Jawaban yang paling berguna atas pertanyaan mengenai seberapa banyak AI yang harus digunakan di perusahaan bukanlah “sebanyak mungkin”. Melainkan, “hingga titik di mana AI tersebut meningkatkan nilai tanpa mengikis kemampuan penilaian, kualitas, dan keunikan perusahaan”.
Hal ini kini lebih penting daripada yang terlihat. Di Italia, adopsi kecerdasan buatan di kalangan perusahaan meningkatdari 8,2% pada tahun 2024 menjadi 16,4% pada tahun 2025, menurut data Istat yang dilaporkan oleh Il Foglio. Peningkatan dua kali lipat dalam satu tahun saja menunjukkan satu hal sederhana: pertanyaannya bukan lagi apakah harus bertindak, melainkan bagaimana menyesuaikan tingkat implementasinya.
Sebagai CEO sebuah platform AI untuk UKM Eropa dan sebagai peneliti yang mengkaji komoditisasi hasil model bahasa, saya melihat kesalahan yang sama terus terulang. Perusahaan-perusahaan memperlakukan AI seperti sebuah tombol. Mereka mengabaikannya, atau mencoba mengotomatiskan segalanya. Kedua pilihan tersebut justru merusak nilai. Yang pertama karena membuat Anda tertinggal. Yang kedua karena membanjiri Anda dengan hasil yang tampak benar di permukaan namun lemah secara substansi.
Kerangka kerja yang efektif adalah yang lebih sederhana dan lebih terstruktur: gunakan AI di mana hal itu dapat mengurangi pekerjaan rutin, dan hentikan penggunaannya di mana diperlukan tanggung jawab, konteks, dan sentuhan manusia.
Sebagian besar perusahaan melakukan kesalahan karena bertindak berlebihan atau terlambat. Intinya bukanlah mengadopsi AI. Intinya adalah menemukan batas di mana peningkatan kinerja operasional tidak sebanding dengan risiko yang Anda hadapi.
Balaji Srinivasan telah merangkumnya dengan lebih baik daripada siapa pun: “0% AI itu lambat. Tapi 100% AI itu omong kosong.” Sebagai CEO, begitulah cara saya memahaminya. Penggunaan AI yang terlalu sedikit menimbulkan biaya yang tidak perlu di perusahaan. Penggunaan AI yang terlalu banyak menggantikan penilaian manusia dengan hasil yang masuk akal namun dapat saling digantikan.
Logikanya adalah Kurva Laffer yang diterapkan pada pekerjaan berbasis pengetahuan. Pada awalnya, setiap peningkatan dalam AI menghasilkan keuntungan yang tinggi: lebih sedikit waktu yang terbuang untuk aktivitas berulang, kecepatan pelaksanaan yang lebih tinggi, serta standar proses yang lebih baik. Kemudian muncul sebuah ambang batas. Di atas ambang batas tersebut, manfaat marjinal menurun dan biaya mulai meningkat—hal yang sering terlambat disadari oleh banyak manajer: kesalahan yang terselubung, kontrol yang berkurang, tanggung jawab yang semakin kabur, serta konten yang semuanya seragam.
Tetap berada di angka nol bukanlah sikap bijaksana. Itu berarti memilih untuk membayar orang-orang yang berkualifikasi untuk melakukan pekerjaan yang tidak menciptakan keunggulan kompetitif.
Hal ini terjadi setiap hari. Tim keuangan yang menyusun ulang file secara manual. Tim penjualan yang menulis ulang email yang hampir identik. Tim operasional yang memindahkan data dari satu sistem ke sistem lain. Tim pemasaran yang menyiapkan draf awal dan variasi format secara manual. Kegiatan-kegiatan ini tidak meningkatkan strategi, tidak memperkuat posisi merek, dan tidak menambah nilai yang dirasakan oleh pelanggan. Kegiatan-kegiatan ini hanya menghabiskan perhatian manajemen dan waktu yang berharga.
Itulah sebabnya pasar sedang mengalami pergerakan. Sebagaimana disebutkan di awal, adopsi teknologi ini terus meningkat karena biaya yang timbul akibat ketidakaktifan semakin terlihat jelas, baik dari segi waktu maupun margin.
Tanpa AI, proses eksekusi akan melambat. Jika AI digunakan secara berlebihan, hal-hal yang seharusnya tetap unik pun akan menjadi seragam.
