Banyak bisnis mencoba AI dengan cara yang terbalik: memilih aplikasi terlebih dahulu, lalu mencari pekerjaan yang cocok untuknya. Akibatnya, perusahaan punya banyak akun berlangganan, tetapi alur kerja tetap berantakan dan hasilnya sulit diukur.
Pendekatan yang lebih sehat adalah memulai dari satu proses yang sering berulang. Misalnya, membalas pertanyaan pelanggan, merangkum laporan penjualan, memeriksa invoice, menyusun draf konten, atau memindahkan data dari satu sistem ke sistem lain. Jika proses itu memakan waktu, sering menimbulkan kesalahan, dan hasilnya bisa diperiksa, ia menjadi kandidat yang lebih baik untuk diotomatisasi.
Ini bukan berarti semua pekerjaan harus digantikan mesin. Tujuannya adalah memindahkan pekerjaan rutin dari manusia, sehingga tenaga manusia bisa digunakan untuk keputusan, hubungan pelanggan, dan pekerjaan yang membutuhkan penilaian.
Kenapa banyak proyek AI berhenti di tahap percobaan?
Survei McKinsey tentang kondisi AI pada 2025 menunjukkan bahwa banyak organisasi sudah memakai AI generatif, tetapi penerapan yang benar-benar diperluas ke berbagai bagian bisnis masih menjadi tantangan. Masalahnya bukan hanya kualitas model, melainkan cara perusahaan mengubah proses kerja di sekitarnya.
AI yang bisa membuat teks dalam beberapa detik belum tentu mempercepat bisnis. Jika hasilnya tetap harus diperiksa dari awal, data sumbernya tidak rapi, dan tidak ada orang yang bertanggung jawab atas keputusan akhir, penghematan waktunya bisa menghilang.
Dengan kata lain, AI bukan sekadar fitur. Ia adalah bagian dari sistem kerja. Sistem itu membutuhkan data yang cukup baik, aturan yang jelas, jalur persetujuan, dan ukuran keberhasilan.
Mulai dengan menghitung biaya proses lama
Sebelum membeli alat, hitung dulu berapa biaya proses yang sedang berjalan. Tidak perlu membuat model keuangan yang rumit. Gunakan empat angka sederhana:
- Berapa kali proses dilakukan dalam sebulan?
- Berapa menit atau jam yang dibutuhkan setiap kali?
- Siapa yang mengerjakannya dan berapa perkiraan biaya waktunya?
- Berapa banyak kesalahan, pengulangan, atau keterlambatan yang biasanya terjadi?
Contohnya, sebuah toko online memeriksa sekitar 600 pertanyaan pelanggan setiap bulan. Jika setiap pertanyaan membutuhkan rata-rata lima menit, total waktunya sekitar 50 jam per bulan. Bila AI dapat membantu membuat draf jawaban dan memangkas waktu menjadi dua menit, penghematan teoritisnya sekitar 30 jam.
Namun, angka itu belum otomatis menjadi keuntungan. Anda masih perlu menghitung waktu untuk menyiapkan data, memeriksa jawaban, melatih staf, dan membayar perangkat lunak. Inilah perbedaan antara potensi efisiensi dan efisiensi yang benar-benar terjadi.
Pilih proses dengan risiko yang masih bisa dikendalikan
Proses pertama sebaiknya bukan pekerjaan yang paling sensitif. Untuk tahap awal, pilih aktivitas dengan tiga karakteristik: volumenya cukup sering, hasilnya mudah diperiksa, dan kesalahan tidak langsung menimbulkan kerugian besar.
Beberapa contoh yang relatif cocok:
- Mengubah catatan rapat menjadi daftar tindakan.
- Mengklasifikasikan email pelanggan berdasarkan jenis permintaan.
- Membuat ringkasan transaksi mingguan.
- Menyusun draf deskripsi produk dari data yang sudah tersedia.
- Mengambil informasi dari dokumen standar ke spreadsheet.
Sebaliknya, keputusan kredit, nasihat hukum, diagnosis kesehatan, atau penghapusan data penting membutuhkan tingkat pengawasan yang jauh lebih tinggi. AI mungkin tetap berguna sebagai alat bantu, tetapi jangan menjadikannya pengambil keputusan tunggal tanpa pemeriksaan manusia dan prosedur yang sesuai.
