Semakin banyak AI tool muncul, semakin gampang juga kita terjebak satu kebiasaan: mencoba semuanya.
Hari ini pakai ChatGPT, besok lihat demo Claude pindah ke Claude, dua hari kemudian muncul video Higgsfield yang keren lalu bikin akun lagi. Belum selesai belajar satu tool, sudah ada lima nama baru di timeline.
Padahal setelah cukup lama bermain dengan AI, aku justru mulai melihat polanya agak berbeda. Kita sebenarnya tidak butuh satu AI yang bisa melakukan semuanya. Lebih masuk akal punya tool stack, lalu memberikan pekerjaan tertentu kepada tool yang memang paling enak digunakan untuk pekerjaan tersebut.
Kalau harus membuat AI stack versi 2026, ada delapan kategori yang menurutku menarik untuk dibedah: Gemini untuk research, Claude untuk brainstorming, Claude Code untuk membangun aplikasi, Emergent untuk website, Higgsfield untuk image generation, Artlist untuk video generation, Zapier untuk automation, dan NotebookLM untuk belajar.
Bukan berarti masing-masing adalah “AI terbaik di dunia” secara absolut. Tool AI berubah terlalu cepat untuk klaim seperti itu. Anggap ini lebih seperti pembagian kerja: kalau kebutuhan utamanya X, tool mana yang paling masuk akal dibuka terlebih dahulu?
Dan menariknya, alasan orang memilih tool-tool ini sekarang bukan cuma karena modelnya pintar. Yang mulai menjadi pembeda justru workflow di sekeliling modelnya.
1. Research → Gemini
Kalau pekerjaannya dimulai dengan kalimat, “Coba cari tahu dulu tentang ini,” Gemini jadi salah satu tool yang paling masuk akal dibuka.
Alasannya sekarang bukan cuma karena Gemini terhubung dengan ekosistem Google. Fitur Deep Research sudah berkembang menjadi agent yang benar-benar melakukan proses riset panjang: membuat rencana pencarian, menjelajahi sumber, melihat kekurangan informasi, mencari lagi, lalu menyusun hasilnya menjadi laporan. Versi terbaru bahkan bisa menggabungkan Google Search dengan URL, file, code execution, dan sumber eksternal melalui MCP.
Ini beda dengan sekadar bertanya:
“Apa tren industri packaging tahun 2026?”
Untuk pertanyaan sederhana, hampir semua chatbot bisa menjawab. Gemini mulai terasa berguna ketika permintaannya seperti:
“Riset pasar packaging makanan premium di Indonesia. Cari pemain utamanya, tren visual, perubahan perilaku konsumen, range harga, dan sertakan sumber.”
Masalah research sebenarnya bukan menghasilkan paragraf. Bagian yang melelahkan adalah membuka banyak tab, memisahkan sumber bagus dan sumber sampah, mencari data yang saling bertentangan, lalu mencoba menemukan polanya.
Di situlah Deep Research memangkas banyak pekerjaan kasar.
Google bahkan sekarang memungkinkan kita mengoreksi atau mempersempit research plan sebelum agent mulai bekerja. Jadi kita tidak sepenuhnya menyerahkan arah riset kepada AI.
Buat desainer, marketer, SEO, atau orang yang sering masuk ke industri yang belum dipahami, fungsi ini lumayan besar. Sebelum membuat visual untuk brand marine, misalnya, kita bisa lebih dulu memahami kompetitor, tone industri, produk, audiens, sampai cara perusahaan lain berkomunikasi.
Jadi value Gemini untuk research bukan:
“Gemini tahu banyak.”
Lebih tepatnya:
Gemini sudah punya workflow yang bagus untuk mencari tahu sesuatu yang belum kita tahu.
2. Brainstorming → Claude
Brainstorming punya kebutuhan yang aneh. Kita tidak selalu butuh jawaban yang benar.
Kadang yang dibutuhkan justru seseorang yang bisa ikut memanjangkan ide.
Misalnya aku punya konsep awal:
“Aku pengin bikin campaign perusahaan logistik, tapi nggak mau visualnya klise truk jalan di highway.”
Yang dibutuhkan bukan data sebanyak mungkin. Aku ingin melempar ide, mendapat alternatif, mengkritik alternatif tersebut, lalu mengembangkan satu arah sampai cukup matang.
Di area seperti ini Claude menarik.
