Peran Apa Saja yang Benar-Benar Dibutuhkan Tim Marketing AI-Native di 2026

Saya terus mendengar percakapan yang sama dalam berbagai bentuk.

Seseorang bertanya: "Sekarang sudah ada AI, kita butuh berapa orang di tim?"

Angkanya berubah-ubah. Kadang empat. Kadang sepuluh. Kadang "sepertinya kita bisa memangkas tim ini jadi setengah."

Saya mengerti mengapa orang berpatok pada jumlah orang. Itu konkret. Masuk dalam baris anggaran. Itu pertanyaan yang diajukan CFO.

Tapi dari pengalaman saya, itu titik awal yang salah.

Pertanyaan yang lebih baik adalah: fungsi apa saja yang dibutuhkan tim?

Karena ternyata fungsi-fungsi itu sama baik Anda pod agency empat orang, tim in-house empat puluh orang, atau sesuatu di antaranya. Struktur organisasi bisa fleksibel. Fungsi-fungsinya tidak.

Saya sudah banyak memikirkan ini selama setahun terakhir, dan ingin berbagi di mana saya sampai. Mungkin saya salah di beberapa detail. Tapi pola dasarnya terasa benar.

Pertama: Mengapa Tidak Mulai dari Jumlah Orang?

Karena jawabannya berubah sesuai konteks, dan konteksnya sangat bervariasi.

Agency mid-market yang membangun dari nol sama sekali berbeda dari tim enterprise yang memasukkan AI ke workflow yang sudah ada. Tim in-house delapan orang punya batasan berbeda dari pod agency yang melayani satu klien besar.

Kalau Anda mulai dari "butuh berapa orang?" Anda dapat angka yang terasa presisi tapi hanya cocok untuk satu skenario.

Kalau Anda mulai dari "butuh fungsi apa?" Anda dapat sesuatu yang bisa diterapkan di mana saja.

Tiga Fungsi Operasional (Plus Seorang Pemimpin Strategis)

Setelah membangun sistem AI untuk tim marketing dan melihat bagaimana model operasional benar-benar berubah, saya terus kembali ke tiga fungsi yang harus ada, berapa pun ukuran timnya.

1. Validasi Output

Seseorang harus memeriksa apa yang dihasilkan AI.

Bukan sekadar "ini terlihat benar?" tapi secara spesifik:

apakah ini sesuai dengan apa yang sebenarnya ditampilkan platform?
apakah ini mengikuti brand guide dan aturan campaign?
apakah datanya akurat, atau AI sudah memuluskan sesuatu yang penting?
apakah ini akan lolos review dari stakeholder paling teliti?

Saya mulai menyebut ini fungsi AI Auditor. Orang (atau orang-orang) yang memvalidasi AI output di seluruh platform, creative, dan data.

Yang menarik dari fungsi ini adalah tidak harus orang senior. Yang dibutuhkan adalah seseorang dengan kedalaman platform terkini — seseorang yang cukup sering menggunakan tools sehingga bisa mengenali ketika AI dengan percaya diri menghasilkan sesuatu yang salah. Saya menulis tentang ini di AI Menaikkan Standar Minimum — orang-orang yang paling dekat dengan platform sering kali menjadi validator terbaik, terlepas dari jabatan.

Senior strategist yang tidak masuk ad platform selama tiga tahun mungkin tidak bisa melakukan ini dengan baik. Operator mid-level yang hidup di platform setiap hari mungkin sangat bagus untuk ini.

Itu penting untuk cara Anda merekrut dan mengembangkan orang.

2. Infrastruktur Data dan Pengukuran

Sistem AI hanya sebaik data yang mengalir ke dalamnya. Seseorang perlu menguasai:

implementasi dan akurasi tracking
definisi conversion events
kebersihan data warehouse
koneksi data lintas platform
sumber kebenaran untuk pengukuran — apa yang merupakan tracking akurat, ambang batas penyimpangan yang bisa diterima, logika atribusi yang benar

Saya melihat ini sebagai fungsi Signal Architect. Dari pengalaman saya, ini fungsi yang paling sulit direkrut di level mana pun. Orang yang bisa melakukan ini dengan baik sangat langka, dan mengembangkan kedalaman ini secara internal mungkin satu-satunya opsi realistis Anda.

Ketika AI menghasilkan measurement plan atau menandai anomali performa, infrastruktur Signal Architect menentukan apakah analisis itu bahkan didasarkan pada data yang bisa dipercaya. Tanpa fungsi ini, Anda membangun di atas pasir.

