Sekilas

  • Sebagian besar uji coba AI terhenti karena workflow, data, akuntabilitas, dan tata kelola di sekitarnya tidak pernah dirancang untuk produksi.

  • Roadmap yang kredibel dimulai dengan workflow bisnis yang berharga, bukan daftar model atau feature.

  • Penerapan, risiko, biaya operasional, dan dampak bisnis harus diuji selama uji coba.

  • Setiap uji coba memerlukan keputusan yang telah ditentukan sebelumnya: skala, redesign, atau penghentian.

Ruangan menjadi sunyi sebelum demonstrasi dimulai.

Product team mengunggah dokumen customer. Dalam hitungan detik, sistem AI merangkumnya, mengidentifikasi inkonsistensi, dan merekomendasikan tindakan selanjutnya. Pekerjaan yang tadinya memakan waktu satu jam tampaknya telah dipadatkan menjadi beberapa saat.

Para eksekutif mulai membayangkan operasi yang lebih cepat dan biaya yang lebih rendah. Demonstrasi tersebut dinyatakan sukses.

Tiga bulan kemudian, prototype tetap berada dalam lingkungan terkendali.

Itu belum terhubung dengan sistem inti perusahaan. Karyawan tidak yakin kapan harus memercayainya. Team risiko dan hukum mempunyai pertanyaan yang tidak pernah dijawab. Tidak ada seorang pun yang sepenuhnya menguasai transisi dari eksperimen ke product operasional.

Modelnya berhasil. Transformasi tidak terjadi.

Menurut survei AI global McKinsey tahun 2025, 88% responden mengatakan organisasi mereka secara rutin menggunakan AI setidaknya dalam satu fungsi bisnis. Hanya sekitar sepertiga yang melaporkan bahwa perusahaan mereka telah mulai meningkatkan program AI.

Adopsi AI berkembang jauh lebih cepat dibandingkan nilai perusahaan.

Pilot Sering Menjawab Pertanyaan yang Salah

Kebanyakan uji coba dirancang untuk menjawab pertanyaan teknis: Dapatkah model melakukan tugas ini?

Bisakah ia mengklasifikasikan permintaan, menghasilkan proposal, meringkas percakapan, atau merekomendasikan product berikutnya?

Pertanyaan-pertanyaan ini diperlukan, namun produksi memerlukan serangkaian pertanyaan yang lebih luas:

  • Di manakah kemampuan tersebut akan berada dalam workflow?

  • Keputusan manakah yang dapat didukung atau dilaksanakan?

  • Kapan seseorang harus meninjau hasilnya?

  • Apa jadinya jika datanya tidak lengkap?

  • Siapa yang memiliki hasil bisnis yang dihasilkan?

  • Bagaimana organisasi akan mengevaluasi nilai, biaya, dan risiko?

Demonstrasi yang terkendali dapat menghindari pengecualian. Operasional sehari-hari tidak bisa.

Produksi berisi data yang tidak lengkap, tujuan yang bertentangan, kasus yang tidak biasa, sistem lama, batasan peraturan, dan karyawan yang mungkin tidak mempercayai cara kerja yang baru.

Model hanyalah salah satu komponen dalam operating system yang lebih besar.

Research dari Stanford Digital Economy Lab meneliti 51 penerapan di perusahaan dan menemukan bahwa organisasi yang menerapkan use case serupa dengan teknologi serupa mencapai hasil yang sangat berbeda. Perbedaannya adalah kesiapan organisasi, design proses, kepemimpinan, dan kemauan untuk berubah.

Oleh karena itu, tujuan roadmap AI bukanlah untuk memajukan prototype. Hal ini untuk merancang kondisi di mana kemampuan dapat menciptakan nilai yang dapat diulang.

1. Mulailah dengan Workflow yang Sudah Memiliki Biaya

Tekanan untuk “melakukan sesuatu dengan AI” sering kali menyebabkan perusahaan memulai dengan teknologi tersebut.

Team menghasilkan daftar ide yang panjang: asisten internal, laporan otomatis, chatbot, mesin rekomendasi, dan alat content. Hasilnya adalah serangkaian proyek percontohan yang menarik tanpa arah yang jelas menuju dampak finansial.

