Posisi terpanas di Silicon Valley belakangan ini, sudah pasti FDE. FDE adalah singkatan dari "Forward Deployment Engineer", yang secara harfiah bisa diterjemahkan sebagai "Insinyur Penerapan Depan". Mereka harus paham model dan teknologi, sekaligus mengerti data, proses, dan titik permasalahan bisnis klien. Tugas intinya adalah mengubah AI dari sekadar demo menjadi alur kerja AI-native milik berbagai profesi itu sendiri. Survei Perspective AI tahun 2026 terhadap 1500 FDE menunjukkan, total kompensasi tahunan median untuk FDE senior di lab terdepan mencapai $485 ribu, sementara untuk level karyawan senior mencapai $725 ribu. Rentang total kompensasi di lab top berkisar antara $350 ribu hingga $550 ribu.
Di balik demam ini, ada pergeseran strategis besar dari perusahaan AI terkemuka. Mei tahun ini, OpenAI menggandeng 19 perusahaan PE, menginvestasikan total lebih dari $40 miliar untuk mendirikan Deployment Company (Perusahaan Penerapan), dan mengakuisisi perusahaan jasa implementasi AI Tomoro, yang juga membawa serta 150 orang FDE. Anthropic juga mengumumkan kerja sama dengan sejumlah institusi keuangan termasuk Blackstone, mendirikan usaha patungan senilai $15 miliar. Perusahaan-perusahaan model terdepan ini mulai mempertaruhkan layanan yang sama: tidak hanya menyediakan alat AI, tetapi masuk jauh ke dalam perusahaan, mengimplementasikan kemampuan AI dalam skenario bisnis konkret.
Dalam edisi "Silicon Valley 101" kali ini, kami mengundang dua praktisi langsung untuk membahas FDE dan perusahaan penerapan. Kami membahas bentuk konkret pekerjaan FDE, hubungan kekerabatannya dengan model penerapan militer Palantir di masa lalu, serta perubahan apa yang dialami oleh dana ekuitas swasta dan industri konsultasi dalam gelombang implementasi AI ini.
Jove, Kepala Tim FDE Cresta. Cresta menyediakan AI Agent untuk pusat panggilan perusahaan. Jove mulai memperluas tim FDE sejak awal tahun lalu.
Oliver, mantan konsultan McKinsey, saat ini VP Bisnis Perusahaan di Invisible Technologies.
Berikut adalah ringkasan percakapan tersebut:
01. Mengapa Perusahaan Model Mulai Melakukan Penerapan?
Yiwen: Jove, bagaimana pendapatmu tentang langkah OpenAI, Anthropic, dan perusahaan model lainnya yang mulai melakukan penerapan AI belakangan ini?
Jove: Saya rasa inilah alasan FDE tiba-tiba begitu menarik perhatian. Sebagai tipe pekerjaan, FDE sudah ada selama lebih dari sepuluh tahun sejak zaman Palantir. Perusahaan kami mulai melakukan penerapan seperti FDE pada Januari tahun lalu. Saat itu tidak ada kepastian pasti untuk merekrut FDE, tetapi secara samar-samar merasa perlu untuk mengeluarkan beberapa insinyur agar lebih dekat dengan klien. Melalui layanan yang sangat dekat ini, kami dapat memahami apa yang mereka inginkan, lalu menggunakan produk kami dengan tepat.
Tapi satu dua bulan terakhir, terutama satu dua minggu belakangan, muncul banyak diskusi tentang FDE. Saya tahu hal ini akan terjadi, tapi saya tidak menyangka secepat dan seheboh ini. Namun, saya rasa ini membuktikan beberapa hal: pertama, perusahaan model akan menyadari bahwa model itu sendiri bukanlah sebuah produk. Untuk membuat produk benar-benar diterapkan, diperlukan banyak pekerjaan tambahan. Ini sering diabaikan atau bahkan diremehkan oleh perusahaan model tradisional. Tapi tanpa kerja sama yang erat ini, bagi mereka yang punya uang dan ingin membeli model pun, mereka merasa membeli pun tidak tahu cara menggunakannya. Kami menemukan FDE adalah bentuk yang sangat baik.
Selain itu, batas antara perusahaan model dan perusahaan aplikasi menjadi kabur. Pendekatan OpenAI dan Anthropic lebih kepada: saya tetap merekrut orang terbaik untuk melatih model saya — termasuk Anthropic, yang modelnya sangat bagus tapi juga sangat mahal, bisa dijual mahal, efisiensi mungkin tinggi. Tapi untuk diterapkan ke 360 bidang, itu butuh banyak orang. Bagian ini belum tentu ingin mereka tangani sendiri, makanya ada yang dengan akuisisi, ada yang menggunakan modal untuk membuat perusahaan lain melakukan FDE. Jadi, hubungan perusahaan model dan aplikasi, yang kadang bersahabat kadang bersaing, menjadi semakin rumit.
02. Pekerjaan Konkret FDE
Yiwen: Jika kamu harus mendefinisikan FDE dalam satu kalimat, apa yang akan kamu katakan?
Jove: FDE adalah insinyur yang bekerja erat dengan klien untuk membuat aplikasi AI benar-benar berjalan, dan dia juga memikul tanggung jawab membuat produk menjadi lebih baik. Jadi, FDE pertama harus mengimplementasikan AI, kedua, mampu mengubah pelajaran yang didapat secara langsung untuk memperbaiki produk, membuat produk semakin kuat. Bahkan seperti "Forward Deployed CTO", kamu adalah orang yang sangat komprehensif: kamu harus menyelesaikan deal, mengimplementasikan aplikasi AI, mengunci klien; tapi sebagai CTO, kamu tidak hanya memikirkan bagaimana membuat produk lebih baik, bahkan kamu harus melakukan revolusi sendiri. Jadi FDE melakukan hal seperti ini: mengimplementasikan AI dan menggunakan pelajaran tersebut untuk membuat produk semakin kuat.
