Domain Knowledge di Era AI: Pelajaran dari Kampus Malaka

Pada 20 Oktober 2026, di Citywalk Sudirman, Jakarta, Malaka meluncurkan Kampus Malaka: kampus baru untuk lulusan SMA, SMK, dan madrasah dengan satu program studi, data science. Di sesi tanya jawab, Ferry Irwandi membantah anggapan populer. Orang selalu bilang era AI adalah era siapa yang paling jago nge-prompt, katanya, dan itu keliru. Sabda PS, salah satu pendiri Zenius sekaligus penggagas kurikulumnya, lalu menjelaskan alasannya lewat pengalamannya sendiri saat coding: nge-prompt yang benar itu tidak gampang, karena Anda harus tahu struktur database dan modulnya, kalau tidak kodenya kusut begitu diubah. ^{[3, 1]}

Itu cocok dengan yang saya lihat di pekerjaan ERP, jadi saya tidak berhenti di potongan videonya. Saya membaca transkrip otomatis kedua sesi dari awal sampai akhir, mengecek klaim di sekitarnya dengan belasan sumber, termasuk riset payroll Stanford, eksperimen lapangan terhadap 758 konsultan BCG, dan diagram data science asli Drew Conway, lalu menambahkan seperti apa domain knowledge di sistem yang pernah saya bangun. Saya tidak punya afiliasi dengan Malaka. Ini bacaan seorang engineer atas sebuah argumen pendidikan.

Apa yang sebenarnya dikatakan Sabda PS di peluncuran Kampus Malaka

Kedua video ini diunggah di kanal YouTube Malaka pada akhir Oktober 2026 dan layak ditonton utuh, tetapi argumennya bisa diringkas dalam lima klaim. Saya cantumkan timestamp-nya supaya Anda bisa mengecek sendiri. Kutipannya saya rapikan sedikit dari transkrip otomatis tanpa mengubah maksudnya. ^{[1, 2]}

Ia juga menjelaskan kenapa kampus ini memilih data science. Regulasi di Indonesia hanya mengizinkan nomenklatur program studi tertentu, dan dari daftar itu ia mencari jurusan yang ia sebut platformic: jurusan yang, seperti filsafat atau manajemen, terpakai lintas industri, bukan hanya memasok satu industri. Menurutnya, data science adalah Microsoft Excel atau Google Sheets-nya abad ke-21, alat yang bisa dibawa ke pertanian, perikanan budidaya, manufaktur, media, atau pendidikan. ^[2]

Motifnya adalah bagian yang paling sering dilewatkan ringkasan. Ia khawatir era AI membuat dunia makin timpang, dengan jurang yang melebar antara orang yang pekerjaannya tergantikan dan orang yang memiliki mesinnya. Jawabannya adalah melatih mahasiswa untuk berada di tengah, sebagai pencipta dan operator otomasi, dan itu menuntut pemahaman atas tool-nya sekaligus domain yang diotomasi. ^[2]

Nge-prompt kini bagian yang murah

Contoh coding dari Sabda punya angka pendukung. Veracode menguji kode dari lebih dari 100 large language model dalam Java, JavaScript, Python, dan C#, dan menemukan kode buatan AI memunculkan celah keamanan berisiko di 45% pengujian. Model yang lebih besar dan lebih baru tidak membuat keamanannya membaik. Model menulis apa yang Anda minta; ia tidak tahu aturan sistem Anda yang baru saja ia langgar. ^[6]

Eksperimen lapangan yang paling jelas memang sudah agak lama, tetapi masih yang terbaik. Pada 2023, 758 konsultan Boston Consulting Group dibagi acak: sebagian diberi GPT-4, sebagian tidak. Untuk tugas di dalam apa yang para peneliti sebut jagged technological frontier, konsultan yang memakai AI menyelesaikan 12,2% lebih banyak tugas, 25,1% lebih cepat, dengan kualitas 40% lebih tinggi. Untuk tugas yang sedikit di luar frontier itu, konsultan tanpa AI menjawab benar 84% dari waktu; dengan AI hanya 60 sampai 70%. AI-nya terdengar sama yakinnya di kedua kasus. Mengetahui di sisi mana sebuah tugas berada bukan skill nge-prompt. Itu domain knowledge. ^[7]

Data payroll Stanford: AI menggantikan pengetahuan buku lebih dulu

Bukti terkuat datang dari data ketenagakerjaan. Erik Brynjolfsson, Bharat Chandar, dan Ruyu Chen mengikuti jutaan pekerja Amerika lewat data payroll ADP. Dalam revisi Agustus 2026, jumlah pekerja usia 22 sampai 25 tahun di pekerjaan yang terpapar AI berada 19% di bawah angka yang seharusnya kalau mengikuti pertumbuhan rekan seusia di pekerjaan yang kurang terpapar, sementara pekerja berpengalaman tidak menunjukkan kesenjangan serupa. Penurunannya terpusat di pekerjaan tempat AI menggantikan tugas manusia; di pekerjaan tempat AI melengkapi pekerja, jumlah pekerja stabil atau naik. ^[8]

