AI Value Realization: Cara Mengukur Dampak AI dalam Bisnis

Banyak perusahaan sudah mulai menggunakan artificial intelligence dalam pekerjaan sehari-hari. Ada yang memasang AI assistant untuk karyawan, mengotomatisasi customer service, menggunakan generative AI untuk membuat konten, membantu developer menulis kode, atau mulai bereksperimen dengan AI agent untuk menjalankan workflow tertentu. Namun setelah fase eksperimen berlalu, muncul pertanyaan yang jauh lebih sulit: seberapa besar sebenarnya nilai yang dihasilkan AI untuk bisnis?

Pertanyaan tersebut berbeda dengan “berapa banyak orang yang menggunakan AI?” atau “berapa banyak pekerjaan yang berhasil diotomatisasi?”. Penggunaan adalah aktivitas. Nilai bisnis adalah outcome. Sebuah perusahaan dapat memiliki tingkat adopsi AI yang tinggi tetapi belum tentu menghasilkan peningkatan revenue, pengurangan biaya yang signifikan, proses yang lebih cepat, atau keputusan bisnis yang lebih baik. Microsoft dalam panduannya mengenai pengukuran business value AI juga membedakan leading indicators seperti adoption dan penggunaan dari lagging indicators seperti cost avoided dan ROI.

Inilah alasan AI Value Realization menjadi semakin penting. Perusahaan tidak lagi hanya perlu bertanya apakah AI bisa digunakan, tetapi apakah investasi AI tersebut benar-benar mengubah cara bisnis bekerja dan menghasilkan nilai yang dapat dipertanggungjawabkan.

AI Adoption Tidak Sama dengan AI Value

Kesalahan paling umum dalam implementasi AI adalah menganggap keberhasilan terjadi ketika teknologi sudah digunakan.

Misalnya sebuah perusahaan memiliki 1.000 karyawan dan menyediakan AI assistant untuk seluruh karyawan. Setelah tiga bulan, 700 orang sudah mencoba menggunakannya. Dari sisi adoption, angka tersebut terlihat positif. Namun perusahaan masih perlu menjawab pertanyaan yang lebih penting: apakah pekerjaan menjadi lebih cepat? Apakah kualitas output meningkat? Apakah waktu yang dihemat digunakan untuk pekerjaan yang lebih bernilai? Apakah biaya operasional benar-benar turun? Apakah customer mendapatkan pelayanan yang lebih baik?

Tanpa jawaban tersebut, perusahaan sebenarnya baru mengukur aktivitas teknologi, bukan nilai bisnis.

Microsoft menyarankan pengukuran business value dengan melihat kondisi sebelum dan sesudah implementasi, termasuk baseline seperti cycle time, cost, error rate, atau waktu yang digunakan dalam proses. Pengukuran juga perlu mempertimbangkan apa yang terjadi terhadap waktu yang berhasil dihemat, karena waktu yang kembali kepada karyawan baru menciptakan nilai ketika dialihkan ke pekerjaan yang lebih produktif.

Dengan demikian, AI Value Realization sebaiknya dimulai dari satu pertanyaan sederhana:

“Perubahan bisnis apa yang kita harapkan terjadi setelah AI diterapkan?”

Mulai dari Business Outcome, Bukan dari Teknologi

AI project sering dimulai dengan teknologi.

Perusahaan menemukan model baru, AI platform baru, atau AI agent baru, kemudian mencari proses yang dapat menggunakan teknologi tersebut.

Pendekatan ini dapat menghasilkan banyak eksperimen, tetapi tidak selalu menghasilkan business value.

Pendekatan yang lebih sehat dimulai dari outcome.

Misalnya perusahaan memiliki proses approval procurement yang membutuhkan rata-rata tiga hari. Setelah dianalisis, sebagian besar waktu ternyata digunakan untuk membaca dokumen, memeriksa histori vendor, dan membuat rangkuman untuk approver. AI mungkin dapat membantu mempercepat pekerjaan tersebut.

Target project kemudian bukan:

“Implementasi AI agent untuk procurement.”

Targetnya menjadi:

“Mengurangi waktu preparation procurement dari tiga hari menjadi satu hari tanpa meningkatkan error atau compliance risk.”

Perbedaan framing tersebut sangat penting.

AI hanyalah mekanisme untuk mencapai outcome.

Google Cloud dalam panduannya mengenai evaluasi use case AI juga merekomendasikan perusahaan menentukan sasaran bisnis dan kriteria keberhasilan yang terukur sejak awal, termasuk efisiensi, pengurangan biaya, pengalaman pelanggan, dan keunggulan kompetitif.

Lima Dimensi untuk Mengukur AI Value

Tidak semua nilai AI dapat direduksi menjadi satu angka ROI. Untuk enterprise, pengukuran yang lebih sehat melihat beberapa dimensi sekaligus.

1. Productivity

Apakah AI membuat pekerjaan yang sama dapat diselesaikan lebih cepat?