Yiwen: Di antara klien yang kamu tangani, bagaimana FDE mengubah alur kerja mereka yang ada? Misalnya, perusahaan-perusahaan Fortune 100 yang kalian layani berasal dari berbagai bidang, memiliki kebutuhan berbeda terhadap AI untuk pusat panggilan cerdas (bisnis inti Cresta), pekerjaan pasti juga melibatkan banyak istilah, pengetahuan, bahkan data dari bidang mereka. Bagaimana klien menyampaikan kebutuhan mereka? Dan bagaimana kalian memahami kebutuhan itu serta melakukan penerapan?
Jove: Untuk bidang pengalaman pelanggan, kami relatif punya banyak akumulasi, sudah mulai sejak 2017. Jadi sebelum gelombang AI ini, sudah banyak percakapan antar manusia dalam sistem Cresta, tentu kami menghabiskan banyak tenaga untuk kepatuhan dan sebagainya. Jadi misalnya, perusahaan besar seperti Marriott, sebelum era Agent, sudah ada agen manusia, jadi ada banyak korpus teks dan suara, disimpan di Cresta dengan cara yang patuh.
Jadi bisa dibayangkan, begitu kami memutuskan untuk memilih beberapa kasus penggunaan AI Agent, kami pasti menganalisis kasus mana yang volumenya besar, tapi tidak terlalu rumit untuk dijalankan. Artinya, tidak banyak penilaian manual, SOP-nya relatif jelas, volumenya besar. Mungkin 80% volume bisnis berasal dari 20% skenario aplikasi. Setelah ada beberapa penilaian umum, kami bisa memanfaatkan sejarah sebelumnya, mengabstraksikan masalah khas apa yang ditanyakan pelanggan, sebagai agen layanan — baik manusia maupun AI — bagaimana cara menyelesaikannya dengan efektif. Ini menghindari banyak tebakan, karena saya rasa AI dan data perlu digabungkan dengan baik.
Saat kami mengerjakan deal yang relatif besar, seringkali mereka sudah menggunakan produk Cresta lain untuk waktu lama. Kami bisa berdasar pada data percakapan manual mereka, menyaring polanya, kami bahkan bisa menggunakan datanya untuk melatih model kecil, menggunakan model itu untuk melakukan lebih banyak simulasi. Jadi FDE harus bertindak sebagai "petugas penerapan AI" yang relatif berpengalaman, menilai kasus penggunaan mana yang bisa dilakukan dulu, apakah sumber daya untuk kasus itu sudah tersedia; jika belum, kami tidak cenderung mengubahnya untuk mereka, lebih kepada berkolaborasi dengan klien, termasuk membuat versi Agent, juga perlu banyak pengujian dan pengoptimalan, yang juga membutuhkan banyak tenaga.
Yiwen: Apakah kamu perlu datang ke lokasi untuk melihat bagaimana klien melakukan pekerjaan ini?
Jove: Istilah "forward deployment" cukup menarik perhatian. Termasuk saya sendiri dan rekan kerja, tidak pernah lebih dari seminggu berada di sisi klien. Karena FDE kami tidak perlu melakukan kontak awal atau hal-hal yang cenderung pra-penjualan, lebih kepada sudah ada minat yang kuat, lebih meminta kami sebagai ahli, melihat bagaimana cara menerapkan yang lebih tepat.
Jadi mungkin ada kick-off meeting, kami terbang ke kantornya, mungkin mengadakan pertemuan tertutup selama dua tiga hari, menetapkan tujuan tingkat tinggi, menetapkan KPI, memverifikasi API-nya, bahkan jika lancar kami bisa membuat PoC (Proof of Concept) kecil di sana, untuk membuat mereka tertarik. Tapi setelahnya kami mungkin pulang masing-masing, kami ada rapat mingguan bahkan harian, pengembangan dilakukan di kantor atau di rumah. Kami mungkin bertemu lagi saat UAT (User Acceptance Test) proyek, atau saat membahas kasus penggunaan gelombang berikutnya. Dan tatap muka, ada kontak mata, bahkan bisa membangun hubungan pribadi. Membangun kepercayaan sejak awal sangat berguna untuk pekerjaan selanjutnya, banyak hal yang tidak mudah dituangkan dalam tulisan, melalui obrolan dan komunikasi bisa menumbuhkan lebih banyak kesepahaman, lebih memahami latar belakang, ini sulit dicapai tanpa ke lokasi.
Tapi semua tujuan ini digabungkan agar implementasi AI menjadi lebih solid, bukan memaksa klien belajar, melainkan kami memahami apa yang kamu butuhkan, lalu membuatkannya. Setelah selesai, jika ingin rawat sendiri juga bisa, tapi implementasi AI ini termasuk sulit, butuh waktu lama, namun FDE membuatnya sedikit lebih sederhana.
Sumber Gambar: Pixabay
Yiwen: Konsep FDE awalnya diciptakan dan dipopulerkan oleh Palantir. Pada awalnya, Palantir punya dua tim, satu bernama Echo, satu Delta, kedua gabungan ini menjadi satu FDE. Tapi mungkin Deltas lebih mirip dengan FDE seperti yang kita pahami sekarang, peran sebagai insinyur; orang-orang Echo lebih familiar dengan bidang profesional tertentu. Bisakah kamu ceritakan, menurutmu apa masalah inti yang dipecahkan Palantir saat itu?
