Pada 29 Oktober 2026, Dartmouth College di Hanover, New Hampshire, membuka konferensi tiga hari bertajuk AI at 70: What Must Remain Human? Tidak ada peluncuran model, tidak ada demo robot, dan tidak ada janji bahwa mesin akan segera menyamai manusia. Justru sebaliknya: tujuh puluh tahun setelah istilah artificial intelligence pertama kali diucapkan di kampus yang sama, yang dipertanyakan justru apa yang seharusnya tetap dikerjakan manusia.
Bagi pemilik usaha di Indonesia, acara di kampus seberang itu terdengar jauh dari dapur operasional. Padahal isinya bersinggungan langsung dengan keputusan yang Anda ambil bulan ini. Survei UMKM 2026 yang dirilis Lalamove pada 27 Oktober 2026 terhadap lebih dari 300 pelaku UMKM menemukan 36,8 persen responden sudah memakai AI untuk kegiatan bisnis, terutama untuk pemasaran, pembuatan konten, dan komunikasi pelanggan; 50,5 persen menyatakan optimistis menatap 2027. Artinya, lebih dari sepertiga pesaing Anda sudah bergerak.
Namun sejarah 70 tahun bidang ini menyimpan peringatan yang jarang muncul dalam materi penjualan: setiap gelombang adopsi selalu datang bersama gelombang kekecewaan. Yang bertahan bukan yang paling cepat membeli, melainkan yang paling jelas tentang apa yang tidak boleh diserahkan kepada mesin.
Dari Hanover 1956 ke Hanover 2026
Pada musim panas 1956, sepuluh peneliti berkumpul di Hanover selama delapan minggu, 18 Juni hingga 17 Agustus, untuk lokakarya yang diusulkan seorang matematikawan muda bernama John McCarthy. Usulannya dikirim ke Rockefeller Foundation setahun sebelumnya dan memuat dua kata yang belum pernah disandingkan: artificial intelligence. Isi usulan itu sederhana namun ambisius, bahwa setiap aspek belajar atau ciri kecerdasan lain pada prinsipnya dapat dijelaskan secara begitu presisi sehingga sebuah mesin dapat dibuat untuk menirunya.
Tujuh dekade kemudian, konferensi 29 sampai 31 Oktober 2026 di kampus yang sama membalik arah pertanyaannya. Pembukaan disampaikan Peter Chin, guru besar teknik Dartmouth yang memimpin acara; sesi utama diisi Mira Murati, alumni Dartmouth yang kini memimpin Thinking Machines; panel siang hari bertajuk Who Signs the Drawing? Design Judgment and Accountability in the Age of AI and Autonomous Systems; dan sesi penutup hari pertama diisi Yann LeCun, penerima Turing Award 2018, dengan topik World Models: Enabling the Next AI Revolution. Perhatikan pergeserannya: 1956 bertanya apakah mesin bisa berpikir, 2026 bertanya siapa yang bertanggung jawab ketika mesin salah.
Tiga Generasi, Tiga Cara Memandang Kecerdasan
Cara sebuah generasi mendefinisikan kecerdasan menentukan cara mereka membangun produk, dan menentukan pula mengapa produk itu bertahan atau mati.
Generasi McCarthy: aturan yang ditulis tangan. Kecerdasan dipandang sebagai kumpulan aturan logika yang eksplisit. Jika stok kosong, maka tawarkan produk pengganti; jika pengiriman ke luar pulau, maka tambahkan biaya. Analoginya seperti buku resep: koki mengikuti instruksi langkah demi langkah. Pendekatan ini sangat kuat untuk kasus sempit dan sangat rapuh begitu menghadapi situasi yang tidak tercantum di buku. Inilah fondasi sistem pakar yang berjaya di 1980-an.
Generasi LeCun: model dunia. Ia berargumen bahwa menebak kata berikutnya bukanlah pemahaman. Mesin perlu membangun representasi internal tentang bagaimana dunia bekerja, sehingga bisa membayangkan konsekuensi sebelum bertindak. Analoginya mudah: sopir yang hanya hafal satu rute akan tersesat saat jalan banjir, sedangkan sopir yang paham peta bisa memilih jalur alternatif. Bagi pemilik usaha, perbedaan ini menjelaskan mengapa dua alat AI dengan harga langganan sama bisa sangat berbeda ketahanannya ketika menghadapi persoalan yang tidak ada dalam contoh pelatihannya.
