Penggunaan kecerdasan buatan (AI) di dunia pemasaran kian lazim, terutama untuk menghasilkan materi yang terlihat rapi, terstruktur, dan mudah dipakai lintas platform. Namun, Ben Crawford—salah satu pendiri Brainwaves—menilai output semacam itu sering terasa seragam dan hambar. Menurutnya, persoalannya bukan semata pada teknologi, melainkan pada pola kerja industri dan cara AI digunakan.
Crawford menggambarkan pengalamannya duduk berdampingan dengan seorang CSO regional dalam sebuah acara, saat mereka menelaah materi presentasi dan dengan cepat menebak mana yang dibuat oleh AI. Tanda-tandanya, ia menulis, mudah dikenali: kalimat pendek-pendek dan pola retorika yang berulang, seperti membenturkan dua gagasan berlawanan—kecepatan versus kedalaman, skala versus keahlian, data versus kreativitas. Kontras itu terdengar seperti “strategi”, tetapi kerap tidak relevan dengan konteks yang dibahas.
Ia menilai kondisi ini tidak muncul begitu saja. Dalam industri pemasaran, ruang bagi pemikiran kreatif disebutnya sudah lama menyempit. Strategi terdorong ke pinggir dan digantikan oleh bagan alur data, metrik performa platform, versioning, serta loop optimasi yang cenderung memilih hal aman ketimbang yang berbeda. Dalam situasi seperti itu, AI yang dipakai pun mudah terjebak pada pola yang sama.
Model bahasa besar (large language model/LLM) serba guna, menurut Crawford, dilatih untuk menghasilkan jawaban yang secara statistik selaras dengan pola dalam data pelatihan dan cenderung menjadi respons yang paling “masuk akal” atau paling ingin didengar pengguna. Untuk pekerjaan rutin bernilai rendah—seperti merangkum riset, menyunting surel, atau menulis ulang judul—hasilnya bisa efektif: ringkas, rapi, dan siap dipublikasikan.
Namun, ia menekankan bahwa strategi merek berbeda dari tugas-tugas tersebut. Strategi, menurutnya, adalah upaya menggali apa yang secara khas benar tentang sebuah merek, lalu mengubahnya menjadi keunggulan yang sulit ditiru. Hal semacam itu, ia berargumen, tidak akan ditemukan dengan “merata-ratakan” isi internet. Strategi justru muncul ketika ada kondisi yang memungkinkan hal tak terduga muncul—sebuah lompatan berani yang berpijak pada kebenaran merek. Crawford mencontohkan iklan Cadbury Gorilla yang menurutnya tidak lahir dari prompt generik, melainkan dari rasa dan kebenaran merek.
Masalah lain yang ia soroti adalah kecenderungan AI menghasilkan jawaban paling “probable”. Bagi Crawford, jawaban yang paling mungkin secara definisi juga yang paling klise. Akibatnya, audiens dan teritori yang terstandarisasi terdengar serupa dan mudah dipertukarkan antarmerek dalam kategori yang sama.
Ia merujuk pada pengujian yang pernah dilakukan Harvard Business Review dalam berbagai skenario strategis. Meski brief dan konteks berbeda, jawaban yang dihasilkan tetap mirip. Fenomena ini disebut sebagai “trendslop”: pemikiran yang koheren dan terstruktur, tetapi tidak terkait dengan hal yang benar-benar unik. Crawford menilai, industri telah melatih sistem untuk menghargai keakraban, dan kemudian sistem tersebut “mengembalikannya” dalam bentuk jawaban yang seragam. Dalam pandangannya, dunia pun semakin dihomogenisasi oleh algoritma—bukan semakin terangkat, melainkan semakin seragam.
Untuk mengatasi keterbatasan itu, Crawford mengusulkan pendekatan berbasis agen spesialis. Ia menilai agen lebih efektif karena cara kerjanya lebih mendekati proses berpikir strategis yang sesungguhnya. Agen spesialis disebutnya dapat mengungguli model tunggal, karena tidak ada ahli strategi yang baik yang mendekati setiap masalah dengan cara yang sama. Audiens, budaya, dan kategori dipandang sebagai tiga problem berbeda yang memerlukan masukan, kerangka, dan tolok ukur tersendiri.
Ketika satu model dipaksa mengerjakan semuanya sekaligus, hasilnya cenderung “diratakan” sehingga bagian yang tajam dan spesifik terkikis. Ia menggambarkan output semacam itu bukan seperti kerja tim ahli, melainkan generalis yang terlalu percaya diri, mencoba-coba semuanya, lalu menyebut hasilnya sebagai strategi. Menurutnya, semakin spesifik tugas yang diberikan, semakin baik hasilnya. Dalam sistem agentik, ia menambahkan, lebih mudah mengorkestrasi para spesialis untuk mengurai dan menuntaskan pekerjaan kompleks secara kolaboratif.
Crawford juga menyinggung masalah lain yang jarang dibicarakan: ketergantungan besar pada prompting. Dalam model umum, beban ada pada pengguna—orang akan mendapat persis apa yang diminta, dan kualitas output dibatasi oleh kemampuan menyusun prompt serta pola yang berhasil dipancing. Ini tidak menjadi masalah jika pengguna sudah tahu apa yang dicari. Namun dalam strategi, titik lemahnya justru di situ, karena inti strategi adalah menemukan sesuatu yang belum disadari sejak awal.
Ia menilai prompting cenderung menghasilkan jawaban yang rapi, logis, dan tampak benar, tetapi jarang mengarah pada hal yang benar-benar menarik. Yang dibutuhkan, menurutnya, adalah sistem yang dilatih menangkap sinyal kurang terlihat: hal-hal di pinggiran, ketegangan tersembunyi, atau sesuatu yang bahkan tidak terpikir untuk diminta. Metodologi strategis, ia berargumen, seharusnya tidak diletakkan di prompt, melainkan tertanam dalam sistem sehingga kualitas berpikir konsisten terlepas dari siapa yang menjalankan brief.
Meski mengkritik output AI yang seragam, Crawford menegaskan tujuannya bukan AI mengambil alih proses berpikir. Ia mendorong AI dipakai untuk mempertajam kerja strategis: menyingkirkan pekerjaan kasar dan menghadirkan konteks yang tepat pada saat yang tepat. Keahlian utama, menurutnya, tetap berada di tangan orang yang memahami pekerjaan tersebut.
Dalam praktik, ia membayangkan pergeseran dari satu model yang mencoba mengerjakan segalanya menuju sistem yang terdiri dari para spesialis dengan beragam lensa—untuk audiens, budaya, kategori, dan kreativitas—yang bekerja bersama dan terus berkembang. Ia juga menekankan pentingnya menghubungkan titik-titik secara benar: sinyal kualitatif dan kuantitatif, pengetahuan merek, serta rekam jejak performa, agar tidak terpisah di berbagai deck, melainkan langsung diterapkan sebagai arah yang jelas dan bisa ditindaklanjuti.
Crawford menyimpulkan bahwa di tengah serbuan output berbasis AI, keunggulan bukan pada menghasilkan lebih banyak konten serupa. Keunggulan, menurutnya, terletak pada konteks, kejelasan, dan konsistensi untuk mengambil keputusan yang lebih baik dan lebih cepat.
