Akhir dari jalur Agent bukanlah siapa yang paling pintar, tetapi siapa yang membuat paling banyak orang memiliki Agent

Menulis: Lingkaran Mendalam-Pikir

Pernahkah kamu memperhatikan sesuatu yang aneh: setiap kali meminta AI untuk membantumu mengerjakan pekerjaan yang sama, kamu harus mengajari lagi dari awal? Hari ini memintanya merapikan data, besok tugas yang sama harus dijelaskan lagi dari nol. AI jelas semakin pintar, tetapi mengapa kita masih melakukan pekerjaan berulang?

Pada 30 Maret 2026, sebuah perusahaan AI berbasis di Silicon Valley, CREAO, merilis produknya dengan jawaban yang berbeda. Produk ini, begitu diluncurkan, langsung menduduki peringkat pertama di platform X selama 5 jam berturut-turut dalam jajaran Top 3 Hot Search global, memicu diskusi spontan yang besar dari banyak kreator teknologi dan pengembang di berbagai wilayah seperti Amerika Utara, Eropa, Asia Tenggara, dan Amerika Latin. Setelah saya meneliti produk ini secara mendalam, saya menemukan bahwa yang mereka lakukan tidak sama dengan semua produk AI Agent yang ada di pasaran—tim campuran Tiongkok-Amerika dari perusahaan-perusahaan raksasa garis depan di Silicon Valley seperti Google dan Meta ini menemukan jalur yang selama ini diabaikan semua orang.

Kesulitan nyata AI Agent saat ini

Pertama, saya perlu menjelaskan satu fakta: industri AI Agent benar-benar sedang populer dari 2025 hingga 2026. Produk seperti OpenClaw, Claude Code, Devin, dan DeepSeek dari dalam negeri telah membuat banyak orang untuk pertama kalinya benar-benar menggunakan AI Agent. Tetapi setelah menggunakannya, muncul masalah baru, dan masalah ini jauh lebih serius daripada yang dibayangkan.

Saya sendiri pernah mengalami situasi seperti itu. Minggu lalu saya meminta Claude Code menulis skrip pengambilan data untuk saya, dengan percakapan bolak-balik yang memakan waktu kira-kira dua puluh menit, lalu menyesuaikan detailnya, sampai akhirnya berhasil dijalankan. Minggu ini saya ingin menggunakan logika yang sama untuk mengambil data dari situs lain. Secara teori, cukup mengubah beberapa parameter saja, tetapi saya mendapati saya harus membuka jendela percakapan baru, menjelaskan lagi permintaan saya dari awal, lalu menyesuaikan detail lagi. AI tidak mengingat bagaimana kita bekerja sama sebelumnya; ia hanya bisa mulai dari nol. Pengalaman ini membuat saya menyadari bahwa masalah inti yang dihadapi AI Agent saat ini bukan karena kemampuan yang kurang, melainkan karena setiap kali digunakan itu sekali pakai—habis digunakan, lenyap.

Yang lebih membuat saya khawatir adalah, AI Agent yang kuat ini sering kali “mencari pekerjaan untuk dikerjakan”. Saya hanya ingin ia membantu saya mengambil data harga dari tiga situs web dan mencatatnya ke dalam tabel, tetapi ia malah mulai menganalisis tren harga, membuat grafik visualisasi, bahkan secara proaktif menawarkan diri untuk membantu menulis laporan analisis kompetitor. Fitur-fitur itu terdengar keren, tetapi saya sama sekali tidak membutuhkannya. AI sedang menunjukkan batas kemampuan, bukan fokus menyelesaikan masalah spesifik saya. Kemampuan generalisasi seperti ini sangat menggetarkan saat demo, tetapi dalam penggunaan nyata justru menimbulkan beban mental yang besar—saya harus meluangkan waktu untuk menghentikannya melakukan hal-hal yang tidak saya perlukan, berulang kali menegaskan bahwa saya hanya butuh pengambilan data yang paling sederhana.