Generasi Murati: penerapan di meja kerja. Fokusnya bukan pada keunggulan teoretis, melainkan pada produk yang benar-benar dipakai orang setiap hari dan bisa diandalkan saat tekanan tinggi. Ini generasi yang paling dekat dengan pengalaman Anda sebagai pemilik usaha: pertanyaannya bukan seberapa pintar modelnya, tetapi seberapa jarang ia mengecewakan pelanggan pada jam sibuk.
Perbedaan ketiganya bukan perdebatan akademis. Ia menentukan metrik pengujian Anda. Kalau alat Anda pada dasarnya meniru contoh, ujilah dengan kasus aneh. Kalau alat Anda dibangun untuk memahami konteks, ujilah dengan perubahan aturan.
Dua Musim Dingin yang Hampir Mengubur Bidang Ini
Sejarah AI bukan garis menanjak. Ia bergerigi, dan dua lembahnya cukup dalam untuk membuat banyak orang meninggalkan bidang ini secara permanen.
1974 sampai 1980. Pada 1973, James Lighthill menyusun tinjauan untuk British Science Research Council yang menyimpulkan bahwa riset AI belum menghasilkan dampak yang sepadan dengan biayanya. Laporan itu memicu pemangkasan pendanaan di Inggris, sementara di Amerika DARPA mengalihkan dukungan ke proyek yang lebih terarah. Ditambah kritik terhadap keterbatasan perceptron, bidang ini kehilangan napas selama kurang lebih enam tahun.
1987 sampai 1993. Sistem pakar, program berbasis aturan jika-maka, sempat menjadi primadona korporasi. Masalahnya bukan kecerdasan, melainkan biaya perawatan. Setiap perubahan kebijakan mengharuskan aturan ditulis ulang; perangkat keras khusus yang dipakai mahal; dan pengetahuan seorang ahli sulit dipindahkan tanpa kehilangan nuansa. Ketika proyek-proyek besar gagal menutup biayanya, pendanaan runtuh untuk kedua kalinya. Analogi yang paling jujur: membeli buku resep 800 halaman, lalu harus mengetik ulang seluruh buku setiap kali menu berubah.
Pola yang Berulang, dan Getaran yang Terasa di 2026
Kedua musim dingin itu punya urutan yang identik: janji besar, belanja besar, hasil yang tidak sepadan dengan skala, koreksi, konsolidasi, lalu kebangkitan dengan fondasi yang jauh lebih murah. Yang berubah antar-gelombang bukan antusiasmenya, melainkan biaya untuk mencoba.
Getaran itu terdengar lagi pekan ini. Kompas Tekno pada 29 Oktober 2026 melaporkan gelembung AI di China disebut pecah, dengan kapitalisasi pasar sekitar Rp8.600 triliun lenyap dari bursa; indeks STAR 50 turun 40 persen dari puncaknya, sementara Nasdaq di Amerika turun 6 persen dari rekor yang dicapai tiga pekan sebelumnya. Tidak ada satu pemicu tunggal, melainkan kombinasi valuasi yang sudah mahal dan kekhawatiran kebijakan perangkat.
Untuk pemilik UKM, koreksi pasar modal bukan bencana. Itu justru fase ketika harga menjadi rasional dan vendor berhenti menjual janji. Yang berbahaya adalah mengunci komitmen biaya jangka panjang tepat di puncak harga, atau membangun ketergantungan pada satu alat yang model bisnisnya belum teruji. Pelajaran dari 1987: yang mati bukan pengguna AI, melainkan proyek dan vendor yang mengunci pelanggan pada arsitektur mahal.
