“Rethinking the AI Stack: Data, Agentic AI, and Organizational Design – Wharton Global Forum”
Dalam sebuah sesi diskusi yang diselenggarakan pada Wharton Global Forum di San Francisco, Profesor Wharton School Karthik Kosanager, yang juga menjabat sebagai co-director Wharton Human AI Research Initiative, memoderatori percakapan mendalam tentang bagaimana kecerdasan buatan—khususnya generative AI dan agentic AI—sedang mengubah organisasi, produk, data, dan model bisnis. Forum tahunan ini, yang mempertemukan para pemimpin bisnis internasional, tahun ini berlangsung di pusat inovasi dunia dan menjadi konteks ideal bagi pertemuan para pemimpin teknologi, investor, dan insinyur AI yang hadir dalam panel tersebut.
Percakapan dimulai dari refleksi atas komentar tokoh-tokoh besar seperti Vinod Khosla, Sam Altman, hingga Dennis Hassabis, yang memprediksi kedatangan AGI (Artificial General Intelligence) dalam kurun dua hingga lima tahun ke depan. Karthik menggunakan klaim itu sebagai pintu masuk untuk bertanya pada para panelis apakah prediksi tersebut realistis atau sekadar sensasional. Aparna Chanapoda, Chief Product Officer yang sebelumnya di Google dan kini di Microsoft, menjawab dengan sikap skeptis namun terbuka. Ia menyatakan bahwa yang penting bukan memperdebatkan apakah AGI datang pada 2028 atau 2030, tetapi memperhatikan apakah AI sedang bergeser dari peningkatan efisiensi bertingkat—sekadar 20% peningkatan coding—menuju peningkatan berlipat yang dapat mengubah cara organisasi bekerja secara fundamental. Baginya, dunia sedang berada dalam kondisi intelligence overhang: kemampuan model sudah jauh lebih tinggi daripada cara manusia memanfaatkannya dalam dunia produk. Ia menggambarkan situasi itu seperti “menggunakan mobil terbang hanya untuk pergi ke toko kelontong”—model terlalu canggih untuk aplikasi yang masih sederhana.
Sementara itu, Lin Yuan, Chief AI Officer dari Newfront, membawa perspektif ilmiah yang lebih konservatif. Ia mengakui bahwa AI akan semakin menggantikan tugas manusia, bahkan merombak alur kerja industri tertentu. Namun ia menegaskan bahwa membicarakan AGI harus mempertimbangkan definisi. Jika AGI berarti performa model yang menyamai atau mengungguli manusia dalam beberapa tugas, mungkin itu sudah dekat. Tetapi jika AGI didefinisikan sebagai kecakapan kognitif setara manusia, ia menilai jalan masih panjang. Ia menyebutkan bahwa otak manusia beroperasi hanya dengan 20 watt, menghasilkan kemampuan kognitif yang menakjubkan, sementara model AI modern mengonsumsi energi setara satu negara kecil. Ketidakseimbangan energi ini menunjukkan bahwa meskipun AI cepat berkembang, ia belum mendekati struktur efisiensi biologis yang dimiliki manusia.
Karthik kemudian menggeser diskusi ke fenomena yang ia sebut sebagai “GenAI Productivity Paradox.” Meskipun banyak studi eksperimental menunjukkan peningkatan produktivitas 20–40% saat pekerja menggunakan AI, hampir tidak ada perusahaan yang dapat menunjukkan ROI nyata dari investasi AI mereka. Di sinilah Saja Jaffer, pendiri Growth Curve Capital dan pelaku penting dalam dunia private equity, memberikan perspektif menarik. Ia membedakan antara keberhasilan AI tradisional—yang sudah terbukti melalui model-model prediksi customer lifetime value dan analitik yang digunakan sejak era Wharton’s Pete Fader dan Eric Bradlow—dengan generative AI yang masih berada pada tahap eksplorasi. Jaffer melihat data sebagai aset laten, off-balance-sheet asset, yang besar nilainya tetapi tidak tertata. Banyak perusahaan mid-market duduk di atas tumpukan data tidak terstruktur, dan generative AI belum mampu menghasilkan ROI karena organisasi belum menata proses, talenta, serta mekanisme implementasi. Ia membandingkan kondisi ini dengan paradoks Solow tahun 1980-an, ketika komputer sudah ada di mana-mana, tetapi produktivitas tidak meningkat hingga hampir satu dekade kemudian ketika tenaga kerja dan alur kerja mulai selaras dengan teknologi baru itu.