Contohnya:

• waktu membuat laporan turun,
• waktu mencari informasi berkurang,
• waktu membuat draft dokumen lebih singkat,
• developer menyelesaikan task lebih cepat,
• customer service dapat menangani lebih banyak kasus.

Namun productivity tidak boleh hanya dihitung sebagai “berapa jam yang dihemat”.

Pertanyaan berikutnya adalah:

Ke mana waktu tersebut dialihkan?

Jika karyawan menghemat lima jam tetapi lima jam tersebut tidak menghasilkan aktivitas bernilai lebih tinggi, business value yang sebenarnya mungkin jauh lebih kecil dari perkiraan.

2. Cost Efficiency

AI dapat menghasilkan penghematan melalui automation atau pengurangan pekerjaan manual.

Contohnya:

• mengurangi proses administratif,
• mengurangi pekerjaan repetitif,
• mempercepat document processing,
• mengurangi biaya operasional per transaksi.

Namun perusahaan perlu membandingkan total biaya AI, bukan hanya biaya model.

Perhitungan sebaiknya mempertimbangkan:

AI Value = Benefit – Total Cost of Ownership

TCO dapat mencakup infrastructure, model/API usage, development, integration, monitoring, security, governance, maintenance, dan training.

3. Revenue Impact

Nilai AI tidak selalu berasal dari cost saving.

AI juga dapat membantu:

• meningkatkan conversion,
• meningkatkan retention,
• meningkatkan cross-sell,
• mempercepat product development,
• menciptakan layanan baru.

Dalam survei McKinsey, perusahaan melaporkan dampak revenue dari penggunaan generative AI di sejumlah fungsi bisnis, meskipun tingkat dampaknya berbeda antar fungsi. Temuan tersebut menunjukkan bahwa AI dapat memberikan kontribusi terhadap revenue, tetapi pengukuran tetap perlu dikaitkan dengan fungsi dan konteks bisnis tertentu.

4. Risk Reduction

Ini sering dilupakan.

AI dapat menghasilkan value dengan mengurangi risiko:

• fraud,
• human error,
• compliance issue,
• security incident,
• operational failure.

Nilai ini memang lebih sulit dihitung karena perusahaan sedang mengukur sesuatu yang tidak terjadi.

Namun bukan berarti tidak dapat dimasukkan ke business case.

Misalnya sistem AI membantu mendeteksi transaksi mencurigakan lebih cepat. Nilainya tidak hanya berasal dari transaksi yang berhasil dicegah, tetapi juga dari peningkatan kemampuan perusahaan mengendalikan operational risk.

5. Strategic Value

Ada pula nilai yang belum langsung terlihat dalam laporan keuangan.

Contohnya:

• kemampuan meluncurkan produk lebih cepat,
• kemampuan merespons customer lebih cepat,
• kemampuan mengambil keputusan dengan data lebih baik,
• kemampuan mengembangkan layanan baru,
• kesiapan menghadapi perubahan pasar.

Nilai strategis tidak boleh digunakan sebagai alasan untuk menghindari pengukuran. Justru perusahaan perlu memisahkan antara financial value dan strategic value agar ekspektasinya jelas.

Jangan Mengukur AI Tanpa Baseline

Salah satu kesalahan paling serius adalah mulai mengukur setelah AI diluncurkan.

Misalnya perusahaan mengatakan:

“AI membuat proses customer service 30% lebih cepat.”

Pertanyaannya:

30% dibandingkan apa?

Tanpa baseline, angka tersebut sulit dipertanggungjawabkan.

Sebelum implementasi, perusahaan perlu mencatat kondisi awal:

Setelah AI berjalan, metrik tersebut dapat dibandingkan kembali.

Microsoft secara eksplisit merekomendasikan baseline sebelum rollout dan, jika memungkinkan, penggunaan comparison group untuk membantu mengisolasi dampak AI dari perubahan lain yang terjadi bersamaan.

Dengan pendekatan ini, pembahasan AI berubah dari opini menjadi evidence.

AI Value Tidak Berhenti Setelah Go-Live

AI bukan software tradisional yang cukup diluncurkan lalu dianggap selesai.

Model, data, workflow, perilaku pengguna, dan konteks bisnis dapat berubah.

Karena itu, AI Value Realization harus menjadi proses berkelanjutan.

NIST AI Risk Management Framework menempatkan Measure sebagai salah satu fungsi inti bersama Govern, Map, dan Manage. NIST menekankan pentingnya pengukuran dan evaluasi AI sebelum deployment maupun selama sistem beroperasi, termasuk pemantauan performa, reliability, security, privacy, dan karakteristik trustworthiness lainnya.

Artinya, perusahaan tidak cukup hanya mengukur:

“Apakah AI menghasilkan ROI?”

Perusahaan juga perlu mengetahui:

“Apakah AI masih menghasilkan value dengan kualitas dan risiko yang dapat diterima?”

Ini sangat penting ketika AI mulai mengambil peran lebih besar dalam workflow operasional.

Dari AI Pilot ke AI Business System

Masalah berikutnya muncul ketika sebuah AI pilot berhasil.

