Dalam banyak perusahaan, proyek AI tidak macet karena modelnya kurang pintar. Yang lebih sering terjadi: data belum siap, keluaran AI tidak masuk ke sistem kerja, tidak jelas siapa yang bertanggung jawab atas KPI, atau risiko keamanan dan kepatuhan belum disepakati.
Sebuah artikel yang merangkum survei global McKinsey menyebut 88% organisasi sudah memakai AI di setidaknya satu fungsi bisnis, tetapi hampir dua pertiganya masih berada pada tahap eksperimen atau pilot awal.[5] Artinya, masalahnya bukan kurang mencoba AI. Tantangan sebenarnya adalah mengubah uji coba menjadi kemampuan operasional yang stabil.
Mulai dari proses, bukan dari model
Pertanyaan awal yang lebih tepat bukan sekadar apakah perusahaan perlu memakai AI. Pertanyaan yang lebih berguna adalah: proses mana yang layak diperbaiki lebih dulu?
Skenario pertama tidak harus yang paling besar. Justru lebih aman memilih proses yang sering terjadi, datanya jelas, dampaknya bisa diukur, dan kesalahannya masih dapat ditinjau manusia.
Biasanya, proses yang cocok untuk tahap awal punya ciri-ciri berikut:
- Dikerjakan berulang oleh tim setiap hari atau setiap minggu.
- Datanya sudah tersedia di dokumen internal, CRM, ERP, sistem tiket, gudang data, atau basis pengetahuan perusahaan.
- Ada masalah yang terasa jelas, misalnya waktu pencarian terlalu lama, terlalu banyak salin-tempel manual, jawaban tidak konsisten, atau tingkat revisi tinggi.
- Keluaran AI bisa ditinjau, disampel, diperbaiki, atau dialihkan ke manusia jika perlu.
- Ada penanggung jawab bisnis yang bersedia mengubah proses dan bertanggung jawab atas hasil.
Tanpa kondisi ini, pembelian alat AI sering hanya menghasilkan demo yang terlihat menarik, tetapi tidak mengubah operasi harian.
5 langkah agar PoC tidak berhenti sebagai demo
1. Rumuskan kebutuhan sebagai masalah bisnis yang terukur
Jangan menamai proyek hanya sebagai penerapan AI. Rumusan yang lebih kuat harus menjelaskan proses mana yang ingin diperbaiki, siapa pengguna utamanya, masalah apa yang terjadi hari ini, dan indikator apa yang harus berubah.
Gunakan format sederhana seperti ini:
Pada proses A, peran B menghabiskan banyak waktu setiap minggu untuk tugas C. Kami ingin memakai AI untuk meningkatkan indikator D dari baseline saat ini ke target tertentu, dengan penanggung jawab bisnis E yang memimpin perubahan proses dan validasi hasil.
Sebelum memulai, jawab setidaknya lima pertanyaan berikut:
- Siapa yang akan memakai fungsi AI ini dalam pekerjaan sehari-hari?
- AI akan masuk ke langkah kerja yang mana, bukan berdiri sebagai alat terpisah?
- Berapa baseline saat ini, misalnya waktu proses, tingkat kesalahan, tingkat konversi, keluhan pelanggan, atau jam kerja manual?
- KPI keberhasilan terkait efisiensi, kualitas, pendapatan, biaya, risiko, atau pengalaman karyawan?
- Siapa yang berwenang mengubah proses dan menerima konsekuensi hasilnya?
Tanpa baseline dan penanggung jawab bisnis, PoC sulit dinilai berhasil atau tidak. Lebih sulit lagi meyakinkan organisasi untuk memperluasnya.
2. Pilih 1–3 skenario yang sering terjadi, berulang, dan datanya sudah ada
Tahap awal sebaiknya tidak terlalu ambisius. Pilih pekerjaan yang frekuensinya tinggi, polanya berulang, sumber datanya jelas, dan biaya kesalahannya masih bisa dikendalikan.
