Havedev
Robot Tidak Hanya Butuh Model, Robot Butuh Data Gerak yang Bisa Dipercaya
Mecka AI baru mengumumkan pendanaan Series B sebesar $60 juta yang dipimpin Sequoia, dengan partisipasi Nvidia, M12 milik Microsoft, dan investor lain.
Sekilas, ini terdengar seperti satu lagi berita pendanaan AI. Startup baru, valuasi besar, investor besar, dan narasi besar tentang masa depan robot.
Namun ada hal yang lebih menarik dari angka pendanaannya: Mecka AI tidak sedang menjual robot sebagai produk utama. Mereka sedang membangun data untuk melatih robot.
Mecka membayar orang untuk merekam aktivitas sehari-hari seperti membuat kopi atau memperbaiki mobil, sambil memakai sensor tubuh dan menggunakan smartphone. Data gerak manusia itu kemudian dipakai untuk membantu humanoid robot dan jenis robot lain belajar melakukan pekerjaan fisik.
Dengan kata lain, perlombaan robotics AI tidak hanya tentang siapa yang punya model paling pintar. Perlombaan ini juga tentang siapa yang punya data gerak paling berguna.
The Core Update
Mecka AI berdiri pada 2024 dan ingin melakukan untuk robotics apa yang Scale AI, Mercor, Surge, dan perusahaan data-labeling lain lakukan untuk LLM.
Untuk model bahasa, data manusia sangat penting. Teks, anotasi, ranking jawaban, koreksi, dan instruksi manusia membantu sistem memahami pola bahasa dan preferensi pengguna.
Untuk robot, datanya lebih sulit.
Robot tidak cukup belajar dari teks. Robot perlu memahami gerakan, posisi tubuh, urutan tindakan, konteks ruang, tekanan, timing, dan hubungan antara benda di dunia nyata. Membuat kopi bukan sekadar instruksi “ambil gelas lalu tuang air”. Ada jarak tangan, orientasi benda, kecepatan gerak, stabilitas, dan koreksi kecil yang manusia lakukan tanpa sadar.
Di sinilah posisi Mecka menjadi menarik.
Mereka mengumpulkan data dari manusia yang melakukan pekerjaan nyata. Bukan hanya video biasa, tetapi data gerak yang lebih kaya karena melibatkan sensor tubuh dan smartphone. Data semacam ini bisa membantu robot belajar bukan hanya apa yang harus dilakukan, tetapi bagaimana tindakan itu biasanya dilakukan oleh manusia.
Investor besar masuk karena robotics mulai terlihat seperti gelombang AI berikutnya. Nvidia punya kepentingan besar pada komputasi dan simulasi. Microsoft punya kepentingan pada infrastruktur AI dan enterprise. Sequoia membaca pasar yang mungkin menjadi lapisan dasar baru: data training untuk robot.
TechCrunch sebelumnya melaporkan Mecka mendekati pendanaan dengan valuasi sekitar $500 juta. Di sisi lain, startup lain seperti XDOF juga disebut sedang berbicara untuk pendanaan Series B dengan valuasi $1,2 miliar. Platform data manusia yang awalnya dekat dengan LLM, seperti Scale AI dan Micro1, juga mulai bergerak ke robotics.
Ini memberi sinyal yang cukup jelas: data fisik manusia mulai menjadi aset strategis.
The Reality Check
Narasi tentang humanoid robot sering terdengar terlalu cepat.
Kita sering melihat demo robot berjalan, mengangkat barang, membuka pintu, atau bekerja di gudang. Demo seperti itu menarik, tetapi bisnis tidak hidup dari demo. Bisnis hidup dari pekerjaan yang bisa diulang, aman, ekonomis, dan cukup andal dalam kondisi nyata.
Di dunia nyata, pekerjaan fisik penuh variasi.
Meja tidak selalu sama tinggi. Pegangan alat tidak selalu berada di posisi ideal. Benda bisa licin, berat, miring, tertutup, atau berpindah sedikit dari tempat biasa. Manusia bisa menyesuaikan diri tanpa banyak berpikir. Robot harus belajar variasi itu dengan cara yang jauh lebih eksplisit.
Karena itu, data menjadi bottleneck besar.
Untuk LLM, internet menyediakan banyak teks. Tidak semuanya bersih, tetapi volumenya besar. Untuk robot, internet tidak menyediakan data gerak lengkap dalam format yang langsung berguna. Video YouTube bisa membantu sebagian, tetapi robot butuh pemahaman yang lebih dalam tentang tubuh, ruang, dan tindakan.
Pendanaan Mecka menunjukkan bahwa pasar mulai menyadari hal ini. Bukan hanya robotnya yang mahal. Data untuk membuat robot berguna juga mahal.
Namun ada risiko yang perlu dibaca dengan tenang.
Pertama, data banyak belum tentu data bagus. Jika gerakan yang direkam tidak konsisten, konteksnya kurang jelas, atau kualitas sensornya tidak cukup, model bisa belajar pola yang sulit dipakai di lapangan.
