Apa yang Masih Salah dari AI dalam Media Operations Tanpa Judgment Senior

Selama beberapa bulan terakhir, saat saya membangun kursus tentang AI-native media operations, saya terus kembali ke pemikiran yang sama yang mengganjal.

AI sudah cukup bagus untuk menjadi berbahaya dengan cara yang sangat spesifik.

Bukan berbahaya karena jawabannya jelas salah. Berbahaya karena jawabannya sering masuk akal secara meyakinkan.

Itu adalah failure mode yang sangat berbeda.

Kalau model AI memberi Anda jawaban yang konyol, kebanyakan orang akan menangkapnya. Anda tertawa, mungkin screenshot, mungkin posting di LinkedIn, lalu lanjut.

Tapi kalau AI memberi Anda campaign plan yang 80% benar, measurement framework yang terdengar lengkap, reporting narrative yang terasa rapi, atau channel recommendation yang terlihat strategis secara koheren, maka kegagalannya jauh lebih halus.

Tetap harus ada seseorang yang bertanya:

• Apakah ini berakar pada bisnis yang sebenarnya?
• Apakah ini sesuai dengan konteks klien?
• Apakah ini mencerminkan bagaimana platform bekerja di dunia nyata?
• Apakah ini menciptakan trade-offs yang tepat, bukan sekadar jawaban yang terlihat paling bersih?

Di situlah senior judgment masih sangat penting.

---

Masalahnya Bukan "AI Buruk di Media"

Untuk jelasnya, saya tidak berpikir AI buruk di media operations lagi.

Malah, menurut saya argumen itu makin lemah setiap bulan.

AI sudah berguna untuk:

• draft awal media plans
• hipotesis audience
• ringkasan reporting
• creative testing frameworks
• competitive scans
• campaign QA checklists
• dokumentasi measurement

Kalau seseorang masih bilang, "AI cuma mainan," menurut saya mereka meremehkan apa yang sedang terjadi.

Kekhawatiran saya justru hampir kebalikannya.

AI sudah cukup kuat sehingga banyak tim akan mempercayainya sebelum mereka membangun judgment layer yang diperlukan untuk mengawasinya dengan baik.

Dan dari pengalaman saya, media operations penuh dengan judgment calls yang tidak muncul rapi di dokumentasi mana pun.

---

Lima Hal yang Masih Salah dari AI

Ini pola-pola yang terus saya temui.

1. AI mengoptimalkan metrik yang terlihat, bukan business objective yang sebenarnya

AI sangat pandai mengikuti target yang diberikan.

Kedengarannya jelas. Tapi di media, stated target dan real target sering tidak sama.

Mungkin KPI-nya bilang leads, tapi bisnis sebenarnya butuh qualified pipeline. Mungkin brief-nya bilang reach, tapi klien sebenarnya butuh kepercayaan politik internal. Mungkin dashboard bilang efficiency, tapi brand diam-diam berusaha melindungi premium positioning.

AI biasanya mengoptimalkan hal yang legible.

Senior judgment adalah yang bertanya apakah legible target itu memang target yang benar sejak awal.

2. AI memperlakukan platform guidance sebagai kenyataan

Platform best practices itu berguna. Saya sudah menghabiskan sebagian besar karier bekerja dengannya.

Tapi siapa pun yang sudah benar-benar menjalankan campaigns bertahun-tahun tahu gap antara platform guidance dan kenyataan operasional yang berantakan.

Yang berhasil di help center tidak selalu berhasil untuk klien ini, budget ini, kategori ini, pasar ini, data maturity ini, atau deadline ini.

AI sering menghasilkan jawaban buku teks. Operator senior tahu kapan jawaban buku teks gagal saat bersentuhan dengan dunia nyata.

3. AI melewatkan stakeholder politics

Ini pembunuh diam-diam.

Sebuah media plan bisa secara matematis benar tapi tetap gagal karena tidak sesuai dengan ekspektasi stakeholder.

Mungkin klien butuh investasi brand yang terlihat di satu channel karena leadership mempercayainya. Mungkin tim regional butuh fleksibilitas lokal. Mungkin organisasi sales tidak percaya black-box attribution. Mungkin procurement lebih peduli vendor consolidation daripada keanggunan.

Ini bukan berarti kita harus menyerahkan strategi kepada politik. Bukan itu yang saya maksud.

Yang saya maksud adalah media operations hidup di dalam organisasi, bukan di dalam diagram yang bersih.

Orang-orang senior biasanya tahu di mana tripwires tak terlihat itu berada.

