Catatan Editor: AI sedang masuk ke dalam perusahaan, tetapi masalah sebenarnya bukanlah 'apakah akan menggunakan agent', melainkan apakah agent-agent ini dapat memahami perusahaan itu sendiri.
Artikel ini menggunakan 100 hari pertama penulis bergabung dengan Ramp sebagai alur, membahas masalah yang lebih mendasar: perusahaan yang berjalan dengan kecepatan tinggi, tidak bisa hanya bergantung pada karyawan baru yang perlahan-lahan membaca dokumen, bertanya kepada rekan kerja, dan menambahkan konteks, juga tidak bisa membiarkan setiap alat AI berjalan sendiri-sendiri. Yang benar-benar penting adalah membangun sebuah 'otak perusahaan' yang terus diperbarui, mengendapkan rapat, dokumen, diskusi Slack, umpan balik pelanggan, dan keputusan produk, sehingga karyawan baru dan agent dapat memulai dari set konteks yang sama.
Ketika konteks disistematisasikan, onboarding bukan lagi proses adaptasi yang panjang, dan AI juga bukan lagi sekadar alat-alat yang terisolasi. Nilai AI perusahaan, pada akhirnya mungkin tidak terletak pada berapa banyak agent yang diterapkan, melainkan pada apakah perusahaan mampu terlebih dahulu membangun fondasi pengetahuan yang dapat dipercaya, dapat dibaca, dan dapat digunakan kembali.
Berikut adalah teks aslinya:
Dalam lomba estafet 4×100 meter, kemenangan seringkali tidak ditentukan oleh keseluruhan lintasan, melainkan terkompresi dalam zona serah sepanjang 20 meter. Pelari harus melakukan serah-terima tongkat dalam keadaan berlari kencang: penerima tongkat yang mulai terlalu cepat, akan membuat tongkat jatuh ke tanah; jika mulai terlalu lambat, pemberi tongkat harus melambat, dan seluruh tim akan kehilangan keunggulan dalam sekejap. Jika gerakan serah-terima itu sendiri tidak tepat—posisi tangan, sudut, waktu—kesalahan di salah satu bagian ini juga dapat berujung pada tongkat yang terjatuh.
Sebuah tim bisa memiliki pelari tercepat di arena, tetapi tetap kalah di 20 meter itu. Kecepatan penting, serah-terima juga penting. Yang benar-benar menentukan kemenangan adalah apakah keduanya dapat terjadi secara bersamaan.
Setiap kali saya menyaksikan serah-terima jabatan, pada dasarnya itu seperti lomba estafet, hanya saja salah satu pelarinya masih berada di balok start. Karyawan baru bergabung pada hari Senin, semuanya dimulai dari nol; organisasi tidak akan melambat karenanya, tetap berjalan dengan ritme yang sama. Akibatnya, karyawan baru hanya bisa mengandalkan membaca dokumen, mengintai di Slack, mengulangi pertanyaan yang sama, lalu menghabiskan tiga bulan untuk memahami pola kerja organisasi, sampai akhirnya dirinya menjadi 'berguna'.
Kita biasanya menganggap kesenjangan ini sebagai masalah waktu, seolah-olah jika cukup lama, karyawan baru akan menyusul. Namun kenyataannya tidak demikian. Kesenjangan ini harus diselesaikan oleh sistem, atau akan terus ada.
Konteks, Adalah Sistem Serah-Terima Sejati Organisasi
Saya bergabung dengan Ramp sekitar 100 hari yang lalu. Sebelumnya, saya bekerja di Plaid selama lima tahun, mengenal setiap produk, setiap cerita pelanggan, dan latar belakang di balik setiap keputusan. Saya dapat menceritakan cerita-cerita ini tanpa berpikir. Namun, setelah datang ke Ramp, saya hampir tidak tahu apa-apa tentang semua itu.
Dan inti dari pemasaran produk, adalah bercerita. Jika Anda tidak tahu peran, alur, dan sebab-akibat dalam cerita itu, Anda tidak mungkin benar-benar bisa menceritakannya dengan baik.
Sejak hari pertama, tujuan saya adalah membangun organisasi pemasaran produk yang AI-native. Tetapi untuk melakukannya dalam keadaan kurang konteks, saya pertama-tama harus memperluas basis pengetahuan saya sendiri—yaitu 'lapisan konteks' yang mendukung semua pekerjaan.
Ramp adalah perusahaan yang terkenal dengan kecepatannya. Di sini tidak ada ruang untuk 'perlahan-lahan menyusul kuartal depan'. Perusahaan merilis, beriterasi, bergerak maju setiap minggu. Anda harus mengikuti ritme, atau akan menjadi beban tambahan dalam operasi organisasi.
