Melampaui Produktivitas: Apakah Nilai Bisnis Nyata dari AI Agen?
Desktops
Generative AI telah mengubah cara kita berinteraksi dengan komputer, sementara Agentic AI sedang merevolusi cara kerja dilakukan. Pertanyaan penting sekarang adalah apakah cara kerja baru ini menghasilkan nilai bisnis yang dapat diukur.
MSI AI Insights Issue #001 mengeksplorasi mengapa AI berevolusi dari asisten berbasis prompt menuju agen AI otonom. Issue #002 mengeksplorasi pertanyaan selanjutnya: seiring AI menjadi bagian dari operasi bisnis sehari-hari, di mana beban kerja AI yang berbeda harus berjalan?
Issue #003 memindahkan percakapan dari teknologi dan infrastruktur ke nilai. Saat Agentic AI semakin mengambil alih pekerjaan daripada sekadar membantu, bisnis perlu mempertimbangkan bagaimana menilai nilai sejati dari kemampuan ini.
Artikel ini menawarkan pengenalan singkat tentang mengukur nilai bisnis nyata dari Agentic AI. Untuk kerangka kerja yang komprehensif, silakan lihat MSI AI Insights Edisi #003 — Melampaui Produktivitas: Mengukur Nilai Bisnis Nyata dari AI Agen.
Produktivitas Adalah Awal, Bukan Tujuan
Gelombang pertama AI bisnis membuat produktivitas menjadi ukuran sukses yang termudah. Metrik seperti berapa banyak waktu yang dihemat AI, seberapa cepat karyawan dapat menyusun dokumen, merangkum informasi, menghasilkan kode, menganalisis data, atau menyelesaikan tugas rutin menjadi fokus utama. Meskipun metrik ini berguna karena terlihat dan dapat diukur, produktivitas saja tidak menunjukkan bahwa AI telah menciptakan nilai bisnis nyata.
Misalnya, jika AI mengurangi tugas yang awalnya memakan waktu lima jam menjadi hanya tiga jam, itu menciptakan dua jam kapasitas tambahan. Pertanyaan pentingnya adalah: apa yang terjadi pada dua jam itu?
Jika karyawan memanfaatkan kapasitas itu untuk melayani lebih banyak pelanggan, meningkatkan kualitas, mengeksplorasi peluang baru, mempercepat peluncuran produk, atau mengatasi masalah yang sebelumnya diabaikan, nilai bermakna dapat muncul. Namun, jika waktu tambahan itu hanya diisi dengan lebih banyak aktivitas bernilai rendah, dampak aktual pada bisnis mungkin minimal. Oleh karena itu, kita perlu memperluas persamaan kita:
AI → Kapasitas yang Dibuat → Kapasitas yang Dialokasikan Ulang → Business Outcome
Pertanyaan penting beralih dari sekadar bertanya, "Berapa banyak lagi yang kita hasilkan?" ke penyelidikan yang lebih dalam: "Perbaikan apa yang dihasilkan dari peningkatan produktivitas kita?"
Dari Prompt Ekonomi ke Alur Kerja Ekonomi
Generative AI dimulai dengan interaksi yang relatif sederhana: Prompt → Respons
Asisten AI memperluas konsep ini dengan membantu pengguna dalam menyusun, meneliti, menganalisis, mengkode, dan mengambil informasi.
Agentic AI semakin mengembangkan hubungan ini. Dalam batasan izin dan kendala yang telah ditetapkan, sebuah agen AI dapat mengejar suatu tujuan melalui berbagai langkah. Bergantung pada implementasinya, agen tersebut dapat mengakses pengetahuan perusahaan, berinteraksi dengan aplikasi, mengoordinasikan tugas, memantau kondisi yang berubah, dan meneruskan keputusan ke pihak yang lebih tinggi ketika diperlukan penilaian manusia. Akibatnya, metrik yang kita gunakan untuk mengukur nilai ekonomi pun ikut berubah:
Chatbot → Biaya per Interaksi
Asisten AI → Nilai per Tugas
Agen AI → Nilai per Alur Kerja
Alih-alih hanya menghitung prompt, token, atau eksekusi agen, organisasi dapat bertanya apakah alur kerja menjadi lebih cepat, membutuhkan lebih sedikit penyerahan, mengurangi kesalahan, meningkatkan waktu respons, atau terus beroperasi ketika ketersediaan manusia terbatas.