Kesalahan lainnya lebih halus, karena pada awalnya tampak seperti peningkatan efisiensi.
Laporan keuangan yang sepenuhnya disusun oleh AI mungkin tampak benar, rapi, bahkan meyakinkan. Namun, seorang CFO yang profesional tidak akan menandatangani dokumen hanya karena “terdengar bagus”. Ia akan membandingkannya dengan pesanan, penerimaan, persediaan, keterlambatan operasional, serta pengecualian komersial. Tanpa langkah ini, perusahaan tidak melakukan otomatisasi dengan baik. Perusahaan hanya memindahkan risiko ke tahap selanjutnya dalam rantai proses.
Hal yang sama berlaku dalam bidang penjualan dan pemasaran. Sebuah email yang 100% dihasilkan oleh AI dapat mematuhi nada, struktur, dan tata bahasa yang tepat. Namun, seringkali email tersebut kurang mencakup detail khusus: referensi terhadap kendala nyata yang dihadapi klien, dinamika sektornya, serta hambatan spesifik yang muncul selama panggilan telepon. Di situlah konversi tercipta. Dan di situlah otomatisasi total mulai menghilangkan keunikan.
Inilah yang disebut "slop". Materi yang mudah dipahami, cepat diproduksi, dan secara formal dapat diterima, namun kurang menunjukkan rasa tanggung jawab dan keunggulan kompetitif. Saya telah menganalisis risiko ini secara lebih mendalam di sini: bagaimana perusahaan menghadapi AI.
Aturan praktisnya adalah sebagai berikut:
AI tidak mengotomatiskan seluruh proses dengan baik. AI mengotomatiskan inti proses dengan baik. AI bekerja dengan prinsip “middle-to-middle”.
Pada awalnya, dibutuhkan seorang manusia untuk mendefinisikan masalah, konteks, batasan, dan data yang relevan. Pada akhirnya, dibutuhkan seorang manusia untuk memverifikasi hasil, menempatkannya dalam konteks, dan bertanggung jawab atasnya. Di antara keduanya, AI dapat mempersingkat waktu kerja yang semula memakan waktu berjam-jam.
Ambil contoh analisis bisnis. Pihak manajemen menetapkan pertanyaan awal: pelanggan mana yang mengalami penurunan, lini produk mana yang tumbuh, dan di mana margin sedang tertekan. AI menggabungkan data, membersihkan tabel, mengidentifikasi pola, dan menyusun laporan. Kemudian, seorang ahli menelaah hasilnya dan memutuskan apakah pola tersebut merupakan anomali yang sesungguhnya atau sekadar fluktuasi sementara.
Pola yang sama juga berlaku di bidang layanan pelanggan, keuangan, operasional, dan pemasaran. AI unggul dalam transformasi data, klasifikasi, sintesis, penyesuaian format, serta pembuatan draf awal. Namun, AI kurang efektif—jika digunakan sendirian—dalam menetapkan prioritas bisnis dan mengambil risiko dalam pengambilan keputusan akhir.
Banyak pengusaha yang memperhatikan API atau lisensi. Hal itu memang merupakan bagian dari perhitungan, tetapi jarang menjadi faktor penentu. Biaya sesungguhnya terletak pada jam kerja ahli yang diperlukan untuk memberikan petunjuk yang tepat dan memeriksa hasilnya.
Di sini ada sebuah fakta yang sering saya sampaikan kepada tim-tim. Hanya 10% dari nilai AI yang berasal dari algoritma, 20% dari data, dan 70% dari orang, proses, serta budaya perusahaan, sebagaimana dirangkum oleh Archimedia dalam panduan praktisnya. Jika organisasi, tata kelola, dan tanggung jawabnya tidak tepat, Anda bisa saja memiliki model terbaik namun tetap tidak mendapatkan hasil yang memadai.
Aturan manajemen: AI tidak menghilangkan kebutuhan akan kompetensi. AI hanya mengalihkannya dari tugas-tugas mekanis ke kemampuan mengambil keputusan yang tepat.
Oleh karena itu, perusahaan yang berusaha “menggantikan tenaga kerja” sering kali kecewa. Sebaliknya, perusahaan yang merancang ulang peran-peran tersebut justru memperoleh hasil yang lebih baik. Waktu yang dihabiskan untuk produksi manual berkurang. Waktu yang dihabiskan untuk verifikasi, interpretasi, dan pengambilan keputusan pun bertambah.
