sharing session[ murphy's law for ai ]

anything that can go wrong will go wrong.ai just gets there faster.

murphy's law as a mindset for discovery, mvps and prototyping, now that making is cheap.

krishna

[ disclaimer ] i practice this. i have not mastered it. this is me sharing the parts i want to be more consistent at.

Hai semua. Hari ini saya mau sharing sesuatu yang saya sendiri masih belajar buat lebih konsisten menjalankannya. Jadi, saya datang bukan sebagai expert, tapi sebagai sesama orang yang kadang terlalu senang waktu AI bikin pekerjaan terasa cepat.

Judulnya memang agak pesimis: apa pun yang bisa salah, bisa saja akhirnya salah. Tapi saya tetap optimis dengan manfaat AI. Yang mau saya ajak lebih pesimis justru cara kita merencanakan penggunaannya.

Dalam sekitar lima belas menit, kita akan lihat kenapa hasil yang cepat dan meyakinkan masih perlu diperiksa, lalu empat kebiasaan sederhana yang bisa membantu. Harapannya, kita pulang dengan satu kebiasaan yang bisa dicoba di pekerjaan berikutnya.

Jeda setelah “terlalu senang”. Pembukaan tenang, seperti mulai ngobrol dengan rekan kerja.

origin[ music · meaning · work ]

hukum murphykafin sulthan · songwriter & performer

i came for the music.
i stayed for the mindset.

01 / a quieter mindmusic, when i needed it.

02 / a familiar sound, made hereto my ears: french pop meets shibuya-kei. anak negeri.

03 / a question i could bring to workwhat could go wrong, and how do we prepare?

from listening to product discoveryat ipc · many perspectives. one question still open.

Sebelum masuk ke idenya, sedikit cerita kenapa saya memilih topik ini. Saya Krishna. Saya suka produk, sistem, dan musik, dan kali ini ketiganya ketemu.

Juni lalu, setelah hubungan yang berlangsung delapan tahun berakhir, musik membantu menenangkan pikiran saya. Belakangan saya menemukan ‘Hukum Murphy’ dari Kafin Sulthan.

Di telinga saya, sound-nya mengingatkan pada French pop tahun tujuh puluhan dan delapan puluhan, lalu Shibuya-kei tahun sembilan puluhan. Itu kesan saya sebagai pendengar. Waktu tahu ini karya musisi Indonesia, reaksinya langsung: ‘C’mon, anak negeri!’ Ada rasa senang menemukan musik yang terasa dekat dengan selera saya.

Buat saya, bakat Kafin luar biasa. Dia juga lulusan Arsitektur Interior UI dan pernah bekerja bersama Candra Darusman lewat Chaseiro. Menarik lihat cara musik dan desain ketemu di satu orang.

Lalu saya mulai memperhatikan lirik dan gagasannya. Murphy yang sebelumnya saya kenal dari konteks engineering ternyata nyambung ke cara kita bekerja di produk: memikirkan apa yang bisa salah, supaya kita lebih siap menghadapi ketidakpastian.

Kemarin di IPC, teman-teman designer, PM, data, dan writer punya pandangan berbeda tentang discovery dan AI. Waktunya habis, sementara pertanyaan dasarnya masih terbuka. Jadi, hari ini saya ingin membagikan cara saya melihatnya. Ini pandangan yang juga masih saya uji.

Dari lagu itu, saya membawa satu pertanyaan ke pekerjaan: ketika AI membuat banyak hal jadi lebih mudah, bagian mana yang tetap perlu kita periksa? Kita mulai dari perubahan yang paling terasa: sekarang, membuat sesuatu jadi jauh lebih murah.

Setelah cerita Juni, jeda singkat. Ikuti gerak record dan jalur merah menuju pertanyaan kerja. Tiga bagian cerita mendapat penekanan bergantian. Ucapkan ‘C’mon, anak negeri!’ dengan senyum ringan, lalu hubungkan ke diskusi IPC.

