Di era AI, keputusan in-house versus agensi tidak lagi terutama soal biaya. Pertahankan lapisan yang berlipat — penilaian merek, data first-party, dan memori klien yang membuat AI membaik seiring waktu — dan gunakan agensi untuk produksi elastis dan eksekusi spesialis. Pertanyaan penentunya telah berpindah dari "apa yang lebih murah?" ke "apa yang membaik makin sering kita melakukannya?" Itu tes yang berbeda, dan ia menunjuk ke pemisahan yang berbeda.
Saya pertama kali menulis soal in-house versus outsourcing pada 2007, saat argumennya hampir murni ekonomis: rekrut kemampuannya atau sewalah. Ekonominya masih penting. Tapi AI mengubah apa itu "kemampuannya", karena nilai sebuah tim kini sebagian bergantung pada apa yang diakumulasinya. Itulah bagian yang dilewatkan sebagian besar debat in-house.
Apa yang berubah sejak debat biaya
Kalkulasi lamanya sederhana. Agensi punya skala, jadi ia bisa menyebarkan biaya spesialisnya ke banyak klien dan menagih Anda lebih murah daripada satu karyawan penuh waktu. Anda outsourcing ketika kebutuhannya berselang atau spesialis; Anda in-house ketika kebutuhannya berlanjut dan sentral. Logika itu masih menjelaskan kapasitas produksi dan keahlian kanal.
Yang ditambahkan AI adalah sumbu kedua: sebagian pekerjaan menjadi lebih berharga makin banyak konteks yang Anda berikan. Model yang telah melihat dua tahun brief, hasil, aturan merek, dan keputusan masa lalu Anda menghasilkan karya yang lebih baik daripada yang baru. Perbaikan itu terakumulasi di tempat konteksnya berada. Jadi pertanyaannya bukan hanya "siapa yang bisa melakukan ini lebih murah?" tapi "di mana kita ingin pembelajaran ini berkumpul?" — dan jawaban itu menguntungkan menjaga lapisan yang berlipat tetap dekat.
Pertanyaan penentunya: berlipat atau elastis
Setiap kemampuan yang bisa Anda pertahankan atau outsourcing jatuh pada spektrum antara berlipat dan elastis. Pekerjaan yang berlipat membaik seiring mengakumulasi konteks yang Anda miliki: penilaian merek, pemahaman audiens, riwayat performa, catatan apa yang Anda putuskan dan kenapa. Pekerjaan elastis adalah kapasitas yang Anda butuhkan sesekali dan yang nilainya tidak bergantung pada riwayat spesifik Anda: volume produksi, limpahan, peluncuran kanal spesialis.
Kemampuan yang berlipat milik in-house, karena meng-outsourcing-nya berarti menyewakan keluar justru hal yang membuat Anda lebih baik. Kemampuan elastis milik partner, karena membangun kapasitas permanen untuk pekerjaan berselang adalah pemborosan. Sebagian besar kesalahan datang dari mencampur keduanya — mempertahankan produksi elastis in-house karena kebiasaan, atau menyerahkan lapisan yang berlipat ke agensi lalu heran kenapa karyanya tak pernah membaik.
Peta kemampuannya
| Kemampuan | Tetap in-house | Agensi | Kenapa |
|---|---|---|---|
| Penilaian merek dan kategori | Ya | — | Berlipat, proprietary, sulit di-brief |
| Data first-party dan memori | Ya | — | Pembelajarannya berkumpul di sini; Anda harus memilikinya |
| Desain strategi dan pengukuran | Ya | Terbatas | Menetapkan standar yang diwarisi semua hal lain |
| Perencanaan dan pembelian media | Bersama | Bersama | Penilaian in-house, kapasitas eksekusi disewa |
| Produksi kreatif dalam volume | — | Ya | Elastis; alatnya membuatnya murah dan cepat |
| Lokalisasi dan transkreasi | — | Sebagian besar | Butuh nuansa native dalam skala |
| Kanal spesialis | — | Ya | Keahlian berselang, sulit diisikan orang permanen |
| Pelaporan dan kecerdasan | Ya | Bersama | Penafsirannya berlipat; penyusunannya elastis |
| Tata kelola dan kebijakan | Ya | — | Anda yang bertanggung jawab; tak bisa didelegasikan |
Tabelnya adalah posisi awal, bukan aturan. Merek kecil mungkin wajar meng-outsourcing lebih banyak daripada yang besar; merek besar mungkin meng-in-house kan produksi karena ia punya volume untuk membenarkannya. Sumbu yang penting adalah pelipatan, dan tiap barisnya diputuskan oleh di mana pembelajarannya perlu mendarat.