4. AI meratakan pengecualian

AI suka sistem yang bersih.

Media operations di dunia nyata tidak bersih.

Ada pengecualian di mana-mana:

• klien dengan proses approval yang tidak biasa
• pasar dengan pembatasan platform
• measurement stack dengan blind spots yang diketahui
• batasan hukum
• masalah taxonomy warisan
• creative dependencies yang memperlambat segalanya

Mesin cenderung memberi Anda operating model yang koheren. Manusia harus menyadari satu pengecualian buruk yang merusak keseluruhan.

5. AI mengacaukan completeness dengan readiness

Yang ini terasa sangat relevan bagi saya karena saya melihat pola yang sama di coding.

AI luar biasa dalam menghasilkan sesuatu yang terlihat selesai.

Deck punya sections. Report punya bullet points. Framework punya categories. Recommendation punya logic.

Tapi ketika Anda mencoba menggunakannya di lingkungan nyata, ada yang kurang tepat.

Sequencing-nya salah. Risikonya dikecilkan. Langkah validasi hilang. Recommendation mengasumsikan kapabilitas yang tidak dimiliki tim.

Langkah terakhir dari "complete" ke "ready" masih sangat manusiawi.

---

Senior Judgment Bukan Berarti Seniority Saja

Saya perlu menambahkan nuansa penting di sini.

Ketika saya bilang "senior judgment," saya tidak bermaksud bahwa title paling senior di ruangan otomatis punya jawaban terbaik.

Malah, salah satu kenyataan yang tidak nyaman dari media agencies adalah VP of strategy mungkin sudah tidak menyentuh platform secara mendalam selama bertahun-tahun. Planning director mungkin tidak tahu quirks terbaru dalam implementasi. Orang yang paling dekat dengan kebenaran mungkin operator yang lebih junior yang masih bekerja di dalam sistem setiap hari.

Jadi menurut saya jawabannya bukan:

"Biarkan AI yang kerja, lalu minta satu senior executive untuk meng-approve."

Menurut saya jawabannya lebih dekat ke:

AI menghasilkan draft pertama. Praktisi yang mendalam memvalidasi kebenaran operasional. Orang senior menambahkan business judgment, trade-off judgment, dan organizational judgment.

Itu operating model yang sangat berbeda dari hierarki agency lama maupun versi malas dari "AI menggantikan pekerjaan junior."

---

Eval Layer Adalah Pekerjaan yang Sesungguhnya

Saya baru-baru ini menulis tentang kedalaman yang menjadi pembeda ketika AI menaikkan standar minimum.

Menurut saya, ekspresi operasional dari itu adalah evals.

Bukan hanya dalam pengertian machine learning. Dalam pengertian tim secara praktis.

Apa yang mendefinisikan campaign setup yang bagus? Apa yang mendefinisikan report yang bisa dipercaya? Berapa ambang batas discrepancy yang bisa diterima? Apa yang dianggap launch-ready? Apa yang seharusnya memicu review kedua?

Definisi-definisi itu bukan overhead administratif. Itu adalah judgment layer.

Dan tim yang membangun layer ini dengan baik akan mendapat jauh lebih banyak nilai dari AI dibanding tim yang berhenti di prompt libraries dan generic automation.

---

Di Mana Ini Menempatkan Tim

Menurut saya takeaway-nya bukan "takutlah dengan AI."

Takeaway-nya lebih menuntut dari itu.

Gunakan AI secara agresif. Biarkan ia mengerjakan 75-80%. Tapi sangat jelas tentang di mana human judgment masuk:

• penetapan tujuan
• validasi
• pengecualian
• trade-offs
• manajemen stakeholder
• standar kualitas

Itu bukan anti-AI. Itulah wujud AI operating model yang serius.

Ini juga mengapa saya membangun Module 1 kursus dengan cara yang saya pilih. Saya ingin module gratis menunjukkan seluruh campaign lifecycle, ya, tapi juga poin yang lebih besar di baliknya: AI bisa menyentuh setiap fase. Itu tidak menghilangkan kebutuhan akan experienced judgment. Itu mengubah di mana judgment tersebut paling penting.

Itu saja dari saya.

Saya benar-benar ingin mendengar bagaimana orang lain menangani ini dalam praktik. Kalau Anda sudah menjalankan media teams, di mana Anda melihat AI menghasilkan wrong answers yang paling meyakinkan? Dan kalau Anda lebih awal dalam karier, apakah menurut Anda judgment bar makin jelas atau makin kabur?

Cheers, Chandler