Mengapa Pertanyaan Apa yang Harus Tetap Manusia Penting bagi Pemilik Usaha
Judul panel di Dartmouth, Who Signs the Drawing?, berasal dari praktik teknik: gambar kerja harus ditandatangani insinyur yang bertanggung jawab. Ketika gambar itu dihasilkan AI, tanda tangannya tetap milik manusia. Prinsipnya sederhana dan langsung bisa diterapkan: dalam setiap proses yang memakai AI, harus ada satu nama yang menanggung akibatnya.
Dartmouth juga memaparkan temuan awal studi multi-tahun tentang dampak penggunaan AI pada mahasiswa, mencakup pembelajaran, keyakinan diri, kemampuan menilai, dan kesiapan masuk pasar kerja. Temuan awalnya bukan angka yang bisa langsung dipakai sebagai patokan bisnis, tetapi arahnya konsisten dengan pengalaman lapangan: kepercayaan diri pengguna AI cenderung naik lebih cepat daripada kemampuannya menilai keluaran. Pada staf, pola ini muncul sebagai jawaban yang terdengar meyakinkan namun salah.
Di Indonesia, pertanyaan itu bukan lagi soal etika abstrak. PP 33/2026 sebagai aturan pelaksanaan UU PDP diundangkan 16 Juli 2026 dan berlaku 16 Januari 2027, dengan kewajiban notifikasi insiden 3x24 jam dan sanksi administratif hingga 2 persen dari pendapatan tahunan. Perpres Etika AI masih dalam proses dan belum diteken saat artikel ini ditulis. Artinya, tenggatnya nyata sementara norma detailnya belum final, persis situasi yang paling berbahaya bagi usaha kecil yang menunggu kejelasan sebelum bertindak.
Tiga Pelajaran Sejarah untuk Adopsi AI yang Tahan Lama
- Sempit mengalahkan luas. Setiap kebangkitan AI dimulai dari aplikasi sempit yang hasilnya bisa diukur dalam hitungan jam, bukan dari transformasi menyeluruh. Agen yang menjawab satu kategori pertanyaan dengan benar lebih bernilai daripada asisten serba bisa yang kadang benar.
- Biaya perawatan adalah biaya sebenarnya. Kegagalan 1987 bukan karena aturannya salah, tetapi karena memperbarui aturan terlalu mahal. Sebelum membeli, tanyakan siapa yang memperbarui pengetahuan alat itu ketika kebijakan Anda berubah, dan berapa jam per bulan yang dibutuhkan.
- Hak keputusan tidak didelegasikan. AI boleh mengusulkan, manusia yang menandatangani. Tetapkan batas nominal dan jenis tindakan yang boleh dijalankan tanpa persetujuan, dan pastikan batas itu tertulis, bukan diasumsikan.
Peluang Bisnis untuk UKM Indonesia
Sejarah di atas bukan bahan renungan, melainkan peta posisi. Ada tiga posisi yang bisa Anda ambil, dan ketiganya bisa dijalankan bersamaan.
1. Sebagai pengguna: hitung satu proses, bukan seluruh bisnis. Ambil contoh toko online dengan 1.200 percakapan WhatsApp per bulan. Bila 60 persen di antaranya pertanyaan berulang soal stok, ongkos kirim, dan jam operasional, itu 720 pesan. Pada empat menit per pesan, ada 48 jam kerja per bulan. Dengan staf CS bergaji Rp4,5 juta untuk sekitar 176 jam kerja, biaya waktunya sekitar Rp1,23 juta per bulan. Agen AI yang menangani 70 persen pertanyaan berulang memangkas sekitar Rp860 ribu; dikurangi langganan Rp250 sampai 350 ribu, hemat bersihnya Rp500 sampai 600 ribu per bulan atau Rp6 sampai 7 juta setahun. Yang sering terlewat justru dua hal lain: 720 balasan berbayar sekitar Rp356 per pesan berarti Rp256 ribu per bulan, dan waktu balas yang turun dari jam ke menit biasanya menaikkan konversi lebih besar daripada penghematan gajinya.