Bagi CIO, CFO, dan pemimpin bisnis, pergeseran ini mendorong percakapan yang lebih bermakna. Hanya merekam sepuluh juta interaksi AI saja mungkin tidak secara akurat mencerminkan kinerja bisnis. Sebaliknya, alur kerja yang mengurangi waktu pemrosesan, meningkatkan kapasitas layanan, mengurangi pengerjaan ulang, atau memungkinkan pemantauan berkelanjutan menyajikan kasus bisnis yang jauh lebih jelas.
Oleh karena itu, AI Agen harus dievaluasi bukan berdasarkan seberapa otonom teknologi tersebut tampak, tetapi oleh bagaimana otonomi tersebut meningkatkan alur kerja bisnis yang bermakna.
Ekonomi Nyata dari Agen AI
Titik awal umum untuk ROI AI adalah: Jam yang Disimpan × Biaya Tenaga Kerja
Rumus ini berguna, terutama untuk tugas-tugas yang berulang dan berfrekuensi tinggi, tetapi hanya menangkap satu aspek nilai AI. Kasus bisnis yang lebih komprehensif dapat memperhitungkan empat area kunci:
- Nilai Langsung: Ini mencakup peningkatan yang dapat diukur seperti waktu yang dihemat, biaya pemrosesan yang lebih rendah, peningkatan throughput, dan pengurangan usaha manual.
- Nilai Operasional Tidak Langsung: Ini mencakup manfaat seperti konsistensi yang lebih besar, pengurangan pengerjaan ulang, pengambilan pengetahuan yang lebih cepat, kontinuitas operasional yang ditingkatkan, dan pengambilan keputusan yang lebih terinformasi.
- Nilai Peluang: Nilai ini muncul ketika AI membuatnya layak secara ekonomis untuk melakukan tugas-tugas yang mungkin tidak praktis dengan cara lain. Misalnya, tim dapat menganalisis ratusan komentar pelanggan alih-alih hanya sampel kecil, mengeksplorasi berbagai alternatif desain, mengungkap wawasan tersembunyi dalam informasi yang terfragmentasi, atau terus memantau data yang karyawan hanya dapat tinjau secara berkala.
- Biaya Ketidakaktifan: Mempertahankan model operasi saat ini juga dapat memiliki konsekuensi ekonomis. Pengambilan keputusan yang lebih lambat, penggunaan pengetahuan yang tidak efisien, peluang yang terlewat, gesekan operasional, dan perbedaan kemampuan yang melebar semuanya dapat berdampak negatif pada kinerja bisnis, bahkan jika biaya ini tidak langsung tercermin dalam anggaran AI.
Penting untuk dicatat bahwa tidak setiap investasi AI akan menghasilkan pengembalian positif, dan tidak setiap organisasi harus menerapkan setiap kemampuan AI. Namun, ekonomi AI harus mempertimbangkan tidak hanya biaya AI tetapi juga apa keuntungannya, dan apa yang mungkin hilang dengan tidak mengadopsinya.
Mengukur Nilai AI Perusahaan
Untuk melampaui produktivitas, organisasi membutuhkan kerangka kerja yang menghubungkan aktivitas AI dengan kinerja bisnis. MSI AI Insights menguraikan lima tingkat kerangka kerja ini:
- Efisiensi: Tingkat ini meneliti apakah tugas dapat diselesaikan lebih cepat atau dengan sumber daya yang lebih sedikit.
- E-Effectiveness: Di sini, fokus adalah pada apakah pekerjaan menjadi lebih baik—lebih akurat, konsisten, berguna, atau kurang bergantung pada pengerjaan ulang.
- E-Capability: Tingkat ini mengeksplorasi apa yang dapat dicapai organisasi sekarang yang sebelumnya menantang atau tidak praktis. Contoh meliputi pemantauan berkelanjutan, analisis pengetahuan skala besar, eksperimentasi cepat, dan alur kerja otonom multi-langkah.
- Hasil E-Business: Hal ini menghubungkan perbaikan yang dilakukan dengan hasil yang dapat diukur seperti pendapatan, biaya, risiko, ketahanan, time-to-market, hasil pelanggan, dan kapasitas inovasi.