Efisiensi biaya juga menjadi masalah besar. Ketika kamu meminta sebuah AI Agent umum untuk menjalankan tugas repetitif yang sederhana, ia harus memahami niatmu lagi setiap kali, merencanakan ulang jalur eksekusi, serta memanggil berbagai alat lagi. Proses ini tidak hanya memakan waktu, tetapi jika menggunakan API dengan skema bayar per token, biaya bisa cepat menumpuk. Saya pernah menghitung: jika menggunakan Claude atau GPT-4 untuk menjalankan tugas sinkronisasi data sederhana yang berjalan terjadwal setiap hari, biaya panggilan API selama satu bulan mungkin bisa lebih mahal daripada jika saya langsung merekrut seorang magang untuk mengerjakannya secara manual. Ini sama sekali tidak masuk akal.

Saya pernah berbincang dengan beberapa teman pengembang tentang masalah ini, dan perasaan mereka sangat konsisten: kemampuan AI Agent berkembang cepat, tetapi kegunaannya justru mengalami penurunan dalam tingkat tertentu. Dulu, ketika kita memakai alat otomatisasi seperti Zapier atau n8n, memang konfigurasi terasa merepotkan, tetapi setelah sudah disetel, ia bisa berjalan stabil tanpa perlu investasi ulang yang berulang. Sekarang dengan adanya AI Agent, konfigurasi memang terasa lebih mudah, tetapi setiap kali tetap harus dikonfigurasi ulang. Ini bukan kemajuan, melainkan mengganti kompleksitas lama dengan kompleksitas baru. Kontradiksi intinya adalah: bukan berarti orang biasa tidak bisa menggunakan AI Agent, melainkan AI-nya tidak stabil, tidak bisa dipertahankan, dan tidak mampu mengubah satu percakapan yang berhasil menjadi sistem otomatisasi yang bisa digunakan ulang.

Filosofi “penjinakan” CREAO

Saat saya pertama kali melihat demo produk CREAO, reaksi pertama saya adalah: inilah yang selama ini saya cari. Mereka memberi nama produk ini dengan posisi yang sangat menarik: Agent Harness, yang dalam bahasa Mandarin bisa dipahami sebagai “penjinakan Agent”. Istilah ini sangat tepat untuk menggambarkan apa yang mereka lakukan—bukan membuat AI menjadi lebih kuat, melainkan membuat kemampuan AI bisa dibekukan, dijinakkan, dan dikendalikan oleh orang biasa.

Pengalaman inti CREAO sangat langsung. Kamu mendeskripsikan sebuah alur kerja dengan bahasa natural, misalnya “setiap Senin pagi pukul 9, pindai perubahan harga dari tiga situs kompetitor, catat ke Google Sheets, dan jika volatilitas melebihi 10%, beri tahu saya di Slack”. Sistem akan melakukan hal-hal seperti ini: memahami maksudmu, secara otomatis menulis kode eksekusi, menghubungkan alat yang kamu perlukan (Gmail, Google Sheets, Slack, Feishu, dan sebagainya—mereka sudah mengintegrasikan lebih dari 300 platform), lalu langkah paling penting—kamu bisa menyimpan seluruh alur ini dalam sekali klik menjadi sebuah Agent, menetapkan jadwal eksekusi yang terjadwal, dan setelah itu ia akan menjalankan secara otomatis sesuai jadwal yang kamu atur. Tidak lagi membutuhkan keterlibatan AI, sepenuhnya eksekusi yang deterministik.

Langkah terakhir inilah yang menjadi jiwa dari seluruh produk. Setelah percakapan selesai, sistem tetap berjalan. Kalimat ini terdengar sederhana, tetapi yang diselesaikan olehnya adalah masalah yang selama ini dihindari oleh seluruh industri. Produk AI berbasis percakapan seperti ChatGPT dan Claude: begitu kamu menutup jendela, semuanya hilang. Alat developer seperti OpenClaw dan Claude Code memang bisa mengeksekusi tugas yang kompleks, tetapi kamu harus melakukan deploy dan pemeliharaan sendiri. Yang dilakukan CREAO adalah menggabungkan keluwesan AI dengan determinisme alat otomatisasi tradisional—sehingga satu percakapan AI yang berhasil bisa diubah menjadi sistem otomatisasi yang terus berjalan dalam jangka panjang.

