AI untuk Bisnis: Jangan Mulai dari Tools, Mulai dari Masalah

Penerapan AI untuk bisnis di banyak perusahaan dimulai dari tools. Padahal, tools AI baru berguna jika perusahaan paham masalah apa yang paling perlu diselesaikan. Penggunaan AI dalam bisnis sebaiknya dimulai dari masalah, supaya penerapannya tidak berhenti di tahap uji coba yang terus diulang.

Menggunakan AI juga tidak otomatis membuat proses kerja lebih baik. AI akan sia-sia jika masalahnya ada pada alur kerja dan wewenang yang berantakan. Karena itu, pahami dulu apa yang bisa dan tidak bisa dilakukan AI untuk bisnis. Artikel ini membantu Anda menerapkan AI secara tepat dengan berfokus pada masalah, lalu memilih tools yang sesuai di tahap akhir.

Apa yang Bisa dan Tidak Bisa Dilakukan AI untuk Bisnis?

AI untuk bisnis adalah pemanfaatan kecerdasan buatan untuk membantu pekerjaan berjalan lebih cepat, konsisten, dan berbasis data, terutama pada tugas berulang bervolume besar. AI unggul dalam mengolah data, tetapi belum bisa menggantikan pertimbangan etis, negosiasi, maupun tanggung jawab hukum.

Menurut TechTarget, kecerdasan buatan adalah simulasi kecerdasan manusia oleh mesin, terutama sistem komputer, yang bekerja dengan memproses dan menganalisis data dalam jumlah besar. Di dunia bisnis, bentuk yang paling banyak ditemui adalah machine learning dan deep learning. Business News Daily juga menegaskan bahwa AI tidak dirancang untuk menggantikan kecerdasan dan kreativitas manusia. AI berperan sebagai alat yang memperkuat kemampuan tersebut.

Adopsinya pun sudah meluas, survei Reimagine Main Street terhadap hampir 1.000 bisnis kecil pada Mei 2025 menunjukkan 76% bisnis sudah memakai atau sedang menjajaki AI, dan 25% di antaranya sudah mengintegrasikan AI ke operasional harian. Pertanyaannya bukan lagi perlu atau tidak memakai AI, melainkan untuk apa AI dipakai.

Beberapa tugas memang sangat cocok dikerjakan AI, dan dari tugas-tugas inilah sebagian besar manfaat AI untuk bisnis berasal, misalnya:

• Mengotomatiskan entri dan pengolahan data, sehingga tim bisa fokus pada pekerjaan strategis.
• Menganalisis data dalam jumlah besar untuk menemukan pola dan wawasan bagi pengambilan keputusan.
• Menjawab pertanyaan pelanggan yang berulang dengan cepat dan konsisten.
• Mempersonalisasi pemasaran, seperti rekomendasi produk berdasarkan perilaku belanja.
• Memprediksi permintaan dari data historis untuk membantu manajemen stok.
• Menyusun draf awal laporan dan merangkum informasi panjang.

Di sisi lain, AI kurang bisa diandalkan untuk keputusan yang membutuhkan pertimbangan etis, negosiasi, serta tanggung jawab hukum.

Dari sini ada pelajaran penting. Berhenti bertanya “AI bisa melakukan apa?” dan ganti dengan “Di area mana AI benar-benar berdampak bagi bisnis?”. Pertanyaan pertama hanya menghasilkan daftar panjang, sedangkan pertanyaan kedua mengarah ke keputusan. Dengan memahami batas pemakaian AI, Anda tidak membuang anggaran untuk area yang tidak layak diselesaikan dengan AI.

Mengapa Memulai dari Tools Sering Berujung Sia-sia?

Memulai dari tools sering berujung sia-sia karena tools dipilih sebelum masalahnya jelas. Akibatnya, uji coba AI berhenti di tahap percobaan dan tidak pernah menjadi praktik rutin. Urutan yang lebih rasional adalah masalah, akar masalah, peluang AI, baru kemudian tools.

