Cara Brian Arfi (Brobri) Pakai Workflow AI Buat Percepat Riset Pengguna

Gw pikir riset pengguna yang bener itu harus selalu nguras keringet.
Harus bikin survei panjang.
Harus kumpulin ribuan tiket keluhan.
Dan baca komplain user satu per satu sampai mata pedes.

Di atas kertas, prosesnya kelihatan bener.
Seolah olah gw udah kerja keras demi ngebela kepentingan user.
Atasan seneng lihat laporannya tebel.
Stakeholder manggut manggut lihat chart yang rumit.

Tapi pas laporannya kelar, masalahnya udah basi.
Market udah pindah arah.
Kompetitor udah rilis fitur duluan.
Dan produk yang kita bikin akhirnya telat rilis karena nungguin data yang kepanjangan diolah.

Kok bisa?

Ibaratnya gini. Lo mau tau kondisi populasi ikan di laut.
Jadi lo mutusin buat mancing pakai kail satu per satu.
Dapet sih ikannya, dan lo bisa teliti jenisnya.
Di atas kertas lo dapet data yang valid banget.

Tapi lo butuh waktu seharian penuh cuma buat dapet sepuluh sampel ikan.
Padahal di bawah perahu lo ada puluhan ribu ikan yang lalu lalang tiap jam.
Lo cuma butuh jaring yang lebar buat nangkep pola mereka secara instan.

Nah, anehnya banyak product manager yang masih pakai kail buat nangkep data yang luasnya kayak samudra.

Belakangan ini banyak yang nanya pendekatan gw.
Sebagai product leader, nama Brian Arfi Faridhi (Brobri) sering dikaitin sama berbagai inisiatif efisiensi.
Mereka nanya gimana cara gw ngejalanin riset pengguna dan nemuin akar masalah tanpa harus ngabisin waktu berbulan bulan.
Banyak yang ngira rahasianya ada di budget riset yang gede atau tim riset khusus yang isinya puluhan orang.

Kenyataannya beda jauh.

Biasa berhemat dari sebelum AI ngetren

Bikin perusahaan hemat itu kebiasaan lama gw, jauh sebelum AI generatif ngetren kayak sekarang.
Dulu gw selalu dorong macam macam inisiatif cost saving bareng tim.
Mulai dari perbaikan proses internal, optimasi infrastruktur yang boros, sampai mutusin arah produk yang lebih efisien secara biaya.

Hasilnya? Total angka penghematan bisa nyentuh $4 juta+ per tahun dari berbagai perusahaan tempat gw kerja.
Angka itu bukan kebetulan semalam.
Di Flip contohnya, kita berhasil nurunin biaya transfer sampai 32% dalam waktu 6 bulan.
Atau waktu gw di Tokopedia, ngeberesin platform otorisasi.
Gw dan tim berhasil motong biaya OTP sampai USD 2 juta per tahun, sambil ngebuka jalan buat 1.5 juta transaksi tambahan tiap bulan.

Tapi jujur aja, leverage segede itu dulu harganya sangat mahal.
Dulu buat tau dari mana duit itu bocor, gw butuh akses dan posisi strategis.
Gw butuh puluhan engineer buat narik data dari sistem legacy.
Gw butuh data analyst buat misahin noise dari sinyal penting.
Dan gw butuh sistem arsitektur mahal cuma buat ngolah puluhan ribu baris log masalah.

Proses buat riset dan nemuin masalahnya aja udah ngabisin banyak waktu.
Satu ide sederhana buat validasi kendala user harus rela antri di backlog berbulan bulan.
Tim product cuma bisa nunggu dengan sabar, sambil baca data manual seadanya pakai excel.
Idenya emang kelihatan gampang, tapi eksekusi buat dapet datanya mahal banget.

Sekarang? Keadaannya udah kebalik 180 derajat.
AI udah jadi alat paling tajam buat nerapin kebiasaan yang sama.
Dan yang paling penting, mindset otomasi ini sekarang bisa dilatih ke semua orang di tim.
Gak perlu lagi nunggu antrian engineer yang panjangnya berbulan bulan.

Jaring AI buat riset keluhan user

Waktu gw dipercaya mimpin empat tim produk sekaligus, tantangannya makin brutal.
Kita punya target ngebangun platform loyalitas besar yang ngegabungin banyak sistem di Timur Tengah.
Target rilisnya ketat.
Di sisi lain, tiap bulan masuk sekitar 10.000 tiket keluhan dari customer.

Kalau gw mau riset kenapa user pada mentok, cara lamanya adalah lewat sampling.
Tarik 100 tiket acak.
Baca manual satu per satu.
Terus bikin kesimpulan yang dianggep mewakili semua user.

Masalahnya, dengan sampling lo bakal kehilangan banyak anomali penting.
Hal kecil yang harusnya krusial malah kelewat karena gak masuk di sampel yang 100 tiket tadi.