| Skenario awal | Mengapa cocok dicoba lebih dulu | KPI pertama yang bisa dipakai |
|---|---|---|
| Pencarian pengetahuan layanan pelanggan | Jawaban biasanya berasal dari FAQ, dokumen produk, riwayat tiket, atau knowledge base internal | Rata-rata waktu penanganan, penyelesaian pada kontak pertama, akurasi sampel, tingkat keluhan |
| Tanya-jawab dokumen internal | Karyawan sering membuang waktu mencari aturan, prosedur, produk, atau dokumen teknis | Waktu pencarian, jumlah pertanyaan yang harus diteruskan ke orang lain, tingkat adopsi jawaban |
| Ringkasan laporan dan rapat | Format data relatif berulang dan kebutuhan membaca ulang tinggi | Waktu pembuatan laporan, tingkat penerimaan ringkasan, jumlah revisi |
| Ekstraksi kolom dari kontrak atau dokumen | Kolom yang dicari jelas dan mudah dirancang dengan pemeriksaan manusia | Akurasi kolom, waktu peninjauan, tingkat pengerjaan ulang |
| Dukungan proses penjualan atau pengadaan | AI dapat membantu merapikan data, membandingkan opsi, menyusun draf, atau memberi rekomendasi awal | Tingkat konversi, waktu respons, siklus proses, penghematan kerja manual |
Hindari langsung memilih proses yang paling berisiko, paling kompleks, atau batas tanggung jawabnya belum jelas. Jika data masih berantakan, proses belum standar, atau tuntutan kepatuhan tinggi sementara tata kelola belum siap, bereskan fondasinya dulu sebelum memakai AI generatif secara luas.
3. Audit data, hak akses, dan integrasi sistem sebelum PoC
Dalam praktik, hambatan terbesar sering bukan model AI, melainkan apakah data bisa diakses dengan benar, aman, dan cukup mutakhir.
Ringkasan Talyx terhadap studi RAND Corporation 2024 menyebut studi tersebut mewawancarai 65 data scientist dan engineer senior, lalu merangkum beberapa akar kegagalan proyek AI: definisi masalah yang disalahpahami, data pelatihan yang tidak memadai, pendekatan yang terlalu berangkat dari teknologi alih-alih masalah, infrastruktur yang kurang, serta masalah yang memang berada di luar batas kelayakan.[4]
Sebelum PoC, periksa hal-hal berikut:
- Data berada di mana: repositori dokumen, CRM, ERP, sistem tiket, gudang data, atau masih tersebar di perangkat pribadi?
- Bagaimana kualitas data: sudah usang, ganda, kolomnya tidak lengkap, atau formatnya tidak konsisten?
- Bagaimana hak akses diatur: apakah setiap divisi, jabatan, wilayah, atau peran boleh melihat data yang sama?
- Seberapa sering data diperbarui: AI menjawab berdasarkan data terbaru atau versi beberapa bulan lalu?
- Apakah sistem bisa diintegrasikan: keluaran AI bisa kembali ke tiket, CRM, laporan, persetujuan, atau alur dokumen?
- Apakah jejak audit tersedia: siapa bertanya apa, AI menjawab apa, siapa yang menerima atau memperbaiki jawaban, dan apakah semuanya tercatat?
Jika data tidak bisa dipakai, model sekuat apa pun hanya akan menjadi alat presentasi. Jika hak akses tidak jelas, proyek mudah tertahan di keamanan informasi, privasi, legal, atau audit.
4. Buat PoC kecil, tetapi hubungkan ke alur kerja nyata
PoC, atau proof of concept, sebaiknya bukan hanya demo di ruang rapat. Perlakukan PoC sebagai versi awal produk: memakai pengguna nyata, data nyata, dan proses nyata, dengan kriteria sukses, perluasan, dan penghentian yang sudah disepakati.
PoC yang siap menuju operasional perlu menjawab pertanyaan berikut:
- Dari mana pengguna memicu AI: sistem layanan pelanggan, CRM, portal internal, aplikasi tiket, chat kerja, atau sistem lain yang sudah dipakai?
- Siapa yang meninjau keluaran AI?
- Dalam situasi apa pekerjaan harus dialihkan ke manusia?
- Bagaimana kesalahan dilaporkan, dan siapa yang bertugas memperbaiki data, aturan, atau prompt?
- Tugas mana yang hanya boleh dibantu AI, bukan diselesaikan otomatis?
- KPI harus mencapai ambang berapa agar proyek diperluas?
- Jika KPI tidak tercapai, kapan proyek dihentikan atau didesain ulang?
Tujuan PoC bukan membuktikan bahwa AI bisa menghasilkan teks. Tujuannya adalah membuktikan bahwa AI bisa dipakai stabil di dalam proses kerja dan membuat metrik tertentu membaik.
