Apa yang terjadi saat keahlian para pakar menjadi murah, dan apa yang mulai terjadi sekarang

Hingga akhir 1970-an, analisis keuangan yang rumit adalah pekerjaan para pakar.

Orang yang mahir matematika dan akuntansi menangani rumus yang rumit, memeriksa langkah demi langkah apakah perhitungannya benar, dan jika menemukan kesalahan, mengulang dari bagian yang salah. Bahkan jika perhitungannya tidak salah, begitu informasi atau angka baru masuk, mereka harus menghitung ulang.

Dengan mengulang pekerjaan itu, barulah kondisi keuangan perusahaan yang akurat dapat dipahami, dan berdasarkan itulah perbaikan manajemen serta keputusan investasi dibuat.

Pada masa itu, Dan Bricklin, yang sedang mengikuti kuliah keuangan di sekolah bisnis, terinspirasi oleh penderitaan menghitung ulang untuk menciptakan perangkat lunak spreadsheet (VisiCalc). Ia mengembangkannya dalam dua bulan di akhir 1978 dan mulai menjualnya pada 1979.

Setelah itu, setelah VisiCalc lahir pula perangkat lunak spreadsheet seperti Lotus 1-2-3 dan Excel, dan berkat penyebarannya, banyak orang menjadi mampu melakukan perhitungan dan perhitungan ulang secara interaktif dan berulang.

Perangkat lunak spreadsheet bisa dikatakan telah membuat tugas akuntan dan orang yang mahir menghitung menjadi lebih efisien, sekaligus mengurangi tugas mereka. Dalam beberapa kasus, mungkin bukan hanya tugasnya, tetapi pekerjaannya sendiri yang hilang.

Namun, seperti yang sering dikatakan dalam diskusi tentang AI saat ini, hal itu juga berarti bahwa orang bisa menggunakan waktunya untuk hal lain. Berkat perangkat lunak spreadsheet, akuntan terbebas dari tugas menghitung dan dapat berfokus pada pekerjaan yang membutuhkan pengetahuan keahlian yang lebih tinggi.

Tetapi, ceritanya tidak berhenti di situ.

Perangkat lunak spreadsheet menopang perkembangan industri konsultasi dan investasi sejak 1980-an. Itu karena, dengan perangkat lunak tersebut, orang yang tidak terlalu pandai menghitung ataupun orang di level junior pun bisa melakukan perhitungan sampai tingkat tertentu, sehingga jumlah orang yang dapat masuk ke pekerjaan itu bertambah.

Meski tidak bisa dikatakan bahwa spreadsheet adalah faktor terbesar bagi perkembangan industri konsultasi dan investasi, di balik perkembangan industri-industri ini sejak 1980-an, bisa dikatakan ada generalisasi "perhitungan" oleh perangkat lunak spreadsheet semacam ini.

Yang benar-benar meraup keuntungan besar dari situ adalah perusahaan perangkat lunak yang menyediakan alat untuk memudahkan perhitungan, dan "orang yang memanfaatkan dengan baik kekuatan perhitungan yang telah digeneralisasi".

Jika AI menyediakan beragam pengetahuan keahlian di luar perangkat lunak

Seperti spreadsheet dahulu menggeneralisasi perhitungan, kini AI sedang menggeneralisasi kecerdasan dan keterampilan berbagai pakar. Akan ada beberapa dampak dari hal itu.

Dalam artikel berjudul "Apa yang terjadi saat perangkat lunak dan kecerdasan menjadi murah" beberapa waktu lalu, saya memperkenalkan versi perangkat lunak dari Paradoks Jevons. Ini adalah hal yang mungkin terjadi ketika keterampilan dan kecerdasan insinyur perangkat lunak digeneralisasi.

Namun, AI juga menyediakan kecerdasan di "luar" pengembangan perangkat lunak. Saat ini penerapannya lebih dahulu berjalan di bidang perangkat lunak, tetapi jangkauan dampaknya kemungkinan akan meluas ke jenis kecerdasan lain.

Lalu, spreadsheet dahulu merupakan penggantian yang terspesialisasi pada keterampilan menghitung, sedangkan AI kali ini berbeda dalam hal hampir semua bidang keahlian menjadi sasarannya (asalkan pada tingkat tertentu).

Karena itu, dalam artikel ini saya ingin merangkum apa yang akan terjadi jika kecerdasan dan keterampilan pakar-pakar lain digeneralisasi, dan sebagai tanda-tandanya, apa yang kini mulai terjadi di sekitar saya.