Gunakan ukuran keberhasilan yang dekat dengan uang atau waktu
Kesalahan umum dalam proyek teknologi adalah mengukur keberhasilan dari jumlah pengguna atau banyaknya output yang dihasilkan. Untuk bisnis, ukuran yang lebih berguna biasanya terkait dengan waktu, biaya, pendapatan, atau kualitas layanan.
Misalnya, jangan hanya bertanya, “Berapa banyak ringkasan yang dibuat AI?” Tanyakan:
- Apakah waktu penyelesaian turun dari dua hari menjadi satu hari?
- Apakah jumlah pekerjaan yang harus diulang berkurang?
- Apakah pelanggan menerima jawaban lebih cepat?
- Apakah satu staf mampu menangani volume pekerjaan yang lebih besar?
- Apakah biaya per transaksi menjadi lebih rendah?
Buat perbandingan sebelum dan sesudah. Jalankan proses lama selama satu atau dua minggu, catat hasilnya, lalu gunakan sistem baru pada periode yang sebanding. Tidak semua perubahan akan langsung terlihat, tetapi metode ini membantu membedakan dampak nyata dari kesan “terlihat canggih”.
Jangan lupa biaya yang muncul saat skala bertambah
Untuk perangkat lunak biasa, biaya langganan sering dihitung berdasarkan jumlah pengguna. Pada produk AI, biaya juga bisa meningkat berdasarkan pemakaian: jumlah dokumen, panggilan API, menit audio, atau volume data yang diproses.
Panduan Stripe tentang model harga SaaS berbasis AI menjelaskan bahwa harga tetap dapat menjadi masalah ketika penggunaan pelanggan meningkat jauh lebih cepat daripada pendapatan yang dibayar. Bagi pembeli, hal ini berarti penting untuk memahami batas pemakaian, biaya tambahan, dan kemungkinan kenaikan tagihan saat proses mulai populer di dalam organisasi.
Sebelum berlangganan, tanyakan hal-hal berikut:
- Apakah harga dihitung per pengguna, per transaksi, atau berdasarkan pemakaian?
- Apa yang terjadi jika kuota terlampaui?
- Apakah ada batas ekspor data dan integrasi?
- Bisakah data bisnis dihapus ketika kontrak berakhir?
- Bagaimana penyedia menangani akses, penyimpanan, dan penggunaan data pelanggan?
Apa artinya bagi kita?
Bisnis kecil tidak harus membangun model AI sendiri untuk mendapatkan manfaat. Keunggulan yang lebih realistis adalah memahami proses internal dengan lebih baik daripada pesaing, lalu memilih alat yang paling sederhana untuk memperbaikinya.
Dalam banyak kasus, otomatisasi berbasis aturan, template, spreadsheet yang tertata, atau integrasi antaraplikasi sudah cukup. AI dipakai hanya pada bagian yang memang membutuhkan kemampuan membaca, merangkum, mengelompokkan, atau menghasilkan draf.
Pendekatan ini juga membuat keputusan investasi lebih aman. Jika uji coba kecil gagal, kerugiannya masih terbatas. Jika berhasil, proses tersebut dapat diperluas secara bertahap tanpa memaksa seluruh organisasi berubah sekaligus.
Yang bisa dilakukan minggu ini
- Pilih satu pekerjaan rutin yang dilakukan minimal beberapa kali dalam seminggu.
- Catat waktu, biaya, dan kesalahan yang muncul selama proses tersebut.
- Tentukan bagian mana yang boleh dibantu teknologi dan bagian mana yang wajib diperiksa manusia.
- Uji satu alat selama periode terbatas dengan data yang tidak terlalu sensitif.
- Bandingkan hasilnya memakai ukuran yang sudah ditentukan sejak awal.
- Hentikan eksperimen jika penghematan tidak menutup biaya alat, pelatihan, dan pemeriksaan.
Teknologi yang baik bukan yang paling banyak fiturnya, melainkan yang membuat pekerjaan penting menjadi lebih mudah, lebih cepat, atau lebih konsisten. Untuk AI dalam bisnis, langkah pertama yang paling masuk akal bukan membeli sistem terbesar, tetapi menemukan satu proses yang cukup kecil untuk diuji dan cukup penting untuk menghasilkan pelajaran.
Sumber & bacaan lebih lanjut
- The State of AI in 2025: Agents, innovation, and transformation — McKinsey
- AI SaaS Pricing Models: A Guide for Founders — Stripe
– Rio Yotto @rioyotto