AI Bukan Lagi Hanya Soal Adopsi: Mengapa Perusahaan Indonesia Harus Mulai Mengukur ROI

Sebuah perusahaan membeli beberapa lisensi AI. Karyawan mulai memakai copilots. Tim teknologi membuat chatbot internal. Satu divisi mencoba otomatisasi dokumen.

Enam bulan kemudian, CEO menanyakan pertanyaan yang kelihatannya sederhana:

Apa hasilnya?

Jawabannya sering kali jauh lebih sulit daripada menjelaskan apa yang telah dibeli.

AI sedang bergerak dari fase eksperimentasi menuju fase pembuktian. IDC memperkirakan 45% use case berbasis AI di kawasan Asia-Pacific/Japan pada 2026 tidak akan mencapai target return on investment karena definisi nilai yang tidak jelas dan fondasi data yang lemah.[1] Angka itu adalah prediksi regional, bukan tingkat kegagalan perusahaan Indonesia, tetapi pesannya relevan: antusiasme teknologi tidak otomatis berubah menjadi nilai bisnis.

Cross-check Gartner menunjukkan masalah serupa pada domain infrastructure and operations. Dari 782 pemimpin I&O yang disurvei, hanya 28% use case AI yang dinilai sepenuhnya berhasil sekaligus memenuhi ekspektasi ROI; 20% gagal. Kualitas data, ketersediaan data, dan kesenjangan skill termasuk penyebab setback yang paling sering disebut.[2]

Untuk perusahaan Indonesia, pertanyaan berikutnya bukan apakah AI menarik.

Pertanyaannya adalah AI mana yang layak dibiayai, dipertahankan, dan diperluas.

Memakai AI bukan berarti melakukan transformasi AI

Jumlah akun AI bukan ukuran transformasi.

Begitu pula jumlah prompt, chatbot, atau pilot project.

Seorang karyawan yang menggunakan generative AI untuk merangkum dokumen mungkin menghemat 15 menit. Itu bermanfaat. Tetapi perusahaan belum bisa menyebutnya ROI sebelum memahami apakah waktu tersebut benar-benar berubah menjadi kapasitas produktif, pendapatan, kualitas yang lebih baik, atau biaya yang lebih rendah.

Perbedaan ini penting karena AI memiliki biaya yang lebih luas daripada subscription.

Ada integrasi sistem, data cleaning, keamanan, training, governance, change management, monitoring, serta waktu manusia untuk memeriksa output.

Dalam praktiknya:

gross productivity gain ≠ net business value.

Jika AI menghemat 1.000 jam tetapi membutuhkan ratusan jam untuk verifikasi tambahan, integrasi, dan perbaikan kesalahan, manfaat ekonominya perlu dihitung setelah biaya tersebut.

Mulai dari masalah, bukan dari model

Banyak organisasi memulai dengan pertanyaan:

“Apa yang bisa kita lakukan dengan AI?”

Pertanyaan yang lebih disiplin adalah:

“Masalah bisnis apa yang cukup mahal atau cukup penting sehingga layak diselesaikan dengan AI?”

Misalnya, perusahaan memiliki 30.000 invoice per bulan dan proses pengecekan manual menyebabkan pembayaran terlambat.

Itu adalah masalah yang dapat diukur.

Ada volume transaksi.

Ada waktu proses.

Ada jumlah kesalahan.

Ada biaya tenaga kerja.

Ada dampak terhadap working capital.

Barulah teknologi masuk.

Sebaliknya, proyek bernama “AI assistant for everyone” jauh lebih sulit dievaluasi apabila perusahaan belum menentukan perilaku atau proses apa yang ingin diperbaiki.

Ukur keadaan sebelum AI masuk

ROI membutuhkan baseline.

Jika perusahaan ingin mengatakan AI mengurangi waktu proses 30%, perusahaan harus mengetahui berapa waktu proses sebelumnya.

Jika ingin mengatakan customer service membaik, catat terlebih dahulu:

• response time;

• resolution time;

• escalation rate;

• repeat contacts;

• cost per interaction;

• customer satisfaction bila tersedia.

Untuk fungsi finance:

• waktu rekonsiliasi;

• days sales outstanding;

• error rate;

• processing cost;

• manual hours.