Jove: Ya, Palantir sebagai pencipta awal model ini patut dihormati. Tentu bisnisnya sangat ajaib, karena bukan setiap vendor bisa melakukan bisnis militer. Saat dia mulai 10, 15 tahun lalu, saya rasa karena banyak hal konkret yang diinginkan tidak diungkapkan dengan jelas, kamu harus bertatap muka, pergi ke tenda barak yang sama, melihat data ini baru dia mau menjelaskan detail, dan di tengahnya melibatkan misalnya pemodelan data atau membuat API sementara. Jadi dia merekrut dua tim ini: satu tim agak mirip insinyur perangkat lunak yang ditempatkan di depan, satunya lagi lebih bertanggung jawab bisnis — ya, dia lebih paham tentang operasi tempur atau penyelamatan. Satu lebih teknis, satu non-teknis.
FDE dalam pengertian umum kita, masih merupakan pekerjaan yang sangat teknis. Bagi Cresta, kami juga merasa cara ini lebih tepat. Kondisi ideal tentu saja satu orang menguasai segalanya, seperti perusahaan satu orang, kamu CEO sekaligus CTO, tapi orang seperti ini sulit direkrut, dan energi terbatas. Jadi kami coba beberapa percobaan, misalnya awal-awal ada "desainer percakapan", dia lebih paham interaksi antar manusia, empati, banyak detail, tidak perlu teknis. Cara kami sekitar setahun terakhir ini, ada FDE dan FDPM (Forward Deployed Product Manager, Manajer Produk Penerapan Depan) yang bekerja sama, FDPM tidak perlu terlalu teknis.
FDE seperti Forward Deployed CTO, bisa dibayangkan FDPM adalah Forward Deployed CEO, dia menggunakan kemampuan interpersonal, komunikasi, negosiasi, beradaptasi mendalam dengan klien, menghabiskan banyak waktu membangun kepercayaan, tahu benar apa yang diinginkan. Termasuk membuat Agent, apa yang harus dikatakan tidak dikatakan, bagaimana membuat set pengujian, banyak hal tidak langsung berkaitan dengan coding, dia juga tidak perlu tahu keamanan bagaimana, jaringan dikonfigurasi seperti apa, tapi ini sendiri adalah pekerjaan besar yang solid, FDPM bisa khusus mengontrol bagian ini. Seperti CEO, dia bertanggung jawab atas seluruh perusahaan, FDPM bertanggung jawab atas perilaku dan tingkat kemampuan agen AI; FDE dari sudut teknis memastikan implementasi ini rasional, pengujian kami sehat, termasuk FDE juga membawa pelajaran ini kembali ke perusahaan, membuat produk lebih baik.
FDPM dan FDE digabungkan seperti ini, karena kami mudah punya dua tiga klien dengan banyak rapat dalam sehari, rapat ini tidak perlu semua dihadiri FDE, karena mungkin masih mendiskusikan apa yang harus dikatakan dulu, jika ada kesimpulan, implementasinya tidak sulit, jadi pembagian kerja berbeda. FDE bisa lebih fokus pada praktik terbaik industri AI ini, bagaimana mengubah pekerjaan pengembangan yang sering dilakukan menjadi SDK, toolkit, CLI, kami lebih berkontribusi dari sisi teknis; FDPM bisa mengelola kebutuhan spesifik, termasuk terkadang ada risiko, bagaimana melaporkan, bahkan upselling — awalnya sudah buat tiga kasus penggunaan, bisakah jadi enam. Banyak hal seperti ini, bayangkan perbedaan CEO dan CTO, saya rasa efektif, menghindari persyaratan perekrutan yang terlalu tinggi, dan membuat satu orang menghabiskan banyak waktu untuk hal berbeda, dipisah dua jadi lebih baik.
Yiwen: Jadi kesimpulannya, FDE sendiri adalah posisi yang cukup teknis; FDPM lebih pada pemahaman pengetahuan industri, saya pahami mungkin banyak orang dari latar belakang konsultan, atau lebih latar belakang operasional perusahaan. Saya rasa bisa manfaatkan kesempatan ini bertanya, menurutmu orang seperti apa yang paling cocok jadi FDE? FDE yang bagus seperti apa?
Jove: Saya rasa juga memaksa diri mengeluarkan kalimat: Saya ingin membangun tim FDE terbaik di dunia. Ya, itu tujuan. Meski sudah dapat beberapa pencapaian, saya memang merasa, kesuksesan besar Palantir, atau sahamnya naik, berapa persen karena FDE ini sulit dikatakan, karena banyak faktor di dalamnya, tapi dia menciptakan model ini. Sekarang FDE jadi tren, karena implementasi AI punya terlalu banyak kesulitan, dan kompleksitas ini tidak ingin langsung dilemparkan ke klien, FDE bisa mencerna level kompleks ini sendiri, memberi klien solusi yang bagus.
Dan bagi banyak perusahaan produk, atau perusahaan SaaS atau platform, FDE membawa pelajaran dari garis depan langsung mengubah produk. Karena bayangkan, FDE Palantir 10 tahun lalu tahu produk punya banyak celah lalu bagaimana? Mungkin hanya bisa menulis surat atau buat tiket meminta orang lain perbaiki, mungkin setengah tahun lagi baru selesai. Tapi karena sekarang AI Coding sangat kuat, jadi FDE kami — tentu saat rekrut persyaratan tinggi, berharap insinyur yang bagus — tapi di sisi lain, karena ada AI Coding Agent, Claude Code atau model-model ini, kamu tahu mana yang salah, mana ruang peningkatan, mana yang bisa dibuat berbeda, meski punya 5, 10 repo berbeda, bahasa berbeda, stack berbeda, kamu bisa mudah membuat AI bantu buat seperti ini, lalu cari orang tepat untuk review, jadi iterasi ini cepat.