2. Sebagai penyedia jasa: jual audit dan pendampingan. Sekitar 63 persen UMKM belum memakai AI, dan itulah pasar Anda. Paket yang masuk akal: audit kesiapan satu proses seharga Rp3 sampai 7 juta sekali jalan, berisi inventaris data, peta risiko, dan satu SOP agen; lalu retainer Rp1,5 sampai 3 juta per bulan untuk pemantauan, evaluasi keluaran, dan pembaruan pengetahuan. Dengan lima klien retainer, pendapatan berulangnya Rp7,5 sampai 15 juta per bulan pada beban kerja sekitar 6 sampai 8 jam per klien per bulan. Menariknya, bisnis ini justru tumbuh saat hype mereda, karena klien membutuhkan orang yang bisa menjelaskan kegagalan, bukan yang menjanjikan keajaiban.
3. Sebagai vendor: jual hasil, bukan spesifikasi. Ketika anggaran pembeli mengetat, yang menang adalah penjual yang berani menuliskan hasil di kontrak: waktu balas di bawah lima menit, 90 persen pertanyaan berulang selesai tanpa manusia, laporan mingguan otomatis. Sertakan pula janji kepemilikan aset, yaitu prompt, SOP, dan basis pengetahuan tersimpan di akun klien sehingga bisa dipindahkan kapan saja. Kemampuan pindah itu sendiri adalah nilai jual, karena sejarah dua musim dingin mengajarkan bahwa vendor bisa hilang lebih cepat daripada kebutuhan klien.
Seluruh angka di atas adalah ilustrasi perhitungan dengan asumsi kurs Rp16.700 per dolar AS, bukan daftar harga resmi.
Rencana 30 Hari yang Meniru Cara Bidang Ini Bertahan
Minggu pertama, pilih satu proses saja dan ukur baseline-nya: berapa pesan masuk, berapa menit rata-rata dibalas, berapa yang salah. Minggu kedua, bangun satu agen sempit dengan SOP tertulis dan daftar pertanyaan yang tidak boleh dijawabnya. Minggu ketiga, uji dengan dua puluh kasus nyata dari riwayat percakapan, catat setiap kesalahan, dan perbaiki pengetahuannya. Minggu keempat, hitung ulang angka yang sama dan putuskan dengan sadar: lanjutkan, perkecil cakupannya, atau hentikan. Aturannya cuma tiga kata: satu proses, satu pemilik, satu metrik.
Yang Tidak Berubah dalam 70 Tahun
Yang membuat bidang ini bertahan bukan model yang paling besar, melainkan kebiasaan mengukur dan keberanian mengakui batas. Sepuluh peneliti di Hanover pada 1956 tidak punya komputer yang mampu menjalankan ide mereka; yang mereka punya adalah rumusan masalah yang jelas. Dua musim dingin terjadi bukan karena idenya salah, tetapi karena klaimnya melampaui bukti. Dan pada 2026, ketika 36,8 persen UMKM Indonesia sudah memakai AI sementara sepertiga pasar modal gemetar, pembeda antara yang untung dan yang menyesal tetap sama: yang mengukur satu proses sampai tuntas akan selamat, yang membeli seluruh janji akan kehujanan.
Sumber: Dartmouth College (home.dartmouth.edu dan ai.dartmouth.edu, 29 Oktober 2026), Survei UMKM 2026 Lalamove sebagaimana dilaporkan Bisnis.com 27 Oktober 2026, Kompas Tekno 29 Oktober 2026, serta laporan Lighthill 1973 sebagai catatan sejarah.
Baca juga: US$3,5 Triliun Infrastruktur AI Terancam Write-Down: Apa Artinya bagi Biaya Karyawan AI untuk UKM, 93% Perusahaan Jebol Budget AI: Kenapa Karyawan AI Bisa Lebih Mahal dari Chatbot — dan Cara Mengendalikannya, dan Custom GPT ChatGPT Resmi Pensiun Desember 2026: Panduan Migrasi bagi Bisnis yang Sudah Punya Staf AI Sendiri.
Jika Anda ingin memulai dengan cara yang tahan lama, bukan ikut arus hype, ikuti workshop Bikin Karyawan AI bersama Arie Tama: tiga jam praktik membangun enam AI agent sendiri untuk CS, konten, dan administrasi. Informasi jadwal dan biaya ada di arietama.id.