Untuk operasi:

• downtime;

• defect rate;

• throughput;

• inventory variance;

• forecast error.

Tanpa baseline, perusahaan berisiko mengukur AI menggunakan kesan:

“Tim merasa lebih cepat.”

Kesan dapat menjadi petunjuk. Bukan ROI.

The GATICORP AI Value Test

Sebelum memperluas sebuah AI use case, kami menyarankan lima pertanyaan.

1. Problem

Masalah apa yang sedang diselesaikan?

Harus cukup spesifik sehingga seseorang dapat mengetahui kapan masalah tersebut membaik.

“Improve productivity” terlalu luas.

“Reduce average invoice validation time from eight minutes to four minutes” jauh lebih mudah diuji.

2. Baseline

Berapa biaya masalah tersebut sekarang?

Biaya dapat berupa uang, waktu, kehilangan penjualan, kesalahan, risiko, atau kapasitas yang tertahan.

3. Value

Apa perubahan yang dapat diukur setelah AI digunakan?

Nilai tidak selalu berarti revenue baru.

Mengurangi fraud, mempercepat closing, menekan downtime, atau meningkatkan conversion dapat sama relevannya.

Tetapi perusahaan perlu menentukan metric sebelum pilot dimulai.

4. Risk

Apa yang terjadi ketika AI salah?

Kesalahan dalam rekomendasi internal tidak memiliki konsekuensi yang sama dengan kesalahan dalam keputusan kredit, diagnosis kesehatan, kontrak hukum, atau komunikasi kepada publik.

Semakin besar konsekuensinya, semakin kuat kebutuhan akan kontrol manusia, dokumentasi, monitoring, dan batas penggunaan.

5. Scale

Apakah value tetap positif ketika pilot menjadi sistem perusahaan?

Pilot dengan 50 pengguna dapat terlihat murah.

Lima ribu pengguna membawa biaya inference, integration, security, support dan governance yang berbeda.

AI yang berhasil dalam demo belum tentu ekonomis ketika diskalakan.

Framework ini merupakan alat analisis editorial GATICORP, bukan standar regulator.

Jangan keliru mengukur productivity sebagai ROI

Misalkan seorang desainer menyelesaikan konsep awal 40% lebih cepat menggunakan AI.

Itu productivity gain.

Untuk menjadi financial return, perusahaan masih perlu bertanya:

Apa yang terjadi dengan waktu yang dihemat?

Apakah desainer menghasilkan lebih banyak project?

Apakah lead time pelanggan turun?

Apakah perusahaan mengurangi outsourcing?

Apakah kualitas turun sehingga revisi meningkat?

Apakah margin proyek naik?

Jika tidak ada perubahan ekonomis atau strategis, manfaatnya tetap nyata—tetapi mungkin lebih tepat disebut peningkatan produktivitas daripada ROI finansial.

Perbedaan istilah ini membantu manajemen membuat keputusan investasi yang lebih jernih.

Data yang buruk dapat membuat AI mempercepat masalah

Gartner menemukan 38% pemimpin I&O yang mengalami setback menyebut buruknya kualitas atau ketersediaan data sebagai penyebab langsung kegagalan AI.[2] Komdigi juga telah menempatkan kualitas dan tata kelola data sebagai salah satu tantangan penting implementasi AI perusahaan.[6]

AI tidak memperbaiki database pelanggan yang penuh duplikasi hanya karena modelnya lebih canggih.

Ia dapat memproses data buruk dengan lebih cepat.

Perusahaan perlu menentukan:

• data apa yang digunakan;

• siapa pemiliknya;

• apakah data akurat;

• apakah penggunaannya diperbolehkan;

• siapa yang dapat mengaksesnya;

• berapa lama data disimpan;

• bagaimana output diverifikasi.

Karena itu, anggaran AI yang seluruhnya diarahkan ke model tetapi hampir tidak menyediakan resources untuk data governance sering kali memiliki fondasi yang terbalik.

Human in the loop bukan tanda AI gagal

Salah satu kesalahan narasi transformasi AI adalah menganggap semakin sedikit manusia semakin bagus.

Tidak selalu.

Komdigi menekankan pentingnya pendekatan human in the loop, khususnya karena nilai AI baru muncul ketika teknologi berjalan bersama peningkatan kapasitas manusia.[6]

Untuk pekerjaan berisiko rendah, otomasi penuh mungkin masuk akal.