Selain coding, sekarang skill sendiri juga model yang bagus, bisa didistilasi. Dulu semua tinggal di kepala, butuh banyak waktu transfer pengetahuan, sekarang bisa ditulis jadi skill — ada markdown panjang, beberapa skrip, beberapa dokumen referensi. Setelah lakukan dua tiga hal serupa, bisa jadi skill bagus, kemampuan ini bisa cepat digunakan di proyek berikutnya. Atau kami sekarang 30 FDE, datang 20 FDE lagi, 20 FDE itu cukup pasang skill itu di sana, bisa akses, bahkan tidak perlu belajar. Jadi ini mudah seperti efek bola salju, jadi FDE sekarang pasti kondisi yang tepat, rekrut lebih banyak FDE bisa diimplementasikan.
Termasuk saya datang ke New York TechWeek ini juga berharap adakan beberapa acara, rekrut orang yang tepat — pertama dia harus insinyur yang kompeten, karena ini sendiri seperti CTO, kamu pasti tidak mau orang yang tidak bisa coding jadi CTO, dia pasti harus teknis kuat. Karena tim yang saya rekrut sekarang terbatas pada FDE AI Agent, di sini tidak ada tuntutan kuat untuk teknik data, keamanan informasi, tapi orang ini harus bisa AI Agent.
Sering saya lihat CV, dia bilang "saya insinyur AI", bukankah ini omong kosong? Sekarang insinyur perangkat lunak mana yang bukan insinyur AI, kamu sudah ketinggalan, pasti tidak ada yang berharap kamu tulis setiap baris kode sendiri. Kamu harus bisa gunakan framework Harness, pakai Cursor, pakai Claude Code. Tapi, tidak banyak orang tahu cara mengembangkan dan menguji AI Agent, skill ini sangat kami pedulikan, kami tidak mau habiskan dua tiga bulan melatih seseorang, mungkin orang ini dua tiga minggu harus masuk proyek. Jadi kamu perlu developer yang bagus, harus pernah mengembangkan dan menguji AI Agent.
Bagian lain yaitu dia perlu punya pengalaman menghadapi klien yang solid atau cukup meyakinkan. Bagaimanapun kami penerapan depan, meski dulu semua rapat online, atau sesekali mungkin datang beberapa hari, kamu tetap harus berkomunikasi dengan CTO pihak lain, direktur IT pihak lain, orang senior pihak lain; terkadang juga berkomunikasi dengan non-teknis. Kamu harus tahu cara menyederhanakan masalah yang relatif kompleks, atau bisa menangkap poin spesifik dari ekspresinya untuk dikonfirmasi; terkadang harus bilang tidak. Ini bukan hanya komunikasi tingkat bahasa Inggris, tapi kamu sendiri harus cukup matang, sebenarnya sama seperti CTO — CTO juga tidak bisa orang yang hanya menulis kode.
Jadi skill ini biasanya saya harap dia pernah jadi konsultan, atau dia sendiri sebagai founding engineer, atau dia punya banyak pengalaman bahkan freelancer, saya rasa bagus. Selain pemrograman, selain menghadapi klien ini, sisanya mungkin perlu orang yang andal, tangguh, karena FDE benar-benar sibuk, kamu menangani banyak hal bersamaan, banyak tekanan, yang kamu hadapi adalah dunia yang tidak sempurna — API seperti kertas, SOP seperti tidak ada, dokumentasi aneh-aneh. Tekanan besar, orang mungkin punya ide tidak realistis, jadi perlu kemampuan kuat menghadapi kompleksitas besar, kemampuan menghadapi ketidakpastian besar. Jadi punya otonomi pengambilan keputusan, tahu bagaimana cara maju, bagaimana keluar melakukan sesuatu.
Jadi saya suka rekrut founder, cofounding engineer, bahkan yang pernah mengalami banyak badai, tahu tidak ada hal yang terjamin, pasti sukses, kamu harus sangat berusaha lakukan, baru bisa ke kondisi sedikit lebih baik. Jadi andal, tangguh ini sering juga melalui cara ini kami harap bisa lihat. Di sini tidak rekrut FDE junior, karena seperti yang dibicarakan sebelumnya, satu proyek cuma satu dua orang, berkolaborasi dengan CTO pihak lain, jika orang sangat junior sulit bangun kepercayaan, mungkin sering juga tidak ada ide, tidak bisa buka AI suruh AI kasih tahu cara lakukan, kamu sendiri tidak punya kemampuan penilaian juga buruk. Jadi kemampuan teknis harus sampai, kemampuan hadapi klien harus ada, kamu bisa tangkap banyak hal, end-to-end.
Yiwen: Kamu bilang tadi FDE menghadapi dunia tidak sempurna, juga menghadapi alat Agent yang masih relatif baru, jadi posisi ini apakah akan jadi posisi jangka panjang, atau peran transisi? Di era AI, saat alat terus beriterasi matang, menurutmu peran ini akan berubah? Atau hilang?
Jove: Satu-satunya yang tidak berubah adalah perubahan, tapi dibandingkan banyak pekerjaan insinyur lain, jalan FDE untuk di-AI-kan masih panjang. Jangka pendek, misalnya 1 sampai 2 tahun, pasti semakin banyak alat bikin pekerjaan FDE lebih efisien. Misalnya sekarang banyak telepon atau komunikasi bisa direkam Gong, diterjemahkan, bahkan terhadap rekaman bisa ajukan pertanyaan; ya, seperti beberapa alat kami Glean, juga bisa cari riwayat obrolan terbaru, lihat beberapa kode. Alat-alat ini bikin kami yang menangani banyak hal bersamaan lebih efisien, dan terkadang saya mungkin di kalender satu slot waktu janji dua tiga rapat bersamaan, beberapa rapat pasti absen, kamu bisa lewat alat ini bikin kamu lebih hadir di tempat berbeda, atau tidak ketinggalan banyak poin spesifik.