"Apa yang akan Anda lakukan jika pakar bisa didapat dengan murah dan cepat?"

Salah satu perubahan yang kemungkinan besar akan terjadi adalah efisiensi permintaan yang sudah ada. Misalnya, pekerjaan pengacara dan dokter sampai tingkat tertentu akan dapat dibuat lebih efisien.

Bukan hanya itu, penyebaran ke tempat-tempat yang permintaannya belum terpenuhi juga mungkin terjadi. Seperti cahaya dan bola lampu pada masa lalu, produk yang menjadi murah mulai dipakai bahkan di tempat yang sebelumnya tidak masuk hitungan dari segi efektivitas biaya.

Dalam konteks AI belakangan ini, konsultasi memasak seperti "menu makanan yang bisa dibuat dari sisa bahan di kulkas hari ini dan disukai anak-anak" adalah contoh bahwa kecerdasan dan keterampilan pakar mulai menjangkau tempat yang sebelumnya tidak terjangkau. Artikel ini pun bisa memakai banyak gambar penjelasan karena biaya pembuatannya turun drastis (sebelumnya dikerjakan dengan tangan).

Dan seperti pada contoh spreadsheet tadi, ketika keterampilan pakar digeneralisasi, pekerjaan yang memanfaatkannya bertambah. Selain peluang di bidang yang menggunakannya sebagai bagian dari alur kerja ikut meluas karena sebagian alur kerja menjadi efisien, bidang keahlian pun menjadi lebih mudah dimasuki oleh orang yang bukan pakar.

Yang terjadi pada masa spreadsheet adalah bahwa industri konsultasi dan investasi, yang berhasil menjawab dengan baik pertanyaan "apa yang akan Anda lakukan jika tenaga penghitung bisa didapat dengan murah dan cepat?", meraih kekayaan.

Kalau begitu, pertanyaan penting saat ini bisa dikatakan adalah "apa yang akan Anda lakukan jika berbagai pakar bisa didapat dengan murah dan cepat?"

Memang, saat berada di lapangan dukungan startup, saya merasa bahwa fenomena yang sama dengan ketika VisiCalc menurunkan hambatan masuk ke industri akuntansi dan investasi lalu melahirkan perluasan industri konsultasi dan investasi, kini sedang terjadi di bidang deep tech berkat AI.

AI for Engineering - Yang mulai terjadi di startup deep tech

Bidang yang disebut AI for Engineering pertama-tama akan sangat membantu para pakarnya. Seperti perhitungan menjadi lebih mudah bagi akuntan.

Lalu yang terjadi berikutnya adalah bertambahnya pekerjaan yang menggunakan kemampuan itu sebagai salah satu bagiannya, seperti industri konsultasi dan investasi.

Memang, dalam mendukung startup deep tech pada tahap awal, tanda yang saya rasakan adalah perubahan bahwa para pendiri yang bukan pakar di bidang itu, meski memasuki bidang yang membutuhkan keahlian, kini bisa dengan cepat mencapai tingkat tertentu asalkan mau berusaha keras.

Misalnya, sebelumnya, ketika seseorang hendak merintis usaha di bidang yang bukan keahliannya, hal seperti ini terjadi.

Mencari pakar di bidang itu selama beberapa hari, meminta bantuannya, lalu menunggu beberapa minggu. Satu pengujian hipotesis memakan waktu beberapa minggu.

Dengan ChatGPT, kini jadinya seperti berikut.

Bahkan untuk pertanyaan yang agak sulit, verifikasi di atas kertas selesai dalam 1-2 jam

Khususnya, saya merasa bahwa model-model sejak ChatGPT 5.2 Pro, yang dirilis pada Desember 2025, sudah mampu mengerjakan pekerjaan verifikasi numerik pada tingkat yang cukup tinggi.

AI generatif sudah lama dikatakan "lemah dalam verifikasi", tetapi halusinasi sudah jauh ditekan, dan pekerjaan seperti versi sederhana analisis tekno-ekonomi dan penyusunan ulang dari dasar secara percobaan prinsip pertama pun dikerjakan dengan tingkat akurasi tertentu, meski belum bisa dikatakan sempurna.

Selain itu, jika hasilnya diminta dikeluarkan dalam Excel dan sejenisnya, kita bisa memperbaikinya sendiri kalau AI salah menulis angka.

Belakangan ini juga muncul contoh-contoh seperti serangkaian kasus penyelesaian masalah terbuka Erdős bersama GPT-5.2 Pro oleh Terence Tao, peraih Medali Fields (Januari 2026). Artinya, model tercanggih saat ini sudah naik ke tingkat yang berguna sebagai "alat yang dengan cepat menyelesaikan masalah yang bisa dipecahkan dengan teknik standar".