Tools sering dipakai hanya karena tampak menjanjikan. Lalu tools itu ditinggalkan karena dirasa tidak membantu pekerjaan. Uji coba AI pun berhenti dan tidak pernah berkembang menjadi praktik rutin di pekerjaan lain.

Karena itu, ubah pola pikirnya. Mulailah dengan menentukan masalah bisnis dan akar masalahnya. Setelah itu, temukan proses mana yang bermasalah dan seperti apa peluang AI serta use case-nya. Terakhir, tetapkan tools AI yang paling sesuai. Jadi, tools ada di akhir, bukan di awal.

Hati-hati juga agar tidak menyamakan masalah dengan gejala, kekeliruan yang paling sering terjadi dalam problem solving. Laporan yang selalu terlambat, misalnya, barulah gejala. Akar masalahnya bisa lebih kompleks: data tersebar di banyak tempat, format laporan tidak konsisten, dan persetujuan menumpuk di satu orang. Ketiganya butuh solusi berbeda, dan hanya sebagian yang perlu dibantu AI.

Perusahaan yang memulai penerapan AI dari masalah juga lebih mudah mengukur keberhasilannya, karena sejak awal tahu apa yang mesti diperbaiki. Pemakaian AI menjadi lebih tepat sasaran dan berdampak.

Masalah Bisnis Seperti Apa yang Layak Dibantu AI?

Masalah bisnis yang layak dibantu AI umumnya memenuhi empat kriteria: pekerjaannya berulang, memakan waktu dan tenaga, polanya cukup jelas untuk dipelajari, dan berdampak nyata pada biaya atau pendapatan. Harvard Business Review menegaskan bahwa tidak semua masalah perlu diselesaikan dengan AI.

Penilaiannya dilakukan dalam dua tahap. Tahap pertama menjawab pertanyaan “apakah masalah ini cocok dibantu AI?”. Tahap kedua menjawab “di antara masalah yang cocok, mana yang dikerjakan lebih dulu?”. Memisahkan keduanya mencegah Anda mencampuradukkan kecocokan teknis dengan nilai bisnis.

Berikut empat kriteria untuk tahap pertama:

• Pekerjaan yang sering berulang. Pekerjaan repetitif, apalagi yang dilakukan setiap hari, adalah kandidat paling jelas untuk otomasi dengan AI.
• Pekerjaan yang memakan waktu dan tenaga. Contohnya memasukkan data yang sama berkali-kali ke banyak sistem berbeda.
• Pola kerja cukup jelas untuk dipelajari. Pekerjaan dengan ritme dan pola spesifik bisa dipelajari AI sehingga prosesnya lebih cepat.
• Berdampak nyata pada hasil bisnis. Masalahnya punya dampak spesifik terhadap biaya maupun pendapatan.

Dalam praktiknya, berikut contoh masalah dan penerapan artificial intelligence yang memenuhi kriteria tersebut di berbagai bidang:

Catatan untuk penggunaan AI dalam rekrutmen. Penyaringan CV memenuhi kriteria teknis, tetapi bukan use case yang ideal untuk eksperimen tanpa tata kelola. Jika tetap dijalankan, pastikan empat pengaman berikut:

• AI hanya membantu. AI bekerja di dalam proses seleksi yang sudah ditetapkan perusahaan dan tidak menentukan alurnya sendiri.
• Kriteria relevan dengan pekerjaan. Kriteria penyaringan harus berkaitan langsung dengan pekerjaan dan tidak memakai faktor yang tidak relevan, seperti usia, jenis kelamin, agama, asal daerah, atau foto.
• Manusia tetap memutuskan. Keputusan lolos atau tidaknya kandidat tetap diambil manusia.
• Bias diperiksa berkala. Lakukan pemeriksaan rutin, misalnya dengan membandingkan tingkat kelolosan antarkelompok kandidat.