5. Setelah tata kelola siap, baru perluas ke divisi lain atau otomatisasi lebih tinggi
Memperluas AI bukan sekadar menambah akun pengguna. Setiap divisi baru biasanya membawa sumber data baru, aturan akses baru, variasi proses, kebutuhan kepatuhan, dan KPI yang berbeda.
Ini makin penting ketika AI bergerak dari pencarian, ringkasan, dan penyusunan draf menuju agen AI yang lebih otonom. Ringkasan survei McKinsey 2025 menunjukkan, pada fungsi bisnis mana pun, tidak lebih dari 10% responden melaporkan AI agents sudah diperluas dalam skala operasional.[2] McKinsey juga menyebut keamanan dan risiko sebagai hambatan utama untuk memperluas agentic AI, sementara ketidakakuratan dan keamanan siber tetap menjadi risiko AI yang paling sering disebut.[
8]
Urutan perluasan yang lebih aman:
- Mulai dari AI untuk mencari, merapikan, meringkas, dan menyusun draf.
- Pertahankan human-in-the-loop, yaitu manusia tetap meninjau dan menyetujui hasil pada titik penting.
- Kumpulkan data kesalahan, pengecualian, dan pola penggunaan.
- Setelah akurasi, stabilitas proses, hak akses, dan audit matang, otomatisasikan langkah yang risikonya rendah.
- Setiap kali masuk ke divisi baru, tinjau ulang data, izin akses, legal, keamanan, privasi, dan audit.
Merancang KPI: jangan hanya mengukur akurasi model
Jika proyek AI hanya mengukur akurasi model, nilai operasionalnya bisa luput. KPI yang lebih baik dimulai dari baseline proses hari ini, lalu memakai beberapa lapis indikator untuk menilai apakah proyek layak diperluas.
| Jenis KPI | Contoh indikator | Cocok untuk |
|---|---|---|
| Efisiensi | Rata-rata waktu proses, waktu penyelesaian, menit kerja manual per kasus, waktu pembuatan laporan | Layanan pelanggan, laporan, dokumen, tanya-jawab internal |
| Kualitas | Akurasi sampel, tingkat penerimaan oleh manusia, tingkat pengerjaan ulang, tingkat keluhan | Respons pelanggan, ekstraksi kontrak, penyusunan konten |
| Penggunaan | Pengguna aktif mingguan, cakupan tugas, tingkat penggunaan ulang, jumlah pertanyaan yang masih dialihkan ke orang lain | Asisten internal, pencarian pengetahuan, alat kerja divisi |
| Hasil bisnis | Tingkat konversi, kecepatan respons, tingkat penyelesaian kasus, biaya per kasus | Penjualan, layanan pelanggan, pengadaan, operasi |
| Tata kelola risiko | Tingkat eskalasi ke manusia, pelanggaran kebijakan, pengecualian data sensitif, temuan audit | Data berisiko tinggi, respons eksternal, agentic AI |
KPI tidak harus banyak di awal. Namun KPI harus menempel pada proses. Jika PoC hanya membuktikan AI bisa menulis jawaban, tetapi tidak membuktikan proses menjadi lebih cepat, lebih akurat, lebih hemat, atau lebih terkendali, proyek itu belum benar-benar siap disebut implementasi.
Mengapa banyak proyek AI tidak sampai operasional?
1. Membeli alat dulu, baru mencari masalah
Banyak proyek dimulai dari demo vendor atau kemampuan model yang sedang populer. Hasilnya bisa terlihat canggih, tetapi tidak ada tim yang benar-benar membutuhkannya setiap hari. Ringkasan Talyx atas studi RAND juga menempatkan mentalitas technology-first, yaitu memilih teknologi karena tren alih-alih kecocokan masalah, sebagai salah satu akar kegagalan proyek AI.[4]
2. Definisi masalah tidak jelas
Jika tim bisnis ingin mengurangi jam kerja layanan pelanggan, tim TI mengejar akurasi model, manajemen menunggu penurunan biaya, sementara tim legal khawatir pada risiko, proyek akan terseret ke berbagai arah. Definisi masalah yang disalahpahami juga disebut sebagai salah satu akar kegagalan proyek AI dalam ringkasan Talyx terhadap studi RAND.[4]
3. Data dan sistem tidak tersambung
AI tidak banyak membantu jika tidak bisa mengambil dokumen yang benar, data pelanggan, catatan tiket, atau data transaksi yang relevan. Jika keluarannya juga tidak kembali ke CRM, ERP, repositori dokumen, atau sistem tiket, pengguna tetap harus menyalin dan menempel secara manual. Nilainya akan habis dimakan biaya proses. Infrastruktur yang tidak memadai turut disebut sebagai salah satu akar kegagalan dalam ringkasan Talyx terhadap studi RAND.[4]
4. PoC tidak mengubah cara kerja nyata
Adopsi AI yang meningkat tidak sama dengan perluasan operasional. Artikel yang merangkum survei McKinsey menyebut 88% organisasi sudah memakai AI di setidaknya satu fungsi bisnis, tetapi hampir dua pertiganya masih berhenti di eksperimen atau pilot awal.[5] Jika PoC tidak masuk ke proses nyata, tidak punya penanggung jawab bisnis, dan tidak memiliki KPI, proyek mudah berakhir sebagai presentasi internal saja.
