Havedev
Robot Humanoid Tidak Kekurangan Ambisi, Robot Kekurangan Data Dunia Nyata
Mecka AI dikabarkan sedang mendekati pendanaan baru yang dipimpin Sequoia Capital dengan valuasi sekitar $500 juta. Kabar ini datang hanya beberapa bulan setelah startup tersebut mengumumkan pendanaan $60 juta yang dipimpin Framework Ventures, dengan partisipasi Menlo Ventures, SV Angel, dan Kindred Ventures.
Secara sekilas, ini terlihat seperti cerita startup AI biasa: perusahaan muda, valuasi besar, investor besar, dan pasar yang sedang panas.
Tetapi ada hal yang lebih menarik di baliknya. Mecka AI tidak sedang menjual chatbot baru atau dashboard AI baru. Mereka mengumpulkan dan menganalisis data gerak manusia untuk melatih robot humanoid dan sistem robotics lain.
Orang dibayar untuk merekam diri mereka melakukan aktivitas sehari-hari, seperti membuat kopi, memperbaiki mobil, atau melakukan pekerjaan fisik lain, memakai sensor tubuh dan smartphone. Data ini lalu dipakai untuk membantu robot memahami bagaimana manusia bergerak dan berinteraksi dengan dunia nyata.
Di permukaan, ini terlihat seperti urusan teknis robotics. Di baliknya, ada pesan yang lebih besar: AI yang ingin masuk ke dunia fisik tidak cukup hanya belajar dari teks, gambar, dan video internet. Ia butuh data kerja nyata.
The Core Update
Mecka AI didirikan pada 2024 oleh empat founder, termasuk Josh Gao, Mogen Cheng, Jason Chong, dan Duy Nguyen. Menariknya, para founder ini bukan datang dari latar belakang robotics tradisional.
Justru itu yang membuat ceritanya penting.
Mereka melihat bahwa salah satu hambatan terbesar untuk robot serbaguna bukan hanya hardware, motor, baterai, atau bentuk tubuh humanoid. Hambatan besarnya adalah kurangnya data dunia fisik yang bisa dipakai untuk melatih robot melakukan pekerjaan dengan konteks yang benar.
Dalam dunia LLM, perusahaan seperti Scale AI dan platform data manusia lain membantu model bahasa belajar dari data yang diberi label, dikoreksi, dan dievaluasi manusia. Mecka mencoba membawa pola serupa ke robotics.
Bedanya, data untuk robot jauh lebih sulit.
Kalau model bahasa bisa belajar dari teks, robot perlu memahami gerakan, tekanan, urutan tindakan, posisi tubuh, objek sekitar, kegagalan kecil, dan konteks fisik yang sering tidak terlihat dalam instruksi tertulis.
Membuat kopi bukan hanya urutan kata “ambil gelas, tuang air, tekan tombol”. Ada cara tangan memegang gelas. Ada jarak tubuh ke meja. Ada tekanan saat menyentuh benda. Ada koreksi kecil ketika objek bergeser. Ada keputusan spontan ketika situasi tidak persis seperti contoh.
Hal seperti ini sulit diajarkan hanya lewat prompt.
Karena itu, data gerak manusia menjadi aset yang sangat bernilai. Bukan karena terlihat futuristik, tetapi karena ia menjembatani ambisi robot humanoid dengan kenyataan pekerjaan fisik.
The Reality Check
Banyak pembicaraan tentang humanoid robot masih terlalu cepat meloncat ke hasil akhir. Robot akan bekerja di pabrik. Robot akan membantu rumah tangga. Robot akan menggantikan pekerjaan berulang. Robot akan masuk gudang, restoran, bengkel, rumah sakit, dan toko.
Sebagian mungkin benar. Tetapi jalan ke sana tidak lurus.
Robot tidak hanya perlu terlihat seperti manusia. Robot perlu cukup memahami dunia yang berantakan, tidak konsisten, dan penuh pengecualian.
Di sinilah hype sering bertemu batas praktis.
Dalam demo, robot bisa terlihat sangat meyakinkan. Lingkungan disiapkan. Objek berada di tempat yang benar. Tugas dipilih dengan hati-hati. Risiko kegagalan dikurangi.
Dalam operasi nyata, meja tidak selalu rapi. Alat tidak selalu berada di posisi yang sama. Manusia bergerak tidak terduga. Permukaan licin. Barang rusak. Instruksi berubah. Prioritas bergeser.
Untuk bisnis, ini pelajaran yang penting. Automation tidak gagal hanya karena teknologinya kurang canggih. Automation sering gagal karena proses nyata belum cukup dipahami.
Robot humanoid butuh data gerak dunia nyata. Bisnis juga butuh data proses dunia nyata.