Anthropic sendiri sepanjang 2026 semakin mendorong Claude untuk creative work. Claude sekarang bisa bekerja bersama berbagai creative tools melalui connectors, dan positioning-nya memang bukan sekadar menghasilkan tulisan akhir, tetapi membantu tahap ideation dan memperluas eksplorasi kreatif.
Contohnya, daripada berkata:
“Buatkan ide campaign logistik.”
Aku lebih suka menjadikannya percakapan:
“Aku punya tiga konsep ini. Jangan tambah konsep dulu. Bedah kelemahan masing-masing dari sisi branding dan kemungkinan visual execution.”
Setelah itu:
“Oke, konsep kedua paling masuk akal. Sekarang cari lima cara supaya idenya nggak jatuh jadi corporate cliché.”
Baru kemudian:
“Kalau konsep ini harus diterjemahkan ke billboard, vehicle branding, Instagram, dan booth event, elemen visual apa yang harus tetap konsisten?”
Ini yang aku maksud brainstorming.
Bukan meminta AI menghasilkan 50 ide lalu copy-paste nomor tujuh.
AI digunakan untuk menekan, memutar, dan menguji ide yang sedang kita pikirkan.
Tetapi bagian ini juga sangat subjektif. Bahkan diskusi komunitas AI menunjukkan preferensi creative writing bisa berpindah-pindah antara Claude dan ChatGPT tergantung model dan jenis pekerjaan. Ada pengguna yang sebelumnya mengandalkan Claude untuk brainstorming dan editing tetapi kemudian pindah kembali ke ChatGPT karena merasa hasil model terbaru lebih cocok dengan kebutuhannya.
Jadi aku tidak akan mengatakan Claude otomatis paling kreatif.
Yang lebih penting: untuk brainstorming, pilih model yang membuat kita betah berdialog, bukan sekadar model yang mendapat benchmark tertinggi.
Saat ini Claude masih salah satu kandidat paling menarik untuk posisi itu.
3. Building Apps → Claude Code
Claude dan Claude Code sebaiknya dianggap dua produk dengan pola kerja yang berbeda.
Claude biasa bisa membantu menulis code.
Claude Code bisa masuk ke proyek dan bekerja di dalamnya.
Itu perbedaan besar.
Claude Code berjalan langsung dari terminal, membaca codebase, mencari file yang relevan, melakukan perubahan, menjalankan test, menangani Git, sampai membantu debugging. Anthropic mendokumentasikan use case seperti memahami codebase yang asing, refactoring, memperbaiki bug, menjalankan test, membuat commit, sampai membuat pull request.
Misalnya kita punya aplikasi Laravel yang sudah berumur dua tahun.
Kalau pakai chatbot biasa, workflow-nya sering seperti ini:
copy error → paste ke chat → copy potongan kode → jelaskan struktur folder → AI memberi solusi → copy kembali → error baru → ulangi.
Claude Code bisa langsung berada di dalam repository.
Kita bisa bilang:
“Cari kenapa user dengan role editor masih bisa mengakses endpoint admin ini. Jangan ubah apa pun dulu, jelaskan alurnya.”
Setelah penyebab ditemukan:
“Perbaiki, tambahkan test supaya bug ini tidak muncul lagi, lalu tunjukkan file apa saja yang berubah.”
Itu sudah terasa lebih dekat dengan mempunyai coding partner dibanding chatbot.
Bahkan Anthropic menyebut Claude Code berkembang sangat cepat dari research preview menjadi salah satu produk penting mereka.
Buat orang yang bisa coding tetapi tidak selalu ingin menghabiskan waktu mencari setiap file sendiri, tool seperti ini bisa sangat mempercepat development.
Namun ada satu konsekuensi.
Semakin agentic coding tool, semakin penting kita memahami apa yang sedang dikerjakannya.
Kalau developer cuma mengandalkan:
“Pokoknya bikin jalan.”
Kita bisa menghasilkan aplikasi yang bekerja hari ini tetapi menjadi mimpi buruk enam bulan lagi.
Claude Code paling powerful kalau pengguna masih mampu membaca arsitektur, menguji perubahan, dan mengatakan:
“Jangan lakukan itu. Cara itu bikin technical debt.”
AI mempercepat tangan.
Kita tetap harus membawa judgment.
4. Building Websites → Emergent
Untuk aplikasi yang logic-nya kompleks, Claude Code masuk akal.
Tapi tidak semua orang ingin membuka terminal.
Ada kebutuhan yang jauh lebih sederhana:
“Aku butuh website company profile dengan homepage, service page, contact form, CMS, dan desain yang proper. Aku pengin langsung lihat hasilnya.”
