AI Menaikkan Standar Minimum. Kedalaman Adalah Cara Anda Menang.
Narasi bahwa AI menggantikan pekerjaan entry-level salah memahami apa yang sebenarnya dilakukan orang-orang entry-level. Seorang junior di activation bukan mengerjakan tugas remeh — mereka mengonfigurasi targeting DV360, QA-ing tracking pixels, mengelola bid strategies. Pertanyaan sebenarnya: ketika AI menaikkan standar minimum untuk semua orang, dari mana keunggulan datang? Kedalaman.
Beberapa bulan terakhir saya membangun kursus AI-Native Media Operations. Tujuh modul. Puluhan slide. Dan satu slide yang terus saya tulis ulang — yang sampai sekarang saya rasa belum benar — adalah tentang apa yang terjadi pada orang-orang yang baru masuk industri ketika model operasional bergeser ke 75-80% AI.
Saya terus menulis versi yang terdengar percaya diri. Lalu saya hapus, karena saya tidak percaya diri. Saya punya arah, bukan jawaban. Dan saya rasa versi jujur dari percakapan ini lebih berguna daripada yang sudah dipoles.
Jadi ini yang ada di pikiran saya.
Narasinya Salah
Anda pasti pernah dengar: "AI menggantikan pekerjaan entry-level." Ceritanya rapi. Tapi juga salah — atau setidaknya, salah memahami apa yang sebenarnya dilakukan orang-orang entry-level.
Coba kita telusuri disiplin-disiplin di agency media modern:
- Strategy: Menarik competitive analysis, menyintesis research briefs, menemukan pola di data yang dilewatkan senior karena mereka rapat seharian
- Planning: Membuat media plans, menjalankan skenario budget, membangun audience segments — sering kali lebih dekat ke data aktual dibanding senior planner yang me-review pekerjaan mereka
- Activation: Mengonfigurasi targeting DV360, QA-ing tracking pixels, mengelola bid strategies lintas platform — pekerjaan yang benar-benar teknis dan berisiko tinggi di mana audience yang salah konfigurasi bisa menghabiskan budget dalam hitungan jam
- Ad Ops: Trafficking ads, debugging tracking discrepancies, menjaga measurement integrity di puluhan platform
- Research: Mengevaluasi metodologi survei, menangkap sample bias, mengkode respons kualitatif — jenis pekerjaan analitis teliti yang membutuhkan skeptisisme nyata
- Reporting: Membangun dashboards, mengidentifikasi anomali, tahu kapan datanya tidak cocok meskipun chart-nya terlihat bagus
Ini bukan "tugas repetitif." Ini kontribusi substantif yang membutuhkan penilaian, pengetahuan platform, dan konteks klien. Orang yang mengonfigurasi kampanye DV360 bukan mengerjakan tugas remeh — mereka membuat puluhan keputusan teknis yang langsung mempengaruhi apakah media plan benar-benar deliver.
Senior Validation Gap yang Tidak Pernah Dibahas
Ini yang menurut saya kurang dibicarakan: VP Anda sudah tidak masuk DV360 setiap hari selama bertahun-tahun. Planning director Anda sudah tidak membuat audience segments secara manual. Orang-orang yang membuat keputusan strategis sering kali sudah mendelegasikan eksekusi level platform begitu lama sehingga mereka tidak bisa memvalidasi output AI di layer itu meskipun mereka mau.
Ketika AI menghasilkan campaign setup, siapa yang memvalidasi kebenarannya? Ketika AI membuat audience segment, siapa yang mengecek apakah data sources-nya benar? Ketika AI menghasilkan measurement framework, siapa yang tahu apakah tracking architecture-nya benar-benar mendukung?
Sering kali jawabannya adalah orang-orang yang paling dekat dengan platform. Orang-orang yang sama yang dibilang pekerjaannya "rutin."
Menurut saya ini celah yang membuat narasi "AI menggantikan pekerjaan junior" berbahaya. 75-80% yang ditangani AI tetap butuh validasi. Validasi itu membutuhkan kedalaman — keahlian platform, pengetahuan tracking architecture, keakraban dengan data source. Dan di banyak organisasi, kedalaman itu ada pada orang-orang yang dengan santai kita bilang akan tergantikan.
Masalah Parade
Saya terus kembali ke analogi ini. Ketika semua orang punya AI, kemampuan luas menjadi parade — mengesankan dari kejauhan, identik dari dekat. Setiap agency bisa menghasilkan media plans, audience insights, competitive reports, creative briefs dalam skala besar. Tools-nya sama. Prompts-nya konvergen. Output-nya ter-normalisasi.
Lalu dari mana keunggulannya?
Kedalaman. Menggali lebih dalam daripada AI + kompetitor di disiplin tertentu. Bukan lebih luas — lebih dalam.
Ini counterintuitive kalau Anda tumbuh di industri yang menghargai generalis "T-shaped." Tapi saya rasa bentuknya berubah. Ketika AI menyediakan garis horizontal T secara gratis, satu-satunya pembeda adalah seberapa jauh garis vertikalnya ke bawah.
