Di artikel sebelumnya, Kenapa Playbook AI dari San Francisco Tidak Bisa Langsung Dipakai di Jakarta?, saya beberapa kali menyebut "playbook AI dari San Francisco" tanpa menjelaskan maksudnya. Ternyata cukup banyak yang bertanya : itu dokumen apa, siapa yang menulis, dan di mana bisa dibaca.
Saya akui di artikel itu istilahnya memang kurang jelas. Waktu itu saya sengaja tidak berhenti untuk mendefinisikannya, karena definisinya memang berupa range, tidak ada 1 dokumen yang bisa ditunjuk, dan fokus artikelnya ada di asumsi yang berbeda di Jakarta, bukan di playbook-nya sendiri. Akan tetapi kalau istilahnya membuat pembaca bingung, sebaiknya dijelaskan. Jadi artikel ini penjelasan singkatnya.
Scope-nya saya batasi di 2 pertanyaan itu saja, yaitu isinya apa dan dari mana asalnya. Bagian mana yang cocok dan tidak cocok untuk Jakarta sudah dibahas di artikel sebelumnya, jadi tidak saya ulang di sini.
Playbook-nya Dokumen Apa?
Sebenarnya bukan 1 dokumen. Tidak ada buku yang berjudul "San Francisco Playbook".
Kalau kita bekerja di tech, kiblatnya memang Silicon Valley. Cara membangun startup, cara VC di Sand Hill Road menilai perusahaan, cara YC menasihati founder-nya, sampai perdebatan tentang AI di X setiap minggu, semuanya datang dari sana dan kita ikuti dari Jakarta. Tidak ada 1 artikel yang menuliskan semua itu secara utuh. Akan tetapi orang yang bekerja di tech pada umumnya tahu isinya, karena setiap hari kita membacanya di internet, di newsletter, di podcast, dan di thread X.
Sand Hill Road adalah jalan di Menlo Park, dekat Stanford, tempat kantor VC-VC besar Amerika berkumpul, sehingga namanya dipakai sebagai sebutan untuk VC Silicon Valley secara umum. YC (Y Combinator) adalah accelerator startup paling terkenal di sana, yang nasihat-nasihatnya untuk founder banyak dijadikan acuan.
Yang saya sebut playbook AI dari San Francisco adalah bagian dari pengetahuan bersama itu, khusus tentang cara perusahaan besar mengadopsi AI. Artikel sebelumnya juga saya tulis dari sana, dari apa yang kita semua dengar dan dari pengalaman menjalankan perusahaan sendiri, bukan dari membaca dokumen tertentu. Akan tetapi ketika ada yang bertanya "di mana bisa dibaca", jawaban yang paling jujur adalah menunjuk ke beberapa dokumen yang isinya paling dekat dengan pengetahuan bersama itu, karena bisa dibaca dan dicek langsung. Untuk artikel ini saya cek dokumen-dokumen tersebut satu per satu, dan isinya memang kurang lebih sama dengan yang selama ini kita dengar. Dokumen-dokumen itu ada di 3 jenis sumber. Batasnya memang tidak tegas (ada yang menganggap laporan konsultan bagian dari playbook ini, ada yang tidak), akan tetapi 3 jenis ini yang paling sering dikutip :
- Laporan dari VC (venture capital) yang mensurvei perusahaan besar di Amerika. Yang paling sering dikutip : Andreessen Horowitz (a16z) dengan "16 Changes to the Way Enterprises Are Building and Buying Generative AI" (Maret 2024) dan lanjutannya "How 100 Enterprise CIOs Are Building and Buying Gen AI in 2025" (pertengahan 2025), serta Menlo Ventures dengan "The State of Generative AI in the Enterprise" edisi 2024 dan 2025.
- Panduan dari vendor model AI sendiri. Yang paling banyak dibaca : "AI in the Enterprise" dari OpenAI (2025), 24 halaman berisi 7 pelajaran dari 7 perusahaan pelanggan mereka, di antaranya Morgan Stanley, Klarna, dan Indeed.
