← Blog · Strategy · 10 min read
Membangun kapabilitas AI internal butuh lebih dari sekadar merekrut data scientist. Artikel ini memetakan peran kunci, urutan rekrut, dan struktur tim yang berhasil.
A 30-minute scoping call. We listen, ask three questions, tell you if we can help.
Book a callBanyak perusahaan Indonesia mengambil keputusan yang sama ketika memutuskan serius dengan AI: merekrut seorang data scientist, memberinya laptop bertenaga, lalu menunggu keajaiban. Enam bulan kemudian, data scientist itu frustrasi—datanya berantakan, tidak ada infrastruktur untuk men-deploy modelnya, dan tidak ada satu pun model yang sampai ke produksi. Bukan karena ia tidak kompeten, tapi karena ia ditempatkan sendirian untuk mengerjakan rantai kerja yang sebenarnya butuh beberapa peran berbeda.
Membangun kapabilitas AI internal bukan soal merekrut "orang AI", melainkan menyusun tim dengan komposisi peran, urutan rekrut, dan struktur organisasi yang benar. Kesalahan di tahap ini mahal—bukan hanya soal gaji yang terbuang, tapi juga momentum yang hilang dan keraguan manajemen yang tumbuh ketika investasi AI tidak membuahkan hasil. Artikel ini memetakan cara membangun tim AI yang benar-benar mengirimkan nilai, dengan mempertimbangkan realitas pasar talenta Indonesia yang ketat.
Ada miskonsepsi yang berakar dalam: bahwa AI adalah pekerjaan satu disiplin, yaitu membangun model. Kenyataannya, model hanyalah sepotong kecil dari rantai yang membentang dari data mentah hingga nilai bisnis. Rantai itu meliputi mengumpulkan dan membersihkan data, membangun pipeline, melatih dan mengevaluasi model, men-deploy ke produksi, memonitor, dan mengintegrasikannya ke produk dan proses bisnis. Tidak ada satu orang pun yang ahli di semua mata rantai ini.
Ketika Anda menempatkan satu data scientist sendirian, ia akan menghabiskan sebagian besar waktunya bukan pada keahlian intinya, melainkan berjuang dengan data yang kotor dan infrastruktur yang tidak ada. Survei industri secara konsisten menemukan bahwa praktisi data menghabiskan mayoritas waktu pada persiapan data, bukan pemodelan. Memberi satu orang seluruh rantai berarti membuatnya menjadi generalis yang kewalahan, bukan spesialis yang produktif.
AI bukan pekerjaan satu peran. Ia rantai kerja lintas disiplin, dan rantai itu sekuat mata rantai terlemahnya.
Memahami peran-peran inti membantu Anda merekrut dengan tepat, bukan asal mencari gelar yang sedang tren.
Data Engineer. Sering kali peran paling penting dan paling diremehkan. Ia membangun pipeline yang mengalirkan data dari sistem sumber ke tempat di mana model bisa memakainya—bersih, andal, dan tepat waktu. Tanpa data engineer, model terbaik pun kelaparan data berkualitas. Di banyak perusahaan Indonesia yang datanya tersebar di sistem legacy dan spreadsheet, peran ini adalah fondasi yang harus ada lebih dulu.
Machine Learning Engineer. Menjembatani riset dan produksi. Ia mengubah model dari notebook eksperimen menjadi sistem yang berjalan andal di produksi—mengoptimalkan, mengemas, dan mengintegrasikannya. Di era LLM, peran ini juga mencakup membangun sistem RAG, mengorkestrasi agent, dan merekayasa aplikasi di atas model yang sudah ada, bukan hanya melatih model dari nol.
Data Scientist / ML Researcher. Fokus pada pemodelan—merumuskan masalah, bereksperimen, dan membangun model yang akurat. Peran ini paling bernilai ketika masalahnya benar-benar membutuhkan model kustom. Untuk banyak use case modern berbasis LLM, kebutuhan akan riset model dari nol justru menurun, dan bobot bergeser ke engineering.