Sementara itu, saya juga sedang menjalani lapisan onboarding lainnya. Ramp sudah cepat, tetapi perubahan AI lebih cepat lagi, dan saya harus belajar tentang perusahaan baru dan lingkungan kerja baru secara bersamaan. Saya bukan insinyur, terakhir kali membuka terminal adalah di kelas komputer kuliah. Artinya, saya harus mengejar konteks organisasi sekaligus beradaptasi dengan cara kerja AI yang baru, dan kedua hal ini saling bertumpuk, memperbesar tingkat kesulitan.
Akhirnya yang membuat saya keluar dari tekanan ini, bukanlah menyelesaikan artikel tertentu, peluncuran produk tertentu, atau alur kerja tertentu, melainkan menjadikan 'konteks' itu sendiri sebagai deliverable. Selama lapisan konteks dibangun dengan benar, semua pekerjaan selanjutnya akan menjadi lebih murah biayanya.
Jadi, saya mulai membangun sesuatu yang benar-benar dapat diskalakan: sebuah sistem yang dapat membantu saya cepat belajar, seperti wiki yang baik membantu peneliti. Pada minggu ketiga, sistem itu sudah dapat menyusun draf konten berdasarkan catatan saya; pada minggu kedelapan, sistem itu sudah dapat merangkum rapat yang tidak saya hadiri. Pembelajaran dan pengejaran konteks tidak hilang, tetapi seiring sistem terus diisi, biayanya mulai semakin rendah setiap harinya.
Versi pribadi dari ide ini sebenarnya sudah muncul beberapa waktu. Karpathy, mantan Kepala AI Tesla dan anggota pendiri OpenAI, pada bulan April menulis sebuah artikel yang menggambarkan apa yang dia sebut 'basis pengetahuan LLM pribadi': sebuah folder yang berisi input mentah, termasuk makalah, artikel, transkrip, dan catatan pribadi; sebuah LLM yang menghasilkan wiki dari materi-materi ini; lalu menggunakan editor seperti Obsidian sebagai frontend. Ketika materi terkumpul sekitar 100 artikel, LLM dapat menjawab pertanyaan kompleks yang berkaitan dengan korpus pribadi, tanpa memerlukan teknik pencarian yang rumit.
Penilaiannya adalah: ada peluang untuk menghasilkan produk baru yang benar-benar hebat di sini, bukan sekadar kumpulan script yang disusun sementara.
Versi pribadinya sudah ada hari ini. Tetapi versi perusahaan belum. Inilah masalahnya.
Secara garis besar, sistem yang saya bangun dalam 100 hari pertama onboarding adalah seperti ini. Semuanya belum sempurna, tetapi bersama-sama membentuk 'jaringan ikat' di dalam organisasi.
Intinya adalah sebuah vault Obsidian, yang dibaca dan ditulis oleh Claude. Transkrip rapat, dokumen, pandangan publik, dan catatan pribadi yang pernah saya akses, semua masuk ke dalam basis pengetahuan ini. Ketika saya bertanya 'Apa yang diputuskan Geoff dan saya tiga minggu lalu tentang halaman beranda?', sistem akan mencari jawaban dari vault ini, bukan bergantung pada memori generalisasi model itu sendiri.
Untuk terus memasukkan konten ke dalam vault ini, Granola secara default merekam setiap rapat, dan mengarsipkan transkripnya di malam hari. Jadi, rapat yang saya lewatkan pada hari Senin, sudah dapat dipertanyakan pada hari Rabu. Agar orang lain di perusahaan juga dapat mengikuti, saya memilih untuk bekerja secara terbuka—sebagian besar konten yang sedang saya bangun, akan muncul terlebih dahulu di saluran #team-pmm atau saluran proyek peluncuran terkait, baru kemudian masuk ke dokumen Notion. Proses pembangunan itu sendiri, adalah mekanisme sinkronisasi.
Di atas vault ini, ada juga basis keterampilan (skills) bernama kecil, yang dapat dipanggil oleh agent sesuai kebutuhan. Satu keterampilan dapat menghasilkan agenda berdasarkan empat rapat terakhir saya dengan seseorang; keterampilan lain dapat memindai perkembangan produk di Slack selama seminggu, dan mengubahnya menjadi ide penulisan artikel. Setiap keterampilan terdiri dari sekitar 200 baris markdown, digunakan untuk menggantikan jenis pekerjaan yang sebelumnya harus dilakukan secara manual.
Selain itu, saya juga membangun roadmap produk dinamis berdasarkan platform aplikasi internal Ramp. Roadmap ini membaca lapisan konteks yang sama, sehingga tidak akan kedaluwarsa, karena sejak awal bukan dokumen statis. Juga ada ringkasan pagi yang dikirim ke pesan pribadi Slack saya setiap jam 8 pagi: apa yang diluncurkan kemarin, apa yang macet, hal-hal apa yang perlu saya tanggapi. Konten ini sudah disusun saat saya tidur.