Referensi (tidak dibacakan): https://p-vine.jp/news/20260713-120035 ; https://www.medcom.id/hiburan/musik/JKRAvZQk-kafin-sulthan-ingin-berkolaborasi-dengan-candra-darusman

(00)the moment[ murphy's law for ai ]

making got cheap. being right did not.

illustrative shape, not measured data.

a PRD, a mock, a working prototype: each one a prompt away.
so everyone feels fast, and everyone feels right.
that is exactly when murphy shows up.

(01)the symptom[ murphy's law for ai ]

ai sounds just as sure when it is wrong.

prd: one-tap reorderai draft

goal: members reorder a past purchase in one tap.
impact: lifts repeat purchase by 23%.

✕ invented number. no source, no baseline.
flow: member taps reorder, the order is placed.

✕ happy path only. out of stock? price changed? address deleted?
integration: real-time sync with the loyalty engine.

✕ which engine? nobody checked it exists.
edge cases: all handled.

✕ none are listed.
status: ready for development.

✕ no non-goals. no owner. no undo.

sample draft written for this slide. every line reads fine. five of six would cost us later.

Coba kita lihat contoh draft fitur reorder ini. Sekilas, tulisannya rapi dan terdengar siap dibawa ke development. Tapi kalau dibaca pelan, ada beberapa pertanyaan.

Angka dua puluh tiga persen ini asalnya dari mana? Saat pengguna tap reorder, apakah pesanan langsung dibuat? Bagaimana kalau stok habis, harga berubah, atau alamatnya sudah dihapus? Lalu ‘real-time loyalty engine’ ini sistem yang mana?

Ada juga kalimat semua edge case sudah ditangani, tapi kasusnya belum disebutkan. Statusnya ‘ready’, sementara batas scope dan pemilik keputusan belum jelas.

Ini contoh buatan untuk diskusi. Intinya, nada yang yakin belum menjawab pertanyaan tadi. Kita tetap perlu mencari bukti, asumsi, dan keputusan yang sebenarnya masih terbuka.

Pilih dua atau tiga sorotan di layar. Jangan membacakan seluruh draft.

the framework[ murphy's law for ai ]

four habits, borrowed from things that break.

a pessimist's toolkit for an optimistic moment.

01murphy's law

expect failure

expect the wrong way.

in ai work

count the steps. each one can fail.

02reka peluang

edge cases

map the ugly paths first.

in ai work

ask for the failure list before the feature list.

03buffers

margin

leave slack where the bad week lands.

in ai work

a second reader, capped review, time to check.

04recovery

resilience

make the failure survivable.

in ai work

know your undo before you ship.

Dari situ, saya mencoba merangkumnya jadi empat kebiasaan. Kita pinjam dari cara orang menghadapi hal-hal yang bisa rusak atau gagal.

Pertama, Murphy: anggap cara yang salah akan dicoba, lalu buat cara itu lebih sulit dilakukan. Kedua, reka peluang: bayangkan kemungkinan gagalnya lebih dulu, termasuk jalan yang kurang enak dibicarakan. Ketiga, sisakan buffer: waktu atau ruang untuk mengecek ketika kenyataan tidak sesuai rencana. Keempat, siapkan recovery supaya kegagalan masih bisa ditangani.

Di beberapa slide berikutnya, kita mulai dari Murphy dan contoh desainnya, lalu masuk ke tiga kebiasaan lain. Kalian nggak perlu mengingat semua istilahnya. Cukup perhatikan mana yang paling sering terlewat dalam cara kita bekerja.

Gunakan slide ini sebagai peta. Jangan mulai menjelaskan semua contoh secara detail.

(02)the law[ murphy's law for ai ]

ai adds steps for free.
murphy charges for every one.

each step 99% right
each step 95% right
each step 90% right

each step is right (p)95.0%

steps (n)20

Bagian ini sedikit hitung-hitungan, tapi idenya sederhana. Bayangkan setiap langkah punya peluang benar sembilan puluh lima persen. Kalau ada sepuluh langkah, peluang setidaknya satu langkah salah menjadi sekitar empat puluh persen. Kalau dua puluh langkah, sekitar enam puluh empat persen.

