Pukul 2 pagi. Saya menatap empat jendela yang berjalan paralel di layar. Satu sedang memproses materi klien. Satu sedang memperbaiki kode. Satu sedang mengejar pesan Slack yang belum terbaca. Jendela keempat macet karena batas laju API, menunggu saya mengambil keputusan. Saya bukan sedang menggunakan AI. Saya sedang mengelola AI — seperti mandor pabrik yang berkeliling pukul dua dini hari.
Dua bulan lalu, saya mengira sudah menyentuh batas tertinggi dari apa yang bisa AI lakukan untuk saya. Saya memakainya setiap hari sejak GPT-3.5 — dua tahun berisi percakapan, papan pantul yang lebih cerdas, tidak lebih dari itu. Lalu fase mengobrol berhenti, dan fase mengelola dimulai. Jurang di antara dua mode itu — mengobrol dengan AI versus benar-benar bekerja dengannya — ternyata menjadi penyeberangan profesional paling penting yang pernah saya lakukan. Ini laporan lapangan dari sisi seberang, termasuk kegagalannya.
Batas yang Saya Bangun Sendiri
Saya bukan pengamat pasif AI. Saya memimpin perusahaan yang telah merangkulnya sepenuhnya. Saya pernah menulis Python, bekerja dengan API, dan mengikuti risetnya. Saya menggunakannya berkali-kali sehari — menyusun memo, menguji strategi, menyiapkan rapat.
Justru rasa nyaman itulah perangkapnya.
Karena yang saya lakukan — semuanya — hanyalah mengobrol. Buka tab, ajukan pertanyaan, dapat jawaban, tutup tab. Mulai dari awal lagi di kesempatan berikutnya. Saya menggunakan AI seperti kebanyakan eksekutif menggunakannya: sebagai asisten pintar untuk diajak bicara, bukan kolega untuk diajak bekerja. Di tengah jalan, saya juga mencoba produk agen siap pakai. Manus bisa memegang brief dan melacak konteks lintas sesi — berguna untuk presentasi, tetapi interaksinya tetap sama: saya memberi instruksi, ia mengeksekusi, satu langkah demi satu langkah.
Saya tahu tentang coding copilot — GitHub Copilot dan sejenisnya. Tetapi saya CEO, bukan engineer. Saya pernah menulis cukup banyak kode untuk menjadi berbahaya, tetapi belum cukup untuk menjadi produktif. Membayangkan duduk di dalam IDE terasa seperti mundur dalam karier. Tanpa sadar, saya mengelompokkan alat ke dalam kotak-kotak: yang ini untuk programmer, yang itu untuk manajer. Batas itu tidak dipaksakan oleh alatnya. Saya membangunnya sendiri. Saya sudah memutuskan apa yang “cocok untuk orang seperti saya” lalu berhenti melihat lebih jauh.
Rasanya Saat Dinding Itu Runtuh
CTO kami mendorong saya mencoba Cursor. Sebuah IDE — alat untuk programmer. Saya sudah bertahun-tahun tidak menulis kode secara serius. Tetapi rasa ingin tahu menang.
Cursor tidak peduli apa jabatan Anda. Anda menjelaskan apa yang Anda inginkan dalam bahasa Inggris biasa, lalu ia membangun — bukan sekadar autocomplete, melainkan konstruksi. Bagi seseorang yang selalu berjarak satu langkah dari implementasi, bisa menulis spesifikasi tetapi tidak pernah benar-benar membangunnya, rasanya seperti ada dinding yang runtuh. Untuk pertama kalinya, saya bisa menyentuh lapisan implementasi.
Lalu ia mendorong saya mencoba Claude Code — agen AI command-line dari Anthropic — dan sesuatu benar-benar terbuka.
Cursor adalah copilot yang cerdas — Anda masih memegang kemudi, baris demi baris. Claude Code adalah kolega. Saya menjelaskan tujuan. Ia menalar masalahnya, mengajukan pertanyaan klarifikasi, menulis kode, mengujinya, lalu memperbaiki bagian yang rusak. Ia menyimpan seluruh proyek di kepalanya — file apa saja yang ada, bagaimana semuanya terhubung, apa yang kami bangun kemarin. Peran saya bergeser dari menulis menjadi meninjau. Bottleneck berpindah dari kemampuan teknis saya ke dua hal yang sama sekali berbeda: seberapa jelas saya bisa mengartikulasikan apa yang saya inginkan, dan seberapa baik saya bisa menilai hasil yang kembali.
Ternyata, dua keterampilan itu adalah keterampilan CEO. Selama ini saya berkata kepada diri sendiri bahwa alat coding bukan untuk saya. Yang tidak saya sadari: alat-alat itu sudah bergerak ke tempat saya berada.