Untuk keputusan dengan konsekuensi finansial, hukum, keselamatan atau reputasi, review manusia dapat menjadi bagian dari desain sistem.

Yang perlu diukur justru:

berapa banyak human review yang dibutuhkan agar output cukup aman?

Jika setiap hasil AI membutuhkan pemeriksaan 30 menit untuk menghemat pekerjaan manual 20 menit, use case tersebut perlu dipertanyakan.

Jangan biarkan pilot hidup selamanya

Pilot dirancang untuk menjawab pertanyaan.

Bukan menjadi status permanen.

Setiap proyek AI sebaiknya memiliki tiga kemungkinan hasil:

Scale. Modify. Stop.

Scale jika value terbukti dan risiko terkendali.

Modify jika masalahnya menjanjikan tetapi workflow, data atau model perlu diperbaiki.

Stop jika setelah periode yang wajar manfaatnya tidak mampu membenarkan biaya dan risikonya.

Menghentikan pilot yang gagal bukan kegagalan strategi.

Mempertahankannya selama dua tahun karena tidak ada yang berani mengatakan “tidak bekerja” justru lebih mahal.

Agentic AI menaikkan standar pengukuran risiko

Tahap berikutnya lebih rumit.

AI bukan hanya memberikan jawaban, tetapi dapat diberikan kemampuan mengambil tindakan: membuat tiket, mengubah data, mengirim komunikasi, menjalankan workflow, bahkan berinteraksi dengan sistem lain.

Gartner menemukan 80% CEO dalam surveinya memperkirakan AI akan memaksa perubahan sedang hingga tinggi pada kapabilitas operasional organisasi.[3] Perubahan tersebut berarti governance harus ikut bergerak dari sekadar “siapa boleh menggunakan AI?” menjadi “tindakan apa yang boleh dilakukan AI, dengan data apa, dan siapa yang bertanggung jawab?”.

Pada agentic system, ROI tidak dapat dipisahkan dari cost of control.

Perusahaan perlu mempertimbangkan:

• permission boundaries;

• approval thresholds;

• audit logs;

• rollback mechanisms;

• exception handling;

• human escalation.

Semakin otonom sistemnya, semakin penting kontrol tersebut.

Indonesia juga sedang memasuki fase governance

Berdasarkan pembaruan resmi pemerintah per 28 Juli, pembahasan lintas kementerian atas Peta Jalan AI Nasional dan kerangka Etika AI telah selesai dan menunggu penetapan Presiden. Komdigi menyebut Perpres sebagai langkah awal sebelum kemungkinan UU AI yang lebih komprehensif.[4][5]

Perusahaan tidak perlu menunggu regulasi final untuk mulai membangun governance.

Sebaliknya, sekarang adalah waktu yang tepat untuk mengetahui:

AI digunakan di mana?

Data apa yang masuk?

Vendor mana yang digunakan?

Siapa pemilik business use case?

Apakah manusia tetap mengambil keputusan akhir?

Apa yang terjadi jika output salah?

Dokumentasi seperti itu akan tetap berguna terlepas dari bentuk final regulasi.

AI yang baik harus terlihat pada bisnis, bukan hanya pada demo

Tidak semua manfaat AI harus muncul sebagai penghematan biaya.

Sebuah sistem dapat meningkatkan kecepatan, customer experience, kualitas keputusan, ketahanan operasional atau kemampuan menghasilkan produk baru.

Tetapi manfaat tersebut tetap harus dinyatakan secara spesifik.

AI strategy yang sehat bukan kompetisi siapa paling banyak memiliki tools.

Ia adalah proses mengalokasikan modal dan perhatian manajemen kepada use case yang menghasilkan value cukup besar untuk membenarkan biaya, perubahan organisasi dan risikonya.

Pertanyaan yang paling berguna pada 2026 mungkin bukan:

“Seberapa advanced AI kita?”

Melainkan:

“Apa yang menjadi lebih baik setelah AI masuk—dan dapatkah kita membuktikannya?”

Ketika perusahaan mampu menjawab pertanyaan itu dengan angka, workflow dan accountability yang jelas, AI berhenti menjadi eksperimen teknologi.

Ia mulai menjadi investasi bisnis.