- Survei dari konsultan dan analis, misalnya "The State of AI" dari McKinsey yang terbit setiap tahun, dan prediksi-prediksi dari Gartner.
VC adalah perusahaan investasi yang menaruh uang di startup. Laporan mereka gratis dan bagus, akan tetapi perlu diingat bahwa mereka juga investor di banyak vendor AI yang dibahas di laporan tersebut.
Kenapa saya sebut San Francisco? Karena kiblatnya memang di sana, dan penulis serta responden dokumen-dokumen ini juga di sana. a16z mensurvei 100 CIO (chief information officer, kepala IT) di 15 industri, semuanya perusahaan besar Amerika. Menlo mensurvei 600 pengambil keputusan IT di perusahaan Amerika dengan minimal 50 karyawan. 7 perusahaan di dokumen OpenAI semuanya perusahaan besar global. Sehingga wajar apabila asumsi di dalamnya adalah asumsi yang benar di sana.
Deck strategi AI yang kita lihat di Jakarta biasanya merangkum pengetahuan bersama yang sama ke dalam beberapa slide. Sehingga bentuknya mirip-mirip : 3 logo perusahaan Amerika (seringkali sama dengan studi kasus di dokumen OpenAI), timeline 6 bulan, dan 1 slide ROI.
Isinya Apa? 7 Rekomendasi yang Selalu Muncul
Kalau 5 dokumen di atas kita baca berurutan, ada 7 rekomendasi yang muncul berulang-ulang, walaupun dengan kata-kata yang berbeda. Mari kita bahas satu per satu.
1. Mulai dari evaluasi, bukan dari demo.
Ini pelajaran nomor 1 di dokumen OpenAI : "Start with evals". Eval (evaluasi) di sini artinya proses yang terstruktur untuk mengukur seberapa baik model AI bekerja di use case kita sendiri, bukan di benchmark umum. Morgan Stanley misalnya menjalankan evaluasi untuk setiap aplikasi yang diusulkan sebelum diizinkan dipakai, dan setelah itu 98% financial advisor mereka memakainya setiap hari. Survei a16z 2025 mencatat hal yang sama dari sisi pembeli : benchmark publik seperti LM Arena dipakai untuk menyaring, akan tetapi keputusan akhir tetap dari pengujian internal. Kutipan salah satu CIO-nya : "you still need to assess yourself".
2. Mulai dari use case internal, baru ke customer.
Di survei a16z 2024, perusahaan-perusahaan besar antusias dengan use case internal (coding assistant, ringkasan dokumen, pencarian pengetahuan internal, customer support) dan berhati-hati dengan use case yang langsung berhadapan dengan customer, karena khawatir dengan halusinasi dan risiko reputasi. Sehingga urutan yang disarankan pada umumnya : bantu karyawan dulu, baru bantu customer. Di survei 2025, coding menjadi use case yang paling cepat diadopsi, dan Menlo mencatat belanja perusahaan Amerika untuk coding tools mencapai $4 miliar di 2025.
3. Pakai lebih dari 1 model, jangan terikat ke 1 vendor.
a16z menyebutnya "multi-model future" dan "optimizing for optionality" : aplikasi dirancang supaya modelnya bisa diganti dengan effort yang minimal. Alasannya ada 3 : model yang berbeda cocok untuk use case yang berbeda, menghindari lock-in ke 1 vendor, dan bisa langsung memanfaatkan model baru yang lebih murah. Di 2025, 37% perusahaan yang disurvei memakai 5 model atau lebih di production, naik dari 29% tahun sebelumnya.