Tapi alat-alat ini bikin FDE — misalnya asumsi kami sekarang rata-rata dua tiga proyek pada satu orang, nanti mungkin jadi 5 sampai 6, jadi perbaikan alat bikin efisiensi kami lebih tinggi, atau bisa lakukan lebih banyak hal. Tapi lebih jauh lagi akan terdiferensiasi, butuh banyak FDE high-end lakukan hal sulit, kamu bisa pakai berbagai alat, tapi alat sendiri tidak selesaikan, tetap butuh orang sangat senior lakukan.
Di satu sisi akan banyak orang yang awalnya tidak butuh FDE berpikir bisakah saya rekrut FDE murah, seperti orang bilang soal insinyur perangkat lunak, permintaan rekrutan malah naik, karena awalnya merasa tidak bisa pekerjakan insinyur perangkat lunak — klinik kecil, wiraswasta kecil merasa saya juga bisa rekrut insinyur perangkat lunak, bisa produkkan salah satu alur kerja saya. Jadi FDE akan muncul kelompok mungkin untuk UKM, untuk long tail ini, bahkan remote, misalnya Vietnam atau tempat tidak maju, mungkin akan banyak FDE, tidak pernah ke lokasi, tapi dia gabungkan kebutuhan klien, gabung skill AI-nya buat produk. Jika dia sendiri punya produk bisa diendapkan, juga salah satu model.
Jadi selama kompleksitas klien masih ada, AI yang bisa otomatis sepenuhnya selalu punya celah, celah ini perlu FDE isi. Benar-benar sampai suatu hari, misalnya ada FDE AI sepenuhnya — bahkan sekarang SDR (Sales Development Representative) belum ter-AI-kan baik — asumsikan benar suatu hari, hal FDE 99% bisa di-AI-kan, baik kamu pahami klien, tulis prompt, lakukan pengujian, komunikasi dengan klien, bahkan mungkin AI ini dengan AI klien lain lakukan komunikasi atau penyelarasan agent-to-agent, tapi saat itu sebenarnya yang kami khawatirkan bukan FDE sendiri, seluruh industri dunia sudah berbeda, mungkin partisipasi manusia sudah sangat sedikit. Tapi saya rasa ini akan ada jalan panjang.
Saya masih sangat yakin dengan FDE, pekerjaan ini akan semakin kaya, partisipan semakin banyak, orang semakin sadar pentingnya.
03. Pintu Masuk Penting Dana Ekuitas Swasta dan Penerapan AI
Dalam wawancara dengan Jove, kami punya dua pertanyaan: Pertama, yang dilakukan perusahaan penerapan — termasuk masuk ke dalam perusahaan, ubah proses, bantu mereka gunakan AI — sebenarnya mirip logika konsultasi tradisional, apakah industri konsultasi akan tergantikan gelombang ini? Kedua, seperti kata Jove, mengapa perusahaan model cari kerja sama dengan PE? Kita tahu institusi seperti Blackstone pegang banyak perusahaan portofolio, banyak perusahaan tradisional beroperasi puluhan tahun. Bagi PE, daya tarik kerja sama ini apa?
Jove bahas sebagian dari sudut pandangnya, selanjutnya saya obrolkan dua pertanyaan ini dari sudut perubahan industri dengan Oliver, yang punya latar belakang konsultasi dan pengalaman melayani klien PE jangka panjang.
Yiwen: Hello Oliver, perkenalkan dirimu dan perusahaan tempatmu bekerja sekarang secara singkat kepada pendengar kami.
Oliver: Terima kasih Yiwen, nama saya Oliver, VP Bisnis Perusahaan di Invisible Technologies. Pekerjaan saya membantu klien perusahaan menerapkan AI, menggunakan solusi kami. Sebelumnya, saya jadi konsultan ekuitas swasta di McKinsey, tim saya namanya Rewired, khusus bantu perusahaan pikir ulang model bisnis, jadi lebih digerakkan teknologi dan AI.
Yiwen: Kamu bilang kalian bantu perusahaan terapkan solusi, solusi konkret seperti apa?
Oliver: Baik, perkenalkan singkat apa yang kami lakukan. Perusahaan kami namanya Invisible Technologies, artinya "Teknologi Tak Terlihat". Nama kami berasal dari filosofi: saat teknologi dibuat cukup baik, dia tak terlihat, artinya tidak kamu rasakan. Pendekatan kami berbeda banyak perusahaan perangkat lunak. Dalam kehidupan sehari-hari kita pakai alat AI, alat ini sangat bagus, tapi masalahnya di sini: ada kesenjangan besar antara tingkat penggunaan AI individu dan adopsi perusahaan. Kesenjangan ini banyak disebabkan pasokan pasar.
Bayangkan sekarang pasar melayani perusahaan seperti apa? Entah vendor model besar jual sendiri, atau produk shell — misalnya Harvey untuk hukum, atau Granola untuk catatan rapat, semuanya alat bagus, tapi mereka tidak ubah cara kamu bekerja, hanya tingkatkan cara yang sudah ada. Hasilnya banyak perusahaan terapkan AI, tapi tidak rasakan perubahan.
Jadi kami ambil jalur berbeda: kami bukan satu alat satu alat terapkan, tapi satu alur kerja satu alur kerja masuk, buat perangkat lunak khusus untuk setiap perusahaan. Kami buka satu alur kerja lihat, misalnya jika ada sepuluh langkah, tentukan lima langkah harus deterministik, karena melibatkan perhitungan matematika, persyaratan kepatuhan, tidak boleh salah; tiga empat langkah bisa AI lakukan, izinkan sedikit kelenturan; dua langkah perlu peninjauan manual, pastikan semuanya baik. Ini cara benar benar gunakan AI ubah bisnis.