Kedua, aktivitas manusia tidak selalu langsung bisa dipindahkan ke robot. Tubuh manusia dan tubuh robot berbeda. Jari, sendi, kekuatan, keseimbangan, dan batas gerak tidak sama. Data manusia tetap perlu diterjemahkan agar cocok dengan mesin.
Ketiga, use case robotics harus jelas. Mengumpulkan data membuat kopi mungkin menarik, tetapi nilai bisnisnya bergantung pada apakah tindakan itu penting, sering terjadi, dan layak diautomasi. Tidak semua pekerjaan yang bisa direkam perlu diautomasi.
Keempat, ada pertanyaan etika dan privasi. Ketika manusia direkam melakukan aktivitas fisik dengan sensor tubuh dan smartphone, data itu bisa sangat personal. Perusahaan yang bermain di ruang ini perlu punya standar persetujuan, keamanan data, dan penggunaan ulang data yang jelas.
Jadi, pendanaan besar ini bukan bukti bahwa humanoid robot akan langsung masuk ke semua rumah dan pabrik. Ini lebih tepat dibaca sebagai tanda bahwa lapisan infrastruktur robotics sedang dibangun.
Sebelum robot menjadi produk massal, ada pekerjaan panjang yang tidak terlalu glamor: mengumpulkan data, membersihkan data, memberi konteks, melatih model, menguji gerakan, dan mengulang semuanya berkali-kali.
The Havedev Way
Dari sudut pandang Havedev, berita Mecka AI mengingatkan satu prinsip yang juga berlaku untuk bisnis biasa: automation tidak dimulai dari tool. Automation dimulai dari proses yang bisa dibaca.
Dalam robotics, proses itu berupa gerakan manusia yang direkam, diberi konteks, lalu dipelajari mesin.
Dalam bisnis, proses itu bisa berupa lead masuk, order diproses, invoice dikirim, support ditangani, atau follow-up sales dilakukan.
Masalahnya mirip. Banyak bisnis ingin langsung punya automation, dashboard, AI agent, atau sistem internal. Tetapi aktivitas sehari-harinya belum cukup jelas untuk diautomasi. Status belum rapi. Pemilik tugas belum jelas. Data tidak konsisten. Keputusan masih tersebar di chat.
Robot tidak bisa belajar dari gerakan yang tidak terbaca. Sistem bisnis juga tidak bisa membantu alur kerja yang tidak terdokumentasi.
Sebelum bertanya “AI apa yang bisa dipakai?”, bisnis perlu bertanya:
- pekerjaan apa yang paling sering diulang?
- bagian mana yang paling sering macet?
- data apa yang wajib ada sebelum pekerjaan bisa bergerak?
- siapa pemilik langkah berikutnya?
- kapan pekerjaan dianggap selesai?
- variasi apa yang paling sering terjadi di lapangan?
Pertanyaan ini terdengar sederhana, tetapi sering menjadi pembeda antara automation yang membantu dan automation yang hanya menambah layer baru di atas proses yang masih kabur.
Berita Mecka juga menunjukkan bahwa nilai besar sering berada di pekerjaan dasar yang tidak terlihat. Mengumpulkan data gerak manusia bukan hal yang semewah membuat robot humanoid. Tetapi tanpa data itu, robot sulit menjadi berguna.
Begitu juga di bisnis.
Merapikan form lead, menyusun status follow-up, mencatat sumber inquiry, membuat definisi “qualified lead”, atau memastikan setiap order punya pemilik mungkin tidak terdengar futuristik. Tetapi hal-hal itu adalah data layer yang membuat automation lebih masuk akal.
AI yang baik butuh konteks. Robot yang baik butuh data gerak. Bisnis yang ingin automation juga butuh proses yang jelas.
Maka pelajaran praktis dari Mecka AI bukan hanya “robotics sedang naik”. Pelajaran yang lebih penting adalah: sebelum mesin bisa bekerja dengan baik, manusia perlu mendefinisikan pekerjaan dengan cukup jelas.
Untuk perusahaan besar, itu berarti membangun dataset gerak skala besar.
Untuk bisnis kecil dan menengah, itu bisa dimulai dari hal yang lebih dekat: merapikan alur lead, order, support, dan follow-up agar tidak terus bergantung pada ingatan orang tertentu.
Teknologi akan terus bergerak. Investor akan terus mencari layer infrastruktur berikutnya. Robot akan makin sering muncul di demo dan berita pendanaan.
Tetapi prinsip dasarnya tetap sama.
Automation hanya sekuat data dan proses yang menjadi bahan belajarnya.
Kalau proses masih kabur, automation hanya mempercepat kebingungan.
Kalau proses sudah cukup jelas, teknologi bisa mulai bekerja sebagai pengungkit.
Dapatkan Audit Teknis Gratis untuk meninjau alur website, lead, dan follow-up yang perlu dirapikan sebelum bisnis Anda menambah automation baru.
Sumber referensi berita: TechCrunch