3. Pengetahuan Terstruktur dan Memori

Ini fungsi yang paling baru saya tulis tentangnya belakangan ini, dan menurut saya ini yang paling undervalued.

Seseorang perlu memelihara knowledge base terstruktur yang membuat semuanya bekerja:

konteks klien atau brand (jangka panjang: positioning, voice, competitive landscape, seasonal patterns)
pengetahuan operasional (jangka pendek: pacing minggu ini, eksperimen aktif, hasil terbaru, isu terbuka)
standar evaluasi (seperti apa yang "bagus", apa yang ditolak dan mengapa, benchmark mana yang penting)

Saya menyebut ini fungsi Memory Curator. Orang yang memastikan sistem AI punya konteks terkini dan akurat untuk setiap pekerjaan.

Long-term memory di-refresh per kuartal. Short-term memory di-refresh setiap cycle. Kedua jenis perlu distrukturkan dan dipelihara dengan sengaja. Tanpa ini, Anda mendapat masalah yang terus saya lihat: AI yang menghasilkan output yang halus tapi sama sekali meleset dari business context.

Kabar baiknya, fungsi ini diuntungkan oleh pengalaman tapi skill intinya bisa diajarkan. Ini salah satu entry point paling mudah diakses bagi seseorang yang berkembang ke peran strategis.

Plus: Pemimpin Strategis atau Account Lead

Tiga fungsi ini membutuhkan seseorang yang mengarahkan keseluruhan — menetapkan prioritas, mengelola stakeholder, membuat trade-off yang membentuk apa yang dikerjakan tim dan mengapa. Sebut saja Account Lead, Marketing Director, Head of Growth, apa pun yang cocok dengan organisasi Anda.

Intinya adalah tiga fungsi di atas — validasi, infrastruktur, memori — adalah lapisan operasional. Pemimpin strategis adalah lapisan penentu arah. Anda butuh keduanya.

Seperti Apa Ini di Senin Pagi

Biar saya buat lebih konkret.

Sebuah brand skincare mid-market sedang mempersiapkan peluncuran campaign Q2. AI telah menghasilkan media plan, creative brief, dan measurement framework awal semalam.

Inilah yang terjadi sebelum apa pun go live:

AI Auditor membuka media plan dan mencocokkannya dengan platform. AI merekomendasikan pembagian 60/40 antara Meta dan TikTok — tapi Auditor tahu integrasi TikTok Shop brand tersebut rusak bulan lalu dan belum diperbaiki. AI tidak tahu itu. Auditor menandainya sebelum budget apa pun dikomit.

Signal Architect melihat measurement framework. AI mengusulkan tracking berdasarkan pixel setup kuartal lalu. Tapi Architect tahu tim sudah migrasi ke server-side tracking dua minggu lalu, dan pixel events lama sekarang menduplikasi conversions. Angka atribusi akan terlihat bagus dan sepenuhnya salah. Architect mengoreksi event definitions sebelum dashboard dibangun.

Memory Curator me-review creative brief. AI menghasilkan sesuatu yang halus — tone profesional, CTA kuat, copy bersih. Tapi structured memory Curator menunjukkan bahwa CEO klien ini menolak apa pun dengan framing "sale" kuartal lalu, dan tim compliance mengharuskan bahasa spesifik seputar ingredient claims. Curator menambahkan batasan-batasan itu sebelum brief sampai ke tim creative.

Account Lead melihat ketiga output, yang sudah divalidasi dan dikoreksi, dan membuat keputusan strategis: mundurkan tanggal peluncuran satu minggu karena kompetitor baru saja mengumumkan produk serupa dan brand butuh sudut diferensiasi dulu.

Tidak ada tangkapan di sini yang glamor. Semuanya akan terlewat oleh tim yang hanya mempercayai AI output. Saya menulis tentang pola ini di Mengapa Kebanyakan Tools AI Marketing Terasa Cepat tapi Melemahkan Penilaian Tim — kecepatannya nyata, tapi tanpa lapisan validasi, kecepatan hanya mempercepat Anda menuju keputusan yang lebih buruk.

Bagaimana Bentuknya Berubah Sesuai Konteks

Di sinilah saya rasa percakapannya jadi lebih berguna dari sekadar angka headcount tetap.