Titik awal yang lebih kuat adalah workflow di mana organisasi telah menanggung akibat yang nyata.

Onboarding customer mungkin lambat karena informasi harus diperiksa di beberapa sistem. Peluang penjualan mungkin hilang karena proposal melibatkan terlalu banyak handoff. Profesional jasa mungkin menghabiskan waktu berjam-jam mencari pengetahuan yang sudah ada.

Ini adalah kendala bisnis. Mereka memberikan dasar yang terukur melalui waktu siklus, biaya, tingkat kesalahan, conversion, upaya customer, atau upaya karyawan.

Inisiatif ini kemudian dapat dibingkai berdasarkan perubahan spesifik: Ketika peristiwa tertentu terjadi, sistem harus membantu user tertentu membuat atau melaksanakan keputusan dengan kecepatan, kualitas, atau konsistensi yang lebih baik.

Sebelum menyetujui suatu proyek percontohan, para pemimpin harus mengetahui:

1. Workflow mana yang ditingkatkan?

2. Dimana saat ini perusahaan kehilangan waktu, kualitas, atau nilai?

3. Bagian manakah yang benar-benar mendapat manfaat dari AI?

4. Metric bisnis mana yang harus diubah?

Tanpa jawaban-jawaban tersebut, team mungkin belum siap untuk membangun.

2. redesign Pekerjaan Sesuai Kemampuan

Perusahaan sering kali menambahkan AI ke proses yang sudah ada tanpa mempertimbangkan kembali proses itu sendiri.

Workflow sepuluh langkah tetap menjadi workflow sepuluh langkah dengan asisten disisipkan di tengah. Perusahaan menghemat waktu beberapa menit, namun persetujuan dan hambatan tetap ada.

Baik analisis Bain terhadap AI-native banking dan research BCG tentang AI-first retail bank menekankan pentingnya redesign fungsi yang lengkap dibandingkan mengumpulkan use case yang terisolasi.

redesign itu memisahkan tiga jenis pekerjaan:

  • Tugas yang AI dapat persiapkan, klasifikasikan, rangkum, atau jalankan dengan andal.

  • Keputusan yang dapat didukung oleh AI, namun tidak seharusnya dimiliki oleh AI.

  • Situasi di mana penilaian dan akuntabilitas manusia tetap penting.

Tujuannya bukan sekadar menyingkirkan orang. Hal ini untuk mengalihkan perhatian manusia terhadap pengecualian, hubungan, dan keputusan dimana penilaian menciptakan nilai yang lebih besar.

Peta workflow di masa depan harus membuat pembagian menjadi eksplisit. Ini harus menunjukkan apa yang dilakukan sistem, apa yang dilakukan karyawan, dari mana informasi berasal, bagaimana pengecualian disalurkan, dan siapa yang tetap bertanggung jawab.

3. Perlakukan Kesiapan Data sebagai Product decision

Masalah data sering kali ditemukan setelah prototype telah meningkatkan ekspektasi.

Percontohan dapat menggunakan dokumen yang dikurasi atau informasi yang disiapkan secara manual. Produksi menghasilkan catatan yang sudah ketinggalan zaman, kolom yang hilang, izin yang tidak jelas, dan feedback yang belum pernah ditemui model.

Gartner memperkirakan bahwa hingga tahun 2026, organisasi akan meninggalkan 60% proyek AI yang tidak didukung oleh AI-ready data. Laporan tersebut juga melaporkan bahwa 63% organisasi tidak memiliki atau tidak yakin apakah mereka memiliki data management practice yang tepat untuk AI. Panduan Gartner menekankan bahwa kesiapan bergantung pada use case yang dimaksudkan.

Perusahaan tidak perlu membersihkan semua data perusahaan sebelum memulai. Mereka memerlukan data yang cukup andal dan diatur untuk workflow tertentu.

Untuk setiap sumber penting, team harus memahami:

  • Asal dan kepemilikan.

  • Kelengkapan dan kesegaran.

  • Izin akses.

  • Kesalahan yang diketahui dan titik buta.