MLOps / Platform Engineer. Membangun dan menjaga infrastruktur yang memungkinkan model di-deploy, dimonitor, dan di-rollback dengan andal. Di tim kecil, peran ini sering digabung dengan ML engineer, tapi seiring jumlah model bertambah, ia menjadi krusial untuk mencegah kekacauan operasional.
AI Product Manager. Sering menjadi peran yang hilang dan paling menentukan keberhasilan. Ia memastikan tim mengerjakan masalah yang tepat, menerjemahkan kebutuhan bisnis menjadi spesifikasi yang bisa dieksekusi, mengelola ekspektasi pemangku kepentingan, dan menjaga proyek tetap terhubung ke nilai bisnis. Tim AI tanpa PM yang kuat cenderung membangun hal-hal yang menarik secara teknis tapi tidak dipakai.
Urutan merekrut sama pentingnya dengan siapa yang direkrut. Merekrut dalam urutan yang salah—misalnya membawa ML researcher sebelum ada data engineer—menjamin frustrasi. Berikut urutan yang terbukti masuk akal untuk sebagian besar organisasi.
Rekrut pertama: Data Engineer atau ML Engineer yang berorientasi produk. Mulai dari orang yang bisa membereskan fondasi data dan men-deliver sesuatu yang nyata ke produksi, bukan dari peneliti yang butuh ekosistem matang untuk berkarya. Rekrut pertama harus bisa menghasilkan kemenangan awal yang membangun kredibilitas program AI.
Rekrut kedua: peran komplementer dari yang pertama, plus mulai melibatkan seseorang dengan naluri produk untuk menjaga arah. Jika rekrut pertama lebih kuat di engineering, lengkapi dengan kemampuan pemodelan, dan sebaliknya.
Rekrut berikutnya: PM AI dan kapasitas MLOps, seiring portofolio proyek bertambah dan kebutuhan koordinasi serta operasi meningkat.
Prinsip pemandunya: setiap rekrut harus bisa memberi nilai dengan komposisi tim yang sudah ada, bukan menunggu rekrut lain yang belum datang. Bangun tim yang bisa mengirimkan hasil di setiap tahap pertumbuhannya.
Setelah punya beberapa orang, pertanyaan struktural muncul: apakah tim AI duduk sebagai unit terpusat (center of excellence) atau tersebar (embedded) ke dalam tim-tim produk dan bisnis? Keduanya punya trade-off nyata.
Model terpusat mengumpulkan semua talenta AI dalam satu tim. Keunggulannya: berbagi pengetahuan lebih mudah, standar dan tooling konsisten, dan masa kritis keahlian terjaga sehingga talenta tidak merasa terisolasi. Kelemahannya: tim bisa terputus dari kebutuhan bisnis nyata dan menjadi "menara gading" yang mengerjakan hal menarik tapi tidak relevan.
Model embedded menempatkan praktisi AI langsung di dalam tim produk atau unit bisnis. Keunggulannya: kedekatan dengan masalah nyata dan dampak yang lebih cepat. Kelemahannya: praktisi bisa terisolasi tanpa rekan sedisiplin, standar menjadi tidak konsisten, dan pengembangan karier sulit.
Untuk sebagian besar perusahaan Indonesia di tahap awal, model hybrid sering paling masuk akal: tim inti terpusat yang menjaga standar, tooling, dan pengembangan talenta, sambil menempatkan anggotanya secara embedded ke proyek-proyek bisnis. Struktur ini memberi keuntungan kedekatan dengan masalah sekaligus kekuatan komunitas disiplin. Saat organisasi matang, sebagian kapabilitas bisa makin terdistribusi.
Membangun tim internal penuh bukan satu-satunya jalan, dan sering bukan yang paling bijak di tahap awal. Pasar talenta AI Indonesia ketat—engineer dan data scientist yang berpengalaman produksi langka dan mahal, dan persaingan merekrut mereka tinggi, termasuk dari perusahaan teknologi global yang menawarkan paket yang sulit ditandingi.