Karena risikonya tinggi, use case ini sebaiknya tidak dijadikan uji coba AI pertama perusahaan.

Cara Memprioritaskan Masalah yang Lolos Kriteria

Setelah masalah dinyatakan cocok dibantu AI, prioritaskan dengan menilai dampak bisnis, urgensi, kelayakan, dan risikonya. Masalah dengan dampak jelas dan risiko terkendali sebaiknya dikerjakan lebih dulu, karena bukti keberhasilannya bisa diperoleh lebih cepat.

Untuk menentukan masalah mana yang diprioritaskan, gunakan empat kriteria berikut:

Cara sederhananya, beri skor 1–5 untuk setiap kriteria, dengan catatan risiko dinilai terbalik (risiko rendah mendapat skor tinggi). Jangan jadikan masalah berdampak besar dengan kelayakan sangat rendah sebagai prioritas pertama. Setelah masalah prioritas ditentukan, petakan prosesnya, misalnya dengan flowchart, untuk menemukan titik intervensi yang tepat.

Kapan AI Bukan Solusi yang Tepat?

AI bukan solusi yang tepat ketika akar masalahnya ada pada proses, data belum siap, volume kerja kecil, risiko kesalahan tinggi, atau koordinasi tim. Pada kondisi ini, perbaikan alur kerja atau wewenang sering lebih efektif dan jauh lebih murah daripada menambah teknologi.

McKinsey & Company menyoroti bahwa banyak bisnis tidak memulai penerapan AI dari masalah yang paling penting. Jika asal memakai tools, Anda bisa lupa bahwa tidak semua masalah memerlukan AI. Kadang yang dibutuhkan hanyalah perbaikan proses atau wewenang.

Berikut kondisi ketika AI sebaiknya tidak menjadi pilihan pertama:

• Masalah utama ada pada proses, bukan kapasitas. Persetujuan sering tersendat karena prosesnya bertingkat dan bertele-tele. Masalah ini cukup diselesaikan dengan menyederhanakan alur, tanpa teknologi tambahan.
• Data belum siap. AI bekerja dari data, sehingga kondisi data mutlak penting. Data yang tersebar, tidak konsisten, dan tidak lengkap bisa memicu halusinasi AI, yaitu jawaban yang terdengar meyakinkan tetapi keliru.
• Volume pekerjaan kecil. Teknologi AI butuh biaya penyiapan dan perawatan yang tidak sedikit. Jika pekerjaannya hanya berjalan beberapa kali sebulan, biayanya tidak sepadan.
• Risiko kesalahan tinggi. AI membantu pekerjaan, tetapi tidak bisa mengambil alih peran memutuskan. Keputusan terkait keselamatan, kepatuhan, dan hak orang lain tetap butuh tanggung jawab manusia. Memahami dampak negatif artificial intelligence membantu Anda menakar risiko ini sejak awal.
• Sumber masalah ada pada manusia. Teknologi secanggih apa pun tidak akan membantu jika akar masalahnya adalah koordinasi tim yang buruk atau tujuan tim yang tidak selaras. Kondisi seperti ini lebih membutuhkan change management daripada teknologi baru.

Mengenali kondisi ini membantu Anda menghemat biaya dan menjaga kepercayaan tim. Satu kali kegagalan uji coba AI sering membuat perusahaan enggan mencobanya lagi. Keputusan untuk tidak memakai AI sama validnya dengan keputusan memakainya, selama didasari analisis yang jelas.

Dari Masalah Bisnis Menjadi Peluang AI

Mengubah masalah bisnis menjadi peluang AI dilakukan lewat empat langkah: merumuskan masalah secara spesifik, menelusuri akar penyebab, menentukan titik paling menghambat, lalu menilai apakah AI memang intervensi yang tepat. Ukuran keberhasilannya perlu ditetapkan sebelum inisiatif dimulai.