Diskusi kemudian bergeser ke ranah produk. Karthik bertanya bagaimana pembuatan software berubah ketika foundation models menjadi komponen utama produk digital. Aparna menegaskan bahwa semuanya berubah. Pada era cloud dan mobile, perubahan berlangsung selama 10–15 tahun; namun pada era AI, perubahan itu berlangsung dalam hitungan bulan. Fitur yang dulu dianggap magis—seperti generasi gambar atau penulisan kode otomatis—kini menjadi sesuatu yang biasa. Ia memperkenalkan konsep “thin product, thick model”: produk jangan dibangun sebagai sistem besar yang rapuh, melainkan sebagai lapisan tipis di atas model yang terus berkembang. Produk harus dibangun dengan orientasi model-first, karena “model kini memakan produk.” Dalam dunia baru itu, produk tidak hanya dirancang untuk manusia, tetapi juga untuk agen AI yang mengonsumsi data dan melakukan tindakan.
Saat ditanya apakah mengandalkan model membuat produk menjadi komoditas, Shing, partner Asa HSG dan mantan mitra Sequoia Capital China, menjelaskan bahwa moat produk kini terletak pada tiga hal: data, integrasi hardware-software, dan pendiri. Data proprietary dan dinamis akan menjadi benteng yang sulit ditiru pesaing; integrasi robotik dan perangkat keras akan menciptakan keunggulan khusus; dan pendiri dengan visi kuat tetap menjadi faktor kompetitif tak tergantikan. Aparna menambahkan bahwa memori juga merupakan moat: hubungan jangka panjang antara produk dan pengguna—diperkuat oleh data interaksi—membuat produk yang disesuaikan menjadi sulit diganti model umum.
Lin memperdalam diskusi dengan menjelaskan bahwa banyak sektor seperti asuransi, kesehatan, dan finansial membutuhkan model vertikal, bukan model umum seperti GPT. Industri tersebut penuh dengan dokumen PDF, istilah non-standar, dan regulasi ketat. Model umum terlalu mahal dan tidak cukup presisi. Di sinilah fine-tuning, post-training, dan adaptasi domain-specific menjadi penting. Produk industri tidak bisa hanya berupa “chatbot pembungkus model”, melainkan agen yang bekerja dengan aturan profesional dan intervensi manusia berlisensi.
Topik kemudian bergerak ke dimensi budaya organisasi. Jaffer menjelaskan bahwa kendala terbesar dalam transformasi AI bukan teknologi, melainkan budaya data. Dalam pengalamannya menganalisis miliaran transaksi, perusahaan-perusahaan private equity sering tidak memiliki CEO tipe “data-first” yang memahami nilai data. Board pun sering menyia-nyiakan waktu pada hal yang tidak relevan, padahal peluang transformatif sangat besar. Raman, CTO T. Rowe Price, menambahkan bahwa organisasi harus menyeimbangkan inovasi dengan keamanan: governance, privasi, dan perlindungan konsumen tidak boleh diabaikan. Namun ruang eksperimen harus tetap dibuka, dan talenta internal harus disiapkan untuk cara kerja baru.
