Artikel
Batas atas penggunaan AI adalah ambisi Anda: kecepatan, ketinggian, kedalaman, keluasan
Felix Rieseberg, kepala engineering di Anthropic, menguraikan "lebih berambisi dalam memakai AI" menjadi empat dimensi: kecepatan, ketinggian, kedalaman, dan keluasan. Artikel ini merangkum cara kerja dan contoh-contohnya, lalu menambahkan catatan praktik saya: memberi instruksi berorientasi tujuan dan mengorkestrasi tim ahli Multi-AI Agents untuk tinjauan silang dari berbagai sudut pandang guna meningkatkan kualitas tugas.
· 6 menit baca
Felix Rieseberg, kepala engineering di Anthropic, menulis dalam "How to be more ambitious: A tutorial for humans with models" bahwa ketika melihat orang lain meraih hasil mengesankan dengan AI, ia dan orang-orang di sekitarnya sering bereaksi sama: "Kita belum cukup berambisi."
Tafsiran saya: batas atas penggunaan AI oleh manusia sering terkunci pada ambisi dan imajinasi diri sendiri, bukan pada modelnya.
Ia menguraikan "ambisi" menjadi empat dimensi:
- Kecepatan (Speed): menyelesaikan pekerjaan yang sama dalam waktu lebih singkat.
- Ketinggian (Altitude): menaikkan tingkat abstraksi dan melihat hasil akhir, bukan satu tugas tunggal.
- Kedalaman (Depth): bekerja dengan standar, alat, dan metode para ahli terbaik di bidangnya.
- Keluasan (Range): keluar dari satu bidang dan mencari solusi lintas disiplin.
Kesimpulan lebih dulu: berikan instruksi yang presisi dan berorientasi tujuan, lalu orkestrasikan tim ahli Multi-AI Agents untuk kolaborasi dan tinjauan silang dari berbagai sudut pandang; dengan begitu kualitas tugas naik secara menyeluruh.
I. Kecepatan: yang paling dasar, dan paling jarang jadi hambatan#
Menyelesaikan pekerjaan yang sama dalam waktu lebih singkat. Felix menilai hal ini sudah akrab bagi semua orang, sehingga artikelnya langsung melewatkannya.
Pendapat saya: kecepatan adalah nilai AI yang paling kasatmata, tetapi kalau hanya mengejar kecepatan, cara berkolaborasi tidak banyak berubah. Yang benar-benar membuat perbedaan adalah tiga dimensi lainnya.
II. Ketinggian: bertanya tentang "tujuan di balik tujuan"#
Pertanyaan intinya: hasil apa yang sebenarnya saya inginkan berikutnya? Apa tujuan di balik tujuan saya?
Contoh dari Felix:
- Dari memperbaiki satu crash menjadi membuat aplikasi tidak crash lagi. Awalnya ia meminta Claude memperbaiki satu crash, lalu mengubah permintaannya menjadi aplikasi harus tetap nol crash. Agar hal ini bisa berjalan terus-menerus secara otomatis, ia harus lebih dulu mengubah proses kerjanya sendiri: membuat laporan crash mudah diakses, menghubungkan versi aplikasi dengan commit Git, dan membiarkan Claude memakai mesin Windows, macOS, dan Linux untuk mereproduksi serta memverifikasi perbaikan.
- Peningkatan tiga tahap untuk tinjauan bisnis kuartalan (QBR):
- Sebisa mungkin mulai dari data mentah untuk menjelaskan apa yang berubah pada kuartal ini, mengapa, dan apa yang harus dilakukan selanjutnya.
- Temukan 3 keputusan paling mendesak, lalu tulis argumen pro dan kontra untuk masing-masing.
- Rancang mekanisme pengganti yang menemukan masalah lebih awal daripada presentasi kuartalan, uji dengan data historis, lalu jalankan paralel dengan proses yang berlaku selama satu kuartal.
Ia juga mengingatkan batasnya: pada 2026, tujuan kabur seperti "Claude, carikan uang untukku" belum bisa berjalan, tetapi ia memperkirakan tingkat abstraksi yang mampu ditangani model akan terus naik.
III. Kedalaman: menyamai tuntutan para ahli terbaik di bidangnya#
Cara kerja Felix:
- Pakai alat yang benar-benar dipakai industri itu. Model sering hanya mengganti kosakata tanpa mengganti metode, lalu menyerahkan tabel Markdown untuk sekadar menggugurkan tugas. Tuntut penggunaan alat analisis sungguhan seperti database dan model statistik.
- Tetapkan target yang tampak tidak masuk akal, dan beri tahu model bahwa target itu bisa dicapai. Contohnya: setelah waktu muat situs turun dari 10 detik menjadi 5 detik, minta 200 milidetik. Saat model mundur, tegaskan bahwa target itu bisa dicapai.