Tapi untuk lakukan ini, harus kustomisasi untuk setiap perusahaan, karena setiap perusahaan, setiap departemen prosesnya berbeda. Jadi jika ingin ubah perusahaan "era pra-AI" jadi perusahaan AI-native, kamu harus bangun set perangkat lunak kustom yang sesuai alur kerja mereka. Ini yang kami lakukan — kami bangun platform modular, jadi bisa cepat lakukan.
Yiwen: Kedengarannya yang kalian lakukan, cukup mirip dengan "Deployment Company" (Perusahaan Penerapan) yang diumumkan OpenAI baru-baru ini, mereka juga bantu perusahaan terapkan. Bagaimana pendapatmu tentang langkah mereka? Menurutmu mengapa mereka lakukan ini?
Oliver: Saya rasa mereka lakukan sangat benar. Setengah tahun terakhir bisa rasakan jelas, CFO dan eksekutif perusahaan semakin banyak bicara kompresi biaya. Bersamaan, laporan penelitian MIT, Stanford juga tunjukkan, perusahaan yang benar-benar jalankan AI, skala, sebenarnya sangat sedikit. Kesenjangan ini tidak berkelanjutan, tidak bisa terus begini. Jadi vendor model besar harus dorong adopsi nyata sisi perusahaan, harus buktikan ROI, hanya jual chatbot tidak bisa lakukan ini. Mereka ingin buka pintu ini, harus ambil jalur sama seperti kami.
Jadi saya rasa langkah ini tepat. Tentu, mereka punya banyak modal, juga kemampuan teknis kuat, pasti bisa jadi. Hanya cara asli mereka sangat horizontal — meski ada beberapa aplikasi vertikal, tapi dasarnya mereka buat model besar umum, sekarang tiba-tiba beralih bangun alur kerja kustom untuk perusahaan, ini aksi pasar sangat berbeda, cara penjualan sangat berbeda, dengan cara biasa mereka tidak familiar. Saya yakin mereka bisa pikirkan jelas, tapi butuh waktu.
Yiwen: Saya ingin bahas dulu dari sisi ekuitas swasta. Karena kamu bilang melayani banyak klien institusi keuangan, saya rasa ada dua garis: satu institusi ini sendiri pakai AI internal, satunya perusahaan yang diinvestasi — Portfolio companies, banyak perusahaan SaaS tradisional, mereka diinvestasi PE, mungkin perlu transformasi. Menurutmu sekarang paling butuh apa? Mereka takut apa? Dan apakah ini alasan mereka kerja sama investasi dengan OpenAI, Anthropic?
Oliver: Saya rasa PE dan institusi modal swasta punya tiga permintaan inti.
Pertama nilai sinyal. Saya berurusan dengan perusahaan PE cukup lama: tiga tahun lalu masih tanya "bisa cerita bagaimana AI bekerja"; dua tahun lalu jadi "bisa bantu pikirkan bagaimana dorong AI di seluruh portofolio"; tahun ini benar-benar berubah, mereka datang ke saya bilang "saya mau fundraising ke LP, ke dana pensiun, ke investor saya, harus buktikan saya di garis depan AI, perlu ada kasus bisa tunjukkan saya ciptakan nilai lewat AI, kalau tidak LP tidak kasih uang ke saya". Ini logika sangat berbeda. Sekarang bagi GP, bisa tunjukkan AI sudah hubungan dengan kelangsungan fundraising. Bangun kerja sama dengan nama paling terkenal industri, cara endorsement sangat baik, jadi nilai sinyal sangat tinggi.
Kedua penciptaan nilai portofolio. Ini juga permintaan sangat nyata. Gunakan AI tepat, benar bisa ciptakan nilai besar. Detail agak kompleks, tapi bagian ini memang nyata.
Ketiga pengembalian investasi sendiri. Struktur kerja sama ini cukup menarik, dasarnya bikin GP masuk ke jalur pengembalian tinggi, dapat eksposur aset pertumbuhan tinggi. Dari sudut ini, logika juga sangat masuk akal.
Yiwen: Saya rasa poin pertamamu menarik, menurutmu apa yang buat LP dorong AI?
Oliver: Sama seperti kebanyakan perusahaan dorong AI. Dari sudut konsumen biasa, berapa banyak konten terkait bisa baca, bisa rasakan berapa banyak hal AI bisa lakukan. Perubahan benar-benar cepat menakutkan, rasanya semua maju dengan kecepatan gila. Jadi semua orang sadar AI bisa lakukan banyak hal, jika tidak serius lakukan AI, kamu tertinggal.
Dari sudut LP, saya investasi uang ke GP, tentu ingin pastikan dia juga gunakan AI ubah perusahaan investasi, ini permintaan sangat nyata. Satu poin lagi, karena kamu juga sebut SaaS: lima sampai sepuluh tahun terakhir, dua kategori aset terbesar PE adalah kesehatan dan perangkat lunak, hampir semua PE punya eksposur perusahaan perangkat lunak. Tahun ini wacana "SaaS mati" ramai, LP dan GP sangat tegang, GP berusaha buktikan "kami tidak bermasalah", jadi nilai sinyal semakin diperbesar.
Tapi kembali lagi, lihat kerja sama Anthropic dan Coatue, objek kerja sama bukan investor perangkat lunak murni, karena kamu benar, tempat AI ciptakan nilai terbesar sering justru bukan perusahaan perangkat lunak.
