Catatan Editor: Ketika AI mulai mampu menulis kode, mengoptimalkan kode, dan bahkan secara bertahap mengambil alih proses produksi perangkat lunak, perubahan struktural yang lebih dalam sedang mendekat: pembagian kerja profesional, organisasi perusahaan, dan bahkan hambatan pengetahuan mungkin akan didefinisikan ulang.

Penulis artikel ini sebelumnya mengelola tim hampir 20 orang di sebuah hedge fund, tetapi memilih untuk mengundurkan diri di puncak kariernya dan memulai bisnis. Menurutnya, sinyal sebenarnya bukanlah sentimen pasar, melainkan lompatan kemampuan teknologi. Ketika model dapat secara stabil menghasilkan kode yang dapat digunakan dan memiliki kemampuan perbaikan rekursif, logika pengembangan perangkat lunak dan produksi pengetahuan telah mulai berubah.

Artikel ini, dari perspektif keuangan kuantitatif, menganalisis beberapa jenis 'parit pertahanan' jangka pendek yang masih mungkin ada di era AI, termasuk data kepemilikan, gesekan regulasi, dukungan otoritas, dan kelambanan dunia fisik, sekaligus mengajukan penilaian inti: di era yang sangat tidak pasti, yang lebih penting daripada memprediksi masa depan dengan tepat adalah mengidentifikasi arah dan mengambil tindakan sebelum jendela peluang tertutup.

Berikut adalah teks aslinya:

Ketika Model Mulai Menulis Kode, Perubahan Telah Tidak Dapat Dibalikkan

Saya pertama kali menyadari bahwa industri sedang mendekati titik balik saat di pekerjaan terakhir saya, seolah mendengar musik latar mulai melambat, sementara orang-orang di sekitar masih berpura-pura bahwa segalanya tidak akan berubah.

Saat itu, saya mengelola tim hampir 20 orang di sebuah hedge fund, melakukan hal yang telah saya lakukan selama bertahun-tahun. Dari luar, ini hampir seperti jalur karier yang terus menanjak. Jika saya tetap di sana, kemungkinan besar saya akan mencapai pencapaian yang lebih besar. Namun akhirnya, saya memilih untuk meninggalkan posisi yang diidamkan banyak orang itu, memulai dari nol dengan sebuah perusahaan rintisan, dengan tim hanya beranggotakan beberapa orang. Keputusan ini pada saat itu hampir tidak ada yang mengerti, bahkan dianggap sebagai 'bunuh diri karier'.

Tapi beberapa bulan terakhir, pemutusan hubungan kerja besar-besaran, pengunduran diri sukarela untuk berwirausaha, dan semakin banyak orang yang bekerja di siang hari dan diam-diam menulis kode mengerjakan proyek di malam hari. Semua ini membuat keputusan yang tampaknya 'gila' saat itu, menjadi tidak begitu aneh.

Selama ini, banyak yang bertanya kepada saya: Ke mana semua ini akan berujung? Artikel ini adalah jawaban yang dapat saya berikan saat ini.

Jujur, saya tidak yakin seberapa besar perubahan akhirnya nanti. Tapi satu hal yang diajarkan keuangan kuantitatif kepada saya adalah: Arah yang benar, seringkali sudah cukup.

Yang benar-benar membuat saya sadar bahwa perubahan telah tidak dapat dibalikkan adalah model o1 dari ChatGPT.

Sebelum itu, saya selalu menyebut sistem ini sebagai 'LLM', bukan 'AI'. Saya tidak menganggap mereka benar-benar memiliki kemampuan yang mendekati kecerdasan. Tapi ketika o1 muncul, ada satu hal yang berubah: untuk pertama kalinya, model-model ini dapat melalui prompt terstruktur, secara stabil menghasilkan kode.

Kodenya masih tidak sempurna, masih dapat mengalami halusinasi atau kesalahan pemahaman. Tapi kuncinya adalah: ia sudah bisa menulis kode yang berguna.

Penilaian saya sederhana. Begitu AI dapat menghasilkan kode yang dapat digunakan, ia akan mulai secara rekursif memperbaiki logikanya sendiri, dan mendorong pengembangan perangkat lunak dengan kecepatan yang sulit kita bayangkan.