Lalu saya menemukan OpenClaw — framework multi-agen open-source — dan pijakan saya kembali amblas.
Dari Manus ke Cursor, ke Claude Code, lalu ke OpenClaw. Seluruh progresi itu berlangsung sekitar tiga sampai empat minggu, sebuah kurva akselerasi: setiap lompatan lebih cepat dan lebih dalam daripada sebelumnya. Pada akhirnya, saya tidak lagi menggunakan satu alat AI. Saya menjalankan sebuah sistem.
Kurva akselerasi: setiap lompatan lebih cepat dan lebih dalam daripada sebelumnya
Sisi Seberang
Beginilah rupa sisi seberang jurang itu — mungkin sebulan lagi sudah berbeda:
Saya menjalankan dua lapisan. OpenClaw adalah lapisan yang selalu aktif. Ia berjalan di server cloud, memantau Slack perusahaan kami, dan menangani ritme operasional menjalankan bisnis: mencerna pembaruan tim, mengeksekusi alur kerja outreach, melacak permintaan klien, mengingatkan tim soal tenggat. Ia menyatukan potongan-potongan yang tercecer di antara orang, alat, dan channel — potongan yang sebelumnya tidak sempat disambungkan siapa pun.
Claude Code adalah lapisan untuk fokus mendalam. Saat saya perlu berpikir keras tentang satu hal — menulis artikel ini, merancang alur kerja baru, men-debug OpenClaw itu sendiri — saya duduk di Claude Code. OpenClaw adalah lantai pabrik; Claude Code adalah meja kerja.
Direstrukturisasi untuk agen: file markdown menjadi dokumen briefing agar AI memahami proyek
Pembagian ini penting karena berbagai alat AI benar-benar memiliki kekuatan yang berbeda — model yang berbeda, memori yang berbeda, tingkat otonomi yang berbeda. Menentukan agen mana untuk tugas mana kini menjadi jenis pekerjaan baru, dan saya masih mempelajarinya. Tetapi intinya bukan alat tertentu. Intinya adalah saya menyeberang dari mengajukan pertanyaan kepada AI menjadi menjalankan sistem AI — dan perbedaannya bukan inkremental. Perbedaannya struktural.
Rasanya Sebenarnya
Inilah yang berubah:
Sebelum dan sesudah: perubahan konkret di enam area kerja CEO
Penghematan waktunya nyata — tugas yang dulu memakan satu sampai dua minggu kini selesai dalam satu jam. Tetapi kecepatan bukan poin utamanya. Sebagai CEO, selalu ada lebih banyak hal yang perlu dilakukan daripada kapasitas yang Anda miliki. Banyak tugas berada di area tengah yang canggung: layak dikerjakan, tetapi tidak cukup besar untuk membenarkan perekrutan orang baru. Jadi tugas-tugas itu tidak pernah benar-benar selesai — update untuk pemegang saham tertunda, riset prospek tetap dangkal, tindak lanjut terlewat. AI bukan hanya membuat pekerjaan saya yang sudah ada menjadi lebih cepat. AI membuat pekerjaan yang selama ini jatuh di sela-sela akhirnya benar-benar terjadi.
Dan menyeberangi jurang itu membuka pintu yang tidak saya duga: menuju AI itu sendiri. Saya memakai voice chat dengan AI saat berjalan kaki, di taksi, di sela rapat — sebuah ide yang saya sebutkan ketika menyeberang jalan berubah menjadi spesifikasi saat saya duduk. Dengan bekerja bersama agen setiap hari, saya benar-benar bersentuhan langsung dengan garis depan — berpindah di antara foundation model (Claude, Gemini, Qwen, Kimi), membangun pipeline RAG, bergulat dengan sistem memori agen. Bukan membaca tentangnya. Menggunakannya. Kecemasan tertinggal dalam AI — perasaan yang sekarang dibawa hampir setiap eksekutif — hilang. Bukan karena saya tahu segalanya, tetapi karena saya punya pengaturan kerja yang memungkinkan saya menyentuh semuanya.
Apa artinya jika Anda menjalankan family office?
Anda tidak mengelola kode. Anda mengelola kekayaan lintas generasi, dinamika keluarga yang kompleks, dan data yang sensitif secara regulasi. Kehati-hatian Anda terhadap otomatisasi memang beralasan — satu instruksi yang salah dapat memengaruhi pengaturan aset lintas generasi, satu kebocoran data dapat menghancurkan reputasi keluarga. Tetapi berhati-hati tidak sama dengan menghindar.