Penjelasan mereka adalah argumen domain knowledge dalam bahasa ekonom. AI lebih efektif menggantikan pengetahuan yang sudah didigitalkan dan dikodifikasi, inti dari pendidikan formal, sambil melengkapi pengetahuan tacit berbasis pengalaman yang dimiliki karyawan senior. Pekerjaan yang bergantung pada pengetahuan tacit justru mencatat pertumbuhan lapangan kerja lebih cepat untuk pekerja berpengalaman. Para penulis menyebut temuan ini indikator awal yang deskriptif, bukan estimasi kausal, dan catatan itu penting, tetapi arahnya konsisten selama setahun pembaruan. ^[8]

Filsuf Michael Polanyi menamai masalah dasarnya pada 1966: kita tahu lebih banyak daripada yang bisa kita ceritakan. Apa yang tidak pernah ditulis tidak bisa masuk ke training set atau prompt. Studi kedua memperlihatkan sisi lain dari koin yang sama. Ketika AI assistant generatif diberikan kepada 5.179 agen customer support, produktivitas naik 14% secara rata-rata dan 34% untuk pekerja pemula dan berketerampilan rendah, dengan dampak minimal bagi yang berpengalaman. Para peneliti menemukan indikasi bahwa model itu menyebarkan praktik terbaik dari pekerja paling cakap. AI mengemas domain knowledge para ahli dan memberikannya kepada pemula. Para ahlinya tetap menjadi sumbernya. ^{[9, 10]}

Data science sejak awal adalah tiga lingkaran, bukan satu

Poin Sabda bahwa data science bukan cuma ngoding dan statistik bukanlah hal baru, dan justru itu menguatkannya. Pada 2010 Drew Conway menggambar Data Science Venn Diagram dengan tiga lingkaran: hacking skills, pengetahuan matematika dan statistik, serta substantive expertise. Sains, tulisnya, membutuhkan pertanyaan yang memotivasi tentang dunia, dan pertanyaan itu datang dari memahami bidangnya. ^{[11, 1]}

Peringatannya yang paling sering dikutip adalah tentang hacking skills ditambah substantive expertise tanpa matematika: danger zone, tempat orang tahu cukup banyak untuk menjadi berbahaya. AI memperluas zona itu, karena AI memberikan lingkaran hacking kepada semua orang. Desain Kampus Malaka saya baca sebagai upaya mengisi ketiga lingkaran itu dengan urutan yang disengaja. ^[11]

Contoh dari Sabda sendiri memperlihatkan lingkaran ketiga bekerja. Ia menyebut ratusan juta data dari anak-anak Indonesia yang mengerjakan soal matematika di Zenius, dan bilang dengan data itu ia tahu persis di mana bolongnya pemahaman seorang siswa dan di mana harus diintervensi. Tidak ada model yang dilatih dengan data generik yang tahu hal itu. Butuh bertahun-tahun di dalam satu domain untuk tahu pertanyaan apa yang harus diajukan ke datanya. ^[1]

Madilog: lapisan fondasi di bawah tool

Fondasi yang dipilih Sabda adalah Madilog, buku yang ditulis Tan Malaka di Batavia pada 1942 dan 1943, singkatan dari materialisme, dialektika, dan logika. Ia memetakannya ke tiga tujuan yang lebih sederhana. Logika mencakup mathematical thinking, penalaran verbal, dan kemampuan berpikir. Materialisme adalah soal pengetahuan yang reliable, atau dalam kalimatnya: how do you know what you know is true? Dialektika, baginya, berarti sejarah, evolusi, dan antropologi: bagaimana manusia berubah dalam pergulatannya dengan alam dan dengan manusia lain. ^{[5, 2]}

Ia membela fondasi itu dengan analogi sepak bola. Jurusan yang hanya melatih satu skill sempit itu seperti bek kanan yang cuma jago tekel dan lari: tidak agile, tidak adaptif, dan kalau suatu saat AI sudah punya alatnya, Anda tergantikan. Ia menelusuri jurusan-jurusan sempit di Indonesia ke sekolah era kolonial yang dibangun untuk mencetak tenaga kerja spesifik, seperti STOVIA, sekolah dokter yang kini menjadi FKUI. ^[2]

Saya akan mengatakannya dalam bahasa engineering. Fondasi adalah apa yang membuat Anda bisa mengecek mesinnya. Tanpa logika dan sedikit statistik, Anda tidak bisa membedakan regresi yang terlihat masuk akal dari yang benar, dan tanpa kebiasaan bertanya bagaimana kita tahu sesuatu itu benar, Anda akan percaya pada jawaban yang paling lancar. Domain knowledge memberi tahu apa yang harus ditanyakan. Fondasi memberi tahu apakah jawabannya bisa dipegang.

