Seberapa jauh AI dapat meningkatkan produktivitas seseorang?
Baru-baru ini, sebuah postingan tentang Anthropic menjadi viral di media sosial. Ole Lehmann, sang pembuat postingan, mengklaim bahwa tim pemasaran pertumbuhan Anthropic—perusahaan dengan valuasi mencapai $3,8 triliun—hanya terdiri dari satu orang, seorang pemasar non-teknis, yang sendirian menangani pencarian berbayar, media sosial berbayar, optimasi toko aplikasi, pemasaran email, dan SEO, selama hampir sepuluh bulan.
Tak lama setelah diposting, komentar-komentar mulai mempertanyakan klaim tersebut, tetapi tak lama kemudian, orang yang bersangkutan sendiri mengonfirmasinya. Pemasar pertumbuhan bernama Austin Lau ini membalas bahwa pada saat artikel itu ditulis, dialah memang satu-satunya orang yang menangani pemasaran pertumbuhan, sendirian menopang selama hampir sepuluh bulan.
Gambar丨 Postingan X terkait (Sumber: X)
Anthropic menerbitkan sebuah studi kasus resmi pada akhir Januari yang merinci cara kerja Austin Lau. Pada periode yang sama, Anthropic juga merilis buku putih internal berjudul "How the Anthropic Team Uses Claude Code", yang mencakup sepuluh studi kasus penggunaan dari berbagai tim termasuk infrastruktur data hingga departemen hukum, dengan pemasaran pertumbuhan menjadi salah satunya.
Buku putih itu menuliskan: Tim pemasaran pertumbuhan, yang berfokus pada saluran seperti pencarian berbayar, media sosial berbayar, toko aplikasi seluler, pemasaran email, dan SEO, adalah "tim satu orang non-teknis" yang mengandalkan Claude Code untuk mengotomatisasi tugas-tugas pemasaran yang berulang, membangun alur kerja otomatis yang secara tradisional membutuhkan sumber daya teknik yang besar.
(Sumber: Anthropic)
Austin Lau bukanlah seorang insinyur. Dalam video kasus resmi Anthropic, dia mengatakan bahwa dia "tidak pernah menulis satu baris kode pun", dan ketika pertama kali mengenal Claude Code, dia bahkan harus mencari di Google "cara membuka Terminal di Mac". Saat Claude Code pertama kali diluncurkan, reaksinya adalah "sama sekali tidak tahu untuk siapa produk ini", sebagai seorang pemasar, dia merasa kegunaannya tidak jelas.
Titik balik terjadi ketika seorang rekan di Slack perusahaan membagikan panduan instalasi Claude Code untuk karyawan non-teknis. Austin memasangnya karena penasaran, dan seminggu kemudian, dia membangun dua alur otomatisasi yang sepenuhnya mengubah cara kerjanya.
Pertama adalah plugin Figma. Untuk membuat iklan media sosial berbayar dan pemasaran toko aplikasi, dia perlu menangani banyak aset visual di Figma. Alur sebelumnya adalah: ketika harus membuat berbagai varian copywriting untuk desain yang sama, dia harus menyalin frame di Figma secara manual, terus berpindah antara Google Docs dan Figma, menyalin dan menempelkan judul satu per satu. Jika ada 10 varian copywriting yang perlu disesuaikan dengan 5 rasio aspek berbeda, pekerjaan mekanis ini dapat dengan mudah menghabiskan waktu setengah jam.
Gambar丨 Austin Lau (Sumber: Anthropic)
Dia mendeskripsikan masalah ini dalam bahasa alami kepada Claude Code, memintanya untuk membantu menulis plugin Figma. Dalam prosesnya, dia meminta Claude Code untuk merujuk dokumentasi API Figma, membuat prototipe sambil mempelajarinya. Prototipe pertama yang dihasilkan tidak sempurna, tetapi cukup sebagai titik awal, dia terus men-debug berdasarkan itu dan akhirnya berhasil membuat plugin yang dapat digunakan.
