3.000 Gambar AI per Minggu: Andre Tansil Membangun AI Image Engine

Bagaimana sebuah tim kecil bisa mengirim sekitar 3.000 gambar iklan setiap minggu? Jawabannya bukan prompt yang lebih jago, tapi sistem. Di episode pertama Builder’s Story ini saya ngobrol dengan Andre Tansil, AI Specialist UST dan co-founder AIClub.id, yang membangun AI Image Engine untuk sebuah agensi digital dan sekarang dipakai untuk brand-brand global. Ia bercerita dari awal: kenapa membangun sendiri, tool apa yang gagal, sampai cara kerja engine-nya saat ditunjukkan langsung di layar.

Kenalan dengan Andre Tansil

Andre adalah mentor di Growth Circle dan co-founder AIClub.id. Ia ikut mempelopori kegiatan AI Club di cabang Tangerang dan Tangerang Selatan. Latar belakangnya web developer yang kemudian jadi product manager, dan sekarang ia aktif membangun produk dengan AI. Ia pernah belajar ngoding di masa COVID, lalu perannya bergeser ke produk, dan baru kembali serius ngoding ketika AI membuat membangun produk jauh lebih mungkin.

Malam itu kami sengaja tidak membahas kelasnya atau komunitasnya. Saya ingin ia menceritakan custom tool yang selama ini jarang dibahas: engine yang dipakai sebuah agensi untuk memproduksi gambar iklan dalam jumlah besar.

Awalnya: diapproach agensi, targetnya 3.000 gambar per minggu

Ceritanya dimulai ketika Andre didatangi sebuah agensi digital berbasis di Hongkong pada tahun 2025, ketika gambar AI masih disebutnya slop. Agensi ini memegang banyak brand, dan setiap brand harus mengirim iklan statis dalam bentuk gambar. Target per brand biasanya sekitar 1.000 gambar, kadang hanya 500. Dengan enam, delapan, atau sepuluh brand, totalnya kurang lebih 3.000 gambar yang harus dikirim setiap minggu.

Pekerjaan itu dikerjakan oleh tim kurang dari lima orang. Menurut Andre, pemilik agensi sudah sampai pada kesimpulan bahwa menambah orang tidak akan menyelesaikan masalah. Masalahnya ada di struktur kerja yang lebih rapi dan efisien, supaya agensi bisa onboarding lebih banyak brand, apalagi kalau targetnya nanti naik ke 4.000 atau 5.000.

Kenapa tidak pakai tool yang sudah ada

Pertanyaan yang paling saya penasaran: sudah banyak provider dan SaaS gambar AI, kenapa harus bikin sendiri? Andre menjawab bahwa kebutuhan tiap perusahaan berbeda. Kliennya sempat memakai OpenArt, dan memilih salah satu model gambar karena paling stabil. Untuk iklan, produk harus sama dan brand harus sama, jadi minimum edit. Tapi OpenArt tetap tidak mengejar target, biayanya lebih mahal dibanding langsung ke provider, dan prosesnya tidak bisa diotomatisasi.

Ia mengulang prinsip yang menurutnya tidak berubah walau semuanya serba AI.

Yang orang beli itu adalah sebuah value.

Dari situ ia menyebut empat bekal yang tidak bisa digantikan AI: skill mengulik dan motivasi internal untuk menyelesaikan masalah, basic knowledge supaya bisa mengobrol dengan AI sampai outputnya sesuai, serta empati, yaitu kemampuan memposisikan diri sebagai user. Ia punya dua sudut pandang: sebagai pemberi solusi dan sebagai pemilik masalah, lalu bertanya apakah masalah yang diminta klien benar-benar masalah yang terbesar.

Dari prototipe n8n ke Golang

Skemanya seperti biasa: bayar DP dulu 50 persen, sisanya setelah selesai. Untuk prototipe, Andre memakai Lovable dan n8n. Backend-nya di n8n, UI-nya di Lovable, dan menurutnya selesai dalam satu sampai dua hari. Alasannya, saat itu ia belum tahu apakah hasilnya sesuai ekspektasi user, jadi ingin deliver secepat mungkin dan bisa debugging. n8n cocok karena bentuknya seperti puzzle: kalau ada bagian yang tidak cocok, ia bisa tahu persis di mana masalahnya, bukan sekadar menyuruh AI.

Setelah MVP jalan, ia pindah ke coding dengan versi hybrid. Core logic tetap di n8n, sedangkan platform pendukung seperti login, upload file, dan download gambar dalam zip dibuat di Golang dengan front end React. Pembagian itu dipilih supaya mudah melacak error dan mudah memperbaiki. Bagian Golang dikelola AI, sementara workflow di n8n tetap bisa diutak-atik. Andre mengerjakan semuanya sendiri sampai sekarang.

Di versi berikutnya, seluruh production dipindahkan ke Golang karena workflow dianggap sudah cukup stabil dan AI makin bisa dikontrol. Sekarang engine-nya sudah di versi lima.

Susahnya bukan membuat, tapi membuat yang benar-benar jalan

Tantangan terbesarnya adalah membuat workflow yang benar-benar bekerja di zamannya, dari user mengunggah produk sampai gambar akhir yang bisa dipakai. Andre menekankan bahwa hasil AI belum tentu benar, apalagi untuk sesuatu yang baru. Maka ia membaca dokumentasi, mencari di forum, lalu trial and error. Untuk satu side project ia pernah sampai membuat backend dan frontend berkali-kali sebelum menemukan yang bisa dipakai.

Karena kalau kita enggak nyemplung, kita enggak nyobain, kita enggak tahu gitu.