Seperti apa domain knowledge di pekerjaan ERP saya

Saya membangun sistem ERP, dan fakta paling berharga di dalamnya tidak pernah berasal dari kode. Saat membangun modul accounts payable ANCoraPRO untuk seorang klien, approval chain-nya adalah submitted, manager, finance, approved, payment, paid. Tidak ada tahap CFO. Template approval generik bisa saja memasukkan persetujuan eksekutif; process perusahaan ini tidak memilikinya, dan software yang menambahkannya akan terlihat profesional tetapi tetap salah. Studi kasus ANCoraPRO memuat kondisi sebelum dan sesudahnya secara lengkap.

Qilap, ERP carwash yang saya bangun dan jalankan, ceritanya sama. Pekerjaannya dibagi antara mobile field app untuk kru dan POS untuk admin, dan satu cucian bisa dibayar dengan lebih dari satu metode. Tidak satu pun dari itu datang dari prompt. Semuanya datang dari cara carwash benar-benar beroperasi: siapa yang memegang HP, siapa yang memegang laci kas, dan bagaimana pelanggan sebenarnya membayar.

Jabatan saya sendiri, AI Forward Deployed Engineer, adalah taruhan pada gagasan yang sama. Model yang dipakai setiap perusahaan sama saja. Yang berbeda adalah seberapa baik model itu tersambung ke sistem, aturan, dan pengecualian nyata di satu perusahaan, dan itu butuh orang yang mempelajari domainnya, bukan hanya mempelajari modelnya.

Kalau Anda sedang memilih jurusan atau karier di Indonesia

Para pemberi kerja menyampaikan hal serupa dalam survei mereka. Future of Jobs Report 2025 dari World Economic Forum menemukan analytical thinking adalah core skill teratas, dengan tujuh dari sepuluh perusahaan menganggapnya esensial, bahwa AI dan big data adalah skill yang paling cepat tumbuh, dan bahwa pemberi kerja memperkirakan 39% core skill pekerja akan berubah sebelum 2030. Lapisan tool berubah paling cepat. Lapisan cara berpikir dan lapisan domain adalah yang terbawa terus. ^[12]

Kampus Malaka adalah salah satu jalan untuk membangun ketiga lapisan itu, dan menurut saya desainnya koheren. Kampus ini juga sangat baru, diluncurkan dua minggu sebelum tulisan ini dibuat, jadi hasilnya belum bisa dinilai. Lapisan yang sama bisa dibangun lewat jurusan apa pun, pekerjaan di dalam sebuah industri, atau proyek sampingan yang Anda pedulikan. Yang penting, lapisan domain-nya nyata: dipelajari dari orang yang mengerjakannya, bukan dari ringkasan tentangnya.

Di mana saya menambahkan catatan

Domain knowledge tidak otomatis aman. Studi customer support menunjukkan keahlian yang terkodifikasi bisa dikemas dan disebarkan oleh AI, jadi bagian yang langka adalah lapisan tacit: pengecualian, penilaian kapan sebuah aturan boleh dilenturkan, dan kepercayaan dari orang-orang yang menjalankan operasinya. Menguasai versi buku teks dari sebuah domain makin lemah sebagai keunggulan setiap tahunnya. ^[10]

Fondasi juga bukan pilihan. Danger zone versi Conway adalah gambaran persis seorang ahli domain dengan tool AI tanpa statistik: analisis yang meyakinkan tetapi tidak bisa dicek siapa pun. Karena itu saya membaca urutan Sabda, fondasi dulu, lalu tool, lalu domain, sebagai bagian terpenting dari argumennya, bukan sekadar detail dari satu kurikulum. ^[11]

Nge-prompt adalah skill seperti mengetik adalah skill: layak dipelajari, dan cepat menjadi komoditas. Pakai AI untuk bagian yang kini murah, mengetik, mengumpulkan, dan merapikan format, lalu gunakan waktu yang dihemat untuk masuk lebih dalam ke satu domain. Sebuah prompt hanya sebagus pemahaman Anda tentang masalahnya.

Bacaan terkait

• People, process, technology di era AI: masih relevan?
• ERP process mapping: pekerjaan requirements yang menyelamatkan proyek
• Domain-driven design: penjelasan bounded context