Merancang AI Berpusat Manusia

Strategi Tetap Relevan dengan AI Tanpa Mengalami Kelelahan Informasi

Mengikuti perkembangan AI tanpa kelelahan bukan soal membaca setiap berita baru, melainkan membangun disiplin informasi yang terstruktur. Alih-alih memperlakukan setiap artikel sebagai sesuatu yang harus segera dipraktikkan, lebih produktif melihat informasi sebagai “data pelatihan” bagi otak. Pendekatan ini membantu membentuk model mental yang luas tentang arah evolusi AI, tanpa tekanan untuk langsung mengimplementasikan setiap temuan ke dalam pekerjaan sehari-hari.

Saya berlangganan sejumlah newsletter terkurasi dan mengikuti para penulisnya di LinkedIn. Saya membaca karya branda secara rutin, namun tidak memaksa diri untuk menerapkan setiap wawasan secara instan. Pengetahuan tersebut berfungsi sebagai referensi strategis yang siap digunakan ketika tantangan atau peluang yang tepat muncul dalam konteks profesional. Beberapa sumber favorit saya—yang juga tercantum dalam daftar bacaan produk—antara lain The Neuron untuk ringkasan berita AI yang padat dan mudah dicerna, Alpha Signal untuk digest teknis riset dan rekayasa, tulisan “One Useful Thing” oleh Ethan Mollick, serta analisis Nielsen Norman Group tentang praktik terbaik UX dan pola interaksi berbasis AI.

Newsletter lain seperti Lenny’s Newsletter, The Rundown, Reforge Blog, tulisan Julie Zhuo, buku Conversational Design oleh Erika Hall, dan TLDR AI juga menjadi rujukan penting. Banyak praktisi menambahkan Emerging Tech Brew sebagai bacaan wajib dan menegaskan kembali kegunaan TLDR AI sebagai “fix” cepat berita AI. Mengikuti semua ini bisa terasa seperti pekerjaan penuh waktu; karena itu, kurasi dan prioritas menjadi kunci untuk menghindari kelelahan informasi. Jika Anda memiliki blog, buku, atau sumber lain yang diandalkan untuk tetap mutakhir, daftar bacaan produk akan terus diperbarui, dengan sumber-sumber AI ditempatkan di bagian teratas agar mudah diakses.

Dari Pilot ke Produk: Mengatasi Skeptisisme terhadap AI

Di tengah hype teknologi, muncul kecenderungan baru: skeptisisme terhadap AI justru meningkat ketika teknologi ini mulai benar-benar efektif. Seorang pengguna pernah memperingatkan kami sebelum presentasi kepada atasannya, “Jangan bilang itu AI—bos kami berpikir proyek AI tidak pernah berhasil.” Ironisnya, keraguan ini muncul pada saat teknologi telah jauh lebih matang dan stabil dibanding beberapa tahun lalu.

Ada dua poin penting dalam konteks ini. Pertama, perbedaan mendasar antara pilot AI dan produk AI. Sebagian besar pilot gagal bukan karena teknologi uniknya bermasalah, melainkan karena pilot memang bersifat eksperimental dan belum melalui siklus iterasi penuh. Produk AI yang matang telah melewati fase kegagalan awal, mengasah pengalaman pengguna, dan menemukan blok bangunan yang tepat untuk kasus penggunaan spesifik. Produk seperti ini sangat berbeda dari prototipe tahap awal yang sering dijadikan dasar penilaian.

Kedua, kemampuan teknologi AI telah meningkat secara fundamental. Dalam pengalaman kami menulis tanggapan setebal tiga puluh halaman untuk tender publik, lompatan besar terjadi ketika model penalaran terjangkau seperti Claude 3.7 dan o3-mini tersedia. Peningkatan tersebut signifikan, terutama dalam kemampuan membaca, merencanakan, dan menulis dibandingkan model era GPT-4. Menulis satu halaman untuk tender publik bukan sekadar merangkai kalimat formal; tugas ini mencakup perencanaan struktur, peninjauan materi sebelumnya, ekstraksi informasi relevan, dan memastikan setiap persyaratan tender terjawab. Penalaran harus dilapiskan di atas kemampuan menulis, dan model penalaran baru menangani kombinasi ini jauh lebih baik. Sebut saja AI, sebut saja agen—yang jelas, sistem ini bekerja dalam praktik. Jika Anda menangani tender dan ingin merespons lebih banyak tender dengan lebih cepat dan konsisten, solusi berbasis AI yang teruji kini menjadi opsi yang realistis.