Sebelum membuat automation, perusahaan perlu tahu pekerjaan sebenarnya berjalan seperti apa. Siapa yang melakukan langkah pertama. Bagian mana yang sering tertunda. Keputusan apa yang masih bergantung pada pengalaman orang tertentu. Kondisi apa yang membuat alur normal berubah.
Kalau proses belum terlihat, automation hanya mempercepat asumsi.
Mecka AI menjadi contoh menarik karena mereka tidak memulai dari klaim bahwa robot tinggal dibuat lebih pintar. Mereka melihat bottleneck yang lebih dasar: data. Bukan data yang rapi di presentasi, tetapi data tindakan manusia yang terjadi dalam konteks fisik.
Ini mirip dengan banyak bisnis yang ingin memakai AI untuk sales, support, admin, atau operasional. Masalahnya sering bukan karena AI belum tersedia. Masalahnya karena data kerja internal masih tersebar di chat, spreadsheet, ingatan staff, dan kebiasaan tidak tertulis.
AI bisa membantu follow-up lead. Tetapi kalau bisnis belum tahu definisi lead prioritas, AI akan menebak.
AI bisa membantu support. Tetapi kalau kategori masalah belum jelas, AI akan mengelompokkan dengan cara yang mungkin tidak cocok.
AI bisa membantu dashboard. Tetapi kalau status pekerjaan tidak konsisten, dashboard hanya membuat kebingungan terlihat lebih modern.
Robot perlu motion data. Bisnis perlu workflow data.
Keduanya menunjukkan hal yang sama: sistem pintar tetap butuh bahan belajar yang benar.
The Havedev Way
Dari sudut pandang Havedev, kabar Mecka AI bukan hanya berita tentang robotics. Ini sinyal bahwa fase berikutnya dari AI akan lebih dekat dengan operasi nyata.
AI tidak lagi hanya ditanya untuk menulis teks, merangkum dokumen, atau menjawab pertanyaan. AI mulai masuk ke pekerjaan yang punya urutan, konteks, pemilik, risiko, dan hasil nyata.
Di robotics, itu berarti memahami gerak manusia dan interaksi fisik.
Di bisnis, itu berarti memahami bagaimana lead masuk, bagaimana order diproses, bagaimana support ditangani, bagaimana invoice dikejar, dan bagaimana pekerjaan berpindah dari satu orang ke orang lain.
Sebelum bisnis mengejar automation yang lebih canggih, ada beberapa pertanyaan yang lebih mendasar:
- pekerjaan apa yang paling sering berulang?
- bagian mana yang paling sering macet?
- keputusan apa yang masih harus ditanyakan manual?
- data apa yang selalu kurang saat tim ingin bergerak cepat?
- status apa yang belum konsisten dipakai?
- proses mana yang paling dekat dengan uang atau pengalaman pelanggan?
Jawaban dari pertanyaan ini lebih berguna daripada langsung bertanya tool AI apa yang harus dipakai.
Untuk sebagian bisnis, solusi awal mungkin bukan membangun sistem besar. Mungkin cukup merapikan form website agar lead masuk dengan konteks yang benar. Mungkin cukup membuat status pipeline yang disepakati. Mungkin cukup menghubungkan notifikasi WhatsApp dengan spreadsheet yang lebih disiplin. Mungkin cukup membuat dashboard sederhana agar owner tahu pekerjaan mana yang tertahan.
Automation yang sehat biasanya dimulai dari proses yang bisa dibaca.
Mecka AI mengumpulkan data manusia agar robot bisa belajar dari dunia nyata. Bisnis juga perlu mengumpulkan data kerja agar AI dan automation bisa membantu tanpa banyak menebak.
Kalau alur kerja masih kabur, AI akan terlihat pintar di demo tetapi lemah di operasi harian.
Kalau data proses sudah jelas, teknologi yang lebih sederhana pun bisa memberi dampak besar.
Itulah pelajaran praktis dari berita ini. Valuasi Mecka AI boleh terdengar seperti cerita Silicon Valley. Tetapi masalah dasarnya sangat dekat dengan bisnis sehari-hari: sistem tidak bisa bekerja baik kalau tidak punya data yang cukup nyata tentang pekerjaan yang ingin dibantu.
Sebelum membangun automation baru, cek dulu apakah proses Anda sudah cukup terlihat.
Apakah lead masuk dengan konteks yang jelas? Apakah order punya status yang disepakati? Apakah support punya pemilik tindak lanjut? Apakah tim tahu kapan pekerjaan harus bergerak dan kapan harus follow-up?
Kalau belum, mulai dari sana.
Dapatkan Audit Teknis Gratis untuk meninjau alur website, lead, dan automation yang masih terlalu bergantung pada tebakan manual.
Sumber referensi berita: TechCrunch