Pod agency kecil atau tim startup (3-5 orang): Satu orang memegang dua atau bahkan ketiga fungsi. Pemimpin strategis juga mengelola memori. Channel specialist juga mengaudit AI output. Ini bekerja ketika tim cukup kecil sehingga konteks terbagi secara alami.

Tim agency mid-market (6-12 orang): Setiap fungsi mendapat orang khusus. Di sinilah model operasional mulai berakumulasi — structured knowledge dari Memory Curator membuat setiap fungsi lain lebih efektif seiring waktu. Dari apa yang saya lihat, mid-market sebenarnya zona disrupsi paling menarik saat ini, karena kesenjangan antara apa yang klien-klien ini terima saat ini dan apa yang tim AI-augmented bisa deliver paling lebar di sini.

Tim enterprise atau in-house (15-40+ orang): Setiap fungsi mungkin punya tim di belakangnya. Fungsi AI Auditor menjadi lapisan kualitas di berbagai channel. Fungsi Signal Architect menjadi kapabilitas data engineering. Fungsi Memory Curator menjadi praktik institutional knowledge.

Kuncinya: fungsi-fungsinya non-negotiable. Label struktur organisasi dan jumlah orang per fungsi sepenuhnya fleksibel.

Inilah mengapa saya rasa "butuh berapa orang?" itu pertanyaan yang salah. Pertanyaan yang lebih baik: "apakah tiga fungsi ini ada di tim kita, dan siapa yang memilikinya?"

Di Mana Orang Junior Masuk — Dan Mengapa Ini Penting

Saya ingin membahas sesuatu secara langsung, karena menurut saya ini penting.

Banyak percakapan seputar AI dan tim terdengar seperti ini: tim lebih kecil, lebih banyak leverage, lebih sedikit rekrutan. Dan kalau Anda di awal karier, itu bisa terdengar seperti: lebih sedikit peluang untuk saya.

Saya tidak berpikir itu benar. Tapi saya juga tidak berpikir jalur lama masih bekerja, dan saya ingin jujur soal itu.

Model magang lama bekerja melalui pengulangan. Orang junior belajar dengan mengerjakan tugas secara manual — menjalankan report, set up campaign, menarik data, memformat deck — cukup banyak kali sampai mereka menginternalisasi penilaian di balik pekerjaan itu.

Kalau AI sekarang menangani banyak produksi tahap pertama, pengulangannya menyusut. Pertanyaannya jadi: kalau AI menangani semua pekerjaan junior, bagaimana seseorang bisa jadi senior?

Saya rasa ini salah satu masalah belum terpecahkan yang paling sulit di industri saat ini.

Inilah di mana saya sampai, dan saya memegang ini dengan longgar:

Model Pengembangan 2+2

Ketika saya berpikir tentang membangun tim, saya tidak mengasumsikan semua peran harus diisi oleh senior hire eksternal.

Yang menurut saya lebih efektif adalah sesuatu seperti: 2 orang berpengalaman + 2 orang dalam program pengembangan depth-first yang disengaja.

Orang berpengalaman membawa penilaian dan konteks. Slot pengembangan membawa kedalaman platform terkini, energi, dan — yang krusial — alasan untuk berinvestasi menumbuhkan talenta bukan sekadar mengeksploitasinya.

Kedalaman Dulu, Bukan Rotasi Dulu

Model karier lama adalah: perluas dulu, spesialisasi nanti. Rotasi antar channel, pelajari sedikit dari segalanya.

Saya rasa model AI-native membalikkan ini. Perdalam dulu, baru perluas.

Enam bulan fokus mendalam di satu disiplin membangun keahlian yang lebih tahan lama dibanding enam bulan rotasi di empat area. Kedalamannya yang memungkinkan Anda memvalidasi AI output. Keluasannya datang kemudian melalui rotasi.

Pembuatan Evaluasi sebagai Pembelajaran

Salah satu mekanisme pembelajaran paling powerful yang saya lihat sekarang adalah meminta orang mendefinisikan seperti apa "benar" itu.

Bukan sekadar mengeksekusi tugas. Definisikan kriteria evaluasinya:

seperti apa campaign setup yang bagus?
apa yang seharusnya memicu review kedua?
ambang batas penyimpangan yang bisa diterima berapa?
apa yang tidak boleh lolos tanpa pemeriksaan manusia?

Latihan itu memaksa pemahaman mendalam yang dulu datang dari mengerjakan tugas secara manual. Orang yang menulis pre-launch checklist harus memahami disiplinnya cukup dalam untuk meng-encode penilaian ahli ke dalam sistem.