Yiwen: Ya, perusahaan tradisional itu, termasuk industri, manufaktur, dll.
Oliver: Layanan bisnis, industri, kesehatan — terutama kesehatan, ini sangat besar. Pada dasarnya semua industri yang sebelumnya perangkat lunak tidak banyak bantu, sekarang bisa pakai perangkat lunak lakukan hal sangat menarik. Contoh bagus lain adalah GP sendiri. Perusahaan PE kerja apa? Cari proyek, valuasi, investasi uang, kelola aset, ini pekerjaan sangat padat karya, gunakan orang sangat mahal — baik tim internal atau konsultan eksternal. Alur kerja ini justru paling cocok diubah AI. Saya punya klien besar, perusahaan manajemen aset sangat besar, kami bisa bantu ubah alur kerja ini, efek sangat menakjubkan.
Yiwen: Bisa kasih beberapa contoh konkret? Saya rasa sekarang obrol dengan banyak praktisi keuangan, mereka masih pakai AI untuk riset, ringkasan, masih cara pakai terkait model bahasa besar itu. Saya cukup penasaran bagaimana kalian benar-benar otomatisasi alur kerja.
Oliver: Bisa, banyak yang bisa diceritakan. Jika buka bisnis dana investasi, kira-kira beberapa modul: fundraising, manajemen investasi, kepatuhan keuangan dan operasi dana. Saya pilih beberapa alur kerja contoh.
Pertama fundraising. Saya punya klien besar, perusahaan manajemen aset sangat besar, mereka ingin kerja sama dengan manajer aset lebih kecil, pihak lain bantu masukkan produk mereka ke lini produk sendiri, ambil sebagian komisi, kedengarannya bagus. Tapi pihak lain bilang, setiap rapat klien harus ditemani manajer penjualan kalian — manajer aset besar tentu tidak terima, karena laba hilang, tidak feasible. Jadi mereka datang ke kami, bilang bisa bangun asisten penjualan AI, ikut percakapan ini.
Alur kerja seperti ini: pertama mereka punya sekitar seribu produk, jadi harus bangun infrastruktur data dulu, integrasikan seribu produk ini; lalu bangun lapisan input, biarkan pihak lain input data klien, sementara izin diisolasi; bangun modul komputasi, hitung kombinasi produk optimal untuk klien ini — bagian ini deterministik, karena dasarnya matematika; lalu hasilkan script penjualan, untuk persiapan pra-rapat; lalu alat untuk digunakan selama rapat; akhirnya pasca-rapat berdasarkan catatan rapat otomatis perbarui skema produk. Seluruhnya adalah loop umpan balik, sekitar tujuh langkah. Sistem ini buat manajer aset besar ini bisa layani klien lebih luas, ini contoh kasus khas.
Satu lagi yang sangat menarik adalah proses keputusan investasi sendiri. Saat lakukan due diligence, biasanya jalankan sepuluh garis kerja, pekerjakan hukum, berbagai konsultan — due diligence bisnis, lingkungan, koordinasi dengan banyak orang, tekanan sangat besar untuk tim investasi. Kami bangun platform untuk mereka, biar bisa berinteraksi dengan semua konsultan, dorong pertanyaan ke konsultan, otomatis pindai seluruh data room. Kamu bisa lihat antarmuka real-time, lacak kemajuan semua konsultan, juga ambil pertanyaan yang pernah diajukan dana ini di proyek serupa, pinjam pelajaran pengalaman investasi sebelumnya. Jadi mereka bisa pakai pengetahuan sejarah institusi, juga sangat sederhanakan komunikasi dengan konsultan eksternal. Akhirnya output dokumen juga otomatis, ini juga beban besar. Saya lihat terlalu banyak investor akhir pekan juga kerja lembur lakukan ini, senang bisa bantu hemat.
Satu lagi operasi dana, misalnya perhitungan nilai aset bersih atau rekonsiliasi akun — setiap bulan bahkan setiap hari setelah penutupan harus konfirmasi saldo akun benar. Pekerjaan pertama saya pencatatan, sangat makan waktu, tapi proses ini bisa otomatisasi. Oke, saya cerita banyak, harap tunjukkan beberapa skenario berguna.
Yiwen: Berdasarkan yang kamu katakan tadi, saya ingin tahu, menurutmu akuisisi PE di era AI apakah berubah? Karena dulu kita bicara PE akuisisi perusahaan, mungkin pikir misalnya pasca-investasi ada merger antar perusahaan, beberapa roll-up integrasi. Sekarang rasanya hampir masuk ke era "AI roll-up" — permukaan kamu beli perusahaan ini, tapi sebenarnya beli alur kerja mereka, kita ubah jadi perusahaan AI-native. Menurutmu ini ubah cara kerja PE sendiri?
Oliver: Saya lihat banyak pendekatan berbeda, tapi terutama bisa dibagi dua kategori. Investor kategori pertama bilang, bidang mana risiko gangguan AI terlalu besar, kami tidak bisa investasi — ini sebenarnya reaksi intuitif banyak orang. Kategori kedua investor lebih aktif rangkul hal ini, mereka bilang, sekarang sebenarnya waktu sangat menarik, bisa lewat AI ciptakan nilai. Transaksi Amex GBT contoh bagus, banyak transaksi serupa. Investor akan akuisisi perusahaan yang sebelumnya tidak tinggi kandungan teknologinya, sangat agresif gunakan teknologi, AI berdayakan mereka. Jadi jelas ini jadi pendekatan baru, beberapa GP terdepan sudah lakukan. Dan saya yakin, nilai skala yang bisa mereka ciptakan ada nyata.