Pada dasarnya, pekerjaan inti family office adalah: mengumpulkan informasi yang terpecah, menyintesis pemahaman, membuat penilaian, mengeksekusi, memverifikasi. Dari mengonsolidasikan posisi di berbagai bank kustodian, memproyeksikan arus kas fund PE, hingga menyesuaikan laporan untuk setiap anggota keluarga — berapa banyak dari pekerjaan itu berupa perakitan data yang repetitif, dan berapa banyak yang benar-benar berupa pengambilan keputusan?
AI tidak akan mengambil keputusan alokasi aset untuk Anda atau memberi tahu fund manager mana yang harus dipercaya. Tetapi AI bisa memberi Anda tampilan portofolio lintas kustodian yang lengkap lima belas menit sebelum rapat, dan menandai klausul utama serta faktor risiko yang terkubur di materi due diligence sebelum Anda selesai minum kopi. Garis yang penting adalah antara pemrosesan informasi yang bisa diautomasi dan penilaian yang harus tetap manusiawi. Begitu garis itu Anda tarik dengan jelas, flywheel mulai berputar — dan jarak antara mereka yang sudah menyeberang dan yang belum akan melebar dengan cepat.
Bagian yang Tidak Diperingatkan Siapa Pun
Itu versi yang cerah. Ini sisanya.
Setup bisa melahap Anda hidup-hidup. Tugas-tugas yang saya jelaskan memang kini membutuhkan waktu lebih sedikit. Tetapi membangun dan memelihara sistem yang membuatnya lebih cepat adalah pekerjaan baru yang terus berjalan. Saya menukar waktu pengerjaan tugas dengan waktu infrastruktur — dan bagi saya, hasil bersihnya jelas positif. Tetapi saya punya motivasi, latar belakang teknis, dan jam yang bisa saya bakar. Bagi kebanyakan orang, tidak demikian.
Dunia tidak dibangun untuk agen. CAPTCHA, prompt two-factor, session timeout, PDF, spreadsheet lama, batas laju API yang dirancang untuk penggunaan secepat manusia — setiap kali agen menabrak salah satu dinding ini, Andalah yang harus mencari jalan memutar. (Gesekan ini juga peluang yang sangat besar — termasuk bagi perusahaan seperti kami. Hambatan adalah model bisnis.) Dan agen yang dibangun sendiri bukanlah produk. Mereka seperti LEGO — memori, pelaporan, orkestrasi tugas, izin, monitoring, penanganan error, integrasi alat — setiap balok membutuhkan keputusan, dan banyak di antaranya membutuhkan penilaian teknis. Pekerjaan ini tidak pernah selesai, karena model dasar, API, dan alat yang melandasinya berubah setiap beberapa minggu.
Walaupun agen terbaru memahami bahasa Inggris biasa, Anda tetap perlu membimbing dan mengambil alih saat penalaran mereka melenceng.
Baru-baru ini, saya mulai membangun sistem memori tiga lapis untuk OpenClaw: memori real-time, memori harian, memori mingguan. Terdengar rapi, bukan? Saya meminta Claude Code membaca setumpuk makalah riset dan merancang arsitekturnya. Ia menghasilkan rencana yang tampak menyeluruh dan lengkap. Saya menghela napas, mengira semuanya sudah selesai.
Ternyata tidak bisa berjalan.
Saya meminta instance Claude kedua meninjau arsitekturnya. Ia menemukan masalah struktural. Saya memperbaikinya. Rusak lagi. Saya membuka Codex — agen coding dari OpenAI — untuk mendapatkan sudut pandang baru. Ia menemukan edge case baru yang saya lewatkan. Saya memperbaikinya. Lalu OpenClaw merilis versi baru yang menimpa kode yang sudah saya modifikasi selama berhari-hari. Kembali ke titik awal.
Bagian paling absurd: Claude dan Codex kadang memasukkan typo — bukan kesalahan penalaran, hanya salah eja dalam instruksi yang mereka tulis untuk diri mereka sendiri. Kesalahan sepele ini menggandakan waktu yang saya habiskan untuk mencari masalah, karena Anda selalu mengira ada sesuatu yang fundamental yang rusak, lalu menghabiskan berjam-jam menatap gambaran besar sebelum menemukan bahwa satu kata kurang satu huruf.
Empat atau lima hari dalam loop ini: perbaiki, rusak, perbaiki, rusak — rasanya seperti berlari di tempat. Pada akhirnya, saya harus menarik keluar bagian-bagian kritis dan meninjaunya baris demi baris secara manual. Ini sejauh mungkin dari gagasan “menghemat waktu dengan AI.”
Sistem memori itu sekarang bekerja, mungkin delapan puluh sampai sembilan puluh persen dari waktu. Memori real-time masih sesekali melempar error, tetapi setidaknya para agen sudah mencatat cukup banyak riwayat perbaikan mereka sendiri sehingga saya bisa menelusuri apa yang salah. Masih ada bug? Ya. Apakah saya cukup yakin tiga lapisan itu bertahan? Sebagian besar. Semoga saja.
