnya selesai, momen motivasi yang membuat Anda ingin mencobanya sudah berlalu berbulan-bulan.
Tapi versi yang lebih dalam dari masalah ini bukan sekadar "saya tidak bisa membuat tool-nya disetujui." Tapi bahwa bahkan ketika Anda bisa menggunakan tools AI secara pribadi, Anda tidak bisa menghubungkannya ke sistem tempat pekerjaan Anda yang sebenarnya berada. Orang yang sama:
"Saya tidak bisa menghubungkan lingkungan kerja saya dengan ini. Kalau saya pakai ini untuk keperluan pribadi, saya tidak bisa menghubungkan Salesforce saya. Saya tidak bisa menghubungkan Teams saya. Karena itu ada di laptop kantor saya."
Mereka punya akses ke ChatGPT. Mereka punya tugas yang ingin sekali mereka otomatisasi di Salesforce. Keduanya tidak bisa disambungkan. Otomatisasi yang mereka inginkan menuntut menjembatani tools pribadi mereka dan data kerja mereka, dan jembatan itu dilarang.
Ini bukan hanya masalah perusahaan besar. Narasumber lain memberi tahu kami:
"Saya rasa perusahaan besar punya tingkat kekhawatiran tertentu soal privasi. Kami pasti diizinkan memakai ChatGPT. Kami tidak diizinkan memakai Gemini. Saya tidak tahu kenapa. Saya tidak tahu kenapa. Tapi itu semacam pilihan perusahaan."
"Saya tidak tahu kenapa." Frasa itu sering muncul ketika Anda berbicara dengan orang tentang pembatasan tool di organisasi mereka. Pilihannya terasa sembarang dari dalam. Beberapa tool disetujui, beberapa tidak, tanpa logika yang jelas. Anda dibiarkan bekerja menyiasati aturan tanpa memahaminya.
Bagi banyak orang, inilah tembok yang sebenarnya. Bukan "saya tidak bisa melihat apa yang rusak." Bukan "saya tidak tahu cara mengotomatisasinya." Tapi "saya tidak diizinkan."
Hambatan ini lebih sulit daripada yang lain karena ini bukan tentang Anda. Ini tentang lingkungan Anda. Dan lingkungan berubah dengan lambat.
Itulah hambatan empat.
Apa artinya ini
Keempat hambatan ini berlapis. Bahkan jika Anda melewati yang pertama, Anda menabrak yang kedua. Melewati yang kedua, Anda menabrak yang ketiga. Dan bahkan jika Anda menerobos ketiganya, organisasi di sekitar Anda mungkin tetap menghentikan Anda.
Bersama-sama mereka membentuk tembok yang sebagian besar orang tidak pernah lewati, bahkan ketika mereka tahu persis apa yang ingin mereka perbaiki. Itulah mengapa otomatisasi alur kerja, meski menjadi kategori yang paling dijanjikan dalam software selama dua dekade, masih sebagian besar bersifat aspirasional.
Kami pikir temboknya bisa dibobol. Tidak semuanya, tidak untuk semua orang, tapi lebih banyak daripada yang diasumsikan tools saat ini. Kami menghabiskan beberapa bulan terakhir membangun hal-hal yang secara khusus menangani tiga hambatan pertama, dan berpikir keras tentang cara membuat otomatisasi cukup aman sehingga hambatan keempat menjadi kurang membatasi seiring waktu. Kami punya pandangan tentang apa yang berhasil. Tapi kami lebih suka menunjukkannya kepada Anda daripada memberitahukannya.
Jadi inilah yang kami lakukan sebagai gantinya.
Pada hari Sabtu, 16 Mei, kami mengadakan lab praktik gratis di San Jose. Kami akan menelusuri cara mengenali apa yang bisa diotomatisasi dalam pekerjaan Anda sendiri, di mana memulai ketika Anda punya seratus opsi, dan cara menyiapkan rekan tim AI pertama Anda dalam waktu kurang dari 15 menit. Tanpa coding.
Kapasitas 30 orang. RSVP: https://luma.com/yqpulmgq
Pada hari Selasa, 20 Mei, kami menyelenggarakan acara serupa di San Francisco. Detail dan RSVP segera hadir. Ikuti @vm0_ai untuk menjadi yang pertama tahu.
Jika Anda tidak bisa hadir di salah satu acara, ikuti kami saja. Kami akan menuliskan apa yang benar-benar dibangun orang di lab. Alur kerjanya, kejutannya, hal-hal yang tidak berhasil. Kami akan mempublikasikannya di postingan berikutnya. Jadi Anda akan mendapat jawaban praktisnya dengan cara apa pun.
Empat hambatan di atas itu nyata. Kami mendengarnya dari hampir setiap orang yang kami ajak bicara. Tiga yang pertama bisa dipecahkan hari ini. Yang keempat butuh waktu lebih lama, tapi itu juga bisa dipecahkan. Kami akan menghabiskan beberapa pekan ke depan untuk membuktikannya, di acara-acara itu, dan dalam apa yang kami publikasikan berikutnya.
Kutipan dianonimkan ke peran. Sampel wawancara: 22 orang dari bidang software/AI, kesehatan, seni pertunjukan, manufaktur, konsultasi, ritel, biomekanika, dan organisasi nirlaba. Sekitar 73% dengan latar belakang teknis dan 27% tanpa.