(Sumber: Anthropic)
Cara kerja pluginnya adalah: pilih frame gambar statis, plugin secara otomatis mengenali komponen di dalamnya seperti judul, tombol ajakan bertindak, blok kode, dll., kemudian menghasilkan frame Figma independen secara massal dari daftar copywriting yang telah disiapkan, setiap varian sesuai dengan set copywriting baru. Pemrosesan batch tunggal dapat menghasilkan hingga 100 varian iklan, setiap batch memakan waktu sekitar setengah detik. Operasi manual yang sebelumnya memakan waktu 30 menit, sekarang dipersingkat menjadi 30 detik.
Kedua adalah alur kerja pembuatan copywriting iklan Google Ads. Iklan pencarian responsif Google Ads memiliki batasan karakter yang ketat untuk judul dan deskripsi, judul maksimal 30 karakter, deskripsi maksimal 90 karakter. Dulu dia harus menulis draf di Google Sheets, memeriksa jumlah karakter secara manual, lalu menempelkan kontennya satu per satu ke backend Google Ads.
Austin membuat perintah slash kustom "/rsa" di Claude Code, yang ketika dipicu akan meminta input data penayangan, copywriting iklan yang ada, dan kata kunci, lalu merujuk silang ke "Agent Skills" yang telah dia tetapkan sebelumnya, yang mencakup citra merek Anthropic, spesifikasi akurasi produk, serta praktik terbaik Google Ads RSA.
Sistem menggunakan dua sub-agen (sub-agent) dengan pembagian tugas yang jelas, satu khusus menulis judul, satu khusus menulis deskripsi, masing-masing bekerja dalam batasan karakternya sendiri, kualitas outputnya jauh lebih tinggi daripada memasukkan kedua tugas ke dalam prompt tunggal.
Akhirnya, Claude Code mengemas 15 judul dan 4 deskripsi menjadi file CSV yang dapat langsung diunggah ke Google Ads. Austin menekankan, copywriting yang dihasilkan hanyalah titik awal, dia akan mengevaluasinya satu per satu: apakah proposisi nilai sudah到位? Apakah nadanya benar? Apakah ada pembeda dengan pesaing? Setidaknya pekerjaan membosankan pembuatan draf awal dan pemformatan telah sepenuhnya diotomatisasi.
Peningkatan efisiensi kedua alur kerja ini sudah cukup mencengangkan, tetapi sistem Austin tidak berhenti di situ. Dia juga membangun server MCP (Model Context Protocol) yang terhubung ke Meta Ads API.
Melalui integrasi ini, dia dapat langsung menanyakan performa penayangan iklan, data pengeluaran, dan efektivitas setiap iklan di aplikasi desktop Claude, tanpa perlu membuka dasbor backend Meta Ads. Pertanyaan seperti "Iklan mana yang memiliki conversion rate tertinggi minggu ini" atau "Di mana saya membuang anggaran" dapat langsung ditanyakan kepada Claude, dan mendapatkan jawaban dengan data real-time.
Yang lebih krusial adalah closed loop. Austin membangun sistem memori yang mencatat setiap hipotesis dan hasil eksperimen dalam iterasi iklan. Ketika dia memulai pembuatan varian baru, Claude secara otomatis akan mengambil data semua pengujian sebelumnya, copywriting mana yang berkinerja baik, mana yang tidak, membuat generasi berikutnya dibangun di atas dasar eksperimen sejarah. Sistem ini menjadi sedikit lebih pintar setelah setiap siklus. Pelacakan eksperimen sistematis melintasi ratusan iklan seperti ini, dalam tim tradisional biasanya membutuhkan seorang analis data khusus.
Dari buku putih Anthropic, hasil dari cara kerja ini adalah: pembuatan copywriting iklan dikompresi dari 2 jam menjadi 15 menit, output kreatif mencapai 10 kali lipat dari sebelumnya, varian iklan yang dia uji sendirian mencakup saluran dan jumlah yang melebihi sebagian besar tim pemasaran berskala penuh.
Dalam buku putih itu, pemasaran pertumbuhan hanyalah satu dari sepuluh kasus. Tim infrastruktur data menggunakan Claude Code untuk men-debug故障 (fault) cluster Kubernetes, menyelesaikan masalah yang biasanya membutuhkan ahli jaringan dalam hitungan menit; anggota tim inferensi tanpa latar belakang machine learning menggunakannya untuk memahami fungsi dan pengaturan model, memampatkan waktu pencarian dokumen dari satu jam menjadi 10 hingga 20 menit; tim desain produk langsung menggunakan Claude Code untuk memodifikasi kode front-end, insinyur menemukan desainer melakukan "perubahan manajemen status besar yang biasanya tidak akan Anda lihat dilakukan oleh desainer"; tim hukum ada yang hanya dalam satu jam membuat aplikasi bantu teks prediktif untuk anggota keluarga dengan hambatan bahasa, padahal mereka sebelumnya sama sekali tidak memiliki pengalaman pemrograman.