Misalnya, perusahaan menghadapi keluhan pelanggan yang lambat ditangani. Berikut cara menghubungkannya ke peluang AI:

1. Rumuskan masalah dengan jelas. Daripada sekadar bilang “Kita butuh chatbot”, rumuskan menjadi “Keluhan pelanggan yang terlalu lama direspons menurunkan tingkat kepuasan pelanggan”.
2. Telusuri akar penyebab. Misalnya ada tiga penyebab: pesan menumpuk, informasi produk sulit ditemukan, dan alur eskalasi tidak jelas. Ketiganya butuh intervensi berbeda.
3. Tentukan titik yang paling menghambat. Tidak semua penyebab butuh AI. Dalam contoh ini, titik paling menghambat adalah penumpukan pesan dan sulitnya mencari info produk.
4. Nilai apakah AI intervensi yang tepat. Penumpukan pesan bisa ditangani dengan chatbot, sementara AI juga bisa merangkum info produk yang relevan bagi pelanggan. Alur eskalasi yang tidak jelas cukup diperbaiki lewat proses.

Sebelum memutuskan inisiatif apa pun, tentukan ukuran keberhasilan secara spesifik sejak awal, idealnya dituangkan dalam business case, yaitu angka apa yang diharapkan berubah dan dalam berapa lama. Dengan begitu, keberhasilan AI bisa dinilai secara jujur, bukan sekadar dugaan.

Contoh Business Case Sederhana

Melanjutkan contoh di atas, berikut gambaran business case dari diagnosis sampai keputusan. Angka di bawah ini ilustrasi untuk menunjukkan cara berhitung, bukan hasil riset.

• Diagnosis. Tim layanan pelanggan menghabiskan sekitar 100 jam per bulan untuk menjawab pertanyaan berulang. Keterlambatan juga dipicu informasi produk yang tersebar dan alur eskalasi yang tidak jelas.
• Pemilihan intervensi. Rapikan basis pengetahuan dan alur eskalasi lebih dulu. Setelah itu, uji AI selama 60 hari untuk membantu menjawab pertanyaan rutin, dengan target mengurangi beban kerja tersebut sebesar 30%.
• Penghematan waktu bersih. Jika target tercapai, beban kerja berkurang 30 jam per bulan. Kurangi dengan waktu untuk mengawasi dan mengoreksi jawaban AI, misalnya 5 jam per bulan. Hasilnya, ada 25 jam kapasitas kerja yang dibebaskan setiap bulan. Angka ini belum sama dengan penghematan uang: jika gaji tim tetap, biaya perusahaan tidak otomatis turun.
• Konversi ke nilai bisnis. Kapasitas yang dibebaskan baru bernilai finansial jika dipakai lewat salah satu jalur berikut:
  
  • Lembur berkurang. Nilainya adalah biaya lembur yang tidak lagi dibayarkan.
  • Kebutuhan tenaga tambahan bisa dihindari. Misalnya volume pertanyaan naik, tetapi tim tidak perlu menambah orang. Nilainya adalah biaya rekrutmen dan gaji yang tidak dikeluarkan.
  • Waktu dialihkan ke pekerjaan bernilai lebih tinggi. Contohnya menangani kasus kompleks atau menindaklanjuti pelanggan yang berisiko berhenti berlangganan. Nilainya diukur dari metrik pekerjaan tersebut, misalnya tingkat retensi.
• Tentukan sejak awal jalur mana yang dituju, lalu bandingkan nilainya dengan total biaya langganan tools, implementasi, dan penanganan kesalahan.
• Pengukuran. Bandingkan waktu respons pertama, tingkat penyelesaian tanpa eskalasi, tingkat jawaban keliru, dan kepuasan pelanggan sebelum serta sesudah uji coba.
• Keputusan. Perluas penerapan hanya jika target tercapai, tingkat jawaban keliru masih di bawah ambang yang disepakati, dan nilai bisnis yang benar-benar terwujud melebihi total biaya.

Alur seperti ini membuat diskusi dengan pimpinan berpindah dari “apakah AI keren?” menjadi “apakah investasi ini sepadan?”.