Setiap kali saya mengemukakan hal ini, selalu ada yang membantah 'kode-kode ini masih memiliki bug, masih jauh dari memenuhi persyaratan lingkungan produksi'. Tapi justru ini mengabaikan fakta: kode yang ditulis manusia juga memiliki bug. Kita tidak perlu menunggu AI menulis kode sempurna untuk berhenti menulis kode sendiri.

Titik balik yang sebenarnya adalah, ketika tingkat kesalahan AI dalam menulis kode lebih rendah daripada manusia, sementara kecepatannya jauh melampaui manusia. Saat itulah, menulis kode akan sepenuhnya dialihdayakan ke mesin.

Setelah saya menyaksikan sendiri kemampuan o1, saya hampir dapat memastikan: Perubahan yang sangat drastis akan terjadi di masa depan.

Parit Pertahanan yang Masih Ada di Era AI

Awalnya, saya pikir AI akan secara bertahap menggerogoti industri keuangan kuantitatif, tetapi proses ini akan berjalan lambat. Alasannya sederhana: kode tingkat institusi hampir tidak memiliki data publik untuk pelatihan.

Saat itu saya membayangkan rekayasa perangkat lunak seperti piramida: lapisan paling bawah adalah pekerjaan pengkodean dasar; di atasnya adalah insinyur senior yang memiliki kemampuan arsitektur; lebih tinggi lagi adalah pengembang profesional, seperti, ilmuwan data, pengembang kuantitatif, berbagai ahli industri. Secara teori, semakin dalam keahlian profesional, semakin aman kariernya.

Penilaian saya saat itu adalah: dalam dua tahun, programmer dasar akan pertama kali tersingkir; diikuti oleh insinyur senior; dan lebih tinggi lagi, seiring model secara bertahap menyerap keahlian profesional, posisi yang lebih tinggi juga akan terkena dampaknya.

Tapi saya segera menyadari hal lain: perusahaan model terdepan pada akhirnya akan merekrut ahli industri langsung, untuk memasukkan keahlian profesional ke dalam model. Dengan kata lain, keahlian profesional memang akan menjadi parit pertahanan jangka pendek, tetapi dalam jangka panjang, ia juga akan dicerna secara bertahap oleh model.

Dalam penilaian saat itu, ada beberapa jenis bisnis yang dalam lima tahun ke depan tidak mungkin mudah diguncang.

Jenis Pertama: Data Kepemilikan (Proprietary Data)

Perusahaan yang memiliki banyak data kepemilikan lebih sulit digantikan.

Misalnya hedge fund multi-strategi besar (pod shop), lembaga seperti Millennium, setiap hari menghasilkan data dalam jumlah besar: penelitian analis, saran investasi, penilaian pasar, hasil transaksi aktual.

Data ini dapat digunakan untuk terus menyempurnakan model (fine-tune), membentuk keunggulan yang sulit ditiru secara eksternal. Selama sumber data perusahaan tidak mudah diperoleh oleh model, ia masih memiliki parit pertahanan untuk beberapa waktu.

Jenis Kedua: Gesekan Regulasi (Regulatory Friction)

Industri apa pun yang membutuhkan persetujuan manusia dalam jumlah besar, tidak mudah diguncang dengan cepat. Misalnya, pasar keuangan tradisional.

Untuk memasuki pasar ini, Anda perlu: membuka akun pialang, memperoleh lisensi, menandatangani dokumen hukum lintas batas. Perdagangan aset kripto mudah, tetapi sebuah perusahaan asing yang ingin memperdagangkan bijih besi di China, jauh tidak sesederhana itu.

Selama suatu industri masih membutuhkan persetujuan tanda tangan manusia, kecepatan perkembangannya pasti akan dibatasi oleh proses persetujuan.

Jenis Ketiga: Otoritas sebagai Layanan (Authority as a Service)

Sekarang, meminta AI menulis sebuah opini hukum sudah bukan hal sulit. Tapi kenyataannya, orang masih mau membayar puluhan ribu dolar untuk meminta pengacara memberikan opini hukum. Alasannya sederhana: opini AI saat ini tidak memiliki otoritas.