  • Penggantian ketika informasi tidak dapat dipercaya.

  • Tanggung jawab terhadap kualitas berkelanjutan.

Pilihan-pilihan ini mempengaruhi customer experience dan risiko operasional. Itu adalah bagian dari product strategy, bukan pemeliharaan teknis.

4. Mengukur Kepercayaan Bersamaan dengan Akurasi

Sebuah model dapat berkinerja baik dalam pengujian dan masih gagal sebagai sebuah product.

Karyawan dapat terus menggunakan proses lama. Manajer mungkin meminta tinjauan manual duplikat. User mungkin terlalu sering memperbaiki sistem sehingga efisiensi yang dijanjikan hilang.

Kesuksesan harus diukur dalam tiga dimensi.

Kinerja teknis mencakup akurasi, konsistensi, latensi, keandalan, dan tingkat kegagalan.

Kinerja workflow mencakup waktu siklus, handoff, pengerjaan ulang, pengecualian, dan upaya manusia.

Kinerja bisnis mencakup pendapatan, biaya, conversion, kepuasan customer, atau pengurangan risiko.

Perilaku juga mengungkapkan kepercayaan. Apakah karyawan menggunakan sistem secara sukarela? Seberapa sering mereka menimpanya? Dapatkah organisasi memahami mengapa suatu output ditolak? Apakah penggunaan meningkat setelah periode kebaruan?

Sinyal-sinyal ini menunjukkan apakah kemampuan tersebut menjadi berfungsi normal.

5. Memberikan Kontrak Produksi kepada Pilot

Banyak uji coba yang berlanjut tanpa batas waktu karena tidak ada yang menentukan apa yang akan terjadi selanjutnya.

Production contract dapat mencegah hal ini. Perjanjian ini merupakan perjanjian bersama yang meliputi:

  • Pemilik bisnis.

  • User dan workflow dalam cakupan.

  • Metric dasar dan target.

  • Ambang batas teknis dan risiko minimum.

  • Integrasi yang diperlukan.

  • Biaya operasional dalam skala besar.

  • Kondisi untuk penskalaan, redesign, atau penghentian.

  • Tanggal keputusan.

Berhenti bisa menjadi hasil yang sukses. Jika nilainya terlalu kecil atau risikonya tidak proporsional, mengakhiri proyek akan menghalangi investasi lebih lanjut pada ide yang menarik namun tidak produktif.

Portofolio yang disiplin harus dinilai berdasarkan kualitas dan kecepatan keputusannya, bukan jumlah proyek percontohan yang diluncurkan.

Peta Jalan Praktis 90 Hari

Hari 1 hingga 30: Pilih Masalahnya

Pilih satu workflow dengan nilai bermakna dan pemilik berkomitmen. Dokumentasikan kinerjanya saat ini dan tentukan hasil yang harus diubah.

Hari 31 hingga 60: Rancang operating system

Memetakan workflow masa depan pada manusia, AI, data, dan sistem. Tentukan kriteria evaluasi, batasan risiko, dan penanganan pengecualian.

Bangun hanya apa yang diperlukan untuk menguji asumsi yang paling penting.

Hari 61 hingga 90: Validasi dalam Pekerjaan Nyata

Perkenalkan product ke kelompok user nyata yang terkontrol. Ukur kinerja, adopsi, penggantian, dan dampak bisnis.

Kemudian buat keputusan eksplisit: skalakan, redesign, atau hentikan.

“Lanjutkan bereksperimen” tidak boleh menjadi default.

Pertanyaan Kepemimpinan Telah Berubah

Gelombang pertama AI berfokus pada kemungkinan: Apa yang dapat dilakukan oleh teknologi ini?

Pertanyaan yang lebih penting sekarang adalah organisasi: Apa yang harus diubah dalam bisnis agar kemampuan menghasilkan nilai yang tahan lama?

Perusahaan yang maju belum tentu memiliki jumlah pilot terbanyak. Merekalah yang akan belajar bagaimana mengubah kemampuan yang menjanjikan menjadi bagian yang biasa dan bernilai secara konsisten dalam cara menyelesaikan pekerjaan.