Kesenjangan Penerapan AI Adalah Masalah Manusia

Alasan paling umum proyek AI mengecewakan bukanlah modelnya. Melainkan karena tidak ada seorang pun di organisasi yang tahu cara mengubah model yang mumpuni menjadi proses yang berjalan. Pada 2 Oktober Anthropic memberi harga pada masalah itu: US$100 juta untuk melatih 10.000 orang yang pekerjaannya persis itu.

Apa yang terjadi

Menurut pengumuman Anthropic, Claude Frontier Academy yang baru bertujuan melatih 10.000 "Frontier Deployed Engineer" hingga akhir 2027, didukung komitmen sebesar US$100 juta. Program pertamanya adalah residensi yang, dalam kata-kata Anthropic, "mengikuti model kedokteran dalam membangun keahlian". Organisasi menominasikan insinyur-insinyur yang kuat, masing-masing datang dengan proyek Claude tertentu. Mereka terlebih dahulu mengikuti program tatap muka selama beberapa hari dengan simulasi penerapan di perusahaan dan ujian praktik yang dinilai, lalu menghabiskan 12 minggu memimpin kasus penggunaan nyata di organisasi mereka sendiri dengan dukungan insinyur Anthropic, diikuti penilaian akhir.

Kohort berjalan di San Francisco, New York, dan London. Perusahaan yang disebut dalam kohort pertama antara lain Accenture, Bain, Capgemini, Commonwealth Bank of Australia, Deloitte, McKinsey, Morgan Stanley, dan Novo Nordisk. Anthropic menyatakan akademi ini dibangun di atas jaringan mitranya, tempat para profesional di 46.000 firma telah meraih lebih dari 175.000 sertifikasi.

Seorang pimpinan Accenture yang dikutip dalam pengumuman itu mengatakan residensi tersebut menilai "penilaian yang diuji dalam simulasi penerapan di perusahaan, bukan keterampilan teknis secara terpisah."

Mengapa ini penting

Bacalah daftar peserta pertamanya: firma konsultan, bank, sebuah perusahaan farmasi. Inilah organisasi-organisasi yang akan menerapkan AI di dalam perusahaan lain, termasuk di dalam departemen pemasaran. Modelnya bukan hal baru; field engineer dan solution architect ada di setiap kategori perangkat lunak perusahaan. Yang baru adalah skalanya dan penekanan pada penilaian dalam penerapan nyata.

Pemasaran memiliki kesenjangan yang sama, dengan lebih sedikit orang yang menanganinya. Banyak tim kini memiliki akses ke model dan alat yang sangat baik. Jauh lebih sedikit yang memiliki seseorang yang tugasnya mengambil proses pemasaran yang berantakan, seperti pemantauan pesaing, pengujian kreatif, atau pelaporan, dan merancangnya ulang di sekitar AI dengan pengukuran, pagar pengaman, dan adopsi yang sudah terpasang.

Lokasi kohortnya juga patut dicatat. Tidak ada satu pun di Asia. Bagi kawasan kita, itu adalah celah yang perlu diisi secara lokal atau tanda bahwa gelombang pertama talenta penerapan bersertifikat akan terpusat di tempat lain.

Apa kata riset saya

Menurut saya, langkah tersulit dalam AI terapan adalah langkah antara model yang berfungsi dan proses yang berjalan. Riset kami mencerminkan hal itu. Dalam MindFuse (ACM Multimedia 2025) dan dalam demonstrasi industri SOMIN di ACM Multimedia 2025, kontribusinya bukan hanya modelnya, melainkan bagaimana model itu masuk ke dalam pekerjaan strategi seorang pemasar: prediksi kinerja ditambah LLM yang menjelaskan dan merekomendasikan.

Saya telah menulis di Forbes tentang menutup kesenjangan antara pemasaran dan sistem AI serta tentang memanfaatkan LLM dalam bisnis di luar chatbot. Tema yang konsisten adalah bahwa nilai muncul ketika seseorang memahami kedua sisi: apa yang dapat dilakukan model secara andal, dan apa yang sebenarnya dibutuhkan bisnis. Orang seperti itu langka di bidang pemasaran.

Saya juga mengajar, antara lain di NUS dan INSEAD, dan pembingkaian ala residensi kedokteran itu terasa sangat relevan bagi saya. Anda tidak belajar penerapan dari slide. Anda mempelajarinya dengan memegang kasus nyata, di bawah supervisi, dan dinilai berdasarkan penilaian Anda.

Bagaimana tim pemasaran dapat membangun peran ini sekarang

• Tunjuk seorang pemilik. Beri satu orang tanggung jawab eksplisit untuk mengubah kemampuan AI menjadi proses pemasaran, beserta waktu untuk melakukannya.
• Belajar dari kasus nyata. Pilih satu alur kerja yang sedang berjalan, seperti laporan pesaing mingguan, dan rancang ulang dari ujung ke ujung, dengan baseline dan target.
• Pasangkan pemasaran dengan rekayasa. Penerapan terbaik lahir dari pemasar yang memahami keputusannya dan teknolog yang memahami sistemnya, yang bekerja bersama.
• Nilai kemampuan menilai, bukan kefasihan memakai alat. Dapatkah orang itu menjelaskan kapan AI tidak boleh dipercaya dan apa yang terjadi saat itu?
• Bagikan apa yang berhasil. Tuliskan setiap penerapan sebagai kasus singkat: masalahnya, rancangannya, hasilnya, mode kegagalannya.

Seratus juta dolar adalah angka besar untuk pelatihan. Angka itu kecil dibandingkan kerugian organisasi akibat proyek AI yang tidak pernah masuk ke pekerjaan sehari-hari. Pemasaran tidak seharusnya menunggu pihak lain melatih para pelaksana penerapannya.

FAQ