- Tantang asumsi yang Anda yakini. Berikan data mentah ke model dan minta ia memeriksanya dari sudut pandang yang menyanggah. Misalnya: "Kami menganggap pengguna pergi karena onboarding; coba reproduksi kesimpulan ini dari data mentah."
- Hasilkan pengetahuan baru. Bangun simulasi dari Logs, temukan sinyal kepergian pengguna paling awal yang belum Anda ketahui, lalu validasi dengan data yang belum pernah dilihat.
- Cari juri eksternal (Outside Judge). Jangan biarkan model menilai dirinya sendiri. Sebaiknya pasang alat yang bisa langsung dijalankan model dan memberi umpan balik seketika untuk memverifikasi hasil.
Prinsip Prompt-nya: yang diminta adalah "versi yang lebih dalam", bukan "versi yang lebih besar". Mintalah model menyebutkan apa yang akan dilakukan lebih oleh para profesional terbaik, di mana data paling mentah berada, metode dan alat apa yang dipakai, serta apa yang, selain model atau penilaian Anda sendiri, dapat membuktikan hasilnya benar.
IV. Keluasan: kata kerja menggantikan kata benda, dan bentuk tim ahli#
- Kata kerja menggantikan kata benda. Felix mengutip konsep ini dari "The Art of Innovation". Alih-alih "sebuah presentasi", QBR menjadi "dalam 30 menit membuat orang yang sangat sibuk memahami sebab-akibat dan mengambil keputusan di tengah ketidakpastian". Dengan mendefinisikan tujuan memakai kata kerja, terlihat kemampuan dari bidang mana saja yang dibutuhkan.
- Bentuk sebuah tim. Untuk membuat presentasi yang baik, dibutuhkan analis, jurnalis, dan editor; untuk menyampaikannya di panggung, tambahkan desainer animasi dan suara. Untuk tinjauan yang menyanggah, libatkan peneliti dari dana short seller dan akuntan forensik.
- Jangan bermain peran yang tidak bermakna. Bukan dengan meminta model "menulis dengan nada dana short seller", melainkan meminta ia benar-benar menjalankan salah satu metode riset dana semacam itu. Hanya mengganti nada tidak membuat hasilnya lebih baik.
Prasyaratnya: model harus punya komputer tempat ia bisa memasang perangkat lunak, dan dapat mengakses data yang relevan, misalnya lewat konektor MCP.
V. Catatan praktik saya: dari "pemindahan data" ke "pencapaian maksud"#
Berikut ini adalah pengembangan dari saya, berdasarkan arsitektur perangkat lunak dan praktik engineering; bukan isi artikel aslinya.
1. Jobs to be Done dan berorientasi maksud (Intent-Based)#
- Jangan tanya "mengerjakan apa", tanyalah "mencapai apa". Desain tidak boleh berhenti pada pipeline pemindahan data yang pasif seperti
generate_deck_pdf(), tetapi harus naik ke maksud transisi keadaan seperti resolve_leadership_uncertainty_and_commit_budget().
- Definisikan fungsi kerugian (loss function) yang sebenarnya. Jika hanya meminta hasil jadi, model akan menghasilkan omong kosong yang tampak sempurna; jika meminta penyelesaian ketidakpastian keputusan, model dan Sub-agent akan secara aktif menambal celah logika dan batas risiko.
2. Menyebar saat menjelajah, memusat saat memverifikasi#
- Saat menjelajah, menyebar dulu untuk mencari kemungkinan, lalu memusat.
- Saat memverifikasi, jangan menyebar lagi. Hindari pertanyaan tanpa batas seperti "hal ini bisa dikerjakan dengan cara apa lagi?", yang hanya mendatangkan jawaban umum.
- Tuliskan secara eksplisit cakupan tujuan, batasan, dan alat verifikasi yang objektif (skrip uji tertentu, ambang indikator bisnis), agar tim Multi-Agent melakukan uji ketahanan dalam kerangka yang terfokus dan menyerahkan hasil berkualitas tinggi.
Ringkasan catatan#
- Berorientasi tujuan: kata kerja menggantikan kata benda. Serahkan hasil yang menyelesaikan masalah, bukan sekadar produk keluaran untuk menggugurkan tugas.
- Menjelajah dan memusat: saat menjelajah, menyebar untuk mencari kemungkinan; saat verifikasi, memusat dengan ketat dan memeriksa batas.
- Fokus abstraksi: mulai dari pertanyaan inti, lalu susun ulang seluruh alur tugas.
- Kedalaman ahli: jangan hanya meniru nada bicara ahli, tetapi paksa model menyelesaikan masalah dengan alat dan metode para ahli terbaik.
Artikel asli: How to be more ambitious: A tutorial for humans with models (Felix Rieseberg, 2026-10-13)