- Nilai E-Human: Akhirnya, tingkat ini bertanya apakah AI memungkinkan orang untuk berkontribusi pada tingkat yang lebih tinggi. AI dapat mengurangi tugas-tugas berulang, meningkatkan akses ke pengetahuan, memungkinkan spesialis untuk fokus pada keputusan yang kompleks, atau memungkinkan tim yang lebih kecil untuk mengejar peluang yang sebelumnya membutuhkan sumber daya yang jauh lebih banyak.
Saat organisasi maju melalui hierarki nilai ini, metrik produktivitas sederhana menjadi semakin tidak memadai. Fokus beralih dari sekadar mengukur penggunaan AI untuk memahami bagaimana AI meningkatkan hasil.
AI with L.O.V.E.
Diskusi bisnis tentang AI sering berpusat pada efisiensi, otomatisasi, keamanan, dan biaya. Namun, seiring AI menjadi lebih terintegrasi dalam pekerjaan kita, muncul pertanyaan penting lainnya: Dalam hal apa AI harus membantu orang menjadi lebih baik?
Dalam bahasa Mandarin, “AI” terdengar seperti kata untuk “cinta” atau "love", sebuah ide yang menginspirasi MSI AI Insights untuk memperkenalkan "AI with L.O.V.E.," sebuah kerangka berpusat manusia yang dirancang untuk berpikir melampaui produktivitas semata:
- L — Listen (Mendengar): Mengerti orang, konteks, maksud, dan masalah yang mereka coba selesaikan.
- O — Open (Terbuka): Perluas akses ke pengetahuan, keahlian, dan kemampuan.
- V — Value (Bernilai): Alihkan upaya manusia dari tugas-tugas berulang ke area yang membutuhkan penilaian, kreativitas, dan pekerjaan tingkat lebih tinggi.
- E — Empower (Mendukung): Mampukan orang dan tim untuk mencapai lebih banyak dengan waktu, pengetahuan, dan sumber daya yang tersedia bagi mereka.
Bersama-sama, prinsip-prinsip membentuk urutan: Listen → Open → Value → Empower
"AI dengan L.O.V.E." melengkapi ROI tradisional dengan menambahkan dimensi manusia pada nilai bisnis. Tujuannya tidak hanya untuk membuat pekerjaan lebih efisien, tetapi untuk membantu orang berkontribusi pada tingkat yang lebih tinggi dan mencapai apa yang sebelumnya sulit atau tidak praktis.
Mulai dengan Alur Kerja, Bukan Teknologi
Organisasi seharusnya tidak mulai membangun kasus bisnis untuk AI Agen dengan memilih model, platform, atau infrastruktur. Sebaliknya, mereka harus mulai dengan alur kerja.
Pertama, identifikasi alur kerja tertentu dan nilai kinerja saat ini. Ukur perubahan yang dibawa AI ke alur kerja ini. Kemudian, hubungkan perbaikan ini dengan hasil bisnis nyata dan nilai manusia. Proses ini dapat dirangkum sebagai berikut:
Workflow → Evidence → Value → Accountability
Tujuannya bukan hanya untuk membuktikan bahwa AI bekerja, tetapi untuk mengidentifikasi di mana AI menciptakan nilai yang cukup terukur untuk membenarkan investasi berkelanjutan.
Poin-poin Utama
- Produktivitas adalah awal, bukan ukuran akhir dari nilai AI.
- Kapasitas yang dibuat hanya menjadi nilai ketika mengarah pada hasil yang lebih baik.
- AI Agen menggeser pengukuran dari biaya per interaksi menuju nilai per alur kerja.
- ROI AI mencakup nilai langsung, nilai operasional tidak langsung, nilai peluang, dan biaya tidak bertindak.
- Nilai AI berkembang dari Efisiensi → Efektivitas → Kemampuan → Hasil Bisnis → Nilai Manusia.
- AI dengan C.I.N.T.A. menambahkan perspektif berpusat pada manusia: Mendengarkan → Membuka → Menghargai → Memberdayakan.
- Pertanyaan utama bukanlah berapa banyak AI yang digunakan oleh suatu organisasi, tetapi apa nilai yang dapat diukur yang dihasilkan oleh AI tersebut.