Audit kontrak pintar juga mengikuti logika yang sama. Dari sudut pandang teknis, AI mungkin sudah bisa mencapai bahkan melampaui tingkat auditor top. Tapi pasar masih lebih愿意 membeli 'stempel' dari perusahaan audit ternama.

Karena yang benar-benar dibeli klien bukanlah opininya本身, melainkan otoritas di balik opini tersebut.

Jenis Keempat: Dunia Fisik (The Physical World)

Kemajuan perangkat keras jauh lebih lambat daripada perangkat lunak, dan juga, masalah perangkat keras lebih sulit diperbaiki.

Karena itu, industri fisik yang berinteraksi langsung dengan dunia nyata, dalam jangka pendek kecil kemungkinannya untuk cepat diguncang oleh AI. Namun, sekali kemampuan perangkat keras mengejar, logika yang sama akan tetap berlaku: posisi level rendah hilang terlebih dahulu, kemudian posisi level lebih tinggi.

Parit pertahanan ini memang ada. Tapi harus diakui, mereka hanya memperlambat perubahan, bukan menghentikannya.

Berdasarkan Sinyal Bertindak, Bukan Menunggu Kepastian

Ketika masa depan sangat tidak pasti dan kecepatan perubahan sangat cepat, orang biasanya membuat dua kesalahan.

Pertama adalah, menunggu kepastian muncul baru bertindak. Kedua adalah,简单地 menerapkan analogi sejarah, misalnya: 'Ini seperti gelembung internet.'

Kedua做法都可能 menyebabkan kesalahan penilaian.

Dalam kondisi informasi tidak lengkap, metode yang lebih masuk akal adalah, bernalar dari prinsip pertama.

Anda tidak perlu mengetahui setiap detail masa depan. Anda hanya perlu, kurang lebih menilai arah, merancang taruhan asimetris - artinya, jika salah menilai, kerugian terkendali; jika benar menilai, keuntungannya巨大.

Dalam masa depan yang tidak pasti, asimetri adalah segalanya.

Metode berpikir yang praktis adalah, pertama tanyakan pada diri sendiri 'Apa prasyarat yang diperlukan untuk suatu hasil terjadi?', lalu tanyakan, apakah prasyarat ini sudah muncul?

Melihat kembali titik balik AI ini, sebenarnya tidak sulit diprediksi. Karena input kunci早已 ada, kode yang bisa menulis kode, model yang dapat diperbaiki secara rekursif, pengetahuan institusi yang dapat dibeli而不是 dib培养.

Asalkan mengamati sinyal-sinyal ini dengan serius, dapat kurang lebih menilai arah masa depan.

Bahkan dapat terus diekstrapolasi.

Kita mungkin belum benar-benar menyaksikan skenario berikut: AI dapat melatih dirinya sendiri, AI dapat mereplikasi dirinya sendiri, AI berjalan sepenuhnya secara otonom.

Jika sebuah AI dapat melalui serangkaian tindakan meningkatkan kemampuannya sendiri sebesar 0.1%, kedengarannya似乎 tidak besar. Tapi asalkan angka ini bukan 0, ia akan terus放大. Di balik ini adalah efek pangkat (power law) yang khas.

Di pasar keuangan,一旦 sinyal menjadi jelas terlihat, perdagangan往往已经拥挤.

Dalam investasi, Anda menukar ketidakpastian dengan keyakinan dini. Dalam karier dan kewirausahaan, pada dasarnya也是一样.

Jadi pertanyaan sebenarnya bukanlah, Apa yang akan terjadi di masa depan? Melainkan, Apa yang sudah saya ketahui? Ke arah mana informasi ini menunjuk? Apa perbedaan biaya antara bertindak sekarang dan menunggu?

Ada juga fakta yang sering diabaikan, tindakan本身 akan menciptakan informasi.