Cara penggunaan antara posisi teknis dan non-teknis berbeda, tetapi kesimpulannya konsisten: Claude Code sedang mengaburkan batas antara "bisa dilakukan" dan "tidak bisa dilakukan", dan batas ini di masa lalu hampir sepenuhnya ditentukan oleh kemampuan teknis.
Austin Lau sendiri dalam kasusnya memiliki sebuah kesimpulan, kira-kira: "Jarak antara 'Saya harap这个东西 ada' dan 'Saya dapat membuatnya dengan tangan saya sendiri' jauh lebih pendek dari yang dibayangkan kebanyakan orang."
Tentu, perlu ditambahkan penjelasan bahwa pemasaran pertumbuhan (growth marketing) tidak sama dengan seluruh GTM (go-to-market). Anthropic memiliki tim merek, pemasaran produk, dan komunikasi yang lengkap, Austin Lau bertanggung jawab atas jalur pemasaran performa ini, saluran yang dapat diukur seperti penayangan berbayar, optimasi toko aplikasi, SEO.
Anthropic menayangkan iklan TV di Super Bowl pada Februari tahun ini, yang jelas bukan sesuatu yang dapat ditangani satu orang. Aset copywriting dan merek yang menjadi dasar alur kerjanya, awalnya juga diproduksi melalui kolaborasi tim pemasaran produk dan copywriting, Claude melakukan generasi varian dan pengujian skalabilitas berdasarkan itu.
Austin Lau baru-baru ini menambahkan beberapa latar belakang di LinkedIn. Dia mencatat bahwa artikel yang disebarluaskan secara luas menggambarkan pengalamannya sebagai satu-satunya pemasar pertumbuhan pada kuartal kedua tahun 2025, yang sudah hampir 8 bulan yang lalu. Tim kemudian memang menambah personel, meskipun skalanya masih jauh lebih kecil dari yang dibayangkan外界 (luar), menurutnya, "kekuatan tempur kami jauh melampaui jumlah personel kami".
Meski begitu, sinyalnya sudah cukup kuat. Sebuah perusahaan dengan valuasi pasca-investasi $3,8 triliun, pendapatan tahunan $14 miliar, pada tahap pertumbuhan tercepatnya, mempercayakan saluran pertumbuhan intinya kepada seorang pemasar yang tidak bisa menulis kode untuk dikelola sendirian selama sepuluh bulan, dengan hasil yang cukup baik. Ini seharusnya sudah dapat membuktikan bahwa penggandaan kemampuan pekerja pengetahuan oleh AI mungkin jauh lebih besar daripada yang diasumsikan oleh struktur organisasi dan kebiasaan perekrutan kita saat ini.
Hanya saja, sejauh mana model ini dapat direplikasi masih belum jelas. Pemasaran pertumbuhan sangat terdata, terproses, ramah API, secara alami cocok untuk otomatisasi. Jika diganti dengan bidang yang membutuhkan lebih banyak pertimbangan interpersonal atau intuisi kreatif, situasinya mungkin juga sangat berbeda.
Buku putih Anthropic di akhir bab pemasaran pertumbuhan memberikan tiga saran: Cari alur kerja berulang yang memiliki antarmuka API untuk diotomatisasi; Pecah proses kompleks menjadi beberapa sub-agen khusus, daripada mencoba menangani semuanya dengan prompt tunggal; Sebelum mulai menulis kode, pikirkan dahulu secara menyeluruh desain alur kerja secara keseluruhan di Claude. Ketiga saran ini pada dasarnya menjelaskan bahwa hambatan efisiensi seringkali bukan terletak pada kemampuan teknis, tetapi pada apakah Anda bersedia meluangkan waktu untuk memecah alur kerja Anda sendiri dengan jelas, lalu menyerahkan bagian yang dapat diambil alih oleh mesin.