Contoh Tools AI untuk Bisnis Berdasarkan Masalahnya

Tools AI baru relevan dipilih setelah masalah dan titik intervensinya jelas. Pemilihan dimulai dari jenis masalah yang ingin diselesaikan, lalu dicocokkan dengan kategori tools-nya, bukan sebaliknya. Berikut contoh pemetaan tools AI yang umum dipakai perusahaan.

Setiap contoh di bawah ini memuat masalah yang dijawab, cara kerja AI-nya, hal yang perlu dicek sebelum memilih, dan KPI untuk mengukur hasilnya. Satu masalah biasanya punya beberapa alternatif tools, jadi perlakukan daftar ini sebagai contoh, bukan satu-satunya pilihan.

1. Pertanyaan Pelanggan Menumpuk: Zendesk

Zendesk cocok untuk masalah pertanyaan pelanggan yang menumpuk dan waktu respons yang lambat. AI di Zendesk bekerja di dua lapis: AI agents yang menangani percakapan dengan pelanggan dari awal sampai akhir, dan Copilot yang membantu agen manusia lewat saran balasan, ringkasan percakapan, dan pemilahan tiket.

Cek sebelum memilih: kualitas basis pengetahuan (AI hanya sebaik artikel bantuan yang tersedia), mekanisme eskalasi ke agen manusia, integrasi dengan kanal yang dipakai pelanggan, serta model biaya, karena Copilot dijual sebagai add-on.‍

KPI: waktu respons pertama, tingkat penyelesaian tanpa eskalasi, dan kepuasan pelanggan.

2. Data Leads dan Campaign Tersebar: HubSpot

HubSpot cocok ketika data leads, campaign, dan interaksi pelanggan tersebar di banyak tempat sehingga tim penjualan dan pemasaran sulit menindaklanjuti dengan cepat. Fitur AI-nya kini dihimpun di bawah nama Breeze, yang mencakup Breeze Assistant sebagai asisten percakapan, Breeze Agents untuk mengotomatiskan alur kerja multi-langkah, dan Breeze Intelligence untuk memperkaya data.

Cek sebelum memilih: apakah HubSpot akan menjadi sumber data pelanggan utama, seberapa bersih data yang akan dimigrasi, dan anggaran HubSpot Credits, karena sebagian fitur AI lanjutan memakai kredit di luar biaya langganan.

‍KPI: waktu tindak lanjut leads, rasio konversi leads ke deal, dan waktu penyusunan laporan campaign.

3. Keputusan Lambat karena Laporan Manual: Tableau

Tableau cocok ketika pimpinan menunggu laporan disusun manual sebelum bisa mengambil keputusan. Tableau Pulse memantau metrik bisnis secara otomatis dan mengirim pemberitahuan saat ada perubahan, sedangkan Tableau Agent memungkinkan pengguna bertanya tentang data dengan bahasa sehari-hari.

Cek sebelum memilih: apakah definisi metrik sudah disepakati lintas tim, seberapa rapi sumber datanya, dan apakah perusahaan memakai Tableau Cloud, karena Pulse berjalan di Tableau Cloud.

‍KPI: waktu dari data tersedia hingga keputusan diambil dan jumlah laporan yang masih disusun manual.

4. Hasil Rapat Tidak Tercatat dan Tindak Lanjut Hilang: Notta

Notta cocok ketika keputusan rapat tidak terdokumentasi dan tindak lanjutnya terlupakan. Notta merekam, mentranskripsikan, dan merangkum rapat di Zoom, Google Meet, Microsoft Teams, dan Webex, lengkap dengan daftar action item. Jika dihubungkan ke kalender, bot Notta bisa otomatis bergabung ke rapat yang terjadwal.

Cek sebelum memilih: kebijakan kerahasiaan rapat, persetujuan peserta untuk direkam, dan akurasi transkripsi untuk percakapan berbahasa Indonesia yang bercampur istilah asing.

