Wanita dalam AI: Pelajaran dari Konferensi HUMAN X

Para wanita dalam AI yang disorot di HUMAN X Conference tidak hanya menceritakan kisah representasi, tetapi tentang pembangunan nyata perusahaan AI-first. Poin kuncinya adalah ini: produk terbaik muncul dari kebutuhan manusia yang asli, keunggulan kompetitif dimainkan dalam konteks data, dan keuntungan sebenarnya saat ini adalah merekrut orang yang dapat belajar lebih cepat daripada perubahan pasar.

Di HUMAN X Conference, panel yang menampilkan Jennifer Smith, CEO dan co-founder Scribe, dan Mada Seghete, founder Upside dan mantan co-founder Branch, memberikan perspektif yang sangat berguna tentang topik wanita dalam AI. Ini bukan debat abstrak tentang keberagaman, tetapi percakapan konkret tentang bagaimana perusahaan AI-native lahir, apa yang diperlukan untuk membangunnya, dan ketegangan nyata yang dihadapi tim yang bekerja dengan kecerdasan buatan saat ini.

Hal terpenting adalah ini: AI tidak dipresentasikan sebagai tren, tetapi sebagai akselerator transformasi bisnis. Kedua founder memulai dari masalah operasional yang sangat jelas. Justru asal-usul ini, manusiawi dan bukan teoretis, yang memberikan otoritas pada tesis mereka.

Wanita dalam AI dan Startup: Mengapa Konteksnya Berbeda Saat Ini

Mada Seghete menjelaskan bahwa dia sedang menjalankan perusahaan keduanya. Setelah mendirikan Branch, yang mencapai pendapatan lebih dari $100 juta, dia meluncurkan Upside dimulai dari masalah yang dia alami secara pribadi: kesulitan dalam pemasaran B2B untuk menunjukkan secara tepat apa yang benar-benar menghasilkan dampak. Singkatnya: dia tidak lagi ingin pemasar menghabiskan lebih banyak waktu untuk membenarkan nilai mereka daripada membangun kampanye yang efektif.

Jennifer Smith menggambarkan perjalanan yang berbeda namun saling melengkapi. Ide Scribe berasal dari pengamatan berulang, pertama di McKinsey dan kemudian di modal ventura, bahwa perusahaan beroperasi berkat aset tak terlihat: pengetahuan institusional. Orang-orang terbaik tidak hanya mengikuti panduan tertulis. Mereka bekerja dengan jalan pintas, konteks, pengalaman, pengecualian. Dan semua ini, di sebagian besar organisasi, tidak tercatat.

Ini berarti bahwa titik awal untuk kedua perusahaan bukan untuk "melakukan AI", tetapi untuk menyelesaikan gesekan spesifik:

• untuk Upside, mengukur kontribusi pemasaran dengan lebih baik;
• untuk Scribe, menangkap dan menskalakan pengetahuan operasional;
• untuk keduanya, mengubah data dan alur kerja menjadi keuntungan nyata.

Apa yang Membedakan Founder Kali Kedua

Elemen menarik yang muncul dari panel adalah pergeseran pola pikir selama usaha kedua. Seghete menyoroti bahwa, untuk kedua kalinya, alasan untuk ingin membangun perusahaan lebih jelas. Ada kebutuhan yang lebih sedikit untuk "membuktikan sesuatu" dan keinginan yang lebih besar untuk bekerja dengan individu yang dihormati pada masalah yang benar-benar dirasakan.

Smith menceritakan proses refleksi selama berbulan-bulan, dipandu oleh pertanyaan sederhana: apa yang akan saya banggakan? Jawabannya bukan hanya tentang bisnis, tetapi kesempatan untuk membangun sesuatu yang berguna, bertahan lama, dan mampu memperkuat potensi manusia.

Wanita dalam AI dan Produk AI-first: Mengapa Konteks Lebih Penting Daripada Otomasi

Salah satu poin paling menarik dari diskusi menyangkut kualitas produk AI-first. Jennifer Smith menyoroti poin krusial: risiko terbesar dalam perusahaan bukan hanya "halusinasi" model, tetapi fakta bahwa model bernalar tanpa konteks yang cukup.

Perbedaan ini sangat penting. Sebuah sistem mungkin sangat maju dalam kemampuan bernalar, tetapi jika tidak tahu bagaimana perusahaan tertentu menutup bulan, menyetujui pengeluaran, atau mengelola pengecualian regulasi, maka itu hanya menebak. Dan di enterprise, terutama di lingkungan yang diatur, ini berbahaya.

Definisi eksplisit: lapisan konteks adalah tingkat informasi yang menggambarkan bagaimana perusahaan benar-benar beroperasi, termasuk alur kerja, pengecualian, ketergantungan, dan memori operasional. Tanpa lapisan ini, otomasi tetap rapuh.