Tool seperti Emergent mengisi area tersebut.
Emergent memungkinkan user menjelaskan website menggunakan bahasa natural kemudian membangun layout, component, logic, form, tabel, filter, sampai dashboard. Mereka memposisikannya bukan sekadar template generator, tetapi untuk menghasilkan website dan aplikasi yang dapat diluncurkan.
Ini menarik karena generasi pertama AI website builder terasa seperti:
prompt → landing page generic.
Sekarang arahnya mulai bergeser ke:
prompt → working product.
Misalnya:
“Buat website untuk perusahaan fireworks manufacturer. Ada homepage, about, manufacturing capability, OEM/private label, product categories, export information, article, dan inquiry form.”
Tool seperti Emergent bisa membangun struktur awal jauh lebih cepat daripada kita membuat setiap component dari nol.
Apakah hasilnya berarti web designer dan developer tidak diperlukan?
Menurutku justru masalahnya bergeser.
Membuat halaman menjadi semakin murah.
Membuat website yang punya karakter, positioning yang benar, conversion path yang masuk akal, SEO structure yang sehat, dan tidak terasa seperti AI template tetap butuh banyak keputusan manusia.
Tool semacam Emergent sangat menarik untuk mempercepat fase 0 → 70%.
Sisanya tetap menentukan apakah website tersebut sekadar “jadi” atau benar-benar bagus.
5. Image Generation → Higgsfield
Kategori image generation mungkin yang paling brutal perkembangannya.
Midjourney bagus.
GPT Image bagus.
Nano Banana bagus.
Seedream bagus.
FLUX bagus.
Masalahnya sekarang bukan kekurangan model.
Kita justru punya terlalu banyak model.
Itulah alasan kenapa aku mulai memahami kenapa orang tertarik pada platform seperti Higgsfield. Value-nya bukan cuma “punya image generator sendiri”, tetapi menjadi satu tempat untuk menggunakan banyak model dan membawa asset tersebut lanjut ke proses lain. Higgsfield saat ini menyediakan lebih dari belasan model image dalam satu workspace, termasuk Nano Banana, Seedream, GPT Image, FLUX, dan model mereka sendiri, Soul.
Soul sendiri difokuskan ke visual yang lebih fashion-aware dan cinematic. Soul 2.0 mendukung reference image, moodboard, serta identity consistency, sementara Soul Cinema diarahkan ke visual yang lebih cinematic.
Yang menarik bukan cuma generate.
Misalnya kita sedang membangun campaign.
Kita butuh satu karakter tetap sama dalam enam visual.
Kemudian background diganti.
Produk harus konsisten.
Setelah still image selesai, salah satu shot ingin dianimasikan menjadi video.
Higgsfield mencoba membuat semuanya hidup dalam satu pipeline. Bahkan image yang sudah dibuat bisa diteruskan ke model video seperti Kling atau Seedance tanpa keluar dari environment yang sama.
Menurutku ini menunjukkan perubahan penting di dunia generative AI.
Dulu kita memilih model terbaik.
Sekarang kita mulai memilih workspace terbaik.
Karena dalam pekerjaan nyata, kita hampir tidak pernah generate satu gambar lalu selesai.
Generate.
Pilih.
Edit.
Buat versi kedua.
Pertahankan karakter.
Ubah background.
Buat shot berikutnya.
Animasikan.
Baru masuk ke desain.
Workflow jauh lebih penting dibanding satu hasil demo yang keren di Twitter.
6. Video Generation → Artlist
Pilihan Artlist untuk video generation mungkin agak mengejutkan.
Karena ketika membicarakan AI video, nama yang biasanya muncul justru Veo, Kling, Runway, Sora, atau Seedance.
Tapi justru di situlah daya tarik Artlist.
Artlist tidak mencoba memaksa kreator menikah dengan satu model. AI Video Generator mereka menggabungkan berbagai model dalam satu platform dan memungkinkan text-to-video maupun image-to-video. Artlist juga menekankan satu commercial license untuk workflow tersebut.
Ini sangat masuk akal untuk orang yang benar-benar memproduksi konten.
Karena problem video bukan hanya:
“Model mana yang hasilnya paling cinematic?”
Ada pertanyaan lain:
musiknya dari mana?
sound effect bagaimana?
footage tambahan?
licensing aman?
voice?
asset stock?
Model tertentu bagus untuk motion.