Tiga implikasi praktis:
Cara tercepat untuk gagal dalam penerapan AI adalah dengan menganggap batasan-batasan AI sebagai masalah sementara. Sebagian besar di antaranya bukanlah masalah sementara. Batasan-batasan tersebut merupakan batasan struktural yang justru berfungsi untuk menentukan sejauh mana AI boleh diterapkan.
Keterbatasan pertama, yaitu dari segi ekonomi. Penerapan AI dalam skala besar tidaklah gratis. Setiap panggilan, alur kerja, orkestrasi, integrasi, dan pengendalian menambah biaya. Jika suatu tugas memiliki nilai yang rendah atau memerlukan terlalu banyak tahap peninjauan, otomatisasi justru dapat memperburuk laporan laba rugi alih-alih memperbaikinya.
Keterbatasan kedua, secara matematis. AI tidak dapat secara ajaib memecahkan masalah di mana sistemnya tidak stabil, kacau, atau sulit diamati. Sebuah model dapat membantu menginterpretasikan sinyal. Namun, model tersebut tidak dapat mengubah ketidakpastian yang mendasar menjadi kepastian.
Keterbatasan ketiga, yaitu dari segi praktis. Meskipun modelnya bagus, tugas tersebut tidak dapat sepenuhnya diotomatisasi. Harus ada seseorang yang merumuskan masalah dan seseorang yang memeriksa jawabannya.
Batasan keempat, yaitu batasan fisik. AI tidak berada di pabrik Anda, tidak mengunjungi pelanggan, tidak merasakan ketegangan dalam negosiasi, dan tidak melihat mesin yang bergetar secara tidak normal jika hal tersebut tidak dilaporkan dalam data.
Jika proses tersebut memerlukan konteks yang tersirat, persepsi langsung, atau tanggung jawab hukum yang kuat, AI harus berperan sebagai asisten, bukan pengendali.
Hambatan yang paling sering diremehkan adalah kompetensi internal. Di Italia, 68% perusahaan dengan jumlah karyawan di bawah 50 orang menganggap kurangnya kompetensi internal sebagai hambatan utama dalam penerapan AI, dan dibutuhkan rata-rata 4–6 minggu pelatihan agar dapat menggunakannya secara mandiri, menurut analisis mengenai penggunaan AI, data, kompetensi, dan pelatihan ini.
Fakta ini lebih penting daripada banyak demo yang spektakuler. Jika tidak ada seorang pun di perusahaan yang mampu mengontrol hasil produksi, otomatisasi bukanlah suatu keunggulan. Justru itu merupakan risiko operasional.
Bagi seorang manajer, pertanyaan yang tepat bukanlah “Apakah AI bisa melakukannya?”. Melainkan ini:
Jika salah satu jawaban di atas adalah "tidak", tingkatkan kuota manusia.
Masalah strategis yang paling halus bukanlah kesalahan besar. Melainkan kecenderungan kualitas yang baik untuk menjadi biasa-biasa saja. Saya menyebut efek ini sebagai “B+ Trap”.
Model generatif utama semakin sering menghasilkan keluaran yang “cukup baik”. Teks yang rapi. Ringkasan yang mudah dibaca. Analisis yang terstruktur. Struktur yang benar. Namun, ketika semua orang menggunakan model yang sama, pola prompt yang sama, dan alur kerja yang sama, hasilnya cenderung menjadi serupa.
Bagi banyak perusahaan, hal ini tidak terlihat pada awalnya. Mereka hanya melihat kecepatan dan kualitas yang tampak. Mereka tidak menyadari hilangnya suara khas, keunikan, dan keunggulan kompetitif. Dalam pemasaran, hal ini tercermin dalam konten yang bisa diganti-ganti. Dalam analisis, hal ini tercermin dalam wawasan yang bisa diperoleh siapa saja. Dalam strategi, hal ini tercermin dalam keputusan yang didasarkan pada pemahaman pasar yang umum, bukan pada keunggulan eksklusif Anda.