Tapi untuk benar-benar ciptakan nilai ini, bukan hal sederhana. Satu masalah sekarang saya lihat, ada kesenjangan besar antara hal yang orang bayangkan bisa lakukan dan hasil realitas yang benar-benar terapkan. Saya ingin tekankan satu pandangan inti: kesalahan mudah banyak orang, hanya pahami AI sebagai alat turunkan biaya. Tapi sebenarnya, nilai AI sebenarnya sering di penciptaan pendapatan, buka peluang pendapatan baru.
Jadi saya sering tanya klien satu pertanyaan: Jika sekarang gratis kasih kamu sepuluh ribu karyawan berpendidikan universitas, kamu akan lakukan apa? Hal apa yang dulu ingin lakukan tapi tidak bisa? Karena某种程度上, ini kemampuan yang AI bawa sekarang. Seperti dua contoh perusahaan manajer aset tadi, bagi mereka, artinya bisa masuk segmen pasar klien atau bisnis baru — pasar yang dulu tidak bisa jangkau sama sekali. Jadi ini bukan turunkan biaya, tapi tambah pendapatan. Saya rasa ini arah yang seharusnya banyak perusahaan ambil. Tapi sekarang, orang masih sangat fokus pada pengurangan biaya dari AI, saya rasa ini bukan titik masuk paling kuat. Yang seharusnya dipikir, hal apa yang dulu tidak bisa lakukan sekarang bisa, yaitu penciptaan pendapatan.
Bisa banyak bentuk. Saya kasih satu contoh lagi: kami punya klien perusahaan susu, mereka punya banyak peternakan dan sapi. Saat diskusi dengan mereka tanya, jika punya sepuluh ribu orang akan lakukan apa? Mereka bilang, pertanyaan menarik, kami akan tulis laporan untuk semua akun, karena mereka ingin kurangi waktu laporan ini, ambil lebih banyak waktu jaga kesehatan sapi. Jadi kami bantu buat seluruh set integrasi data dan sistem AI kustom, hasilkan laporan kesehatan untuk semua sapi. Dengan begini, mereka bisa ambil lebih banyak waktu kembali, benar-benar jaga kondisi kesehatan sapi, dan ini dulu tidak feasible.
04. Bagaimana AI Ubah Konsultasi dan Perusahaan Sendiri?
Yiwen: Kedengarannya yang kalian lakukan juga mirip perusahaan konsultan, ini topik lain ingin saya angkat. Perusahaan konsultan tradisional dulu bantu klien atasi bidang tidak familiar, tapi sekarang perusahaan teknologi dan AI seperti kalian sepertinya ganti peran ini, pakai AI ubah proses. Menurutmu industri konsultan akan jadi usang? Atau konsultan sendiri akan jadi konsultan transformasi AI?
Oliver: Saya rasa tiga sampai lima tahun ke depan, konsultasi akan alami gelombang pertumbuhan, karena semua perusahaan saat bicara AI perlu pikir ulang model bisnis. Contoh paling sederhana firma hukum, dulu bayar per jam, sekarang semakin sulit; jika ubah jadi bayar hasil, seluruh struktur insentif berubah. Transformasi ini perlu cari orang bicara, ingin tahu orang lain lakukan bagaimana, ada pengalaman bisa pinjam, perlu orang bawa jalan. Jadi saya rasa konsultasi tiga sampai lima tahun ke depan akan ada pertumbuhan permintaan jelas.
Tapi yang benar-benar lepaskan nilai, orang yang akhirnya tinggalkan set bisnis setelah transformasi. Jadi saya rasa, lab AI dan perusahaan seperti kami — model selesai pergi tapi tinggalkan set bisnis yang diubah — cara benar ciptakan nilai, bukan hanya bicara bagaimana transformasi. Tapi kembali lagi, sekarang pasar ketidakpastian tinggi, semua dalam keadaan menunggu, jadi permintaan konsultasi ada nyata, semua tidak tahu bagaimana lakukan, dari mana mulai. Ini juga bagian besar pekerjaan saya, duduk obrol dengan klien, pertama pahami hal mana layak dilakukan dulu, ini harus analisis spesifik masalah spesifik.
Yiwen: Apakah pernah alami perusahaan kira sendiri bisa atasi alur kerja tertentu dengan AI, tapi ternyata tidak jalan? Misalnya orang terkadang terlalu optimis terhadap AI, atau salah paham cara kerja AI?
Oliver: Masalah paling umum ingin AI-kan segalanya, tapi kenyataan jalan ini tidak jalan. Kamu harus lakukan beberapa hal baik. Poin paling kunci platform data baik, nilainya tumbuh berbunga majemuk. AI secerdas apapun, tanpa informasi dan pengetahuan cukup tidak bisa lakukan apa-apa. Kami punya modul data namanya Neuron, khusus bantu integrasi data, petakan data jelas, pastikan data bisa digunakan. Ini hambatan pertama kebanyakan perusahaan, dan harga tidak murah, karena sebelumnya tidak pernah lakukan hal ini.
Kesalahan umum kedua: alur kerja sepuluh langkah, bukan setiap langkah harus pakai AI. Kamu bisa pakai AI optimalkan proses keseluruhan, perjelas logika, tentukan langkah mana deterministik, tapi tidak semua langkah harus serahkan ke AI. Misalnya proses keuangan seperti rekonsiliasi akun, tidak ingin AI lakukan, kamu ingin hasil deterministik. Jadi bisa pakai AI bantu susun logika alur kerja, tapi banyak langkah eksekusi spesifik harus hard-coded, perhitungan matematika deterministik. Saya rasa dua lubang terbesar, satu data, dua serahkan hal yang seharusnya deterministik juga ke AI lakukan.
Artikel ini dari akun WeChat "Silicon Valley 101", penulis: Yiwen