Saya sangat mengagumi pertukaran (kompromi) yang mereka lakukan secara teknis. Banyak produk AI Agent mengejar agar AI lebih pintar, lebih umum, serta mampu menangani tugas yang lebih kompleks. Jalur yang dipilih CREAO justru berlawanan: mereka ingin agar alur kerja yang dihasilkan oleh AI bisa lepas dari AI dan tetap berjalan mandiri. Ini berarti mereka harus menyelesaikan masalah determinisme pembuatan kode—kode yang dihasilkan AI harus cukup stabil, mampu dieksekusi secara terus-menerus tanpa intervensi AI. Mereka juga harus menyelesaikan masalah stabilitas orkestrasi multi-alat—ketika sebuah alur kerja melibatkan Gmail, Sheets, Slack, dan beberapa platform lain, bagaimana memastikan agar transfer data di antaranya tidak terjadi kesalahan. Semua masalah ini sudah diselesaikan oleh alat otomatisasi tradisional, tetapi dalam konteks AI Agent, masalah-masalah ini perlu dipikirkan ulang dan diselesaikan lagi, karena alur kerja tidak lagi dikonfigurasi manual oleh manusia, melainkan dihasilkan oleh AI berdasarkan bahasa natural.

Setelah saya mencobanya sendiri, pengalaman nyatanya memang berbeda dari produk lain. Saya mendeskripsikan kebutuhan dengan bahasa natural: “setiap hari pukul 5 sore, rangkum email saya di Gmail yang ditandai sebagai penting, ambil pengirim dan subjek, tulis ke dalam tabel Google Sheets, dan jika ada email dari pelanggan, @saya di grup Feishu”. Proses konfigurasi kurang dari 5 menit; saya bisa melihat secara real-time CREAO saat menghasilkan kode, menguji koneksi, dan memverifikasi logika. Setelah konfigurasi selesai, saya menekan tombol “Simpan sebagai Agent”, menetapkan jadwal untuk menjalankan setiap hari pukul 5 sore, lalu tidak perlu mengurus lagi. Pada pukul 5 sore hari berikutnya, saya benar-benar menerima notifikasi di grup Feishu. Ketika saya membuka Google Sheets, data sudah disusun sesuai permintaan saya. Kunci dari pengalaman ini adalah: saya tidak perlu membuka jendela percakapan CREAO pukul 4:55 setiap sore, lalu menjelaskan ulang permintaan saya. Rasanya seperti asisten yang sudah dijinakkan: ia tahu apa yang harus dikerjakan setiap hari, dan bisa melakukannya sendiri.

Integrasi native lebih dari 300 platform juga menjadi keunggulan produk yang penting. Ini berarti, untuk sebagian besar skenario alur kerja yang umum, CREAO sudah menyiapkan konektor; pengguna tidak perlu mencari dokumentasi API sendiri, mengonfigurasi autentikasi, atau menangani detail tingkat bawah seperti konversi format data. Kamu bilang “tulis data ke Google Sheets”, sistem langsung tahu caranya. Kamu bilang “kirim pesan di Slack”, sistem juga langsung tahu caranya. Kelancaran pengalaman seperti ini tidak bisa dibandingkan dengan menulis kode sendiri atau memakai alat otomatisasi tradisional. Saya berpendapat inilah cara pandang tim CREAO terhadap produk untuk konsumen—menurunkan biaya konfigurasi agar orang biasa dapat membangun sistem otomatisasinya sendiri dengan cepat.

Tidak membuat yang paling kuat, tapi membuat yang paling mudah dijinakkan

Saat meneliti CREAO, saya terus memikirkan satu pertanyaan: mengapa perusahaan lain yang membuat AI Agent tidak memilih jalur ini? Lalu saya menyadari ini adalah persaingan antara dua filosofi produk yang sama sekali berbeda.