Karthik kemudian memunculkan tema radikal: masa depan one-person unicorn. Shing membayangkan perusahaan bernilai miliaran dolar yang dijalankan oleh satu orang dengan ratusan agen digital yang bekerja 24/7. Tim masa depan bisa tersebar di lima negara, masing-masing bekerja dengan agen digital sebagai rekan kerja. Konsep leadership, teamwork, dan HR tradisional harus dirombak ulang. Aparna menambahkan bahwa setiap pekerja di masa depan akan menjadi “manajer agen” sejak hari pertama, mengarahkan sumber daya non-manusia untuk menyelesaikan pekerjaan.
Ketika audiens bertanya bagaimana startup AI-native bisa bersaing dengan raksasa seperti Microsoft atau NVIDIA, Aparna menjelaskan bahwa startup harus fokus pada pemecahan masalah inti dan menyerahkan aspek scaling kepada hyperscalers. Nilai startup terletak pada data unik, pemahaman domain, dan kemampuan bergerak cepat. Raman menambahkan bahwa korporasi besar sangat terbuka bekerja sama dengan startup yang memahami problem aset manajemen secara mendalam.
Diskusi kemudian menyentuh dinamika global. Shing menekankan bahwa meskipun rivalitas AS–China mendominasi pemberitaan, open source seperti proyek DeepSeek membuka akses model ke seluruh dunia, memungkinkan developer di berbagai belahan dunia ikut berkompetisi. Jaffer menegaskan bahwa pengetahuan global tidak bisa dihentikan; jaringan yang terbangun selama puluhan tahun membuat inovasi AI menjadi fenomena global.
Ketika topik beralih ke talenta masa depan, para panelis sepakat bahwa keterampilan yang dibutuhkan bukan lagi sekadar kecerdasan teknis. AI fluency, kreativitas, adaptabilitas, kemampuan mengelola agen, dan keberanian mengambil risiko menjadi kompetensi utama. Aparna menyatakan bahwa kecerdasan tak lagi menjadi pembeda karena setiap orang kini “membawa rekan kerja jenius di saku mereka”—merujuk pada AI. Pembeda kini adalah agency, ambisi, dan kemampuan mengarahkan teknologi.
Isu governance muncul ketika audiens bertanya tentang risiko lock-in akibat ketergantungan pada model tertentu. Raman menjelaskan bahwa banyak perusahaan menjalankan model di dalam firewall, tidak mengizinkan data sensitif keluar. Lin menambahkan bahwa tim engineering harus membangun arsitektur yang model-agnostic agar mudah beralih ketika model baru bermunculan.
Pada bagian penutup, panel membahas isu paling krusial: distribusi nilai ekonomi AI. Surplus kemungkinan besar akan berpindah dari tenaga kerja ke pemilik modal dan perusahaan teknologi besar. Ini berpotensi menimbulkan ketimpangan sosial baru. Raman percaya transisi ini akan sulit dan menimbulkan ketegangan selama 5–10 tahun ke depan. Aparna lebih optimis: ia percaya pekerjaan baru akan muncul seperti halnya revolusi teknologi sebelumnya. Lin mengingatkan tentang risiko baru seperti liability profesional akibat kesalahan AI. Karthik mengakhiri dengan refleksi bahwa produktivitas AI memang nyata, tetapi manfaat penuhnya membutuhkan waktu dan perjalanan menuju sana penuh turbulensi.
Setelah sesi berakhir, Karthik menutup episode podcast dengan menyoroti kembali paradoks produktivitas generative AI, pentingnya talenta yang mampu mengelola agen, dan kebutuhan mendesak untuk merancang ulang organisasi dalam dunia yang akan segera dipenuhi tim hybrid manusia–agen. Meskipun perubahan tampak menakutkan, ia percaya bahwa jika diarahkan dengan bijak, AI akan memungkinkan manusia bergerak ke tingkat kreativitas dan aktualisasi diri yang lebih tinggi. Namun perjalanan menuju sana tidak akan mudah, dan tugas organisasi, pemerintah, dan akademisi adalah memastikan bahwa transisi ini inklusif, adil, dan efektif.