Hampir setiap perusahaan kini punya cerita AI. Di tengah boom AI yang sudah berlangsung bertahun-tahun, kekecewaan pun jadi hal yang biasa. Hanya 28% dari proyek AI di perusahaan yang memenuhi harapan ROI mereka, sementara lebih dari 90% pilot AI tak pernah masuk ke tahap produksi. Ini tentu jadi sinyal yang tidak menggembirakan.
Proyek AI yang terhenti, hasil yang tidak muncul, dan para eksekutif pun dengan cepat menyimpulkan bahwa teknologi ini “belum siap”. Narasi ini mungkin sangat nyaman, tapi sering kali tidak akurat. Jadi, dari mana sebenarnya ROI itu berasal?
Masalah dengan Ketidakseriusan dalam AI
Banyak kegagalan AI datang dari perusahaan yang enggan mengubah cara kerja mereka. Banyak organisasi yang mendanai pilot, membentuk tim inovasi, dan menerapkan alat pintar, tetapi gagal dalam mengubah sistem yang diperlukan untuk efisiensi. Tim diberi akses ke AI tanpa pelatihan yang memadai, dan proses yang dirancang untuk pengambilan keputusan manusia tidak diubah, meskipun sistem berbasis mesin sudah diimplementasikan.
Kekecewaan pun muncul—hasil produktivitas terisolasi, tidak ada dampak yang berarti, dan skeptisisme dari pihak manajemen semakin meningkat. Namun, meninggalkan AI bukanlah solusi. Bisnis bisa kehilangan hingga 30% pendapatan setiap tahun karena ketidak efisienan, dan inilah limbah struktural yang dirancang untuk dihilangkan oleh AI. Parlemen Eropa bahkan telah memperingatkan bahwa kurangnya penggunaan alat AI dapat mengancam daya saing dan pertumbuhan ekonomi, dengan perkiraan AI bisa menambah hingga $4,4 triliun setiap tahun ke ekonomi global.
Bagi perusahaan yang ragu, kegagalan untuk berinovasi berarti tertinggal, sementara para pesaing menikmati keuntungan yang terus bertambah setiap kuartal karena mereka telah memahami dan menerapkan AI dengan baik.
Penyebab Kesenjangan ROI yang Diciptakan Sendiri
Biaya sebenarnya bukanlah gagal dalam proyek percobaan, melainkan komitmen setengah hati. Banyak organisasi yang memperlakukan AI sebagai opsional atau eksperimental, kemudian terkejut saat hasilnya juga demikian. Langkah pertama adalah berhenti mengukur AI seperti proyek TI lainnya; nilai ROI-nya harus dihitung seperti R&D. Menggunakan metrik ROI tradisional untuk AI hanya mengulangi kesalahan yang sama yang telah dilakukan organisasi selama setiap pergeseran teknologi besar; mengharapkan hasil segera dari AI mencerminkan cara berpikir era industrial yang diterapkan pada transformasi era kognitif.
Ketika email muncul, perusahaan tidak meninggalkannya hanya karena pendapatan kuartalan tidak melonjak. AI juga sama. Masalahnya bukan tidak berfungsi, melainkan dievaluasi dengan sudut pandang yang salah. CTO dan CFO seharusnya memperlakukan anggaran AI secara strategis, mirip dengan bagaimana investasi R&D dipandang.
Walaupun ada beberapa penghematan jangka pendek, nilai sebenarnya terletak di belakang jendela amortisasi yang lebih panjang, pencapaian bertahap, dan toleransi terhadap kerugian di fase awal. Hal ini mengubah percakapan di ruang rapat dari justifikasi jangka pendek menjadi pembangunan kemampuan strategis.
1. Belajar dari Kegagalan Kita
Kami sendiri sudah mengalami masalah ini. Ketika mulai mengintegrasikan AI ke dalam model pengiriman, ada lonjakan produktivitas, tetapi tidak ada dukungan internal yang berkelanjutan dan tidak ada perubahan sistem yang mendukung keuntungan tersebut. Yang berhasil adalah pergeseran yang terencana dan berbasis proses. Alih-alih mencoba mengembangkan semuanya sekaligus, kami fokus pada sejumlah proyek yang terarah dengan dukungan tim lintas fungsi yang ramping. AI diterapkan di seluruh siklus pengiriman perangkat lunak, dengan perhatian berpindah dari alat ke bagaimana alur pekerjaan sebenarnya berjalan.
2. Bersiaplah untuk Menggali Dalam dan Mengubah Fondasi Anda
Salah satu alasan terbesar inisiatif AI terhambat adalah karena organisasi hanya menumpuk kecerdasan baru di atas model operasi yang dirancang untuk era yang sangat berbeda. Banyak perusahaan masih terstruktur di sekitar sistem lama dan rantai persetujuan linier yang dibangun untuk menstandarkan transaksi, bukannya mendukung pengambilan keputusan secara real-time.
AI membutuhkan konteks, akses di seluruh sistem, dan kemampuan untuk bertindak. Namun di banyak organisasi, data terkurung dalam ERP yang sangat dikustomisasi, alur kerja terfragmentasi berdasarkan fungsi, dan hak keputusan tersembunyi dalam serah terima dan komite. Jadi sebelum membeli alat baru yang mengkilap, kembali ke dasar. Perbaiki fondasinya.
Menangani Fondasi Struktural
Ini adalah pekerjaan yang tidak nyaman, tetapi setelah fondasi struktural ditangani—hak keputusan yang lebih jelas, data yang tidak terfragmentasi, tim yang fokus pada hasil—AI bisa secara signifikan mempercepat waktu yang dibutuhkan untuk membangun kembali.
Di sinilah rekayasa AI-natif memberikan hasil, karena memungkinkan perusahaan untuk tidak hanya memperlakukan AI sebagai fitur, tetapi juga membangun sistem, alur kerja, dan organisasi di mana AI menjadi partisipan utama dalam bagaimana pekerjaan dilakukan.
3. Bangun Dashboard Portofolio, Bukan Skor Proyek
Papan direksi tidak dapat mengevaluasi AI sebagai portofolio jika setiap inisiatif melaporkan keberhasilan dengan cara yang berbeda. Kerangka ROI AI yang terstandarisasi, melacak pemanfaatan, hasil bisnis, dan nilai strategis, memungkinkan perbandingan antar inisiatif dan keputusan di tingkat portofolio.
Juga penting untuk mengelola ekspektasi. Kebanyakan organisasi mencapai ROI yang memuaskan pada penggunaan AI dalam dua hingga empat tahun—jauh lebih lama daripada pengembalian yang biasanya diharapkan dari investasi teknologi tradisional.
4. Berinvestasi Secara Serius
Masalah ROI AI adalah masalah organisasi, dan para pemimpin yang serius tentang hal ini harus siap mengubah bagaimana perusahaan mereka disusun. AI tidak cocok dengan struktur yang ada, dan perusahaan harus berubah untuk menggunakannya.
Biaya kegagalan itu nyata, tetapi biaya ketidakseriusan lebih tinggi dan jauh lebih mudah diabaikan.