Lihat saja Claude Code yang diluncurkan oleh Anthropic, atau Devin dari Cognition—tujuan mereka adalah membangun Agent umum yang paling kuat. Produk-produk ini berharap AI bisa memahami segala jenis kebutuhan, menjalankan tugas apa pun, bahkan mengambil keputusan secara mandiri tanpa instruksi yang jelas. Ini adalah jalur “membuat Agent lebih pintar”. Di jalur ini, nilai produk berasal dari kemampuan generalisasi AI—ia bisa menangani berbagai masalah yang kompleks, membuat keputusan yang tepat meski dalam ketidakpastian yang besar, dan semakin mendekati cara kerja developer manusia. Arah ini tentu bernilai, tetapi secara alami ditujukan untuk developer dan pengguna profesional, karena hanya merekalah yang membutuhkan dan mampu mengendalikan tingkat keluwesan seperti itu.

CREAO memilih jalur yang berbeda: tidak membuat Agent yang paling kuat, melainkan Agent yang paling mudah dijinakkan oleh orang biasa. Nilai produk mereka tidak terletak pada seberapa pintar AI, melainkan pada seberapa mudah pengguna biasa dapat membekukan kemampuan AI menjadi alat khusus mereka sendiri. Dalam filosofi produk CREAO, Agent yang baik bukanlah Agent yang bisa melakukan semuanya, melainkan Agent yang bisa menjalankan satu hal dengan stabil, dan bisa digunakan ulang. Sifat yang menyempit seperti inilah yang justru menjadi karakteristik yang paling dibutuhkan oleh produk tingkat konsumsi.

Saya teringat sebuah analogi yang bagus. General AI Agent itu seperti konsultan serba-bisa: setiap kali kamu punya masalah, kamu bisa mencari dia, dia bisa memberi banyak saran, tetapi kamu harus tiap kali menjelaskan latar belakang, mendeskripsikan kebutuhan, dan mendiskusikan solusi. Yang diciptakan CREAO adalah asisten yang bisa dilatih: kamu mengajarinya sekali bagaimana melakukan sesuatu, lalu setelah itu dia akan menjalankan tugasnya secara rutin sendiri tanpa perlu kamu membimbing terus-menerus. Yang pertama menampilkan keluasan kemampuan, sedangkan yang kedua memberikan efisiensi penggunaan. Bagi pengguna biasa, efisiensi jauh lebih penting daripada kemampuan.

Perbedaan filosofi produk ini juga telah terbukti dalam respons pasar. Pada hari CREAO diluncurkan, lebih dari 50 KOL teknologi teratas di seluruh dunia secara bersamaan memublikasikan konten pengalaman mendalam, mencakup pasar multibahasa seperti bahasa Inggris, Spanyol, Portugis, Korea, dan lainnya. Penyebaran spontan lintas bahasa seperti ini sangat jarang. Ini menunjukkan bahwa masalah yang diselesaikan CREAO bersifat global dan lintas budaya. Tidak peduli kamu berada di Amerika Utara, Eropa, Asia Tenggara, atau Amerika Latin—selama kamu adalah pengguna biasa yang perlu menangani alur kerja repetitif, kamu akan tertarik pada produk ini. Pasar sudah memberikan suara dengan kaki—yang dibutuhkan orang bukan AI yang lebih kuat, tetapi AI yang lebih mudah dikendalikan.

Saya juga melihat perbandingan yang menarik. Jika kamu melihat produk-produk yang mengejar General Agent, kasus demo mereka biasanya berbentuk “AI membantu menyelesaikan tugas pengembangan yang kompleks” atau “AI secara mandiri menganalisis masalah bisnis dan memberikan solusi”. Kasus-kasus ini sangat menggetarkan, tetapi sulit ditiru. Pengguna biasa setelah menontonnya akan merasa “wah, keren sekali”, tetapi tidak tahu bagaimana menerapkannya ke pekerjaan mereka sendiri. Sementara itu, skenario penggunaan CREAO sangat konkret: memantau harga kompetitor, menyinkronkan data ke tabel, mengirim laporan secara terjadwal, merapikan email, mengelola daftar tugas. Semua ini adalah hal yang dilakukan setiap orang setiap hari, hanya saja sekarang bisa diotomatisasi. Perbedaan positioning produk ini menentukan bahwa CREAO secara alami memiliki basis pengguna yang lebih luas.