Desain Berbasis Intent: Mengutamakan Pengguna, Bukan Sekadar Model

Bagi siapa pun yang membangun produk berbasis AI, pertanyaan krusial adalah: apakah desain dilakukan untuk model atau untuk intent pengguna? Developer Advocate kami, Ebony Louis, membahas bagaimana MCP-UI membantu pengembang melampaui prompt teks murni dan menciptakan pengalaman AI interaktif yang digerakkan intent. Pesan utamanya tegas: era berikutnya AI bergantung pada desain berfokus pengguna, bukan hanya pada kemampuan large language model.

Menyebut LLM sebagai “AI” sering menyesatkan, seolah-olah sistem akan beradaptasi dengan pengguna secara otomatis. Kenyataannya, LLM tidak melakukan adaptasi tersebut tanpa desain interaksi yang tepat. Setiap pola interaksi, setiap kasus penggunaan, dan setiap wawasan perilaku harus dirancang secara sengaja dan sistematis. LLM lebih mirip cermin canggih yang memantulkan apa yang diberikan melalui prompt, data, dan desain interaksi. Model tidak mengenali pengguna spesifik, tidak memahami kesulitan branda, dan tidak beradaptasi dengan konteks secara mandiri. Tanggung jawab itu tetap berada pada tim produk dan tim desain.

Implikasinya signifikan bagi organisasi yang mengadopsi AI dalam produk branda. Anda tidak bisa melewatkan riset pengguna dan mengandalkan asumsi internal. Anda tidak bisa berasumsi AI akan menutupi celah pemahaman tentang perilaku pengguna. Setiap titik friksi, momen kebingungan, dan kebutuhan yang belum terpenuhi harus diantisipasi dan dirancang secara eksplisit. Dalam antarmuka tradisional, tim produk memetakan alur pengguna, menjalankan uji kegunaan, dan beriterasi berdasarkan umpan balik. Dengan LLM, banyak tim tergoda melewati proses ini karena menganggap “AI sudah pintar” dan mampu menyesuaikan diri. Padahal, AI tidak secara inheren mengetahui apa yang ingin dicapai pengguna atau konteks di balik pertanyaan branda. Seperti dicatat Ray Grieselhuber, Google telah menggunakan AI dalam pencarian selama lebih dari satu dekade; perdebatan “pencarian AI vs. pencarian tradisional” sering melewatkan isu inti: memahami bagaimana manusia mencari informasi dan merancang pengalaman yang mendukung perilaku tersebut.

Riset Pengguna Berbantuan AI: Antara Efisiensi dan Risiko Metodologis

Dalam riset pengguna, mengandalkan satu alat AI saja untuk riset sintetis merupakan risiko metodologis yang signifikan. Setelah menghadiri sesi singkat John Whalen tentang AI untuk riset pelanggan, saya merefleksikan eksperimen saya dengan alat AI untuk mempercepat riset di lingkungan dengan sumber daya terbatas. Pertanyaan kunci muncul: apakah pengguna sintetis atau persona yang disimulasikan AI benar-benar membantu pemangku kepentingan memahami data? Jawabannya campuran dan sangat bergantung pada cara penggunaan.

Agar riset berbantuan AI benar-benar menginformasikan keputusan desain, beberapa langkah penting perlu diterapkan secara konsisten. Pertama, selalu minta sumber yang dapat ditelusuri dan diverifikasi. Untuk aplikasi B2B, minta model mengutip sumber dari LinkedIn, laporan industri, atau studi formal. Untuk aplikasi B2C, minta rujukan dari Reddit, Instagram, atau platform serupa yang relevan. Pendekatan ini memungkinkan pemeriksaan silang pernyataan AI dengan sumber asli.