Jika dilihat satu per satu, hal-hal ini tidak luar biasa. Namun, jika digabungkan, mereka memberikan jawaban yang dapat dijalankan: jika sebuah perusahaan juga memiliki wiki seperti yang dijelaskan Karpathy, seperti apa bentuknya?
Anda bisa menyebutnya wiki, grafik, lapisan konteks, atau otak perusahaan. Namanya tidak penting, fungsinya yang penting. Sistem ini harus dapat menyerap semua sinyal yang telah dihasilkan perusahaan: rapat, diskusi Slack, dokumen, kode, transkrip, panggilan pelanggan, dan keputusan kunci, serta terus diperbarui tanpa bergantung pada pemeliharaan manual. Sistem ini juga harus menjadi hal pertama yang dibaca oleh setiap karyawan baru, setiap agent baru, sebelum mulai bekerja.
Jika besok ada karyawan baru bergabung, apa yang harus dia baca di hari pertama? Jika jawaban sebenarnya adalah sebuah dokumen Notion tahun 2024, ditambah tautan Confluence yang sudah tidak berlaku, itu pada dasarnya sama dengan meminta dia untuk menerima tongkat dari keadaan diam.
Dari Alat Tunggal ke Otak Perusahaan, Kesenjangan Sejati AI
Saat ini, cara utama AI masuk ke perusahaan, masih bergantung pada forward-deployed engineers. Baik OpenAI, Anthropic, maupun perusahaan konsultan besar, akan memilih untuk membangun alur kerja spesifik di atas model.
Pekerjaan ini nyata, dan memiliki nilai. Tetapi mereka masih berada di 'era chatbot' AI perusahaan: alat sempit yang dikemas untuk tugas tertentu, berguna jika dilihat sendiri-sendiri, tetapi tidak terhubung ke sistem yang dapat terus menghasilkan manfaat berganda.
'Otak perusahaan' yang sejati belum muncul. Agent layanan pelanggan dan agent onboarding SDM mungkin dibangun oleh tim berbeda pada bulan yang berbeda. Mereka tidak saling tahu apa yang diputuskan dalam rapat seluruh staf terakhir, tidak tahu bagaimana perusahaan memahami pasarnya, juga tidak tahu penilaian apa yang diajukan oleh kepala penjualan dalam offsite manajemen terakhir. Setiap agent hanyalah chatbot dengan tanggung jawab spesifik, tetapi mereka tidak berbagi otak yang sama.
Inilah kesenjangan terbesar saat ini. Dan di luar laboratorium, hampir tidak banyak orang yang membangun produk seputar masalah ini.
Jika Anda ingin membentuk sebuah tim atau mendirikan sebuah perusahaan pada tahun 2026, urutan operasinya sudah berbeda dengan tahun 2022. Tulis file konteks terlebih dahulu, baru pasang alat. Rekam setiap rapat. Bangun wiki terlebih dahulu, baru bangun dashboard. Serahkan keterampilan, bukan slide presentasi. Minta karyawan baru membaca wiki di hari pertama, hari kedua sudah mulai berkontribusi pada wiki itu. Rekrut dan promosikan orang yang dapat membuat 'otak perusahaan' terus berjalan, dan gunakan kembali agent yang benar-benar akan membaca otak perusahaan.
Konteks bukan proyek sampingan. Konteks adalah infrastruktur yang membuat semua investasi AI benar-benar menghasilkan pengembalian.
Saya saat ini sedang membangun sebagian darinya di Ramp: wiki, basis keterampilan, aplikasi yang membaca dari lapisan konteks yang sama, serta mekanisme organisasi yang terus memberinya input. Sistem ini masih kecil, juga sangat awal. Jika Anda juga mencoba membangun versi tingkat perusahaan di tempat lain, saya sangat ingin bertukar pengalaman. Lebih berguna dari satu otak yang dapat dipercaya, adalah dua otak yang hadir di ruangan yang sama.
Kembali ke lomba estafet. Syarat kemenangan sejati, bukan serah-terima terbersih, bukan juga satu putaran tercepat, melainkan keduanya terjadi bersamaan dalam 20 meter yang sama.
Karyawan baru membaca otak perusahaan, lalu mulai berlari kencang. Agent baru membaca otak perusahaan, lalu mulai bekerja. Pelanggan baru terhubung ke otak perusahaan, lalu sejak hari pertama sudah masuk ke kondisi berjalan.
Ketika kata 'ramp-up' tidak lagi bermakna, kita tahu kita sudah melakukannya dengan benar.