Di antara AI percakapan dan sistem otomatisasi tradisional, CREAO menemukan titik keseimbangan yang cerdas. Ia mempertahankan kemudahan AI percakapan—menyampaikan kebutuhan dengan bahasa natural, tanpa harus belajar pemrograman atau meneliti antarmuka konfigurasi yang rumit. Ia juga mewarisi keandalan sistem otomatisasi—sekali dikonfigurasi, ia bisa dieksekusi secara deterministik, tidak akan menghasilkan hasil tak terduga karena randomisasi AI. Keseimbangan seperti ini sangat langka, karena kebanyakan produk berada dalam goyah antara dua ekstrem: terlalu fleksibel hingga tidak stabil, atau terlalu tetap hingga kurang cerdas. CREAO memungkinkan pengguna menikmati keluwesan AI saat tahap konfigurasi, dan menikmati determinisme otomatisasi saat tahap berjalan.

Wawasan produk tim Silicon Valley

Saya penasaran seperti apa tim yang bisa membuat produk seperti ini. Setelah saya memahami lebih dalam, saya menemukan bahwa kantor pusat CREAO berada di Silicon Valley, Amerika Serikat, dengan tim inti yang dihimpun dari para elite AI Tionghoa yang berasal dari perusahaan raksasa Silicon Valley seperti Google dan Meta, serta tulang punggung teknis dari perusahaan rintisan model besar terkemuka di dalam negeri dan perusahaan internet bintang. Ini adalah tim gabungan China-Amerika dalam arti yang sesungguhnya.

Saya menganggap latar belakang tim ini sangat penting. Para engineer lulusan perusahaan besar Silicon Valley sangat dalam memahami teknologi level dasar; mereka tahu bagaimana membangun sistem yang stabil dan andal. Sementara itu, product manager dan engineer dari perusahaan internet dan AI di dalam negeri memiliki sensitivitas yang sangat kuat terhadap pengalaman pengguna C-end; mereka tahu desain produk seperti apa yang benar-benar dapat menurunkan ambang penggunaan. Kombinasi dua “gen” ini menghasilkan proyek seperti CREAO: memiliki kedalaman teknis sekaligus sentuhan produk.

Menurut pemahaman saya, tim CREAO menghabiskan beberapa bulan untuk secara khusus menyelesaikan satu masalah: bagaimana membuat output AI tetap bertahan bahkan setelah percakapan berakhir. Masalah ini tampak sederhana, tetapi di baliknya terdapat banyak tantangan teknis. Kode yang dihasilkan AI secara alami memiliki sifat acak; dengan deskripsi kebutuhan yang sama, dua kali generasi kode bisa benar-benar berbeda. Bagaimana memastikan kode-kode itu cukup stabil, dan mampu berjalan terus tanpa intervensi manusia? Bagaimana menangani kondisi pengecualian—jika suatu panggilan API gagal, apakah sistem perlu melakukan retry, melakukan degradasi, atau memberi tahu pengguna? Bagaimana memastikan transfer data antar beberapa alat tidak terputus karena masalah format? Semua ini adalah masalah rekayasa yang sudah diselesaikan oleh alat otomatisasi tradisional selama puluhan tahun, tetapi dalam skenario AI Agent, masalah-masalah itu perlu dipikirkan ulang dan diselesaikan kembali karena cara menghasilkan alur kerja telah berubah.

Yang sangat membuat saya kagum adalah, tim CREAO tidak memilih solusi yang sederhana. Mereka bisa, seperti banyak produk AI lainnya, menyimpan alur kerja yang dihasilkan, sehingga pengguna tinggal menjalankannya secara manual setiap kali. Secara teknis, tingkat kesulitannya tentu jauh lebih kecil, tetapi pengalaman pengguna akan sangat menurun. CREAO memilih otomatisasi yang benar-benar nyata—jalan terjadwal, eksekusi mandiri, penanganan pengecualian, pencatatan log. Fungsi standar dari sistem otomatisasi tradisional ini semuanya ada di CREAO, dan semuanya diwujudkan berdasarkan alur kerja yang dihasilkan oleh AI. Ini menuntut menemukan titik keseimbangan yang presisi antara keluwesan AI dan stabilitas sistem, serta memerlukan akumulasi rekayasa dan proses penyempurnaan produk yang besar.