Jika dibandingkan dengan VisiCalc, saya kira jadinya seperti berikut.

Masa lalu (saat Excel muncul)	Sekarang dan masa depan (saat AI muncul)
Hambatannya adalah perhitungan	Hambatannya adalah pengetahuan keahlian
Generalisasi keahlian akuntan	Generalisasi kecerdasan pakar di setiap bidang
Perluasan kumpulan talenta industri konsultasi dan investasi	Perluasan kumpulan talenta pendiri deep tech

Jika melihat startup di Amerika dan Eropa, bidang seperti Defense Tech sedang menggeliat. Meski perubahan di sisi permintaan adalah yang terbesar, saya juga merasa bahwa ini tidak akan terjadi tanpa perubahan di sisi pasokan, yaitu "pengetahuan keahlian kini dapat segera diperoleh" berkat AI.

Ini juga bisa dikatakan sebagai salah satu contoh AI for Engineering.

Deep tech yang mulai terbuka bagi non-pakar

Ketika keterampilan keahlian menjadi mudah digunakan, lebih banyak pendatang bisa masuk ke bidang yang memakai keterampilan itu sebagai bagian. Dalam deep tech, ini berarti ruang bagi non-pakar untuk masuk ke usaha rintisan di bidang deep tech meluas sebagaimana belum pernah terjadi sebelumnya.

Dan memang, di program dukungan wirausaha yang membantu eksplorasi ide pun, saya merasa mulai muncul contoh non-pakar di bidang deep tech yang, dengan bantuan AI, memperoleh wawasan keahlian dan melewati pengujian hipotesis tahap awal dengan kecepatan yang belum pernah ada.

Misalnya, pekerjaan seperti berikut dapat dilakukan dengan tingkat akurasi tertentu.

• Berpikir dari prinsip pertama (menguraikan segala sesuatu dari dasar dan memikirkan sejauh mana hal itu mungkin pada dasarnya)
• Analisis tekno-ekonomi sederhana (TEA) dan analisis sensitivitas
• Eksplorasi arah bisnis + teknologi
• Pemisahan BOM
• (Pendataan subsidi yang relevan, dsb.)

Artinya, verifikasi awal di atas kertas yang sebelumnya diminta kepada pakar atau dihitung selama beberapa minggu oleh pekerja paruh waktu yang dipekerjakan, kini bisa dijalankan sendiri dalam 90 hingga 180 menit.

Perubahan seperti ini juga memungkinkan non-pakar memverifikasi ide secara paralel. Seperti perhitungan ulang menjadi mudah berkat spreadsheet seperti Excel, pivot ide kini menjadi mungkin juga di bidang keahlian.

Bukan hanya itu. Cara memasang kabel dan pipa yang tepat di dunia nyata pun, jika kita memotret dan bertanya kepada Gemini, ia akan mengajarkannya sampai tingkat tertentu. Artinya, bahkan dalam hal membuat sesuatu secara nyata, dengan memanfaatkan AI kita bisa melangkah sampai tingkat tertentu.

Tentu saja, AI tidak dapat dipakai di bidang seperti penemuan obat yang menggunakan pengetahuan mutakhir yang tidak diketahui AI, dan pengetahuan praktis yang terperinci masih kalah dari pakar. Saat melakukan pekerjaan yang berbahaya, saran pakar diperlukan. Meski begitu, untuk memeriksa arah secara garis besar, penghematan waktu yang cukup besar sudah memungkinkan.

Pustaka prompt deep tech

Dengan kemajuan teknis semacam ini, belakangan saya sering menggunakan ChatGPT Pro untuk menganalisis bidang-bidang yang berkaitan dengan para pendiri yang kami dukung.

Maka kali ini, kami merilis prompt yang kami gunakan dan sejenisnya sebagai Pustaka Prompt Awal Deep Tech FoundX.

Coba Pustaka Prompt FoundX →

Pustaka ini menyimpan prompt untuk memverifikasi masalah dan risiko pada sisi pasokan (sisi teknologi) dari sebuah ide teknologi, dan menghasilkan bisnis dari input yang dimasukkan. Secara khusus, ada fitur-fitur berikut.