Di sinilah gw putusin buat nerapin workflow AI buat narik insight.
Dalam 2 minggu, gw bangun FINA.
Ini adalah orchestrator AI yang tugasnya nanganin tiket customer support.
Target utamanya lebih dari balas chat cepat.
Tugas aslinya adalah buat riset dan ngebedah akar masalah dari puluhan ribu data itu.

Hasilnya bikin gw lumayan kaget.
Dari yang awalnya manual 0%, sistem ini langsung bisa nanganin 70% dari sekitar 10.000 tiket bulanan.
Biaya tim support turun drastis 42%.
Satu interaksi nyaris cuma butuh modal ~$0.004 aja per turn.

Tapi nilai paling mahal dari FINA bukan di angka penghematannya.
Yang paling mahal adalah data riset yang gw dapet secara instan.

Waktu sistem ini lagi jalan di tahap pra rilis, AI ini nemuin satu anomali aneh.
Ada celah kebocoran data antar user yang muncul dari pola keluhan yang berulang.
Ini beneran kasus jarum di tumpukan jerami.
Kalau gw pakai riset manual yang cuma ngecek 100 sampel tiket, celah ini hampir pasti kelewat.
Tapi karena AI ngebaca 100% tiket secara utuh, pola sekecil apa pun langsung kelihatan jelas.
Kita berhasil nambal kebocoran fatal itu jauh sebelum rilis penuh ke publik.

AI ngebaca samudra data pakai jaring raksasa.
Sementara kalau gw paksain kerjain manual, gw cuma lagi mancing pakai kail tumpul.

Workflow ini bukan cuma buat produk kantor

Pola pikir "baca data lebih lebar" ini juga gw pakai buat ngembangin project personal.
Riset audiens dan ngetes format konten itu sama capeknya kalau dikerjain pakai tangan sendiri.
Lo harus tes banyak gaya bahasa, posting manual, narik metrik dari tiap platform, dan baca komentar satu per satu buat cari tau mana yang disuka audiens.

Solusinya?
Gw bangun sistem distribusi konten 8 kanal.
Sistem ini jalan sendirian nyebarin video dan tulisan ke berbagai platform otomatis.
Laporannya kerekap sendiri, dan gw bisa langsung lihat data utuh tentang pesan mana yang paling narik perhatian.
Kerjaan riset pasar yang dulu butuh tim sosmed penuh, sekarang jalan tanpa henti tiap hari dan gw cukup ngatur strateginya aja.

Semua pengalaman ngebangun workflow ini jadi fondasi nyata waktu gw ngerintis komunitas AI Circle.
Materi dari lapangan ini juga yang jadi tulang punggung dari program Applied-AI Certification yang gw susun.

Semua berawal dari satu mindset:
Gimana caranya gw bisa ngolah jutaan data user tanpa harus baca manual pakai mata sendiri?

Jangan buang waktu lo buat kerjaan robot

Banyak orang yang masih takut AI bikin product manager jadi jauh dari kenyataan user.
Mereka bilang, "Lo harus baca keluhan user sendiri biar ada empati dan ngerasain sakitnya."

Buat gw, itu mitos yang salah arah.
Empati itu bukan berarti lo harus nyiksa diri ngolah ribuan baris spreadsheet sampai pagi.
Empati yang bener itu kejadian waktu lo udah tau pola masalahnya dari AI, lalu lo angkat telepon.
Lo hubungin lima user nyata yang paling terdampak, dengerin suara mereka langsung, dan fokus nyari solusi bareng.

AI ngambil alih kerjaan kuli buat narik dan misahin datanya.
Lo ngambil alih kerjaan mikir dan ngebangun empatinya.

Ini prinsip yang selalu gw pegang keras di kerjaan:
Pakai AI buat ngolah volumenya, pakai manusia buat mutusin arahnya.

Kalau lo masih ngabisin waktu berjam jam tiap minggu cuma buat ngerangkum tiket atau ngecek hasil survei satu per satu, berarti ada yang salah.
Lo lagi buang resource paling berharga yang lo punya: waktu dan fokus lo sendiri.
Waktu yang harusnya dipakai buat bikin strategi, malah habis buat ngerjain tugas robot.

Lo tim mana sekarang?
Masih mau mancing ikan pakai kail kecil di tengah samudra?
Atau mulai belajar nebar jaring yang bisa nangkap semua pola sekaligus?

Kalau lo pengen belajar cara nerapin workflow kayak gini buat ngerubah cara lo kerja dan ningkatin karir personal lo, lo bisa mulai dari gabung ke /ai-circle/. Di sana gw dan member lain bahas tuntas cara aplikasi nyatanya.

Tapi kalau posisi lo sekarang lagi mimpin tim, dan lo butuh framework solid buat naikin efisiensi perusahaan lo dari dalem, kita bisa ngobrol langsung buat bedah inisiatifnya di halaman /corporate/.