Model lain mungkin lebih bagus menjaga character consistency.
Model lain lebih bagus untuk cinematic shot.
Kalau semuanya harus dibeli melalui platform berbeda, workflow dan biaya bisa cepat berantakan.
Artlist berasal dari dunia asset untuk creator, jadi arah mereka agak berbeda. AI menjadi bagian dari production ecosystem, bukan produk yang berdiri sendirian.
Buat video pendek satu kali mungkin kita masih bisa memakai generator apa pun.
Tetapi ketika targetnya produksi konten rutin, iklan, social video, atau short film, workflow consolidation menjadi jauh lebih penting.
Dan menurutku itu alasan Artlist layak dilihat di 2026.
7. Task Automation → Zapier
AI bagus menghasilkan sesuatu.
Automation membuat hasil tersebut melakukan sesuatu.
Itu perbedaan penting.
Misalnya kita menerima lead melalui website.
AI bisa membaca pesan lead.
Tetapi lalu apa?
Masuk CRM.
Klasifikasi lead.
Kirim Slack notification.
Buat task sales.
Tambahkan data ke spreadsheet.
Kirim email.
Jadwalkan follow-up.
Di sinilah Zapier masih sangat relevan.
Pada 2026 Zapier sudah jauh melewati konsep lama “kalau ini terjadi, lakukan itu”. Platform mereka sekarang menghubungkan lebih dari 9.000 aplikasi, mendukung AI steps, agentic workflow, Copilot untuk membangun automation lewat bahasa natural, dan penggunaan berbagai model seperti ChatGPT, Claude, atau Gemini di dalam flow.
Contohnya kita bisa membuat:
Form website masuk → AI membaca inquiry → kategorikan high/medium/low potential → masukkan CRM → assign sales → kirim notifikasi.
Atau:
Artikel baru terbit → ambil judul dan URL → AI buat tiga versi social copy → simpan ke database → publish ke channel tertentu.
Yang menarik dari Zapier sekarang adalah batas antara automation dan AI agent mulai kabur. AI by Zapier bahkan bisa diberi tools sehingga model tidak hanya menghasilkan jawaban, tetapi memilih tool dan mengambil tindakan di workflow.
Untuk user yang lebih teknis, tentu ada n8n dan berbagai alternatif lain yang memberi kontrol lebih besar.
Tetapi alasan Zapier tetap punya posisi kuat sederhana:
mereka menghilangkan banyak pekerjaan integrasi yang membosankan.
Tidak semua automation perlu Docker, API manual, credential debugging, dan custom JavaScript.
Kadang kita cuma ingin dua aplikasi ngobrol satu sama lain dan selesai.
8. Learning Skills → NotebookLM
Yang terakhir menurutku justru salah satu penggunaan AI paling underrated:
belajar.
Bukan meminta:
“Ajari aku SEO.”
Lalu menerima artikel panjang dari AI.
NotebookLM—yang pada Juli 2026 resmi mulai berganti nama menjadi Gemini Notebook—punya pendekatan yang berbeda. Kita memasukkan sumber yang ingin dipelajari, lalu AI bekerja berdasarkan sumber tersebut.
Misalnya ingin belajar Odoo.
Masukkan dokumentasi.
PDF training.
Artikel teknis.
Transkrip video.
Catatan sendiri.
Lalu kita bisa bertanya berdasarkan material tersebut.
Keunggulan besarnya adalah grounding.
Bukannya AI bebas mengambil pengetahuan entah dari mana, kita membangun ruang belajar dari sumber yang kita percaya.
NotebookLM juga berkembang jauh dari sekadar “chat with PDF”. Ia bisa membuat Audio Overview, slide deck, infographic, video overview, membantu menemukan hubungan antar-sumber, dan sekarang bahkan punya kemampuan code execution untuk analisis yang lebih kompleks.
Bayangkan kita mau belajar topik yang agak berat.
Alih-alih:
baca PDF 120 halaman → lupa halaman 20 → buka YouTube → pindah artikel → tambah bookmark → nggak pernah selesai,
kita masukkan semuanya ke satu notebook.
Kemudian:
“Sebelum belajar lebih jauh, tes pemahamanku dengan 10 pertanyaan.”
Setelah menjawab:
“Dari jawabanku tadi, bagian apa yang paling lemah?”
Kemudian:
“Jelaskan bagian itu menggunakan contoh yang berhubungan dengan pekerjaanku.”