Pengembangan Karier Depth-First
Model lama: mulai luas, spesialisasi belakangan. Anda rotasi antar departemen, dapat exposure ke planning dan buying dan reporting, baru akhirnya menemukan jalur Anda.
Saya rasa model yang lebih baik sekarang adalah kebalikannya: dalami dulu, baru perluas.
AI sudah menyediakan keluasan. Junior mana pun bisa pakai AI untuk men-draft media plan, membuat competitive analysis, atau menghasilkan research summary. Itu floor-nya — sudah dinaikkan untuk semua orang. Yang langka adalah orang yang tahu activation atau measurement atau creative evaluation lebih baik dari AI. Orang yang melihat output AI dan langsung tahu apa yang salah.
Kemampuan evaluasi itu — kemampuan menilai pekerjaan AI dengan keahlian nyata — membutuhkan kedalaman. Dan kedalaman membutuhkan waktu fokus di satu disiplin, bukan rotasi melalui lima departemen dalam dua tahun pertama Anda.
Seperti Apa "Going Deeper" Sebenarnya
Di sini saya ingin spesifik, karena saran karier generik itu tidak berguna.
Activation: Jadilah jembatan platform-AI. Kuasai kemampuan dan limitasi platform cukup baik untuk menangkap kapan konfigurasi AI tidak akan bekerja di kenyataan — audience yang terlalu sempit untuk deliver, bid strategy yang tidak cocok dengan objective, placement list yang memasukkan inventory yang secara eksplisit dikecualikan klien.
Ad Ops: Bergeser dari tag implementation ke tracking architecture. Jangan cuma menaruh pixels — desain infrastruktur measurement yang menjadi sandaran AI. Pahami consent frameworks, server-side tagging, data clean rooms. Orang yang bisa merancang measurement systems tidak tergantikan oleh AI. Mereka justru makin penting.
Planning: Belajar stress-test, bukan cuma membangun. Siapa pun bisa membuat plan sekarang. Nilainya ada di mengetahui kapan matematikanya benar tapi strateginya salah — kapan reach curve terlihat efisien tapi frequency-nya akan mengganggu audience, kapan channel mix teroptimasi di atas kertas tapi mengabaikan cara brand benar-benar muncul di setiap environment.
Research: Kembangkan skeptisisme sebagai skill inti. AI bisa menyintesis research lebih cepat dari manusia mana pun. Tapi ia juga bisa dengan percaya diri menyajikan temuan dari survei yang didesain buruk, mencampuradukkan korelasi dengan kausalitas, dan melewatkan sample bias. Researcher yang bisa menangkap kelemahan metodologi lebih berharga dari sebelumnya.
Creative: Bangun aesthetic judgment yang tidak dimiliki AI. AI bisa menghasilkan variants. Ia tidak bisa memberitahu Anda mengapa variant tertentu ini cocok untuk brand tertentu ini dalam konteks tertentu ini. Judgment itu — yang dibentuk oleh taste, pengetahuan brand, dan kesadaran kultural — bisa dikembangkan tapi tidak bisa diotomatisasi.
Reporting: Jadilah lapisan integritas data. AI membangun dashboards yang indah. Tapi dashboards bisa indah dan salah. Orang yang tahu kapan attribution model menyesatkan, kapan data source berubah diam-diam, kapan angkanya terlihat benar tapi cerita yang disampaikannya terbalik — orang itu esensial.
Eval Layer yang Tidak Dibicarakan Siapa pun
Ada konsep dari AI development yang menurut saya langsung applicable di sini: evals. Dalam AI, eval adalah ground truth — kriteria yang mendefinisikan seperti apa "benar" itu. Tanpa evals, Anda tidak bisa tahu apakah output AI bagus atau buruk. Anda cuma percaya pada mesinnya.
Di media operations, evals sudah ada. Hanya saja tidak disebut begitu.
Pre-launch checklist Anda adalah eval. Ia mendefinisikan seperti apa campaign setup yang benar. KPI ladder Anda adalah eval. Ia mendefinisikan apa arti performa yang baik. Brand guide Anda adalah eval. Ia mendefinisikan seperti apa creative yang compliant. Standar tracking accuracy Anda adalah eval. Ia mendefinisikan apa arti measurement yang reliable.
Orang-orang yang membangun dan memelihara ini — yang meng-encode expert judgment ke dalam kriteria operasional — sedang melakukan sesuatu yang secara fundamental tidak bisa dilakukan AI untuk dirinya sendiri. AI bisa menghasilkan campaign setup. Ia tidak bisa mendefinisikan seperti apa campaign setup yang benar untuk klien ini di pasar ini dengan constraints ini. Itu membutuhkan kedalaman.