5. Tata kelola risiko ditunda sampai akhir
Keamanan informasi, privasi, kepatuhan, audit, dan pengaturan hak akses tidak sebaiknya baru dibahas menjelang peluncuran. Untuk agentic AI, kebutuhan ini lebih penting karena sistem yang lebih otonom memerlukan batas data, izin tindakan, tinjauan manusia, dan tanggung jawab yang lebih jelas. McKinsey menyebut keamanan dan risiko sebagai hambatan utama dalam perluasan agentic AI.[8]
Tabel keputusan: mana yang didahulukan, mana yang ditunda?
| Bisa diprioritaskan | Sebaiknya ditunda dulu |
|---|---|
| Tugas berulang yang terjadi mingguan atau bulanan | Tugas khusus yang hanya terjadi beberapa kali setahun |
| Data sudah digital dan sumbernya jelas | Data tersebar di file pribadi, pengalaman lisan, atau catatan informal |
| Aturan relatif jelas dan jawaban bisa ditelusuri | Definisi masalah belum jelas dan tiap divisi punya tafsir berbeda |
| Kesalahan bisa ditinjau dan diperbaiki manusia | Kesalahan langsung menimbulkan dampak besar pada kepatuhan, keuangan, atau keselamatan |
| Ada penanggung jawab bisnis yang mau mengubah proses | Hanya didorong TI atau konsultan, sementara divisi pengguna tidak terlibat |
| KPI bisa diukur, misalnya waktu, akurasi, biaya, atau keluhan | Hanya disebut sebagai inovasi atau transformasi AI tanpa definisi hasil |
Skenario di kolom kanan bukan berarti tidak boleh dilakukan selamanya. Namun organisasi perlu merapikan data, menstandarkan proses, memperjelas tanggung jawab, dan menyiapkan tata kelola sebelum AI diterapkan.
Checklist satu halaman sebelum memulai proyek AI
Gunakan 10 pertanyaan ini sebelum menyetujui proyek AI apa pun:
- Masalah bisnis spesifik apa yang ingin diselesaikan?
- Berapa baseline proses hari ini, seperti waktu, kesalahan, biaya, atau keluhan?
- Siapa penanggung jawab bisnisnya?
- Siapa yang berwenang memutuskan perubahan proses?
- Apakah pengguna benar-benar sering mengalami masalah ini?
- Apakah data yang dibutuhkan sudah ada, bisa diakses, dan bisa diperbarui?
- Apakah hak akses, privasi, legal, keamanan, dan audit sudah jelas?
- Keluaran AI akan masuk ke sistem atau alur kerja nyata yang mana?
- Dalam situasi apa manusia harus tetap meninjau atau mengambil alih?
- Apa ambang KPI untuk melanjutkan, memperluas, menghentikan, atau mendesain ulang proyek?
Kesimpulan: jadikan satu proses berhasil dulu
Implementasi AI perusahaan sebaiknya dimulai dari perbaikan proses, bukan dari pembelian model. Model memang penting, tetapi bukan satu-satunya penentu keberhasilan.
Yang menentukan apakah PoC bisa menjadi kemampuan operasional adalah kesiapan data, kejelasan hak akses, kesediaan proses untuk berubah, tata kelola risiko, dan KPI yang mampu membuktikan nilai. Lebih baik membuat satu proses benar-benar berjalan dengan AI, terukur, dan aman, daripada membuka banyak eksperimen yang tidak pernah masuk ke pekerjaan harian.