‍KPI: persentase action item yang selesai tepat waktu dan waktu yang dihemat untuk menyusun notulen.

5. Produksi Konten Media Sosial Tidak Konsisten: Buffer

Buffer AI cocok untuk tim kecil yang kesulitan menjaga konsistensi posting di banyak platform. AI Assistant di Buffer membantu membuat ide, memperhalus draf, dan menyesuaikan satu konten untuk platform berbeda, lalu kontennya bisa langsung dijadwalkan dari tempat yang sama.

Cek sebelum memilih: apakah tim sudah punya panduan brand voice, dan siapa yang meninjau konten hasil AI sebelum dipublikasikan.

‍KPI: konsistensi jadwal posting, waktu produksi per konten, dan tingkat engagement.

6. Mengelola Risiko AI di Perusahaan Besar: IBM watsonx

IBM Watson berbeda dari lima contoh sebelumnya karena bukan aplikasi siap pakai. watsonx adalah platform untuk membangun solusi AI sendiri (watsonx.ai), mengelola data untuk AI (watsonx.data), dan mengatur risiko serta kepatuhan AI (watsonx.governance). Platform ini relevan bagi perusahaan besar atau sektor teregulasi, seperti keuangan dan kesehatan, yang perlu memantau dan mengaudit model AI-nya.

Cek sebelum memilih: apakah perusahaan punya tim data dan engineering internal, serta seberapa ketat kebutuhan regulasi dan audit. Untuk perusahaan kecil, kompleksitasnya sering tidak sepadan.

‍KPI: waktu dari uji coba hingga produksi, jumlah model yang lolos evaluasi risiko, dan jumlah insiden AI.

Apa pun tools yang dipertimbangkan, nilailah dengan kriteria kelayakan dan risiko di atas: apakah data dan sistem Anda siap, dan seberapa besar dampaknya jika hasilnya keliru. Uji dulu di skala kecil pada satu masalah prioritas sebelum diperluas ke tim lain.

Menyusun Langkah AI untuk Bisnis dengan Kerangka L.E.A.D

Perusahaan yang berhasil memakai AI berbeda dari yang sekadar coba-coba dalam hal kemampuan mendiagnosis masalah dan menakar apakah AI memang jawaban paling tepat. Kemampuan ini bisa dilatih dengan kerangka kerja yang runtut, mulai dari konteks bisnis hingga pengukuran dampak.

Bagi manajer, kemampuan ini juga menjadi bekal utama untuk memimpin tim di era agentic AI. Salah satu kerangka yang bisa dipakai adalah L.E.A.D by Belajarlagi, yaitu framework empat fase untuk transformasi bisnis berbasis AI yang membantu manager bergerak dari memahami konteks bisnis, mengidentifikasi dan memprioritaskan masalah yang paling bernilai, merancang solusi berbasis AI, hingga mengimplementasikan dan mengukur dampaknya.

Penerapannya dalam AI untuk bisnis:

• Look Beyond AI: memahami konteks bisnis dan prioritas strategis lebih dulu, bukan memulai dari tools.
• Explore What Matters: mengidentifikasi dan memprioritaskan masalah dengan peluang terbesar berdasarkan dampak, urgensi, kelayakan, dan risiko.
• Architect: merancang solusi berbasis AI setelah masalah prioritas ditentukan.
• Deliver Impact: mengimplementasikan solusi dan mengukur dampaknya terhadap angka yang ditetapkan sejak awal.

Jika Anda masih kesulitan menemukan titik awal pemanfaatan AI untuk bisnis, program Strategic AI for Managers: Business Transformation dari Belajarlagi bisa membantu. Program ini membantu manajer dan pengambil keputusan mengidentifikasi masalah operasional, memahami bottleneck, dan memprioritaskan peluang AI yang paling layak dijalankan. Informasi selengkapnya di Strategic AI for Managers: Business Transformation.