Perusahaan kemudian ingin memperluasnya ke seluruh organisasi.

Di sinilah banyak implementasi AI mulai menghadapi kompleksitas baru.

AI tidak berdiri sendiri.

Ia membutuhkan:

• Data,
• API,
• Business rules,
• Identity,
• Security,
• Workflow,
• Human approval,
• Monitoring,
• Integration dengan sistem enterprise.

McKinsey dalam risetnya mengenai state of AI menunjukkan bahwa organisasi mulai melakukan perubahan workflow, governance, dan struktur organisasi untuk menangkap nilai dari AI. Artinya, realisasi value tidak hanya berkaitan dengan memilih model AI yang tepat, tetapi juga bagaimana perusahaan mendesain ulang cara kerja di sekitarnya.

Karena itu, perusahaan sebaiknya tidak melihat AI sebagai fitur yang ditempelkan pada sistem lama.

Dalam banyak kasus, AI perlu menjadi bagian dari business system.

Contohnya bukan hanya:

“Tambahkan chatbot pada website.”

Tetapi:

“Bagaimana customer service dapat menggunakan AI untuk memahami customer history, mengambil informasi dari CRM, memberikan rekomendasi, dan melakukan escalation ketika diperlukan?”

Perbedaannya adalah antara AI feature dan AI-enabled workflow.

Framework Sederhana AI Value Realization

Sebelum melakukan scale-up, perusahaan dapat menggunakan lima pertanyaan berikut:

Jika lima pertanyaan tersebut belum memiliki jawaban yang jelas, mungkin perusahaan belum siap melakukan scale-up.

Bukan berarti project harus dihentikan.

Justru fase tersebut menjadi kesempatan untuk memperbaiki business case sebelum investasi semakin besar.

AI Value Realization Membutuhkan Fondasi Sistem

Pada akhirnya, kemampuan perusahaan merealisasikan value dari AI sangat bergantung pada kondisi sistem yang menjadi tempat AI bekerja.

AI yang pintar tetapi tidak memiliki akses ke data yang relevan akan menghasilkan value terbatas. AI yang dapat membaca data tetapi tidak dapat terhubung dengan workflow juga memiliki keterbatasan. Sebaliknya, AI yang terintegrasi dengan sistem enterprise, data, API, business rules, dan human oversight dapat menjadi bagian dari proses operasional yang benar-benar menghasilkan outcome.

Inilah alasan AI transformation tidak selalu dimulai dari model AI.

Sering kali, transformasi justru dimulai dari arsitektur sistem, kualitas data, integrasi, dan desain workflow.

Konsep tersebut juga berkaitan dengan pembahasan Data Contracts dan Event-Driven Architecture karena AI yang beroperasi dalam skala enterprise membutuhkan data dan event yang dapat dipercaya serta sistem yang mampu menyediakan konteks secara tepat waktu.

Kesimpulan

AI Value Realization bukan tentang membuktikan bahwa perusahaan sudah menggunakan AI.

Nilainya muncul ketika AI menghasilkan perubahan yang dapat dirasakan oleh bisnis: proses menjadi lebih cepat, biaya turun, revenue meningkat, risiko berkurang, customer experience membaik, atau organisasi memiliki kemampuan baru yang sebelumnya sulit dilakukan.

Karena itu, ukuran keberhasilan AI sebaiknya tidak dimulai dari jumlah model yang digunakan atau jumlah karyawan yang memiliki akses ke AI.

Mulailah dari pertanyaan yang lebih sederhana:

“Apa yang menjadi lebih baik bagi bisnis setelah AI hadir?”

Kemudian tentukan baseline, pilih metric, ukur outcome, evaluasi risiko, dan baru tentukan apakah solusi tersebut layak diperluas.

Dengan pendekatan tersebut, AI tidak berhenti sebagai eksperimen teknologi.

AI dapat berkembang menjadi bagian dari sistem bisnis yang menghasilkan value secara berkelanjutan.

Membangun AI yang Menghasilkan Business Value Bersama Crocodic

Crocodic membantu perusahaan mengembangkan solusi AI yang terhubung dengan kebutuhan bisnis, bukan sekadar menambahkan fitur AI ke dalam aplikasi yang sudah ada.

Melalui pendekatan Custom Enterprise Software, AI dapat dirancang sebagai bagian dari workflow dan sistem perusahaan, termasuk integrasi dengan data, aplikasi, API, automation, dan business process yang sudah berjalan.

Untuk perusahaan yang telah memiliki sistem lama, Enterprise System Upgrade dapat menjadi langkah untuk memperkuat fondasi sistem sebelum AI diperluas ke proses yang lebih kritis.

Tujuannya bukan sekadar membuat perusahaan memiliki AI.

Tujuannya adalah memastikan investasi AI dapat diterjemahkan menjadi business outcome yang dapat diukur, dikembangkan, dan dipertanggungjawabkan.

Diskusikan kebutuhan AI dan enterprise system perusahaan Anda bersama Crocodic.