Poin lain yang membuat saya terkesan adalah, arsitektur dasar CREAO, execution engine, dan protokol integrasi semuanya dibuat sendiri (self-developed). Dalam lingkungan startup AI saat ini, banyak perusahaan memilih jalan cepat—berdasarkan API dari OpenAI atau Anthropic, menambahkan antarmuka depan, lalu bisa merilis produk. Cara ini dapat memverifikasi pasar dengan cepat, tetapi sulit membangun penghalang teknologi yang benar-benar kuat. Tim CREAO memilih jalan yang lebih sulit: mereka membangun dari fondasi, memastikan setiap bagian sistem berada dalam kendali mereka sendiri. Investasi teknis seperti ini mungkin tidak terlihat keunggulannya dalam jangka pendek, tetapi dalam jangka panjang, inilah satu-satunya cara untuk membangun penghalang kompetitif.

Perlu disebutkan bahwa CREAO dalam waktu satu tahun telah menyelesaikan tiga putaran pendanaan berturut-turut bernilai puluhan juta dolar AS atau lebih. Setelah produk dirilis, hal ini juga memicu perhatian luas dari pasar modal. Ini menunjukkan bahwa investor juga melihat nilai dari arah tersebut—di pasar AI Agent, bukan siapa modelnya paling besar atau siapa Agent yang paling pintar yang akan menang, melainkan siapa yang mampu benar-benar mengubah kemampuan AI menjadi produk yang dapat digunakan oleh orang biasa, dan siapa yang akan menguasai puncak pasar.

Game Over yang sesungguhnya di lini Agent

Setelah meneliti CREAO, saya memiliki beberapa pemikiran baru tentang lini AI Agent. Menurut saya, “game over” dalam lini Agent bukanlah tentang Agent siapa yang paling pintar, melainkan siapa yang membuat paling banyak orang memiliki Agent mereka sendiri. Ini adalah perubahan pemahaman yang mendasar.

Dalam dua tahun terakhir, seluruh industri sedang “berlomba” kemampuan model, “berlomba” kerangka Agent, dan “berlomba” tools developer. Semua orang bersaing untuk melihat siapa bisa membuat AI menyelesaikan tugas yang lebih kompleks, dan siapa bisa mencapai otonomi yang lebih tinggi dengan intervensi manusia yang lebih sedikit. Logika persaingan ini punya pasar yang besar di kalangan teknolog karena selaras dengan estetika engineer—mengejar titik ekstrem, menantang batas, dan menerobos yang mustahil. Tetapi dari sudut pandang bisnis dan produk, mungkin ini bukan medan tempur yang paling penting. Medan tempur yang benar-benar penting adalah: bagaimana menurunkan ambang penggunaan, bagaimana meningkatkan kemampuan penggunaan ulang, dan bagaimana membuat orang biasa juga menikmati peningkatan efisiensi yang dibawa oleh AI Agent.

Jalur yang diwakili CREAO pada dasarnya mengejar “menurunkan ambang penjinakan” bukan “meningkatkan kemampuan umum”. Dua arah ini bukan saling bertentangan, melainkan melayani pasar yang berbeda. Bagi developer dan pengguna profesional, mereka memang membutuhkan Agent umum yang lebih kuat, karena kebutuhan mereka sendiri kompleks dan berubah-ubah. Namun bagi orang biasa yang jumlahnya lebih dari 90% dari total pengguna, yang mereka butuhkan adalah Agent khusus yang bisa menyelesaikan masalah tertentu secara stabil, bukan asisten serba-bisa yang bisa melakukan segalanya tetapi setiap kali harus diajari dari awal. CREAO menargetkan pasar 90% ini.