4. Jangan training model sendiri. RAG dulu, fine-tuning kalau perlu.
Di 2023 masih ada perusahaan yang melatih model sendiri dari nol (BloombergGPT contoh yang paling sering disebut). Di 2024 hampir tidak ada lagi. Rekomendasinya : pakai model yang sudah ada, tambahkan data perusahaan lewat RAG, dan fine-tune hanya kalau RAG tidak cukup. Menlo mencatat pemakaian RAG naik dari 31% ke 51% dalam setahun, dan a16z 2025 mencatat fine-tuning justru semakin jarang dilakukan, karena model dengan context window yang panjang sudah cukup dengan prompt yang baik.
RAG (retrieval-augmented generation) adalah cara memberi model AI akses ke dokumen perusahaan pada saat menjawab, tanpa mengubah modelnya. Fine-tuning adalah melatih ulang sebagian model dengan data kita, sehingga modelnya sendiri yang berubah.
5. Beli, jangan bangun sendiri. Ini rekomendasi yang berbalik arah dalam 2 tahun.
Di 2024 a16z menulis bahwa perusahaan besar cenderung membangun aplikasi AI sendiri, "for now", karena aplikasi AI yang matang belum banyak. Menlo 2024 mencatat perbandingannya hampir seimbang : 53% dibeli, 47% dibangun sendiri. Di 2025 angkanya menjadi 76% dibeli, dan lebih dari 90% responden a16z sedang mencoba aplikasi customer support dari pihak ketiga. Sehingga playbook versi 2025 cenderung bilang : beli untuk kebutuhan yang umum, bangun sendiri hanya untuk yang dekat dengan core business.
6. Anggarannya jadi pos rutin, bukan dana inovasi.
Di 2023 rata-rata perusahaan yang disurvei a16z menghabiskan $7 juta untuk AI generatif, dan berencana menaikkannya 2 sampai 5 kali di 2024. Di 2025 porsi yang berasal dari innovation budget turun dari 25% menjadi 7%, artinya sisanya sudah masuk ke anggaran IT dan unit bisnis yang rutin. Secara total, Menlo menghitung belanja AI generatif perusahaan Amerika naik dari $13,8 miliar (2024) menjadi $37 miliar (2025). Implikasinya : AI diperlakukan seperti software biasa, dengan proses procurement, evaluasi keamanan, dan review harga seperti biasa.
7. Ukur ROI-nya, dan matikan pilot yang tidak jalan.
Ini bagian yang paling sering hilang waktu playbook-nya dirangkum ke deck. Gartner memperkirakan minimal 30% project AI generatif akan dihentikan setelah proof of concept (uji coba awal) sampai akhir 2025, karena kualitas data, biaya yang membengkak, atau nilai bisnis yang tidak jelas. Riset MIT NANDA (2025) lebih keras lagi : dari 300 lebih inisiatif yang mereka tinjau, 95% belum memberikan dampak yang terukur ke laba rugi. McKinsey mencatat bahwa dampak ke EBIT paling berkorelasi dengan tata kelolanya, termasuk apakah CEO sendiri yang mengawasi. Sehingga playbook yang lengkap selalu punya bagian "kapan berhenti", walaupun bagian itu jarang masuk ke slide.
Kenapa Bagian "Kapan Berhenti" Jarang Masuk Slide?
Menurut saya karena deck strategi dibuat untuk mendapatkan approval, bukan untuk menjalankan project. Slide ROI, timeline 6 bulan, dan 3 logo semuanya berfungsi untuk itu. Sedangkan evals, kriteria untuk berhenti, dan anggaran rutin baru terasa penting setelah project berjalan, yang mana pada saat itu deck-nya biasanya sudah tidak dibuka lagi.
Ini bukan salah dokumen aslinya. Kalau dibaca utuh, 5 dokumen di atas justru cukup hati-hati. a16z 2024 misalnya menulis bahwa mengukur ROI masih "an art and a science", dan sebagian besar respondennya mengandalkan produktivitas sebagai ukuran, bukan revenue. Bagian seperti ini biasanya hilang waktu dokumen 24 halaman dirangkum menjadi 12 slide.