Angka ini ilustrasi matematika, bukan ukuran akurasi AI. Rumusnya juga mengasumsikan setiap langkah independen, sementara dalam pekerjaan nyata kesalahan bisa saling terkait.

Yang bisa kita ambil: semakin banyak klaim, layar, atau agent yang ditambahkan, semakin banyak bagian yang perlu diperiksa. AI memudahkan kita menambah semuanya. Jadi sebelum menambah langkah lagi, mungkin kita perlu bertanya: ini benar-benar membantu, atau hanya menambah pekerjaan pengecekan?

Gerakkan slider satu kali. Ulangi singkat bahwa ini ilustrasi dengan asumsi independen.

(03)the origin[ murphy's law for ai ]

murphy's law was a design brief, not a mood.

1949, a rocket-sled test for the us air force. a set of sensors turned out to be installed the wrong way round. the takeaway, as the story is usually told: if it can be done wrong, someone will do it wrong.

the engineering answer was not 'be more careful'. it was: make the wrong way impossible.

wrong way: blocked

right way: fits

sim card: the cut corner fits one way only.

no wrong side

usb-c: designed so there is no wrong way in.

only fits its hole

poka-yoke: toyota's word for mistake-proofing.

in ai work

01constrain before you generate.
02give it a template, a schema, the real system names and the non-goals.
03a form, not a blank page.

Kisah Murphy yang sering diceritakan berhubungan dengan pengujian rocket sled pada tahun 1949, ketika sensor dipasang dengan cara yang keliru. Saya mengambil pelajaran desainnya: kalau ada cara memasang yang salah, jangan hanya berharap semua orang selalu ingat.

Kita sudah mengenal pendekatan ini. Sudut SIM card membantu menunjukkan orientasinya. USB-C bisa dipasang dari dua arah. Bentuk benda ikut membantu kita melakukan hal yang benar.

Saat bekerja dengan AI, pendekatannya bisa berupa template, schema, nama sistem yang jelas, dan non-goals yang ditulis sejak awal. Jadi sebelum meminta hasil, kita memberi batas yang bisa diperiksa. Halaman kosong terasa bebas, tapi juga memberi banyak ruang untuk asumsi yang tidak kita maksud.

Tunjuk contoh fisik dulu, baru hubungkan ke template dan batas prompt.

(04)reka peluang[ murphy's law for ai ]

imagine it already failed. then list why.

1935: a new bomber prototype crashed on its evaluation flight. a control lock had been left on. the fix was not a better pilot. it was a checklist.

today's version is the pre-mortem: before launch, the team assumes it already failed and writes down why.

pre-mortem: gary klein

pre-mortemreka peluang

in ai work

01ask the ai for the failure list before the feature list.
02then turn every branch into a test case or a non-goal.

Contoh berikutnya memakai kisah kecelakaan bomber tahun 1935 yang sering diceritakan dalam pembahasan checklist: control lock tertinggal, lalu menjadi bagian penting dari kegagalannya. Pelajarannya dekat dengan pekerjaan kita. Orang yang mampu pun bisa melewatkan satu langkah.

Sebelum meminta AI membuat solusi, kita bisa melakukan premortem sederhana. Bayangkan fitur sudah dirilis dan ternyata gagal. Kira-kira kenapa?

Untuk reorder: stok habis, harga berubah, alamat terhapus, voucher sudah dipakai, pengguna double tap, atau pembayaran kedaluwarsa.

Daftar ini bisa menjadi test case, keputusan produk, atau non-goal yang dinyatakan jelas. Jadi sesekali, mulai dari failure list sebelum feature list. Kita memberi kesempatan untuk melihat masalah selagi biaya memperbaikinya masih lebih kecil.

Berhenti sebentar setelah “kira-kira kenapa”, agar audiens sempat ikut membayangkan.