Pertanyaan yang Sering Diajukan
Apa nilai bisnis nyata dari AI Agen?
AI Agen membuat nilai ketika kemampuannya untuk melakukan pekerjaan multi-langkah meningkatkan alur kerja bisnis yang bermakna. Ini mungkin termasuk eksekusi yang lebih cepat, lebih sedikit penyerahan, pengurangan ulang kerja, keputusan yang lebih baik, operasi berkelanjutan, kemampuan baru, atau hasil bisnis yang dapat diukur.
Mengapa produktivitas tidak cukup untuk mengukur ROI (Return on Investment) AI?
Produktivitas menunjukkan apakah pekerjaan menjadi lebih cepat atau lebih murah, tetapi tidak membuktikan bahwa hasil bisnis yang lebih baik terjadi. Waktu yang dihemat menjadi berharga ketika kapasitas yang dihasilkan meningkatkan kualitas, biaya, pendapatan, risiko, ketahanan, inovasi, atau hasil yang bermakna lainnya.
Bagaimana AI Agen mengubah kasus bisnis AI?
AI Agen dapat berpartisipasi di seluruh langkah-langkah alur kerja daripada hanya menanggapi prompt individu. Ini menggeser pengukuran dari biaya per interaksi dan waktu per tugas menuju nilai per alur kerja.
Apakah ROI AI terutama berasal dari pengurangan biaya tenaga kerja?
Tidak. Efisiensi tenaga kerja adalah salah satu komponen. AI juga dapat menciptakan nilai melalui kapasitas yang lebih besar, keputusan yang lebih baik, pengurangan ulang kerja, akses pengetahuan yang lebih kuat, operasi berkelanjutan, kemampuan baru, dan peluang yang sebelumnya tidak praktis.
Apa itu nilai peluang?
Nilai peluang mewakili pekerjaan atau peluang bisnis yang menjadi praktis karena AI mengubah biaya, kapasitas, atau kecepatan yang diperlukan—misalnya, menganalisis lebih banyak informasi, mengeksplorasi lebih banyak alternatif, atau terus memantau perubahan kondisi.
Apa itu AI Value Stack?
Ini mengevaluasi AI melalui lima tingkatan: Efisiensi → Efektivitas → Kemampuan → Hasil Bisnis → Nilai Manusia
Kerangka kerja ini membantu organisasi beralih dari mengukur aktivitas AI menuju mengukur dampak organisasi yang sebenarnya.
Apa itu AI dengan L.O.V.E.?
AI dengan L.O.V.E. adalah singkatan dari Listen, Open, Value, Empower. Ini adalah kerangka kerja berpusat pada manusia untuk mengevaluasi apakah AI memahami kebutuhan nyata, memperluas akses ke pengetahuan dan kemampuan, mendorong orang menuju pekerjaan bernilai lebih tinggi, dan memberdayakan mereka untuk mencapai lebih banyak.
Dari mana organisasi harus memulai?
Mulai dengan alur kerja tertentu. Tetapkan baseline saat ini, ukur apa yang diubah AI, hubungkan peningkatan tersebut dengan hasil bisnis, evaluasi nilai manusia, dan terus meninjau apakah investasi terus menciptakan nilai yang dapat diukur.
Ingin Mengeksplorasi Gambaran Penuh?
MSI AI Insights — Edisi #003
Temukan bagaimana organisasi dapat mengukur AI Agen melampaui produktivitas melalui hasil bisnis, nilai operasional, potensi manusia, dan ROI jangka panjang.
Edisi Sebelumnya
MSI AI Insights — Edisi #002
Jelajahi bagaimana strategi AI berbasis beban kerja mengubah tempat AI perusahaan berjalan dan bagaimana organisasi menyeimbangkan AI Cloud, AI Lokal, tata kelola, performa, dan nilai bisnis jangka panjang.
MSI AI Insights — Edisi #001
Memahami mengapa AI berkembang dari asisten berbasis prompt menjadi agen AI otonom dan bagaimana AI Agen membentuk ulang komputasi perusahaan.
Datang Berikutnya
MSI AI Insights — Edisi #004
Menggunakan Agen AI untuk Bekerja
Jelajahi kerangka praktis untuk mengubah strategi AI Agen menjadi penerapan bisnis dunia nyata.
Segera Hadir.