Kenapa Tidak Bisa Dipakai Mentah-Mentah di Jakarta?
Ini bagian yang paling penting menurut saya, karena 7 rekomendasi di atas kelihatannya berlaku umum, padahal setiap rekomendasi membawa asumsi dari tempat asalnya. Asumsinya tidak ditulis, karena bagi penulis dan respondennya asumsi itu memang sudah benar. Di artikel sebelumnya saya membahas 4 asumsi yang berbeda di Jakarta, dan kalau kita petakan ke 7 rekomendasi tadi, hampir semuanya kena.
Beli, jangan bangun sendiri berangkat dari anggapan bahwa aplikasi yang mau dibeli itu memang ada untuk kebutuhan kita. Aplikasi customer support yang diuji 90% responden a16z dibuat untuk email dan chat berbahasa Inggris. Untuk WhatsApp dengan bahasa campuran, pilihannya jauh lebih sedikit, sehingga perbandingan beli vs bangun di sini hitungannya berbeda.
Pakai lebih dari 1 model berangkat dari anggapan bahwa semua model bisa dipakai. Apabila tim legal kita memutuskan data tidak keluar dari Indonesia, pilihan modelnya langsung jauh lebih sedikit, dan kualitas model open yang bisa dijalankan di server dalam negeri untuk bahasa Indonesia belum setara dengan model frontier.
Mulai dari evals dengan asumsi benchmark dan data evaluasinya tersedia. Untuk bahasa Inggris tersedia banyak. Untuk chat customer service berbahasa Indonesia campur Inggris, seperti yang saya tulis sebelumnya, risetnya belum ada, sehingga evaluasinya harus kita bangun sendiri dari data kita.
Anggaran rutin dan ukur ROI berangkat dari anggapan bahwa biaya dan revenue-nya dalam mata uang yang sama. Di sini biaya model dalam dolar dan revenue dalam rupiah, sehingga ROI yang dihitung di awal tahun bisa berubah beberapa persen di akhir tahun tanpa ada yang berubah di produk. Ini yang kemarin saya sebut token math vs rupiah math.
Use case internal dulu dengan asumsi karyawan yang memakainya bekerja dalam bahasa Inggris dan sudah terbiasa dengan tools seperti ini. Di banyak perusahaan di sini, use case yang paling cepat terasa dampaknya justru yang berhadapan dengan customer di WhatsApp, karena volumenya di sana.
Yang paling aman dipakai apa adanya menurut saya hanya 2 : RAG sebelum fine-tuning, dan matikan pilot yang tidak jalan. Dua-duanya soal metode, bukan soal angka, dan metode memang bagian playbook yang paling bisa dibawa ke mana saja.
Jadi, Kalau Diringkas
Playbook AI dari San Francisco versi 2025 kurang lebih seperti ini : mulai dari evals, use case internal dulu, lebih dari 1 model, RAG sebelum fine-tuning, beli sebelum bangun, anggaran rutin, dan ukur ROI lalu matikan yang tidak jalan. Isinya masuk akal dan dokumennya bagus. Akan tetapi 5 dari 7 rekomendasi itu bersandar pada asumsi yang di Jakarta berbeda, sehingga sebaiknya dibaca sebagai daftar pertanyaan untuk dicek, bukan daftar langkah untuk diikuti. Cara mengeceknya ada di artikel sebelumnya.
Kalau mau membaca versi tertulisnya langsung, saran saya mulai dari 2 : dokumen OpenAI (24 halaman, banyak contoh konkret) dan survei a16z 2025 (1 halaman web, 16 poin). Sisanya bisa menyusul apabila memang diperlukan.
Demikianlah penjelasan singkat tentang playbook yang saya maksud. Tentunya merangkum 5 dokumen ke dalam 7 poin juga oversimplification, jadi sebaiknya tetap baca sumbernya apabila akan dipakai untuk mengambil keputusan.