Bagaimana AI Mengubah Matematika untuk Startup, Menurut Wakil Presiden Microsoft

Russell Brandom

Kamis, 12 Februari 2026 pukul 02:51 WIB 5 menit membaca

Dalam artikel ini:

•                                       Pilihan Teratas StockStory 
  

  MSFT

  -2,22%

Microsoft CVP untuk CoreAI Amanda Silver | Kredit Gambar: Microsoft

Selama 24 tahun, Amanda Silver dari Microsoft telah bekerja membantu pengembang — dan dalam beberapa tahun terakhir, itu berarti membangun alat untuk AI. Setelah lama bekerja di GitHub Copilot, Silver kini menjabat sebagai wakil presiden di divisi CoreAI Microsoft, di mana dia mengembangkan alat untuk menerapkan aplikasi dan sistem agenik di dalam perusahaan. Karyanya berfokus pada sistem Foundry di Azure, yang dirancang sebagai portal AI terpadu untuk perusahaan, memberinya pandangan dekat tentang bagaimana perusahaan benar-benar menggunakan sistem ini dan di mana penerapannya seringkali kurang optimal.

Saya berbicara dengan Silver tentang kemampuan saat ini dari agen perusahaan, dan mengapa dia percaya ini adalah peluang terbesar bagi startup sejak cloud publik.

_ Wawancara ini telah diedit untuk panjang dan kejelasan._

Jadi, pekerjaan Anda berfokus pada produk Microsoft untuk pengembang luar — sering kali startup yang tidak fokus pada AI. Bagaimana Anda melihat AI mempengaruhi perusahaan-perusahaan tersebut?

Saya melihat ini sebagai momen penting bagi startup, sebesar pergeseran ke cloud publik. Jika dipikir-pikir, cloud memberikan dampak besar bagi startup karena mereka tidak lagi perlu memiliki ruang fisik untuk menampung server mereka, dan mereka tidak perlu mengeluarkan banyak uang untuk infrastruktur hardware yang harus dihosting di laboratorium mereka. Semuanya menjadi lebih murah. Sekarang, AI agenik akan terus mengurangi biaya operasional perangkat lunak lagi, karena banyak pekerjaan yang terlibat dalam memulai usaha baru — baik dukungan pelanggan, investigasi hukum — banyak dari itu bisa dilakukan lebih cepat dan lebih murah dengan agen AI. Saya pikir ini akan mendorong lebih banyak usaha dan startup baru diluncurkan. Dan kita akan melihat startup dengan valuasi lebih tinggi dan lebih sedikit orang di puncaknya. Dan saya rasa itu dunia yang menarik.

Seperti apa gambaran praktiknya?

Kami tentu melihat agen multi-langkah menjadi sangat umum digunakan di berbagai tugas pengkodean, bukan? Sebagai contoh, satu hal yang harus dilakukan pengembang untuk memelihara basis kode adalah tetap mengikuti versi terbaru dari pustaka yang menjadi dependensinya. Mungkin Anda bergantung pada versi lama dari runtime dot-net atau SDK Java. Dan kita bisa membuat sistem agenik ini menalar seluruh basis kode Anda dan memperbaruinya dengan jauh lebih mudah, mungkin mengurangi waktu hingga 70 atau 80%. Dan ini benar-benar harus dilakukan oleh agen multi-langkah yang sudah diterapkan.

Operasi situs langsung adalah contoh lain — jika Anda memelihara sebuah situs web atau layanan dan terjadi sesuatu yang salah, ada suara keras di malam hari, dan seseorang harus siaga untuk bangun dan merespons insiden tersebut. Kami masih memiliki orang yang siaga 24/7, untuk berjaga-jaga jika layanan turun. Tapi dulu pekerjaan ini sangat dibenci karena sering membangunkan orang untuk menangani insiden kecil. Kini, kami telah membangun sistem genetik yang mampu mendiagnosis dan dalam banyak kasus sepenuhnya mengatasi masalah yang muncul dalam operasi situs langsung sehingga manusia tidak perlu dibangunkan di tengah malam dan merasa grogi saat mencoba mendiagnosis apa yang terjadi. Ini juga membantu kami secara dramatis mengurangi waktu rata-rata penyelesaian insiden.

Cerita Berlanjut  

Salah satu tantangan lain saat ini adalah bahwa penerapan agenik belum terjadi secepat yang kita harapkan bahkan enam bulan lalu. Saya penasaran mengapa menurut Anda demikian.

Jika Anda memikirkan orang-orang yang membangun agen, apa yang menghalangi mereka untuk berhasil, dalam banyak kasus, karena mereka tidak benar-benar tahu apa tujuan agen tersebut. Ada perubahan budaya yang harus terjadi dalam cara orang membangun sistem ini. Apa kasus penggunaan bisnis yang mereka coba selesaikan? Apa yang ingin mereka capai? Anda harus sangat jelas tentang apa definisi keberhasilan untuk agen ini. Dan Anda harus memikirkan, data apa yang saya berikan kepada agen agar ia dapat menalar bagaimana menyelesaikan tugas tertentu ini?

Kami melihat hal-hal tersebut sebagai hambatan utama, lebih dari ketidakpastian umum dalam meletakkan agen. Siapa pun yang melihat sistem ini akan melihat return on investment-nya.

Anda menyebut ketidakpastian umum, yang menurut saya terasa seperti hambatan besar dari luar. Mengapa Anda melihatnya sebagai masalah yang kurang signifikan dalam praktik?

Pertama, saya rasa sangat umum bahwa sistem agenik akan melibatkan manusia dalam loop. Pikirkan tentang sesuatu seperti pengembalian paket. Dulu, alur kerja pengembalian hampir 90% otomatis dan 10% intervensi manusia, di mana seseorang harus melihat paket dan membuat keputusan tentang tingkat kerusakannya sebelum menerima pengembalian.

Itu contoh sempurna di mana sekarang model visi komputer menjadi sangat baik sehingga dalam banyak kasus, kita tidak lagi membutuhkan banyak pengawasan manusia dalam memeriksa paket dan membuat penilaian tersebut. Akan tetap ada beberapa kasus yang borderline, di mana mungkin visi komputer belum cukup baik untuk membuat keputusan, dan mungkin ada eskalasi. Ini seperti, seberapa sering Anda perlu memanggil manajer?

Ada hal-hal yang selalu membutuhkan pengawasan manusia, karena mereka operasi yang sangat penting. Pikirkan tentang memenuhi kewajiban hukum kontrak, atau menerapkan kode ke dalam basis kode produksi yang bisa mempengaruhi keandalan sistem Anda. Tapi bahkan dalam hal ini, ada pertanyaan seberapa jauh kita bisa mengotomatisasi proses lainnya.

Ketentuan dan Kebijakan Privasi

Dasbor Privasi

Info Lebih Lanjut