Kenapa penilaian merek tetap di dalam
Penilaian merek adalah panggilan in-house yang paling jelas, dan AI membuatnya lebih jelas. Model bisa menghasilkan karya yang sesuai merek hanya jika ia tahu apa arti "sesuai merek" bagi Anda — yang merupakan kumpulan rasa, preseden, dan konteks yang tak sepenuhnya dipegang partner. Makin banyak opsi yang dihasilkan model, makin berharga orang yang bisa membedakan mana yang benar.
Inilah jebakan meng-outsourcing penilaian merek ke agensi: Anda bisa mendelegasikan pekerjaannya tapi tidak pengetahuan tentang merek Anda sendiri. Setiap ronde umpan balik yang Anda berikan adalah konteks yang Anda ajarkan ke model orang lain. Seiring waktu, aset yang membaik tinggal pada mereka, bukan Anda. Jika penilaian merek adalah cara Anda berkompetisi, itu tempat yang salah untuk pembelajaran berkumpul.
Kenapa data dan memori tetap di dalam
Data first-party dan lapisan memori di sekitarnya adalah lapisan yang berlipat yang paling penting, dan yang paling berisiko di-outsourcing secara tak sengaja. Jika agensi membangun lapisan konteks yang membuat kampanye Anda lebih pintar — briefnya, hasilnya, catatan keputusannya — maka manfaat pelipatannya terakumulasi ke hubungan agensinya, dan Anda kehilangannya di hari hubungannya berakhir.
Saya membahas ini lebih dalam di membangun moat data memori klien. Versi singkatnya: model adalah komoditas yang bisa Anda sewa; memorinya adalah aset yang membuat model sewaan itu berguna. Simpan memorinya. Sewa modelnya. Tata kelola adalah cerita yang sama — akuntabilitas tak bisa di-outsourcing, jadi aturan tentang apa yang boleh dilihat model dan siapa yang memiliki keluarannya tetap pada Anda. Tulisan tata kelola data membahas itu secara detail.
Apa yang harus di-outsourcing
Outsourcing lapisan elastisnya. Volume produksi, limpahan, lokalisasi kampanye, kanal spesialis yang Anda luncurkan dua kali setahun — semuanya kerja partner yang baik. Ini kemampuan di mana nilainya tidak bergantung pada riwayat spesifik Anda, jadi tidak ada kerugian pelipatan dalam menyewanya, dan ada biaya nyata dalam membangunnya permanen.
Partner AI-native di sini sungguh berguna, karena toko yang digerakkan alur kerja bisa menghasilkan dan mengadaptasi karya dengan kecepatan dan biaya yang tidak bisa disamai tim in-house Anda untuk kebutuhan berselang. Intinya adalah membeli kapasitas tanpa membeli pembelajarannya. Simpan brief, standar, dan catatan keputusannya di sisi dinding Anda.
Transisinya, jika Anda memisahkan ulang
Sebagian besar tim tidak mulai dari nol; mereka sudah punya campuran, dan ia bergeser alih-alih dirancang. Pemisahan ulangnya paling baik sebagai audit sekali jalan. Daftarkan setiap kemampuan yang kini Anda beli atau bangun, tandai masing-masing berlipat atau elastis, dan Anda biasanya akan menemukan dua atau tiga yang berada di sisi yang salah. Temuan umumnya adalah fungsi pengukuran yang di-outsourcing yang seharusnya menafsirkan data Anda sendiri, dan tim produksi in-house yang mengerjakan pekerjaan elastis yang bisa diserap partner.
