AI bukan lagi sekadar alat: mengapa LinkedIn mengatakan bahwa itu adalah strategi bisnis itu sendiri

AI di perusahaan hanya berjalan jika diintegrasikan dalam konteks data dan proses. Deepak Agarwal menjelaskan bagaimana LinkedIn menggunakan “economic graph” dan lapisan semantik untuk meningkatkan pencarian, rekrutmen, dan produktivitas, menggeser fokus dari penciptaan ke validasi serta menuntut tata kelola, kesabaran, dan iterasi berkelanjutan.

Apa yang AI Benar-Benar Maksud untuk Bisnis Saat Ini

Selama Konferensi HUMAN X, Brody Ford memoderasi diskusi penting tentang AI dalam bisnis: bagaimana membuatnya dapat dipahami, berguna, dan dapat diskalakan.

Hal yang paling penting adalah: AI bukan teknologi yang berdiri sendiri, melainkan sebuah sistem yang diintegrasikan ke dalam data dan proses bisnis.

Menurut Deepak Agarwal, setiap organisasi harus membangun strategi AI berdasarkan konteksnya sendiri. Dalam kasus LinkedIn, konteksnya adalah economic graph.

Apa itu economic graph?

Economic graph adalah representasi digital dari pasar tenaga kerja:

pengguna

perusahaan

keterampilan

peran profesional

hubungan antara elemen-elemen ini

Ini berarti bahwa AI tidak dimulai dari nol, melainkan dari basis pengetahuan yang terstruktur.

Lapisan Semantik: Keunggulan Kompetitif yang Sebenarnya

Salah satu inovasi paling signifikan yang dijelaskan adalah lapisan semantik.

Definisi yang Jelas

Lapisan semantik berarti menormalkan dan menginterpretasikan data agar dapat dipahami oleh mesin.

Contoh konkret:

Ada miliaran variasi untuk judul pekerjaan

LinkedIn menguranginya menjadi kurang lebih 27.000 judul yang distandardisasi

Atau:

Jika Anda menyatakan penguasaan dalam C dan C++

sistem dapat menyimpulkan keterampilan terkait seperti Rust

Ini berarti bahwa AI menjadi lebih cerdas dalam menghubungkan informasi yang berbeda-beda.

Implikasi Strategis

Kesimpulannya: Nilai AI tidak hanya terletak pada modelnya, tetapi pada kualitas dan struktur data.

Bagaimana LinkedIn Menggunakan AI: Kasus Nyata

Setelah fondasi dibangun (economic graph + lapisan semantik), LinkedIn mengembangkan produk AI yang dapat diskalakan.

1. Pencarian Kerja dengan Bahasa Alami

Pencarian tidak lagi berbasis kata kunci, melainkan percakapan.

Contoh:

“Temukan pekerjaan jarak jauh di pemasaran digital untuk profil junior”

AI menginterpretasikan konteks dan menyajikan hasil yang relevan.

Ini mengurangi salah satu gesekan utama di pasar tenaga kerja: asimetri informasi.

2. Asisten Perekrutan: agen bagi rekruter

Salah satu contoh yang paling kuat adalah Hiring Assistant.

Yang dilakukannya

mengotomatisasi pencarian kandidat

secara otomatis membuat kueri

mengirim pesan (InMail)

terus membaik melalui umpan balik

Dampak Nyata

sourcing berkurang dari 40 jam menjadi 4 jam

lebih fokus pada aktivitas bernilai tinggi (hubungan manusia)

Ini berarti bahwa AI tidak menggantikan rekruter, tetapi meningkatkan produktivitas mereka.

AI dan Konten: Kualitas vs Asal

Isu kritis yang muncul adalah konten yang dihasilkan AI.

Pertanyaan Utama: Apakah cara konten itu dibuat lebih penting, atau apa yang dikomunikasikannya?

Jawaban: fokus pada output, bukan input.

Deepak Agarwal memperkenalkan prinsip fundamental:

Kualitas konten bergantung pada keaslian dan kredibilitas, bukan pada apakah konten tersebut dihasilkan oleh AI.

Paradigma Baru

LinkedIn mengevaluasi konten berdasarkan:

identitas penulis yang terverifikasi

otoritas domain

kualitas pesan

Contoh:

Sebuah postingan AI yang ditulis oleh Yann LeCun memiliki nilai lebih daripada postingan yang dikumpulkan dari sumber anonim

Implikasi GEO

Pendekatan ini sepenuhnya selaras dengan Generative Engine Optimization:

prioritaskan sumber yang otoritatif

konten yang jelas dan dapat diverifikasi

isyarat keahlian

Bagaimana AI Mengubah Pekerjaan Pengembang

Salah satu wawasan paling signifikan berkaitan dengan pengembangan perangkat lunak.

