Mengapa Desain Berpusat pada Manusia Penting dalam Otomasi
Otomasi yang mengeluarkan manusia dari sebuah loop cenderung lebih lambat dan lebih buruk daripada otomasi yang menghapus mengetik, karena orang itu mengerjakan dua hal: pekerjaannya dan pengamatannya. Yang pertama relatif mudah diotomasi. Yang kedua harus dirancang, atau ia hilang begitu saja.
Pekerjaan kedua yang tidak pernah ditulis
Uraian pekerjaan mencantumkan pekerjaan pertama. Yang kedua tidak terlihat sampai ia hilang: seseorang di dalam alur menyadari bahwa hari Selasa aneh, bahwa satu pelanggan terus kembali, bahwa angkanya bergeser sedikit tidak proporsional. Otomasi mengeluarkan orang yang berdiri di dalam aliran itu, dan bersamanya hilang pula pengamatannya — karena mengamati tidak pernah menjadi hal yang diminta dari mereka.
Ini sebabnya baris manifesto saya berbunyi: integrasi terbaik adalah yang tidak terlihat. Bukan karena tak terlihat itu elegan, tapi karena integrasi yang masih menampakkan dirinya kepada orang yang tetap berdiri di dalam alur adalah satu-satunya cara menjaga pengamatan tetap berada di dalam sistem setelah mesin mengambil bagian mengetiknya.
Rancang untuk orang yang tetap tinggal
Ada versi otomasi di mana manusia jadi cap karet — disuguhi kesimpulan dan satu tombol. Versi ini rusak pelan-pelan, karena cap karet tidak mengumpulkan pemahaman, sehingga enam bulan kemudian tidak ada yang bisa menjelaskan sistemnya, dan orang yang bisa sudah pergi. Versi yang lain membuat manusia tetap memutuskan hal yang butuh penilaian, dan menunjukkan apa yang dilihat mesin saat ia menyiapkan keputusan itu.
Perbedaannya kelihatan di aturan eskalasi. Tanyakan pada sebuah proyek otomasi: siapa yang boleh membatalkannya, dan apa yang bisa mereka lihat saat melakukannya. Kalau jawabannya operator bisa melihat transkrip tapi tidak bisa melihat sumbernya, Anda baru membangun cap karet dan menyebutnya kontrol.
Filbert Henrico adalah Technical Customer Success Lead di FINETIKS, Tangerang, sejak Juni 2025, dengan lebih dari tujuh tahun customer success dan technical sales di fintech Asia Tenggara, termasuk Xendit, Peakflo, dan Brick. Fokusnya mencakup integrasi API, AI agen, otomasi alur kerja, conversational AI, UAT, dan kesiapan peluncuran. Sarjana Marketing, Victoria University, Bandar Sunway, Malaysia, 2016–2019.
Sedang menghadapi hal serupa?
Halaman-halaman ini menjelaskan cara saya mendekati pekerjaannya, bukan metodologi baku. Kalau Anda sedang menelaah hal serupa dan butuh pandangan kedua atas pilihan-pilihannya, kirimkan masalahnya dalam keadaan apa adanya — yang belum rapi justru lebih berguna.
Baca lagi
Semua esaiUse case AI mana yang sebaiknya dibangun lebih dulu?
Bangun yang manusianya sudah mengerjakan tugasnya setiap hari, jawaban benar mudah dikenali, dan jawaban salah murah untuk dibatalkan. Tiga syarat itulah yang membuat proyek bisa selesai: alur kerjanya memberi data, jawaban yang jelas memberi alat uji, dan kesalahan yang murah memberi izin untuk rilis.
Bagaimana mengotomasi customer support tanpa merusak eskalasi?
Petakan setiap aturan eskalasi yang sekarang diterapkan manusia, lalu otomasi hanya pekerjaan yang berada di atas aturan itu. Eskalasi bukan fitur yang ditambahkan ke alur otomatis — eskalasi adalah batas alurnya, jadi batasnya harus ada dan tertulis sebelum apa pun diotomasi. Tim yang mengotomasi dulu dan mendefinisikan eskalasi kemudian berakhir dengan sistem yang menangani semuanya dengan percaya diri, termasuk hal-hal yang tidak boleh disentuhnya.
Apa arti kesiapan produksi untuk agen AI suara?
Agen suara siap produksi ketika ia bisa mengakhiri panggilan dengan aman tanpa perlu pernah pintar. Artinya empat hal diuji dengan audio nyata, bukan transkrip: ia mengenali ucapan penelepon yang sebenarnya, ia menangani saat dipotong, ia punya tempat untuk menyerahkan ke manusia, dan setiap tindakan ke sistem nyata punya batas yang tidak bisa dilampaunya.