• Cukup memasukkan nilai input sekali, maka otomatis tercermin di semua prompt
• Setelah itu, dengan menjalankannya di ChatGPT dan sejenisnya, keluaran dalam bentuk Word / Excel dihasilkan

Pustaka ini berjalan sebagai halaman statis di Cloudflare Pages, dan informasi yang dimasukkan tidak dikirim ke server. (Teks disimpan di penyimpanan lokal.)

Hal yang perlu diperhatikan adalah sebagai berikut.

• Pustaka ini juga berjalan di Claude, tetapi saat ini kesannya GPT Pro memberikan hasil yang lebih baik, sehingga ChatGPT Pro (100 dolar per bulan) direkomendasikan.
• Dengan ChatGPT Pro, satu kali eksekusi memakan waktu 90 hingga 180 menit.

Namun, prompt semacam ini memiliki kasus yang efektif dan kasus yang tidak efektif.

• ✅ Efektif: Verifikasi sisi teknologi yang bisa dituntaskan secara kuantitatif dalam sistem tertutup, seperti hukum fisika, struktur biaya, dan proses manufaktur
• ❌ Kurang cocok: Verifikasi sisi permintaan yang berhadapan dengan sistem terbuka bernama manusia, seperti perilaku pelanggan dan penerimaan pasar

Hukum fisika di sisi pasokan adalah sistem tertutup dan pada dasarnya tidak berubah, sedangkan di sisi permintaan perubahan manusia dan pasar besar dan banyak bagian yang tidak bisa diprediksi, sehingga tidak cocok. Karena itu, untuk verifikasi sisi permintaan, kegiatan seperti wawancara pelanggan tetap diperlukan.

Meski begitu, bisa dikatakan juga bahwa dari yang sebelumnya harus memverifikasi pasokan dan permintaan sekaligus, verifikasi sisi pasokan kini menjadi jauh lebih mudah.

Menuju renaisans perangkat keras

Hambatan yang akan muncul seiring kemajuan AI generatif ke depan kemungkinan besar terjadi di sisi fisik. Bahkan sekarang pun energi, transformator, air, dan sebagainya sudah kekurangan. Menyelesaikan hambatan masalah fisik semacam itu seharusnya akan semakin dibutuhkan ke depan.

Dengan begitu, sementara kehadiran fisik di sisi permintaan semakin besar, jika di sisi pasokan pun kita bisa memanfaatkan kecerdasan AI untuk menyediakan pasokan fisik, saya rasa di situ ada peluang besar.

Dalam arti itu pula, saya merasa bahwa sekarang inilah saatnya perubahan besar di sisi perangkat keras bisa terjadi lewat kekuatan perangkat lunak, dan bahwa sebenarnya era perangkat keras mungkin akan kembali.

Misalnya, jika Anda mendengar cerita bahwa "transformator untuk pusat data kurang",

"Transformator untuk pusat data. Namun bukan yang membutuhkan riset dan pengembangan berat, melainkan yang dengan mengintegrasikan teknologi yang sudah ada dapat meningkatkan kinerja lebih dari 10 kali lipat dibanding sebelumnya, atau menekan biaya menjadi 1/10 (termasuk pemanfaatan ruang, dll.)"

cobalah memasukkan kalimat seperti itu ke pustaka di atas, lalu minta ia mengeluarkan proposal bisnis dan lanskap penggalangan dana. Beberapa usulan seharusnya akan muncul.

Dengan menanyakan cara menjalankannya di antara usulan itu, kita bisa sampai pada hipotesis yang cukup baik. Ini adalah hal yang dahulu memakan waktu cukup lama.

Meski begitu, tentu saja, apakah ide itu benar-benar terwujud bergantung pada pertimbangan dan pelaksanaan para pendiri sendiri, dan verifikasi sisi permintaan mutlak membutuhkan tangan manusia. Lagi pula, yang bekerja dengan tangan saat benar-benar membuat sesuatu adalah para teknisi, dan bukan berarti semuanya selesai hanya dengan AI.

Namun, pekerjaan awal untuk terus memecah dan menyempurnakan ide sendiri pasti menjadi lebih mudah berkat evolusi model ini.

Jika ada bidang yang sedikit menarik minat Anda, silakan coba gunakan prompt ini sebagai "alat untuk meningkatkan kualitas dan kecepatan hipotesis". Dan justru sekarang, ketika semua orang menghadap ke perangkat lunak, saya berharap semakin banyak orang yang menantang bidang fisik dan deep tech semacam ini.

Selain itu, di program Studio tempat kami memikirkan ide bersama Anda, kami juga membuka pendaftaran bagi pelamar. Jika berminat, silakan bergabung.

Coba Pustaka Prompt FoundX →