Perusahaan yang menyerahkan pekerjaan standar kepada AI, lalu menggabungkannya dengan keahlian internal, konteks industri, data eksklusif, dan penilaian manajerial, akan menghasilkan hasil yang berbeda. Hasil tersebut tidak selalu lebih panjang atau lebih rumit. Namun, hasilnya lebih bermanfaat.
Inilah alasan mengapa AI 100% merupakan jalan buntu dalam persaingan. Bukan karena AI-nya buruk, melainkan karena jika Anda membiarkannya menghasilkan segalanya tanpa sentuhan manusia, hasilnya akan semakin mirip dengan hasil yang dihasilkan oleh pihak lain. Bagian yang menghasilkan margin adalah aspek yang tidak bersifat komoditas.
Bagi yang ingin mendalami sudut pandang ini dari perspektif penelitian, saya merekomendasikan publikasi-publikasi tentang analitik berbasis kecerdasan buatan.
Keunggulan pada tahun 2026 bukanlah memiliki akses ke AI. Melainkan mengetahui di mana harus menghentikan otomatisasi dan menambahkan lapisan eksklusif Anda sendiri.
Ketika seorang pengusaha bertanya kepada saya seberapa banyak AI yang harus digunakan di perusahaannya, saya memulainya dari dua variabel. Bukan dari alatnya.
Yang pertama adalah sifat tugas tersebut. Apakah bersifat mekanis, analitis, atau melibatkan pengambilan keputusan?
Yang kedua adalah biaya kesalahan. Jika hasilnya salah, apakah Anda akan kehilangan beberapa menit, seorang pelanggan, margin keuntungan, atau kredibilitas?
Pendekatan ini juga masuk akal karena alasan yang sangat konkret. Dampak paling langsung dari Gen AI terlihat pada otomatisasi tugas-tugas berulang seperti pengelolaan email dan pembuatan laporan standar, sehingga membebaskan sumber daya manusia untuk menangani tugas-tugas yang lebih bernilai tambah, sebagaimana ditekankan oleh Huware dalam ulasannya mengenai produktivitas perusahaan.
| Jenis Tugas | Biaya Kesalahan Rendah | Biaya Rata-rata Kesalahan | Biaya Kesalahan yang Tinggi |
|---|---|---|---|
| Mekanis dan monoton | Hampir 90% menggunakan AI. Pemformatan data, penjadwalan, penandaan, dan distribusi konten. | Sekitar 70% AI. Otomatisasi tingkat tinggi dengan pengawasan akhir. | Sekitar 50% AI. AI yang menyusunnya, manusia memeriksanya baris demi baris. |
| Analitis dan interpretatif | Sekitar 70% AI. AI mengidentifikasi pola, manusia yang memastikannya. | Sekitar 50% AI. Keseimbangan yang baik untuk laporan manajemen. | Sekitar 40% AI. Diperlukan tinjauan sistematis oleh para ahli. |
| Pengambilan keputusan dan strategis | Sekitar 40% AI. Dukungan untuk berbagai skenario dan opsi. | Sekitar 30% AI. AI hanya membantu, bukan mengambil keputusan. | Hampir 30% AI. Penetapan harga, strategi, perekrutan, komunikasi yang sensitif. |
Persentase-persentase ini bukanlah hukum alam. Ini hanyalah titik awal operasional. Tujuannya adalah untuk menghindari dua kesalahan klasik: mengotomatiskan proses berisiko tinggi terlalu dini, atau membiarkan proses yang seharusnya sudah diotomatiskan tetap dilakukan secara manual.
Dalam praktiknya, sebaiknya tingkat otomatisasi dievaluasi kembali secara berkala. Metrik yang paling berguna itu sederhana.
Jika Anda ingin merumuskan langkah ini secara resmi, ada baiknya mempertimbangkan cara mengevaluasi pengembalian investasi AI sebelum memperluas penerapannya ke seluruh perusahaan.
Poin-poin Penting
Cara terbaik untuk memahami kerangka kerja ini adalah dengan melihat penerapannya tanpa teori yang berlebihan. Secara internal, proses ini tidak dimulai dari sebuah konsep abstrak mengenai “tingkat AI”. Proses ini dimulai dari sebuah aturan sederhana: mengotomatiskan hanya di tempat-tempat di mana biaya kesalahan yang tidak terdeteksi rendah, sambil tetap mempertahankan pengawasan manusia di tempat-tempat di mana biaya kesalahannya tinggi.