Pendekatan yang realistis adalah memutuskan secara sengaja apa yang dibangun internal dan apa yang dikerjakan bersama mitra:
Bangun internal untuk kapabilitas yang menjadi keunggulan kompetitif jangka panjang, yang menyentuh data dan domain inti Anda secara mendalam, dan yang akan terus berevolusi.
Bermitra untuk membangun kapabilitas awal dengan cepat, mempercepat pembelajaran tim internal, mengisi celah keahlian langka, dan menggarap proyek yang butuh kecepatan tanpa harus menunggu proses rekrutmen berbulan-bulan.
Pola yang sehat: mitra eksternal membangun sistem pertama bersama tim internal Anda, mentransfer pengetahuan dalam prosesnya, sehingga tim Anda bisa mengoperasikan dan mengembangkannya sendiri setelahnya. Ini menggabungkan kecepatan kemitraan dengan kepemilikan jangka panjang dari membangun internal—dan sering jadi jalur tercepat dari nol ke kapabilitas yang mandiri.
Merekrut talenta AI sulit; mempertahankannya bisa lebih sulit lagi. Praktisi AI yang baik punya banyak pilihan, dan mereka cenderung pergi bukan hanya karena gaji, tapi karena alasan yang sering bisa diatasi.
Beberapa faktor retensi yang sering diremehkan:
Pekerjaan yang bermakna dan sampai ke produksi. Tidak ada yang lebih melelahkan bagi praktisi AI selain mengerjakan model yang tidak pernah dipakai. Pastikan ada jalur yang jelas dari pekerjaan mereka ke dampak nyata.
Data dan infrastruktur yang memadai. Talenta hebat akan frustrasi jika menghabiskan waktu bergulat dengan data kotor dan tooling yang tidak ada. Investasi pada fondasi adalah investasi pada retensi.
Komunitas dan pertumbuhan. Praktisi yang terisolasi sebagai satu-satunya orang AI di unitnya akan kesepian secara profesional. Sediakan koneksi dengan rekan sedisiplin dan kesempatan belajar.
Otonomi dan kepercayaan. Talenta senior ingin dipercaya membuat keputusan teknis, bukan dimikromanaje oleh manajer yang tidak memahami pekerjaannya.
Di pasar yang ketat, perusahaan yang menawarkan pekerjaan bermakna, fondasi yang solid, dan lingkungan untuk bertumbuh sering menang melawan kompetitor yang hanya menawarkan gaji lebih tinggi.
Komposisi tim AI yang ideal telah bergeser cukup signifikan dalam beberapa tahun terakhir, dan banyak organisasi masih merekrut berdasarkan peta lama. Di era ketika sebagian besar nilai datang dari memanfaatkan model bahasa yang sudah ada—bukan melatih model dari nol—bobot keahlian yang dibutuhkan ikut berubah.
Dulu, jantung tim AI adalah kemampuan riset machine learning: merancang arsitektur model, melatih, dan menyetel hyperparameter. Sebagian besar use case enterprise modern—copilot internal, chatbot, ekstraksi dokumen, otomasi cerdas—justru lebih banyak membutuhkan keahlian rekayasa software dan integrasi sistem ketimbang riset model. Tim yang berhasil membangun aplikasi LLM produksi sering kali lebih dekat ke profil software engineer yang fasih dengan AI daripada ke profil PhD machine learning.
Keahlian yang naik nilainya di era ini meliputi:
Rekayasa aplikasi LLM: membangun sistem RAG, mengorkestrasi agent, merancang prompt yang andal, dan mengintegrasikan model ke alur produk dan sistem yang ada.
Evaluasi dan quality assurance untuk sistem AI: membangun harness evaluasi, golden dataset, dan regression test—keterampilan yang menjadi pembeda antara prototipe dan produk produksi.
Rekayasa data yang solid: tetap menjadi fondasi yang tak tergantikan, karena kualitas sistem AI apa pun dibatasi kualitas datanya.
Keamanan dan tata kelola AI: memahami risiko seperti prompt injection, kebocoran data, dan kepatuhan—makin penting seiring sistem AI menyentuh data sensitif dan teregulasi di Indonesia.