Kedua, gunakan beberapa alat AI secara paralel untuk mengurangi bias model tunggal. Ajukan pertanyaan yang sama di berbagai alat dan bandingkan hasilnya. Anda mungkin mendapatkan jawaban berbeda, tetapi pola akan muncul lebih cepat dan lebih jelas. Pendekatan ini membantu memadukan narasi pengguna sintetis dengan wawasan tervalidasi, sehingga temuan terdengar lebih manusiawi dan kredibel. Ketiga, prototipe ide AI dan ide manusia secara berdampingan dalam proses desain. Buat prototipe solusi yang direkomendasikan AI dan bandingkan dengan konsep yang dikembangkan tim. Uji keduanya untuk melihat arah mana yang paling selaras dengan pengguna dan tujuan bisnis. Pendekatan yang menggabungkan data kualitatif dan kuantitatif akan menghasilkan keputusan desain yang lebih kokoh.

AI sebagai Mitra Berpikir, Bukan Sekadar Mesin Penulis

AI seharusnya tidak hanya membantu Anda menulis lebih cepat dan menghasilkan teks lebih banyak; ia seharusnya membantu Anda berpikir lebih baik dan lebih sistematis. Dalam sebuah artikel di Medium, saya membahas bagaimana kreator konten dapat meningkatkan kualitas dengan melampaui otomasi dasar dan menggunakan AI sebagai mitra strategis. Ada tiga teknik utama yang terbukti efektif.

Pertama, prompt chaining, yaitu membangun prompt berlapis dan terstruktur untuk menciptakan arsitektur konten yang mendalam, bukan sekadar output sekali pakai. Kedua, prompt multimodal, yang menggabungkan teks, gambar, dan audio untuk menambah kedalaman bercerita dan memperkaya konteks. Ketiga, AI agents, yaitu agen AI khusus yang bertindak sebagai think tank pribadi dengan peran berbeda, seperti strategi, penyuntingan, dan riset. Jika kualitas konten Anda tidak meningkat meskipun menggunakan AI, masalahnya sering terletak pada kualitas prompt dan struktur kerja. Belajar merancang prompt yang lebih baik akan mengubah AI menjadi mitra berpikir, bukan sekadar jalan pintas penulisan.

Implementasi AI di DocuRail: Dari Form Generator hingga Co-pilot Desain

Di DocuRail, kami membuat komitmen eksplisit: kami hanya akan memperkenalkan AI ketika teknologi tersebut memberikan nilai nyata dan terukur. Momen itu kini tiba dalam siklus pengembangan produk kami. Kami meluncurkan rangkaian pertama fitur bertenaga AI untuk menyederhanakan dan mempercepat perancangan serta penerapan formulir.

Pertama, pembuatan formulir bertenaga AI melalui AI Form Generator. Dengan fitur ini, Anda tidak lagi memulai dari halaman kosong yang menguras waktu. Cukup jelaskan formulir yang dibutuhkan dalam teks atau suara, dan Anda akan mendapatkan rancangan siap pakai dalam hitungan detik. Field dikonfigurasi secara cerdas agar sesuai kebutuhan dan aturan bisnis. Kedua, AI percakapan di Form Designer yang berfungsi sebagai co-pilot desain. Di dalam Form Designer, Anda dapat menyempurnakan, mengedit, dan memperluas formulir menggunakan bahasa alami. Perlu menambah field, mengatur aturan visibilitas, atau membuat rumus kompleks? Cukup minta melalui antarmuka percakapan—tanpa kode, tanpa friksi, dengan kurva belajar yang lebih landai.