Baru setelah itu:
“Buat study plan selama tujuh hari berdasarkan seluruh sumber ini.”
Di situ AI berubah dari answer machine menjadi learning companion.
Dan menurutku ini salah satu penggunaan AI yang paling masuk akal.
Karena tujuan akhirnya bukan AI yang semakin pintar.
Kita yang harus menjadi lebih pintar.
Polanya Mulai Kelihatan: Model Terbaik Sudah Bukan Satu-satunya Pertanyaan
Kalau diperhatikan, delapan pilihan tadi punya satu pola.
Gemini menarik bukan cuma karena modelnya, tapi karena research workflow-nya.
Claude bukan cuma menjawab prompt, tapi enak diajak mengembangkan ide.
Claude Code bisa bekerja langsung di codebase.
Emergent mengubah prompt menjadi website yang bisa dijalankan.
Higgsfield mengumpulkan banyak model ke satu creative pipeline.
Artlist membawa AI video ke ecosystem produksi.
Zapier menghubungkan AI dengan aplikasi dan tindakan nyata.
NotebookLM mengikat AI ke sumber belajar yang kita pilih.
Jadi pertanyaan yang menurutku mulai kurang relevan di 2026 adalah:
“AI mana yang paling pintar?”
Pertanyaan yang lebih berguna:
“Untuk pekerjaan yang sedang aku lakukan, workflow mana yang paling sedikit menghambat?”
Karena hampir semua model kelas atas sekarang bisa menulis.
Bisa brainstorming.
Bisa menganalisis.
Bisa coding.
Perbedaannya semakin banyak muncul dari apa yang terjadi sebelum dan sesudah model menjawab.
Kalau Dipakai Bersamaan, Stack Ini Justru Lebih Menarik
Bayangkan kita ingin membuat produk digital baru.
Gemini dipakai lebih dulu untuk meriset pasar dan kompetitor.
Hasil riset dibawa ke Claude untuk brainstorming positioning dan feature.
Ketika konsep sudah matang, Claude Code mulai mengerjakan aplikasi.
Kalau kebutuhannya hanya website cepat, sebagian pekerjaan bisa dilakukan di Emergent.
Higgsfield menghasilkan visual campaign dan asset.
Artlist mengubah beberapa visual menjadi video.
Zapier menghubungkan website dengan CRM, email, database, dan notification.
Kemudian seluruh dokumentasi produk dimasukkan ke NotebookLM agar kita atau tim baru bisa mempelajarinya dengan cepat.
Baru terasa bahwa sebenarnya kita sedang tidak membicarakan delapan chatbot.
Kita sedang membicarakan delapan jenis tenaga kerja digital yang masing-masing punya spesialisasi.
Dan buatku, itu jauh lebih menarik dibanding terus berdebat apakah model A skornya dua persen lebih tinggi daripada model B.
AI Stack Terbaik Tetap yang Benar-benar Dipakai
Tetap ada satu jebakan.
Jangan sampai artikel seperti ini malah membuat kita punya delapan subscription baru.
Tidak semua orang membutuhkan semuanya.
Kalau pekerjaan kita tidak coding, Claude Code tidak perlu.
Kalau tidak pernah bikin video, Artlist AI Video juga tidak perlu.
Kalau automation kita sudah nyaman di n8n, tidak ada alasan pindah hanya karena Zapier masuk daftar.
Begitu pula kalau workflow image generation sudah nyaman menggunakan Dreamina atau tool lain, tidak ada kewajiban menggunakan Higgsfield.
Menurutku cara paling sehat melihat AI stack adalah:
mulai dari problem, bukan tool.
Kalau research memakan tiga jam, cari AI untuk mempercepat research.
Kalau selalu mentok ketika brainstorming, cari partner brainstorming.
Kalau integrasi antar-aplikasi masih dikerjakan manual setiap hari, baru automation menjadi prioritas.
Karena tujuan akhirnya bukan punya AI stack paling keren.
Tujuannya adalah mengurangi pekerjaan yang bikin lambat dan menyisakan lebih banyak waktu untuk pekerjaan yang memang membutuhkan manusia.
Dan mungkin itu perubahan terbesar AI di 2026.
Kita sudah lewat fase:
“Wah, AI bisa bikin tulisan.”
Sekarang pertanyaannya menjadi jauh lebih praktis:
“Di bagian mana AI sebaiknya bekerja, dan bagian mana yang tetap harus aku pegang sendiri?”
Itulah sebenarnya cara paling masuk akal membangun AI tool stack.