Tindakan tidak terjadi dalam ruang hampa. Ketika Anda mengambil tindakan terhadap dunia, dunia akan memberikan umpan balik. Umpan balik ini membawa informasi baru. Informasi mendorong iterasi. Iterasi menghasilkan tindakan yang lebih baik. Inilah mekanisme dasar kemajuan.

Berdiam diri dalam ketidakpastian, adalah kemunduran yang lambat. Sedangkan bertindak, berarti eksplorasi.

Jika saya hanya ingin terus menikmati keuntungan sistem yang ada,大概还能维持几年. Tapi saya selalu ingin melakukan sesuatu yang benar-benar milik saya sendiri, dan saya merasa jendela ini正在迅速关闭.

Tentu, hedge fund terbesar di dunia仍然会过得很好, mereka memiliki data kepemilikan, sangat sulit direplikasi. Pasar keuangan tradisional juga仍然 dibatasi oleh regulasi dan proses manual.

Tapi saya percaya, lembaga-lembaga ini pada akhirnya juga akan menggunakan AI untuk menggantikan绝大多数 karyawan, bahkan termasuk manajer portofolio.

Tidak akan terjadi segera, tapi迟早会发生.

Penilaian saya saat itu adalah, saya大概还有 4–5 tahun jendela peluang. Menunggu sampai perusahaan model dasar menyerap cukup banyak talenta industri, perusahaan rintisan baru akan sulit memasuki bidang ini. Di beberapa pasar, seperti pasar saham AS, tren ini已经非常明显. Beberapa tahun kemudian efisiensi akan setinggi apa, hampir难以想象.

Dengan cepat, dunia ini tidak akan lagi memiliki ruang untuk 'juara kedua'. Saya可以继续为最顶级机构工作, tapi saya更愿意在自己仍然拥有优势的领域出手.

Maka saya mengundurkan diri, All in berwirausaha. Kemudian, perusahaan ini menjadi OpenForage.

Sekarang, jendela正在明显收窄. Kecepatan perubahan不再是渐进式的. Kemajuan yang dulu butuh beberapa bulan, sekarang hanya butuh几周.

Saya tidak berpikir dalam beberapa tahun ke depan pekerjaan akan完全消失. Manusia仍然需要 manusia. Manusia adalah makhluk sosial, dan manusia saat ini仍然不信任 AI. Sertifikasi otoritas仍然需要来自 manusia.

Beberapa tahun ke depan, kita甚至可能 melihat AI CEO, tapi很可能仍然需要一个人类 CEO来批准 AI的决策. 'Sertifikasi manusia' ini akan ditransmisikan逐层沿着 struktur organisasi. Manajer manusia akan mengelola一群 AI agent.

Tapi logika perekrutan akan berubah, jika CEO lebih mudah memberikan instruksi kepada AI,而不是 kepada Anda, maka Anda很可能不会被雇佣, pekerjaan pengkodean dasar akan越来越难找到.

Jika Anda ingin membuat diri tidak tergantikan, perlu melakukan dua hal. Pertama, melebihi AI dalam skala waktu. Misalnya, perencanaan strategis jangka panjang, pengambilan keputusan kompleks, manajemen siklus bertahun-tahun. Kedua, melebihi AI dalam cakupan sistem, konteks AI仍然有限, mereka tahu banyak fakta, tapi sulit memahami reaksi berantai sistem yang kompleks.

Jika Anda mampu berpikir jangka panjang, menyerap informasi dengan cepat, membuat keputusan jangka panjang, dan memiliki kemampuan kerjasama yang baik - maka在可预见的未来, Anda仍然会有工作.

Sebelum titik balik tiba, sinyal其实是可以看到的. Hanya saja kebanyakan orang,不去看, melihat了不行动, atau menunggu sampai sinyal变得震耳欲聋时才反应过来. Tapi saat itu, peluang往往已经被市场定价.

Jangan abaikan tanah yang sedang bergerak, jangan tinggal di posisi yang正在失去优势, sementara memberitahu diri sendiri menunggu时机更好再行动.时机真正很少会提前通知. Ketika semua orang menyadari, jendela往往已经关闭.

Saya melihat sinyal, saya membuat taruhan. Sekarang, saya正生活在这个押注的结果之中 -无论好坏.