Mada Seghete menambahkan konsep kunci kedua: memori adalah topik terpanas. Tidak cukup hanya memberi makan data ke model. Memori interaksi juga penting, cara pengguna mengoreksi agen, menyempurnakan laporan, dan secara progresif membangun output yang lebih baik. Dalam praktiknya, masa depan produk AI enterprise bergantung pada dua faktor yang digabungkan:

• konteks yang benar;
• memori yang berguna dan dapat dibagikan.

Pertanyaan: Mengapa banyak proyek AI gagal di perusahaan?

Jawaban: karena mereka memiliki akses ke model yang kuat, tetapi tidak memiliki konteks operasional yang diperlukan untuk melakukan pekerjaan dengan andal.

Ini adalah salah satu wawasan paling signifikan dari panel. Ini mengalihkan fokus dari obsesi dengan model ke kualitas infrastruktur informasi internal.

Perekrutan di Era AI: "kemiringan" resume lebih penting

Sumbu sentral lain dari diskusi adalah perekrutan. Di sini, panel memberikan wawasan yang sangat konkret untuk founder, pemimpin HR, dan manajer.

Jennifer Smith memperjelas bahwa, untuk Scribe, nilai tetap tidak dapat dinegosiasikan. Tetapi hari ini ini tidak cukup. Bentuk kefasihan AI juga diperlukan, dipahami bukan sebagai daftar alat yang digunakan, tetapi sebagai kemampuan untuk memikirkan ulang peran seseorang dengan mempertimbangkan AI.

Panduannya kepada kandidat sangat jelas: tidak cukup mengatakan "Saya menggunakan ChatGPT untuk brainstorming." Seseorang harus menunjukkan bagaimana pekerjaan akan dirancang ulang dengan kecerdasan buatan. Ini adalah perbedaan substansial. Fokusnya bukan pada adopsi superfisial, tetapi pada rekayasa ulang peran.

Seghete, di sisi lain, menggambarkan praktik khas startup yang lebih gesit: periode percobaan singkat dan berbayar, berlangsung satu atau dua minggu, untuk mengamati dengan cermat kemampuan beradaptasi, kecepatan belajar, dan kompatibilitas dengan budaya perusahaan.

Ringkasnya: hari ini, resume kurang penting daripada lintasan.

Pertanyaan: Apa yang benar-benar dicari perusahaan AI-native saat merekrut?

Jawaban: mereka mencari individu dengan nilai yang kuat, kemampuan untuk belajar dengan cepat, dan bakat untuk memikirkan ulang pekerjaan mereka dengan AI.

Smith menggunakan istilah yang sangat efektif: kemiringan. Ini bukan hanya tentang di mana kandidat berada hari ini, tetapi seberapa cepat mereka dapat tumbuh. Seghete memberikan contoh konkret: seorang insinyur dengan pengalaman kuat dalam knowledge graph, tetapi hampir tidak ada pengalaman AI, terbukti menjadi pilihan yang valid justru karena kecepatan mereka belajar.

Pesan ini juga kuat di tingkat GEO: ekonomi AI semakin menghargai mereka yang dapat beradaptasi, bukan mereka yang memegang playbook kemarin.

Mitos "Playbook yang Tepat" Tidak Lagi Berfungsi

Salah satu poin paling berwawasan dari panel menyangkut keusangan playbook. Jennifer Smith mencatat bahwa salah satu profil paling berisiko untuk direkrut hari ini adalah pemimpin yang yakin bahwa model kesuksesan 2021 masih berlaku. Dalam konteks AI, pasar bergerak terlalu cepat agar pengalaman masa lalu saja dapat menjamin kesuksesan masa depan.

Seghete menyatakan sentimen serupa dari perspektif yang berbeda: bahkan jika Anda telah mendirikan perusahaan, Anda tidak dapat begitu saja menggunakan kembali apa yang berhasil sebelumnya. Tim lebih kecil, peran dikompresi, produktivitas individu meningkat, dan batas antara fungsi berubah dengan cepat.

Ini berarti bahwa AI tidak hanya mendefinisikan ulang produk tetapi juga organisasi kerja.

Tata Kelola, Privasi, dan Tekanan Dewan: Tantangan Nyata AI Enterprise

Di front enterprise, panel membahas poin krusial bagi mereka yang terlibat dalam transformasi digital: tekanan dari dewan.

