Hampir setiap leadership team yang saya temui sedang membicarakan AI. Itu sangat wajar. Teknologinya bergerak cepat, contohnya terlihat di mana-mana, dan tidak ada organisasi yang ingin terlambat menyadari bahwa kompetitor telah belajar menggunakannya dengan lebih baik.
Namun urgency juga menciptakan risiko yang mudah diprediksi: AI itu sendiri mulai berubah menjadi tujuan.
Tim memulai dari tools. Mereka mengumpulkan use case. Mereka menjalankan pilot. Mereka bertanya berapa banyak karyawan yang sudah memakai AI. Aktivitas meningkat—tetapi pertanyaan bisnisnya kadang tetap tidak jelas.
Mulai dari persoalan bisnis
Sebelum membahas model, vendor, atau platform, saya lebih memilih bertanya apa yang sebenarnya ingin diperbaiki organisasi. Apakah constraint-nya revenue? Cost? Cycle time? Quality? Customer experience? Decision speed? Risk? Management capacity?
Jawabannya mengubah arah percakapan AI. Productivity tool, forecasting system, knowledge assistant, dan automated decision process sama-sama dapat menggunakan AI, tetapi cara mereka menciptakan nilai sama sekali berbeda.
Di sinilah business judgment menjadi penting. Organisasi perlu mengidentifikasi bukan hanya apa yang secara teknis mungkin dilakukan, tetapi apa yang secara ekonomi layak dikerjakan.
Value lebih dari sekadar use case yang menjanjikan
Peluang yang berguna harus mampu melewati beberapa pertanyaan. Seberapa besar masalahnya? Seberapa sering masalah itu terjadi? Berapa biaya proses saat ini? Apa yang akan membaik jika solusinya berhasil? Biaya baru apa yang akan muncul? Seberapa banyak human oversight yang tetap diperlukan?
Kadang-kadang peluang AI yang tampak glamor kehilangan daya tarik ketika economics-nya terlihat jelas. Sebaliknya, use case yang terlihat biasa—document review, internal knowledge retrieval, service triage, demand forecasting—dapat menghasilkan nilai jauh lebih besar karena menyentuh proses dengan volume tinggi.
Adoption adalah bagian dari strategi
Bahkan solusi teknis yang kuat dapat gagal jika orang tidak menggunakannya dengan benar. Karena itu saya tidak melihat adoption sebagai communication exercise di akhir proyek.
AI dapat mengubah role, workflow, decision rights, capability requirement, dan accountability. Leader perlu menentukan apa yang tetap harus dimiliki manusia, di mana human review wajib dilakukan, skill baru apa yang dibutuhkan, dan bagaimana performance akan diukur.
Jika pertanyaan-pertanyaan itu diabaikan, organisasi sering berakhir dengan pilot yang secara teknis bekerja tetapi tidak pernah menjadi operating capability yang dapat diandalkan.
Governance seharusnya memungkinkan—bukan hanya membatasi
Governance kadang diperkenalkan sebagai fungsi yang tugasnya mengatakan tidak. Menurut saya itu terlalu sempit. Good governance membantu organisasi bergerak dengan keyakinan lebih tinggi karena batasannya lebih jelas.
Privacy, security, reliability, bias, intellectual property, regulatory exposure, dan reputational risk perlu dipertimbangkan sesuai dengan keputusan yang diotomatisasi atau didukung. Tingkat control untuk internal drafting assistant tentu tidak sama dengan control untuk credit decision, rekomendasi medis, atau employment decision.
Disiplin eksekutif
Bagi saya, strategi AI pada akhirnya kembali pada pilihan yang disiplin: masalah mana yang layak mendapat perhatian, use case mana yang layak mendapat investasi, risk mana yang harus dikendalikan, capability apa yang harus dibangun, dan eksperimen mana yang sebaiknya dihentikan.
Mungkin terdengar kurang menarik dibanding technology showcase. Namun justru di situlah AI mulai berubah menjadi business capability, bukan sekadar gelombang eksperimen berikutnya.
Saya membagikan refleksi ini sebagai titik awal yang praktis, bukan sebagai pengganti judgment yang spesifik terhadap konteks. Jika organisasi Anda sedang menghadapi pertanyaan serupa, mulai percakapan dengan saya →