Contoh: "conversion tracking harus fire dalam 2% dari angka yang dilaporkan platform sebelum campaign apa pun go live." Menulis aturan itu terdengar simpel. Tahu mengapa 2% itu ambang yang tepat, bukan 5% atau 0.5%, membutuhkan kedalaman nyata.

Ini tidak sama dengan magang lama. Tapi saya rasa ini bisa bekerja.

Jalur Karier

Setiap dari tiga fungsi yang saya jelaskan juga merupakan jalur pengembangan, bukan label buntu:

AI Auditor → tumbuh menjadi account leadership, karena orang yang memahami secara mendalam apa yang membuat output baik atau buruk adalah orang yang bisa mengarahkan hubungan klien
Signal Architect → tumbuh menjadi measurement leadership, karena pengetahuan data infrastructure adalah salah satu skill set paling bernilai dan paling langka
Memory Curator → tumbuh menjadi senior strategy, karena orang yang menstrukturkan pengetahuan akhirnya menjadi orang yang membentuk cara organisasi berpikir

Kalau Anda di awal karier dan membaca ini, pertanyaannya bukan "apakah akan ada peran untuk saya?" Pertanyaannya "fungsi mana yang sedang saya bangun kedalamannya?" Itulah langkah karier yang berakumulasi.

Apa yang Ditangani Lapisan AI

Kalau tim manusia diorganisir seputar fungsi-fungsi ini, lapisan AI menangani banyak pekerjaan produksi — draft pertama, sintesis riset, kerangka laporan, dokumentasi, repurposing konten.

Tapi saya tidak akan mengacaukan aktivitas AI yang tinggi dengan model operasional yang lengkap.

Seseorang tetap harus mendefinisikan apa yang dipercaya, apa yang di-review, dan apa arti kualitas. Di situlah menurut saya banyak percakapan "AI-first" masih terasa agak dangkal. Mereka berhenti di generation. Leverage yang sesungguhnya ada di orkestrasi dan evaluasi.

Framing Pemberdayaan

Satu hal lagi, karena menurut saya ini penting untuk bagaimana tim benar-benar mengadopsi ini.

Perbedaan antara tim yang menolak AI dan tim yang merangkulnya sering kali terletak pada framing-nya.

Kalau pesannya "AI menggantikan pekerjaanmu" atau "kami mengotomasi untuk efisiensi," reaksinya adalah penolakan, kecemasan, disengagement diam-diam.

Kalau pesannya "AI menangani pekerjaan repetitif supaya kamu bisa fokus pada bagian yang membutuhkan penilaian," reaksinya biasanya rasa ingin tahu dan ownership.

Saya sudah melihat ini terjadi. Paralel programmatic berguna di sini. Ketika insertion order manual menghilang, orang-orang yang beradaptasi menjadi programmatic strategist — peran dengan skill lebih tinggi, bayaran lebih tinggi. Peralihan itu tidak nyaman. Hasilnya adalah pertumbuhan.

Saya rasa kita berada di titik infleksi yang serupa. Bentuk pekerjaannya berubah. Nilai orang-orang yang melakukan pekerjaan itu naik, bukan turun — kalau timnya dirancang untuk membiarkan mereka berkembang.

Di Mana Saya Sekarang

Saya masih berpikir campuran spesifiknya akan bervariasi per bisnis. Beberapa tim butuh creative editor sebagai fungsi inti. Beberapa butuh channel specialist. Beberapa butuh dua Signal Architect dan tidak perlu Memory Curator khusus.

Tapi pola dasar yang terus saya kembali ke:

definisikan fungsi, bukan headcount
tiga fungsi operasional (validasi, infrastruktur, memori) itu non-negotiable
sertakan slot pengembangan, bukan hanya senior hire
investasi di magang depth-first
biarkan lapisan AI menangani produksi supaya lapisan manusia bisa fokus pada penilaian

Itu arah yang sedang saya tuju — baik dalam cara saya berpikir tentang tim maupun cara saya membangun model operasional saya sendiri selama setahun terakhir.

Itu saja dari saya.

Kalau Anda sedang mendesain ulang tim sekarang, saya benar-benar ingin tahu fungsi mana yang paling mudah dibangun dan mana yang terus bermasalah. Dan kalau Anda di awal karier, fungsi mana yang sedang Anda bangun kedalamannya?

Salam, Chandler