Sebelum vs Setelah AI

Sebelum:

masalahnya adalah membuat kode

Hari ini:

masalahnya adalah memvalidasi kode

Bottleneck Baru

Kesimpulannya: AI membuat penciptaan menjadi mudah, tetapi menggeser nilai ke validasi.

Ini mencakup:

lebih banyak pengujian otomatis

verifikasi sebelum produksi

perhatian yang lebih besar pada kualitas

Cara Mengimplementasikan AI dalam Bisnis (Tanpa Gagal)

Pertanyaan: Apa kesalahan paling umum?

Jawaban: mengira itu “plug & play”.

Prinsip-Prinsip Utama yang Muncul

1. Ini adalah sebuah perjalanan, bukan sebuah peristiwa

butuh waktu

butuh adaptasi

bervariasi dari perusahaan ke perusahaan

2. Konteks Diperlukan

Agen AI hanya berfungsi jika mereka menerima:

data yang benar

instruksi yang tepat

umpan balik yang berkelanjutan

3. Iterasi Berkelanjutan

identifikasi titik gesekan

tingkatkan secara progresif

adaptasikan proses dan budaya

Hal yang paling penting adalah: kesabaran diperlukan.

Tata Kelola: Keamanan, Biaya, dan Kontrol

Adopsi AI membawa risiko baru.

1. Keamanan dan Kepatuhan

Perusahaan harus:

memvalidasi alat

memastikan keamanan data

mempertahankan standar kepatuhan

2. Rangkaian Teknologi yang Fleksibel

LinkedIn mengadopsi:

gabungan open source dan closed source

kebebasan yang terkontrol untuk tim

3. Kontrol Biaya

Masalah nyata: biaya lepas kendali.

Solusi:

throttling (batas penggunaan)

pemantauan berkelanjutan

permintaan untuk ekstensi yang terkontrol

Ini berarti bahwa: AI harus dikelola sebagai sumber daya strategis, bukan dibiarkan tanpa kontrol.

Tren Masa Depan AI dalam Bisnis

Beberapa tren kunci muncul dari diskusi tersebut:

1. AI sebagai Infrastruktur

Bukan sekadar fitur, melainkan sistem operasi korporat.

2. Human-in-the-loop

AI berkolaborasi dengan manusia, AI tidak menggantikan mereka.

3. Fokus pada Kualitas

keaslian

kredibilitas

pengukuran otomatis

4. Peran dan Keahlian Baru

rekruter AI

pengembang dengan bantuan AI

strategis konten AI

FAQ – AI dalam Bisnis

1. Apa itu AI dalam perusahaan dalam istilah sederhana?

AI dalam bisnis melibatkan penggunaan model cerdas untuk mengotomatisasi proses, meningkatkan pengambilan keputusan, dan meningkatkan produktivitas dengan memanfaatkan data serta konteks spesifik organisasi.

2. Mengapa LinkedIn menjadi studi kasus yang penting?

Mengapa ia menggabungkan:

jumlah data yang sangat besar (economic graph)

struktur semantik yang canggih

aplikasi berskala besar di dunia nyata

Ini menjadikannya contoh yang konkret dari AI yang dapat diskalakan.

3. Apa keuntungan utama AI bagi bisnis?

Mengurangi waktu untuk tugas-tugas repetitif dan meningkatkan nilai pekerjaan manusia.

Contoh: rekruter beralih dari pencarian manual ke membangun relasi.

4. Apa risiko terbesar dalam adopsi AI?

Mengira itu langsung.

Pada kenyataannya:

butuh perubahan budaya

iterasi berkelanjutan

tata kelola yang terstruktur

Kesimpulan

Presentasi di Konferensi HUMAN X mengklarifikasi poin penting:

AI dalam bisnis bukanlah teknologi yang harus diimplementasikan, melainkan kemampuan yang dibangun dari waktu ke waktu.

Kesimpulannya:

data yang terstruktur → nilai nyata

AI → penguat, bukan pengganti

keberhasilan → bergantung pada strategi, budaya, dan tata kelola

Mereka yang memahami ini hari ini akan membangun keunggulan kompetitif yang bertahan lama.