(05)buffers[ murphy's law for ai ]

slack looks like waste until the bad week.

retail keeps safety stock because demand and delivery both wobble. on a good week it just sits there. on a bad week it is the business.

in ai work

01a second model attacks the draft cold.
02review capped at two rounds, then a human decides.
03time booked for checking, not only for making.

Buffer sering terlihat seperti sesuatu yang bisa dipangkas. Di contoh retail, safety stock terasa berlebihan sampai permintaan naik dan pengiriman terlambat pada saat yang sama. Saat itulah ruang cadangan membantu.

Dalam pekerjaan dengan AI, buffer bisa berupa waktu khusus untuk membaca ulang atau meminta pembaca kedua menantang draft. Kalau memakai model lain, berikan tugas yang spesifik: cari asumsi, klaim tanpa bukti, dan bagian yang belum bisa diuji.

Tentu pembaca atau model kedua juga bisa salah. Karena itu, review tetap butuh keputusan manusia. Kita bisa membatasi dua putaran, lalu memutuskan apa yang diperbaiki atau masih terbuka. Sebagian waktu yang dihemat AI bisa kita pakai untuk pengecekan ini.

Tekankan “sebagian waktu”. Hindari kesan bahwa semua pekerjaan membutuhkan proses review panjang.

(06)recovery[ murphy's law for ai ]

design the fall, not just the climb.

01 / past case

1854 / the rope breaks. the catch holds.otis made the failure survivable.

02 / building with ai

independent review · model b

a different reviewer brings another perspective. it still needs checks.

multimodal: images · audio · videocoding: implement · test

Kisah demonstrasi Otis pada tahun 1854 sering dipakai untuk menjelaskan pendekatan ini. Dalam demonstrasi tersebut, tali dipotong dan mekanisme pengaman menahan platform. Perhatiannya juga diberikan pada apa yang terjadi ketika penopangnya gagal.

Di workflow saya, model yang membangun dan model yang mereview saya pisahkan. Builder membuat draft. Skeptic mencari asumsi yang lemah, klaim tanpa bukti, dan kemungkinan gagal yang belum dibahas. Verifier menjalankan cek yang bisa diulang, misalnya lint, test, dan hasil render. Jadi satu mengecek cara berpikirnya, satu mengecek hal yang bisa diuji.

Model juga punya kemampuan dan batas yang berbeda. Contohnya, Gemini bisa membantu memahami gambar, audio, atau video; untuk implementasi, kita bisa memilih model yang cocok dengan tugas coding. Pilih berdasarkan tugas dan hasil cek kita, bukan sekadar nama model. Reviewer yang berbeda memberi sudut pandang lain, tapi tetap bisa salah atau punya blind spot yang sama.

Kalau review menemukan masalah, hasilnya kembali ke builder. Kalau sudah dirilis dan bermasalah, kita perlu checkpoint atau rollback yang jelas. Lolos review AI belum menjadi keputusan rilis: gate akhirnya tetap manusia.

Saat membangun dengan AI, kita perlu bertanya hal serupa: kalau hasilnya bermasalah, bagaimana kita berhenti atau pulih?

Version control membantu mengembalikan perubahan kode. Prototype bisa ditahan sampai selesai direview. Ketika proses gagal, pengguna perlu tahu statusnya dan langkah berikutnya.

Review membantu menemukan kesalahan, tapi tidak menjamin semuanya tertangkap. Mekanisme Otis memberi gambaran tentang failure yang masih bisa ditahan; analoginya terbatas, karena perubahan perangkat lunak punya penyebab dan dampak yang berbeda. Rollback juga perlu checkpoint yang memang tersedia. Perubahan di sistem luar mungkin membutuhkan penanganan berbeda. Cek jalur pulih dan batasnya sejak awal, jangan menunggu sampai masalah terjadi.

Ikuti alur builder, dua jenis review, lalu gate manusia. Tunjukkan jalur kembali saat revisi dan rollback.

Referensi (tidak dibacakan): https://ai.google.dev/gemini-api/docs/video-understanding

the mindset[ murphy's law for ai ]

optimistic about the goal.
pessimistic about every step.

before anything ai made reaches a customer:

✓count the steps. each one is a chance to be wrong.murphy's law
✓write the non-goals and ugly paths before the prompt.reka peluang
✓never let the author grade its own work.buffers
✓know your undo before you ship.recovery

making is cheap now. checking is the job.