Ketiga, tips prompting untuk hasil lebih baik disediakan sebagai panduan praktis. AI ini kuat, tetapi kejelasan instruksi tetap penting untuk hasil optimal. Jelaskan secara spesifik tipe field, tata letak, dan logika yang diinginkan, dan hindari deskripsi yang terlalu samar. Fitur-fitur ini diluncurkan dalam versi Beta dengan pemantauan ketat. Branda sudah memberikan nilai, tetapi masih banyak ruang untuk berkembang melalui umpan balik pengguna. Bagi kami, AI bukan hanya soal otomasi, tetapi tentang memperkuat keahlian dan produktivitas pengguna.

Manajemen Konteks dan Transformasi Alur Kerja Kreatif

Bagi bisnis, manajemen konteks yang efektif dalam agen AI menjadi semakin krusial seiring meningkatnya kompleksitas operasi. Agen yang mampu mempertahankan dan menggunakan konteks dengan baik akan meningkatkan relevansi tugas, akurasi otomasi, dan mendukung pengambilan keputusan yang dapat diskalakan. Semua ini penting untuk mengoptimalkan operasi dan customer experience dalam jangka panjang.

Di sisi kreatif, AI juga mentransformasi alur kerja desain melalui prompting terstruktur yang lebih presisi. Dalam eksperimen dengan gambar yang dihasilkan AI, saya menemukan bahwa prompt teks standar sering menghasilkan keluaran tidak konsisten dan sulit direplikasi. JSON prompt menawarkan pendekatan lebih terstruktur dan andal untuk mengendalikan hasil. Alih-alih satu deskripsi bebas yang panjang, JSON prompt memecah visi menjadi atribut jelas seperti gaya, suasana, objek, pencahayaan, dan resolusi. Pendekatan ini menyerupai pemberian cetak biru kepada AI, bukan sekadar tebakan deskriptif.

Bagi desainer yang menginginkan hasil yang sengaja, dapat diulang, dan mudah didokumentasikan, JSON prompt adalah alat yang sangat kuat. Pendekatan ini juga memudahkan kolaborasi lintas tim karena spesifikasi visual terdokumentasi secara eksplisit. Di ranah engineering dan QA, AI mengubah cara tim menangani pengujian visual yang kompleks. Alat AI baru BrowserStack, yang diluncurkan pada Oktober 2025, memangkas waktu review pengujian visual hingga tiga kali lipat. Visual Review Agent untuk Percy mengurangi “noise” dengan menyaring perubahan level piksel yang tidak relevan bagi pengalaman pengguna, memberikan ringkasan bahasa alami tentang perbedaan visual, serta menyediakan aturan review yang dipersonalisasi dan metrik ROI. Dengan AI yang memisahkan sinyal dari noise, tim dapat fokus pada isu nyata yang berdampak.

Dari CRUD ke Desain Berbasis Tugas: Menempatkan Manusia di Pusat

Pada akhirnya, AI mendorong kita memikirkan ulang cara merancang produk pada level paling dasar. Dari paradigma CRUD menuju desain yang berfokus pada tugas dan hasil nyata yang ingin dicapai pengguna. Ketika kita berhenti membingkai antarmuka di sekitar create, read, update, delete, dan mulai fokus pada apa yang sebenarnya ingin dicapai orang, pendekatan desain berubah secara fundamental.

Dengan AI sebagai power tool, tim dapat bergerak dari percakapan ke user story hingga prototipe berfungsi dalam satu hari kerja. Yang lebih penting, pergeseran ini menempatkan manusia kembali di pusat proses dan mengurangi fokus berlebihan pada fitur semata. Di semua contoh ini—newsletter, tender, riset, pembuatan konten, desain formulir, pengujian visual, dan alur kerja kreatif—pola yang muncul konsisten: AI paling kuat ketika berakar pada kebutuhan manusia yang nyata dan terukur. Model tidak menggantikan pemahaman tentang pengguna; branda memperkuatnya ketika digunakan dengan sengaja dan berbasis riset. Tim yang akan menang adalah branda yang menggabungkan wawasan manusia yang kuat dengan sistem AI yang dirancang matang dan berorientasi hasil.