Saya suka bagian ini karena jujur: hasil yang usable lahir dari banyak kegagalan, dan pengalaman itu yang membuat kita bisa menilai mana yang bagus dan mana yang biasa saja.

Cara kerja engine di dalamnya

Saat demo, Andre menunjukkan struktur engine. Ada banyak brand, dan di dalam brand ada produk, misalnya makanan anjing berbentuk kotak dan tulang. Ia juga menyimpan winning edge dan iklan kompetitor sebagai bahan untuk membuat ulang dengan gaya sendiri.

Beberapa detail yang menarik:

• Font lewat gambar. Model gambar tidak membaca nama font, jadi Andre mengirim screenshot font untuk judul dan subjudul. Dengan begitu GPT Image 2 bisa menyamakan font dengan brand.
• Brand brief. Berisi pegangan teks dan gaya, sehingga engine bisa membuat copy dan styling sendiri untuk brand yang tidak terlalu ketat.
• Bulk copy lewat CSV. Kalau teksnya sudah ditentukan brand, tinggal unggah CSV dan engine membuat gambar sesuai isinya, tanpa ide tambahan.
• LLM sebagai otak. Satu LLM, saat itu Gemini 3 Pro, membaca semua input, lalu memecahnya menjadi banyak image prompt. Prompt itu dikirim ke model gambar seperti Nano Banana dan GPT Image 2.
• Generate paralel. GPT Image 2 butuh satu sampai tiga menit per gambar, jadi Andre membuat banyak gambar sekaligus, lalu memilih mana yang oke dan mana yang perlu adjustment.
• Fallback untuk gambar gagal. Kalau dua kali gagal dengan error yang sama, engine memakai template yang lebih aman. Tidak langsung dari awal, karena terlalu banyak batasan membuat hasilnya tidak kreatif.

Andre juga menyebut ia pernah membuat fitur image tag berbasis embedding supaya gambar bisa dicari, tapi fitur itu jarang dipakai. Tim lebih memilih tagging teks manual.

Standar agensi luar negeri

Menurut Andre, yang membedakan klien ini dengan banyak agensi di Indonesia adalah kualitas dan keseragaman brand guideline. Kliennya memang di segmen medium sampai high, dan tiap bagian dikerjakan tim yang spesifik: ada yang menentukan campaign, ada yang menyetujui copy, dan engine hanya mengurus delivery. Ia menegaskan, tugasnya memastikan gambar yang keluar sesuai standar, bukan menentukan strateginya.

Biaya dan hubungan dengan klien

Soal angka, Andre menyebut versi pertama sekitar 1000 dolar untuk satu bulan pengerjaan. Karena permintaan terus bertambah di versi dua, tiga, dan seterusnya, kini sekitar 2000 dolar per project dengan fondasi yang sama. Untuk biaya generate, awalnya ia memakai API model gambar seperti Nano Banana yang dibayar per panggilan. Setelah GPT Image bisa dipakai lewat paket langganan, biayanya sekitar 600 dolar per bulan.

Kunci lainnya adalah menjaga hubungan. Kliennya selalu repeat order karena percaya. Selama proses Andre terbuka soal workflow, dan mereka brainstorming bersama.

bentuknya bukan kayak aku kerja buat dia, tapi kayak ya udah kita ngobrolin sesuatu yang kita menuju ke goals yang sama

Ia memposisikan klien sebagai bagian tim produk dan dirinya tim engineer.

Model terbaru, Grok Image, dan video

Soal model, Andre mengikuti perkembangan setiap hari. Ia sempat mencoba beberapa model baru, tapi hasilnya kurang bagus dan harganya lebih mahal. Sekarang pilihan utamanya GPT Image 2 karena teksnya bagus dan model itu bisa memahami posisi, misalnya safe zone di bagian atas supaya gambar tidak terpotong ketika dipakai di banyak tempat. Kelemahannya hanya lambat.

Ia juga ingin menjajal Grok Image, yang saat ditesnya bisa menampilkan layer sehingga teks tertentu bisa dipilih dan diganti seperti di Photoshop. Untuk video, ia menyebut inti video tetap gambar, jadi workflow-nya kira-kira lima kali lebih kompleks.

Tanya jawab: gambar vektor

Dari kolom chat ada pertanyaan soal membuat gambar AI yang bisa jadi SVG dengan gaya yang stabil. Jawaban Andre: tools instan untuk itu belum ia lihat, jadi harus ngulik. Pecah prosesnya: apa inputnya, apa outputnya, lalu langkah apa yang dibutuhkan agar gambar tidak pecah ketika dijadikan vektor. Ia juga mengakui itu sudah lebih dekat ke bidang graphic designer.

Yang bisa kamu bawa pulang

• Jual value, bukan tool. Mulai dari pain point klien, lalu tentukan solusi yang bisa kamu berikan.
• Validasi dulu dengan prototipe cepat. Andre memakai n8n dan Lovable sebelum menulis kode.
• Tetap bisa membongkar sistem sendiri. Jangan hanya menyuruh AI, supaya kamu tahu di mana masalah ketika gagal.
• Kalau model lambat, jalankan paralel dan pilih hasil terbaik.
• Sediakan fallback prompt yang lebih aman untuk gambar yang gagal, tapi jangan jadikan itu jalur utama.
• Untuk menyamakan font, kirim contoh dalam bentuk gambar, bukan nama font.
• Jaga hubungan dengan klien dengan membuka proses kerja dan berdiskusi sebagai satu tim.
• Ikuti perkembangan model setiap hari, karena pilihan terbaik bisa berubah cepat.

Kalau kamu ingin ikut sesi seperti ini, gabung AI Club di kotamu. Dan kalau kamu punya cerita membangun sesuatu, siapa tahu bisa tampil di Builder’s Story berikutnya.