Saya sangat sependapat dengan satu pandangan: kemampuan penggunaan ulang adalah medan tempur berikutnya bagi AI tingkat konsumsi. Saat ini, produk AI yang ada di pasaran, baik itu ChatGPT, Claude, maupun berbagai tools Agent, pada dasarnya adalah konsumsi sekali pakai—pengguna mengajukan pertanyaan, AI memberi jawaban, lalu nilai percakapan itu berakhir. Bahkan jika AI memberikan solusi yang sangat baik, ketika menghadapi masalah serupa berikutnya, pengguna tetap harus bertanya lagi, menunggu lagi, dan memverifikasi lagi. Dalam model seperti ini, nilai AI bertumbuh secara linier—jika pengguna memakai 10 kali dan memakai 100 kali, nilai total yang diperoleh hanya penjumlahan sederhana. Tetapi jika output AI bisa digunakan ulang, misalnya sekali konfigurasi bisa terus berjalan, maka nilainya bertumbuh secara eksponensial—sekali konfigurasi, dipakai seratus kali, dan setiap kali tidak perlu investasi ulang. Yang dilakukan CREAO adalah mengubah konsumsi sekali pakai menjadi aset yang bisa digunakan ulang.

Hal ini mengingatkan saya pada perubahan klasik di industri perangkat lunak. Di masa awal pengembangan perangkat lunak, setiap fungsi harus ditulis dari nol. Lalu muncul pustaka fungsi, framework, dan komponen—developer bisa memakai kode yang sudah ditulis orang lain sehingga efisiensi meningkat drastis. Kemudian muncul platform low-code dan no-code, yang memungkinkan orang yang bahkan tidak bisa pemrograman membangun aplikasi. Jalur evolusi AI Agent mungkin juga mirip: mula-mula setiap percakapan harus dimulai dari nol, lalu muncul Agent yang bisa disimpan dan digunakan ulang, dan akhirnya mungkin akan muncul sebuah pasar Agent, di mana orang bisa berbagi dan bertukar Agent yang sudah mereka “jinakkan”. Yang dilakukan CREAO sekarang adalah lompatan kunci dari tahap pertama ke tahap kedua.

Menurut saya, AI Agent akan terpecah menjadi beberapa bentuk produk yang berbeda, masing-masing melayani segmen pengguna dan skenario penggunaan yang berbeda. Akan ada Agent yang mengejar generalisasi ekstrem dan melayani developer serta pengguna profesional; akan ada Agent yang fokus pada bidang vertikal tertentu, misalnya hukum, kesehatan, dan keuangan; juga akan ada platform Agent seperti CREAO yang fokus pada otomatisasi tingkat konsumsi. Arah-arah ini bukan hubungan kompetisi, melainkan hubungan saling melengkapi (mutualisme). Semuanya bersama membentuk ekosistem AI Agent yang lengkap. Dalam ekosistem ini, jalur tingkat konsumsi yang dipilih CREAO kemungkinan adalah yang basis penggunanya paling besar dan potensi bisnisnya paling luas.

Dari “Agent paling kuat” ke “Agent untuk paling banyak orang”—ini bukan hanya perubahan positioning produk, tetapi juga redefinisi nilai AI. Nilai AI tidak seharusnya hanya tercermin dari kemampuannya menyelesaikan tugas yang paling sulit, melainkan juga dari seberapa banyak orang yang bisa dibantu untuk meningkatkan efisiensi, menyelesaikan masalah, dan memperbaiki kehidupan. Produk seperti CREAO membuat saya melihat kemungkinan AI benar-benar menuju ke masyarakat umum. Ketika setiap orang dapat memiliki Agent khusus mereka sendiri, dan dapat mengotomatisasi tugas-tugas repetitif, sepele, dan menghabiskan waktu dalam pekerjaan sehari-hari, maka barulah AI benar-benar menjalankan misinya—bukan menggantikan manusia, melainkan membebaskan manusia dari kerja mekanis agar bisa melakukan hal-hal yang lebih kreatif dan bernilai.