Contoh yang paling jelas adalah alur kerja penerbitan. Upaya pertama cukup sederhana: mengotomatiskan semuanya, mulai dari draf awal hingga distribusi ke berbagai saluran, termasuk penyesuaian format, gambar, dan penjadwalan. Cara ini berhasil. Namun, hasilnya secara umum hanya sekadar benar.
Nada suaranya sudah ada. Formatnya pun sudah ada. Yang masih kurang adalah hal yang langsung dapat dirasakan oleh pembaca berpengalaman: sudut pandang yang khas, penilaian, dan perspektif.
Penyesuaian ini dilakukan dengan memperkenalkan kembali campur tangan manusia hanya pada dua tahap: peninjauan pesan utama dan pemilihan sudut pandang untuk setiap platform. AI tetap bertanggung jawab atas penyesuaian format, produksi materi kreatif, dan publikasi. Dengan demikian, waktu yang dibutuhkan untuk proses ini berkurang dari tiga jam menjadi sekitar 30 menit kerja manusia per siklus, dengan perbandingan akhir sekitar 80% AI dan 20% manusia.
Titik optimal bukanlah saat AI mampu melakukan segalanya. Melainkan saat tim berhenti melakukan terlalu banyak koreksi dan hasilnya tetap kredibel.
Metode yang digunakan untuk mencapainya dapat diterapkan di perusahaan UKM mana pun.
Ada tiga metrik internal yang dipantau. Tingkat intervensi korektif, waktu total end-to-end, dan kualitas yang dirasakan oleh pengguna akhir. Apabila salah satu dari metrik tersebut memburuk, pengaturan harus dikembalikan ke posisi semula.
Pendekatan ini juga mencerminkan dengan baik filosofi produk yang menurut saya tepat: AI seharusnya menggantikan pekerjaan analis hanya pada tugas-tugas yang bersifat repetitif dan terstruktur, bukan penilaian bisnis. Dengan kata lain, AI dirancang untuk menggantikan analis Anda, bukan penilaian Anda.
Keunggulan kompetitif tidak berasal dari penggunaan AI yang lebih banyak. Keunggulan tersebut berasal dari kemampuan untuk menetapkan batasan sebelum otomatisasi mulai mengikis margin, kepercayaan, dan keunikan pekerjaan.
Oleh karena itu, pertanyaan yang tepat bukanlah apakah akan mengadopsinya, melainkan seberapa banyak AI yang harus digunakan di perusahaan dalam setiap proses yang relevan. Kurva Laffer AI berfungsi tepat untuk hal ini: menemukan titik di mana otomatisasi meningkatkan produktivitas dan kecepatan tanpa menjerumuskan tim ke dalam perangkap B+, yaitu hasil yang cukup baik untuk lolos, tetapi terlalu generik untuk membedakan perusahaan tersebut.
Dalam praktiknya, AI sebaiknya digunakan di bidang-bidang yang dapat mempersingkat waktu, mengurangi pekerjaan yang berulang, dan menekan biaya verifikasi. Penggunaannya harus dihentikan jika kesalahan yang terjadi lebih besar dampaknya daripada waktu yang dihemat, jika konteks lebih penting daripada format, dan jika keputusan tersebut memiliki implikasi komersial atau reputasional.
Di sinilah terlihat kematangan manajerial.
Dalam siklus persaingan mendatang, perusahaan yang akan berhasil adalah mereka yang mampu menetapkan batasan yang jelas bagi AI. Bukan perusahaan yang menggunakannya di segala bidang, melainkan perusahaan yang tetap mempercayakan penilaian kepada manusia dan mengotomatiskan sisanya dengan disiplin.
Jika Anda ingin menerapkan pendekatan ini dengan platform yang mengotomatiskan analisis tanpa menghilangkan kendali Anda dalam pengambilan keputusan, kenali ELECTE, sebuah platform analisis data berbasis AI untuk UKM. Anda dapat melihat bagaimana platform ini mengubah data mentah menjadi wawasan yang dapat diterapkan, laporan otomatis, dan sinyal berguna untuk mengambil keputusan lebih cepat, tanpa sepenuhnya bergantung pada AI. Siap bertindak berdasarkan data Anda? Mulai uji coba gratis Anda →
.svg)
.svg)
.svg)