Dan ini yang menurut saya kurang dihargai: membangun evals adalah salah satu latihan belajar paling powerful yang tersedia. Ketika Anda meminta seseorang mendefinisikan seperti apa "benar" untuk disiplin mereka — menulis pre-launch checklist, menentukan acceptable discrepancy threshold, membangun creative compliance rubric — mereka harus memahami pekerjaannya cukup dalam untuk meng-encode judgment. Itu bukan pekerjaan administratif. Itu pengembangan kedalaman yang dipercepat.
Jadi ketika saya bicara tentang depth-first career development, eval creation adalah ekspresi konkretnya. Orang yang bisa mengevaluasi output AI dan mendefinisikan kriteria evaluasinya memiliki skillset yang compound seiring waktu. Kriterianya makin tajam. AI-nya makin baik. Dan gap keahlian antara orang itu dan seseorang yang cuma pakai AI makin lebar.
Untuk Orang yang Baru Masuk Industri
Saya ingin jujur di sini, karena saya rasa orang yang baru masuk industri lebih butuh kejujuran daripada penenangan.
Ya, peran entry-level berubah. Titik masuknya bukan lagi "kerjakan apa yang bisa dikerjakan AI, tapi dengan tangan manusia." Tapi "kembangkan kedalaman untuk mengevaluasi apakah AI mengerjakan tugasnya dengan benar."
Itu terdengar seperti standar yang lebih tinggi, dan memang begitu di beberapa hal. Tapi saya rasa kemampuan evaluasi — melihat output AI dan tahu mana yang benar dan salah serta bisa mengartikulasikan mengapa — bisa dikembangkan lebih cepat dari yang orang kira. Anda tidak mulai dari nol. Anda mulai dengan AI sebagai akselerator belajar.
Catatan pentingnya: Anda tetap butuh hands-on reps di samping evaluasi. Anda perlu membangun kampanye sendiri untuk tahu seperti apa yang jelek. Anda perlu menarik data secara manual untuk memahami apa yang disembunyikan dashboard. AI mempercepat pembelajaran, tapi tidak sepenuhnya menggantikan praktik langsung. Belum.
Pilih satu disiplin. Dalami. Pelajari framework-nya. Orang-orang yang akan berkembang adalah yang membangun keahlian nyata di area spesifik — bukan yang menjadi generalist prompt engineers.
Masalah Apprenticeship
Saya harus mengakui — ini bagian yang belum saya pecahkan.
Model apprenticeship tradisional di agency bekerja karena orang-orang junior belajar sambil mengerjakan tugasnya. Asisten planning membuat plans dan belajar planning. Koordinator activation men-setup kampanye dan belajar activation. Repetisinya adalah pendidikannya.
AI mengompresi workflow-workflow itu. Dan dengan mengompresi workflow-nya, ia juga mengompresi mekanisme belajarnya. Kalau AI yang membuat media plan dan junior yang me-review, apakah mereka belajar planning dengan cara yang sama? Saya tidak yakin.
Saya punya arah tapi bukan jawaban lengkap. Depth-first development. Evaluasi bersamaan dengan eksekusi. Menggunakan AI sebagai alat mengajar, bukan cuma alat produksi — meminta junior membangun sesuatu dengan AI lalu mengkritik apa yang dihasilkan, supaya mereka belajar skill dan judgment secara bersamaan.
Tapi saya tidak yakin itu cukup. Masalah apprenticeship mungkin tantangan organisasional tersulit dari transisi AI — lebih sulit dari teknologinya, lebih sulit dari model bisnisnya. Kalau seseorang memecahkan ini sepenuhnya, mereka akan menyelesaikan sesuatu yang lebih besar dari model operasional satu agency mana pun.
Di Mana Kita Sekarang
Saya tidak akan mengakhiri ini dengan takeaway yang rapi, karena versi jujurnya tidak punya itu.
Ini yang menurut saya benar: Anda tidak digantikan oleh AI. Narasinya lebih nuanced dari itu. Tapi cara Anda berkembang, skill yang Anda prioritaskan, dan bagaimana Anda memposisikan keahlian Anda — itu perlu berevolusi. Keluasan sekarang gratis. Kedalaman adalah pembedanya.
Kalau Anda masih awal karier: pilih satu disiplin, dalami, dan kembangkan judgment untuk mengevaluasi pekerjaan AI. Kombinasi itu — kedalaman plus evaluasi — yang membuat Anda irreplaceable.
Kalau Anda memimpin tim: orang-orang yang paling dekat dengan platform dan data Anda mungkin lebih penting untuk strategi AI Anda dari yang Anda sadari. Pastikan orang-orang yang mendesain model operasional organisasi Anda memahami itu.
Dan kalau Anda sedang membangun kursus tentang semua ini dan masih menulis ulang slide itu — yah, setidaknya sekarang Anda punya blog post untuk ditunjuk. Meskipun ini juga tidak punya semua jawabannya.
Itu saja dari saya. Saya benar-benar ingin tahu bagaimana orang lain memikirkan ini — terutama orang-orang di tahun-tahun awal karier media mereka. Setuju? Tidak setuju? Apa yang saya lewatkan?
Cheers, Chandler