Implikasi praktisnya: jangan mensyaratkan semua kandidat punya latar belakang riset ML mendalam jika kebutuhan Anda sebenarnya membangun aplikasi di atas model yang sudah ada. Sering kali, software engineer kuat yang antusias dan mau belajar AI memberi nilai lebih cepat daripada peneliti yang kurang terbiasa dengan rekayasa produksi. Sesuaikan profil rekrut dengan jenis masalah yang benar-benar Anda hadapi, bukan dengan citra "tim AI" yang sudah usang.
Tim AI yang hebat pun akan gagal tanpa kepemimpinan yang tepat di atasnya. Dua peran kepemimpinan menentukan apakah investasi AI berbuah.
Sponsor eksekutif memberi tim mandat, sumber daya, dan perlindungan politik. Inisiatif AI sering melintasi batas departemen, menyentuh data yang dimiliki banyak unit, dan menantang cara kerja yang sudah mapan. Tanpa sponsor di tingkat C-level yang benar-benar berkepentingan, tim AI akan terjebak dalam perebutan prioritas dan kepemilikan data yang tak berkesudahan. Sponsor ini juga yang menjaga ekspektasi tetap realistis di hadapan dewan direksi—mengelola hype agar tim tidak dihukum karena tidak menghasilkan keajaiban dalam semalam.
Pemimpin teknis tim AI harus mampu menjembatani dua dunia: cukup paham teknis untuk membuat keputusan arsitektur dan menilai kualitas kerja, tapi juga cukup fasih bisnis untuk menerjemahkan kebutuhan dan mengomunikasikan nilai ke pemangku kepentingan non-teknis. Profil ini langka dan berharga. Di tahap awal, banyak organisasi Indonesia mendapatkannya lewat kemitraan—membawa pemimpin teknis berpengalaman dari luar untuk membangun fondasi dan mengembangkan pemimpin internal di sepanjang jalan.
Kepemimpinan yang lemah memunculkan pola kegagalan yang khas: tim mengerjakan proyek yang menarik secara teknis tapi tidak terhubung ke nilai bisnis, ekspektasi melambung lalu kecewa, dan talenta terbaik pergi karena merasa kerjanya tidak berdampak. Investasi pada kepemimpinan yang tepat sama pentingnya dengan investasi pada talenta praktisi.
Membangun tim AI internal adalah maraton, bukan sprint. Godaan untuk merekrut besar-besaran di awal—membentuk "divisi AI" dengan banyak kepala—sering berakhir dengan tim besar yang tidak menghasilkan apa-apa karena fondasi dan arahnya belum jelas. Jalur yang lebih sehat: mulai kecil dengan rekrut pertama yang bisa mengirimkan kemenangan nyata, gunakan kemenangan itu untuk membangun kepercayaan dan mendapat dukungan, lalu tumbuhkan tim secara bertahap mengikuti kebutuhan proyek yang sudah terbukti. Setiap tambahan harus dibenarkan oleh nilai, bukan oleh hype.
Menyusun tim AI yang tepat—peran yang benar, urutan rekrut yang masuk akal, struktur yang sesuai, dan keputusan build vs partner yang bijak—adalah keputusan strategis yang menentukan apakah investasi AI Anda berbuah atau layu. Banyak organisasi belajar pelajaran ini dengan mahal, setelah salah merekrut atau membangun struktur yang tidak berfungsi.
Sainskerta Solusi Nusantara membantu perusahaan Indonesia tidak hanya membangun sistem AI, tapi juga membangun kapabilitas internal untuk mengoperasikan dan mengembangkannya secara mandiri—mendampingi dari fase strategi hingga operasi, sambil mentransfer pengetahuan ke tim Anda. Jika Anda sedang merancang tim AI internal atau menimbang berapa banyak yang harus dibangun sendiri versus bersama mitra, jadwalkan sesi konsultasi dengan tim kami lewat halaman Kontak. Kami akan bantu Anda menyusun peta jalan talenta yang realistis untuk skala dan ambisi organisasi Anda.