Kalau empat kebiasaan tadi dibawa ke pekerjaan besok, bentuknya cukup sederhana. Sebelum mulai, lihat berapa banyak langkah atau klaim yang kita minta. Tulis non-goals dan beberapa kemungkinan gagal. Sisakan waktu untuk review. Lalu cari tahu bagaimana memperbaiki atau mengembalikan perubahan kalau perlu.

Saya sendiri masih kadang melewatkan ini, terutama ketika hasil pertama sudah kelihatan bagus dan deadline terasa dekat. Jadi ini juga pengingat buat saya.

Kita boleh optimis dengan tujuan dan manfaat AI. Untuk langkah-langkahnya, kita bisa lebih teliti. Membuat sesuatu sekarang lebih mudah; memastikan hasilnya layak dipakai masih menjadi pekerjaan kita. Tidak harus sempurna, tapi jelas apa yang sudah dicek dan apa yang belum.

Perlambat bagian akhir. Ini tempat merangkum sebelum membuka proses pembuatan deck.

disclosure[ murphy's law for ai ]

this deck was made 100% by ai.

human direction. ai production. human judgment.

v1 · too many examplesv2 · too much showing offv3 · shaped by feedback

by slide 6's math, something in here is probably wrong.

ai draft · check anything important before using it.

Dan ada sedikit pengakuan: deck yang kalian lihat ini juga dibuat dengan AI. Maksud tulisan ‘seratus persen’ di sini, AI mengerjakan riset, penulisan, visual, dan pembangunan deck, dengan input dan review manusia.

Saya memberi arah: sudut pembahasan, empat kebiasaan, gaya, dan feedback. Draft pertama terlalu banyak contoh pekerjaan. Draft berikutnya terlalu ingin menunjukkan kemampuan. Arah itu kemudian dikoreksi, dan hasilnya tetap perlu diperiksa manusia.

Diagram ini menunjukkan workflow role di workspace saya, bukan catatan bahwa semua peran selalu dipanggil untuk setiap deck. Naquuuubot mengoordinasikan alur. Curator membantu taste, librarian riset, scribe menyusun cerita, dan builder mengerjakan hasil. Skeptic menantang asumsi; verifier mengecek hal yang bisa diuji. Packet bergerak melewati tiap handoff. Keputusan akhir tetap ada di manusia.

Kalau memakai logika slide matematika tadi, tentu ada banyak bagian yang mungkin salah. Tapi kita tidak punya angka peluang kesalahan untuk deck ini. Anggap itu pengingat kecil: AI bisa membangun bahan presentasinya, sementara kita tetap bertanggung jawab atas yang kita sampaikan.

Ikuti packet dari input manusia ke naquuuubot, lalu ke authoring dan review roles. Tunjukkan jalur balik dari skeptic sebelum menutup dengan keputusan manusia.

human loop[ murphy's law for ai ]

now the human loop. your turn.

01what is wrong in this deck?
02which failure have we not mapped in our own work?
03where would a buffer have saved us?

[ q&a ]what you find goes into v4.

anything that can go wrong will go wrong.ai just gets there faster.

i came for the music.i stayed for the mindset.

making got cheap. being right did not.

ai sounds just as sure when it is wrong.

four habits, borrowed from things that break.

expect the wrong way.

map the ugly paths first.

leave slack where the bad week lands.

make the failure survivable.

ai adds steps for free. murphy charges for every one.

murphy's law was a design brief, not a mood.

imagine it already failed. then list why.

slack looks like waste until the bad week.

design the fall, not just the climb.

optimistic about the goal. pessimistic about every step.

this deck was made 100% by ai.

now the human loop. your turn.

i came for the music.
i stayed for the mindset.

ai adds steps for free.
murphy charges for every one.

optimistic about the goal.
pessimistic about every step.