Alat-alat ini tidak pernah semudah ini diakses. Penilaian yang dibutuhkan untuk menggunakannya dengan baik tidak pernah selangka ini.
Claude Code sedang bekerja — seperti inilah sebenarnya “bekerja dengan AI”
Lalu ada dampaknya pada diri Anda. Selama sekitar dua minggu, saya benar-benar merasa sesak. Agen terus meminta izin, meminta keputusan, menghasilkan output lebih cepat daripada yang bisa saya tinjau. Saya bekerja sampai pukul 2-3 pagi setiap malam — bukan karena harus, tetapi karena saya tidak bisa berhenti. Saya mulai menyebutnya human token rate limit: hambatan dalam sistem bukan lagi mesin. Hambatannya adalah Anda.
Dan itu membuat ketagihan. Para peneliti menemukan bahwa sifat respons AI yang non-deterministik memicu jalur dopamin yang mirip dengan mesin slot — imbalan variabel yang membuat Anda terus mengejar tarikan berikutnya. Studi HBR bulan ini mengonfirmasi pola itu: “alat AI tidak mengurangi pekerjaan — alat-alat itu secara konsisten membuatnya lebih intens.”
Ada adegan dalam The Matrix ketika Neo terbangun dan menyadari bahwa ia selama ini terhubung ke sebuah sistem, menghasilkan output yang ia kira adalah hidupnya sendiri. Paralelnya tidak persis, tetapi rasanya sangat tidak nyaman karena terasa akrab. Konselor saya mengatakannya lebih sederhana: “Anda bilang AI seharusnya membebaskan waktu Anda. Mengapa Anda justru lebih stres daripada sebelumnya?”
Saya curiga ini salah satu pertanyaan eksistensial dari gelombang AI — bukan apakah teknologinya bekerja, melainkan apa dampaknya pada orang-orang yang menggunakannya paling baik. Ini lebih besar daripada pengalaman pribadi saya. Saya masih mencari cara untuk hidup di dalamnya. Jika Anda menempuh jalan ini, Anda juga harus mencari jawabannya.
Jika Anda Mulai Sekarang
Jika Anda merasa ada hal yang lebih besar dalam AI daripada yang selama ini Anda dapatkan, Anda benar. Yang tidak saya sadari adalah AI sudah menutup jarak dari sisinya — alat-alatnya menjadi jauh lebih baik, begitu cepat, sehingga Anda mungkin hanya tinggal satu langkah dari perubahan kualitatif tanpa menyadarinya. Pilih satu tugas yang benar-benar Anda pedulikan. Beri AI konteks nyata. Biarkan kepercayaan tumbuh dari sana. Keraguan tidak akan hilang — ia hanya berubah bentuk — dan pajak belajar akan terus ditagih. Tetapi imbal hasilnya nyata.
Garis antara mengobrol dengan AI dan bekerja dengan AI sedang melebar. Angelo Robles, yang telah bekerja dengan lebih dari seratus keluarga miliarder, mengatakannya secara blak-blakan: “Yang dulu membutuhkan dua puluh karyawan kini cukup ditangani satu atau dua orang dengan AI.” Saya menyeberang dua bulan lalu. Prosesnya berantakan, melelahkan, dan belum selesai — saya hampir membakar habis diri saya sendiri. Saya tidak menulis ini dari puncak gunung. Saya menulis dari setengah jalan pendakian, kehabisan napas.
Tetapi saya tidak ingin kembali.
Dalam beberapa tulisan berikutnya, saya akan membahas lebih dalam — data keras tentang agen AI, bagaimana tim saya menggunakan alat-alat ini dari hari ke hari, dan bagaimana kami memikirkan ulang produk Canopy di persimpangan AI dan manajemen kekayaan. Tetapi jika hanya ada satu hal yang perlu Anda ambil dari tulisan ini: jurang itu bisa diseberangi. Semuanya dimulai dari satu tugas.
Mu Chen adalah CEO Canopy, yang melayani 60+ family office dan klien UHNW secara global, serta melacak lebih dari USD 90 billion aset. Ia juga dosen tamu di Tsinghua PBCSF. Ia menulis tentang persimpangan garis depan AI dan manajemen kekayaan di Amongst Families.
[1] M. Karen Shen & Dongwook Yoon, “The Dark Addiction Patterns of Current AI Chatbot Interfaces”, CHI 2025
[2] Aruna Ranganathan & Xingqi Maggie Ye, “AI Doesn’t Reduce Work — It Intensifies It”, Harvard Business Review, February 2026
[3] Angelo Robles, Family Office Association