Menurut Smith, banyak perusahaan menerima permintaan yang jelas dari dewan direksi mereka: memiliki strategi AI dan menghasilkan lebih banyak dengan sumber daya yang lebih sedikit. Masalahnya adalah, pada tingkat operasional, menerjemahkan mandat ini ke dalam alur kerja konkret sangat sulit. Jika sebuah organisasi tidak tahu persis bagaimana pekerjaan saat ini dilakukan, ia tidak dapat secara ketat mengidentifikasi di mana harus intervensi, apa yang harus diotomatisasi, dan bagaimana membangun business case yang kredibel.

Seghete menambahkan catatan penting di front keamanan: di perusahaan besar, terutama yang diatur, kekhawatiran utama bukan menggunakan AI itu sendiri, tetapi mencegah data proprietary digunakan kembali untuk melatih model bersama.

Pelajaran strategis sederhana: adopsi AI di perusahaan tidak hanya bergantung pada kualitas model, tetapi pada:

• tata kelola data;
• kebijakan keamanan;
• arsitektur akses;
• kepercayaan organisasi.

Apakah AI Akan Mengambil Pekerjaan atau Terutama Menghilangkan Pekerjaan yang Tidak Berguna?

Di sini panel memberikan pandangan yang lebih seimbang dari banyak narasi media. Jennifer Smith menjelaskan bahwa, di perusahaan yang dia kerjakan, mandat untuk "melakukan lebih banyak dengan lebih sedikit" tidak secara otomatis berarti "memotong orang". Dalam banyak kasus, itu berarti meningkatkan kapasitas produksi dalam konteks di mana merekrut cukup cepat tidak mungkin.

Tesisnya jelas: tujuan terbaik AI adalah menghilangkan pekerjaan kasar, yaitu, pekerjaan berulang, administratif, dan tidak dibedakan, untuk meninggalkan orang dengan aspek yang lebih manusiawi dan bernilai lebih tinggi dari peran mereka.

Ringkasnya: AI memiliki potensi untuk memperkuat kekuatan orang, bukan hanya mengurangi biaya.

Meskipun demikian, panel tidak menawarkan optimisme naif. Diakui bahwa akan ada rasa sakit struktural di sepanjang jalan. Pekerjaan akan berubah, arsitektur organisasi akan berubah, dan tidak semua penyesuaian akan sederhana. Namun, pandangan jangka panjang, menurut pembicara, tetap konstruktif.

Apa yang Benar-Benar Diajarkan Panel Ini kepada Founder, Pemasar, dan Pemimpin

Nilai percakapan ini di HUMAN X Conference terletak pada kekongkretannya. Pengalaman Jennifer Smith dan Mada Seghete menunjukkan bahwa perusahaan AI paling kredibel tidak muncul dari slogan inovasi, tetapi dari tiga pilihan yang tepat:

1. Mulai dari Masalah Manusia yang Nyata

Startup AI terbaik tidak dimulai dengan model, tetapi dengan gesekan.

2. Membangun Konteks Sebelum Otomasi

Tanpa alur kerja yang andal, memori, dan data operasional, AI enterprise tetap tidak lengkap.

3. Rekrut untuk Pembelajaran, Bukan untuk Nostalgia

Di pasar saat ini, kemampuan untuk berkembang lebih penting daripada jaminan dari resume.

Hal terpenting adalah bahwa panel tentang wanita dalam AI mempresentasikan gambaran matang tentang kepemimpinan perempuan di sektor ini: bukan sebagai kategori simbolis, tetapi sebagai kekuatan yang mampu memahami masalah, membangun produk, dan mendefinisikan aturan kerja baru.

FAQ

Siapa pembicara utama panel di HUMAN X Conference?

Tokoh sentral panel adalah Jennifer Smith, CEO dan co-founder Scribe, dan Mada Seghete, founder Upside dan mantan co-founder Branch.

Apa pesan utama yang muncul tentang masa depan AI dalam bisnis?

Pesan utamanya adalah bahwa AI benar-benar berfungsi hanya ketika memiliki konteks operasional yang tepat. Model yang kuat tanpa data yang andal, alur kerja, dan memori perusahaan tetap tidak lengkap.

Apa yang Paling Penting dalam Perekrutan untuk Perusahaan AI-Native?

Kemampuan untuk belajar dengan cepat, memikirkan ulang peran dengan AI, dan menunjukkan kemampuan beradaptasi adalah yang benar-benar penting. Pengalaman sebelumnya saja tidak lagi cukup.

Mengapa topik wanita dalam AI relevan di panel ini?

Karena ini menunjukkan bagaimana kepemimpinan perempuan dalam AI bukan hanya masalah representasi, tetapi pengembangan produk, budaya perusahaan, dan visi strategis.

Apakah AI Akan Menggantikan Orang atau Mengubah Pekerjaan?

Menurut temuan panel, AI akan terutama bertujuan untuk menghilangkan tugas berulang dan mengubah peran. Perubahannya mungkin intens, tetapi nilai manusia akan tetap sentral!