Pindahkan satu kemampuan sekaligus. Menarik lapisan yang berlipat ke in-house adalah proyek — konteksnya harus dimigrasikan dan memorinya dibangun ulang di sisi Anda — jadi lakukan dengan sengaja, bukan panik ketika kontraknya akan diperpanjang. Dan jujurlah soal apa yang dibangun partner: jika alur kerjanya memuat konteks Anda, mengekstraknya adalah bagian dari langkahnya, bukan renungan belakangan.
Implikasi bagi kontrak
Pemisahannya mengubah apa yang seharusnya dikatakan kontraknya. Jika lapisan yang berlipat tetap in-house, perjanjian partner seharusnya eksplisit soal data: apa yang boleh disimpan agensi, apa yang harus dikembalikan atau dihapus di akhir, dan siapa yang memiliki apa pun yang berasal dari konteks Anda. Default di sebagian besar kontrak diam soal ini, yang diam-diam menyerahkan aset pelipatan ke pihak yang membangun alur kerjanya.
Ajukan tiga pertanyaan ke setiap partner. Konteks apa yang Anda simpan setelah keterlibatannya berakhir? Bisakah kami mengekspor lapisan memori yang Anda bangun? Siapa yang memiliki data turunannya? Jika jawabannya kabur, itulah risiko sebenarnya dalam kesepakatannya — lebih dari kartu tarifnya.
FAQ
Haruskah sebuah merek meng-in-house alat AI-nya atau memakai punya agensi?
Selalu in-house kan konteks yang menjadi jalannya AI — data, aturan merek, dan riwayat keputusan Anda — bahkan jika Anda memakai alat partner. Alat bisa diganti; konteksnya adalah asetnya. Anda bisa menyewa model dan alur kerjanya sambil memiliki memori yang membuatnya berguna.
Apakah pernah benar meng-outsourcing strategi?
Untuk peluncuran tertentu atau pasar yang tidak Anda kenal, ya, sebagai masukan sementara. Tapi strategi yang berlipat — standar tentang bagaimana keputusan dibuat — milik tim yang bertanggung jawab atas hasilnya. Pinjam sudut pandang; jangan outsourcing akuntabilitasnya.
Bagaimana jika kami tidak sanggup tim senior in-house?
Di situlah model elastis membayar dirinya. Sewa penilaian senior untuk keputusan tertentu dan pakai partner untuk produksi, tapi pertahankan konteks dan akuntabilitasnya. Tujuannya adalah memiliki lapisan yang berlipat bahkan dalam skala kecil.
Bagaimana kami memutuskan layanan per layanan?
Tanya apakah pekerjaannya menjadi lebih berharga seiring mengakumulasi konteks yang Anda miliki. Jika ya, pertahankan in-house. Jika nilainya independen dari riwayat Anda, outsourcing-kan. Satu tes itu menyelesaikan sebagian besar kasus tanpa debat panjang.
Versi singkat
Di era AI, pertahankan lapisan yang berlipat in-house — penilaian merek, data first-party, dan memori yang membuat AI membaik — dan gunakan agensi untuk produksi elastis dan kapasitas spesialis. Pertanyaan biaya lama masih berlaku, tapi kini ia berada di bawah pertanyaan yang lebih besar: di mana kita ingin pembelajaran ini berkumpul? Memiliki jawaban itu adalah seluruh permainannya. Panduan Model Agensi membahas sisa pemisahannya, dan jalur untuk tim in-house mengerjakannya melalui tata kelola dan pengukuran.
Jika Anda pernah menjalankan pemisahan ini pada tim Anda sendiri, saya ingin mendengar lapisan mana yang ternyata lebih sulit dipertahankan daripada yang Anda duga.
Salam, Chandler
Artikel ini tersedia dalam bahasa Indonesia. Materi kursus (video, template, dan panduan pendamping) tersedia dalam bahasa Inggris, Jepang, Tionghoa Sederhana, dan Korea. Situs ini tersedia dalam 13 bahasa.