Apa Itu Business Process Mapping dan Cara Menemukan Titik AI

Banyak organisasi mulai menggunakan AI untuk bisnis demi mempercepat pekerjaan, tetapi otomatisasi tidak selalu membuat proses bisnis menjadi lebih baik. Jika alur kerja sejak awal tidak efisien, AI justru hanya membuat proses yang buruk berjalan lebih cepat. Langkah yang seharusnya dihilangkan tetap dilakukan, sementara bottleneck yang belum teridentifikasi ikut terotomatisasi.

Karena itu, organisasi perlu memahami proses bisnis sebelum menentukan bagian yang tepat untuk dibantu AI. Business process mapping membantu memvisualisasikan alur kerja dari awal hingga akhir, sehingga organisasi dapat menemukan bottleneck, pekerjaan yang tidak efisien, dan peluang otomatisasi. Lantas, bagaimana cara melakukannya dan apa bedanya dengan process discovery yang kian banyak dibicarakan?

Apa Itu Business Process Mapping dan Mengapa Perlu Sebelum AI?

Business process mapping adalah proses memvisualisasikan seluruh langkah dalam sebuah alur kerja, mulai dari aktivitas, pihak yang terlibat, titik pengambilan keputusan, hingga hasil yang diharapkan. Tujuannya supaya proses yang selama ini hanya dipahami sebagian menjadi terlihat utuh oleh semua orang yang terlibat.

Pemetaan perlu mendahului AI karena AI hanya mempercepat proses yang sudah ada. Jika langkah dasarnya ambigu atau berulang tanpa alasan, AI akan menjalankan ketidakefisienan itu dengan kecepatan lebih tinggi. Ibaratnya merenovasi rumah tanpa melihat denahnya: satu sisi tampak rapi, sementara struktur di sisi lain bisa rusak tanpa disadari.

Dengan pemetaan, keputusan tentang bagian mana yang dibantu AI diambil dari alur kerja yang terlihat, bukan dari asumsi. Manfaatnya juga melampaui AI. Menurut Asana, process mapping membantu mengidentifikasi pekerjaan ganda, melatih anggota tim baru, dan mengelola risiko saat ada perubahan. National AI Centre Australia pun menyediakan templat pemetaan proses bisnis dengan urutan yang jelas: petakan proses, nilai peluang AI, lalu desain ulang alur kerjanya.

Elemen yang Harus Ada dalam Peta Proses Bisnis

Peta proses yang berguna punya dua ciri. Pertama, cakupannya lengkap sampai hasil akhir, bukan hanya langkah yang kebetulan terdokumentasi. Kedua, peta itu menggambarkan kondisi apa adanya, termasuk bagian yang tidak nyaman dilihat. Dua hal ini membuat keputusan berikutnya jauh lebih solid.

Ada delapan elemen yang perlu ada dalam peta proses bisnis untuk menentukan peluang AI. Kedalaman detailnya bisa disesuaikan dengan tujuan pemetaan.

• Pemicu (trigger): hal yang memulai suatu proses, misalnya pertanyaan masuk dari calon pelanggan melalui formulir website.
• Input: data, dokumen, atau informasi yang dibutuhkan agar proses dapat berjalan.
• Aktivitas: langkah-langkah yang dikerjakan beserta urutannya, termasuk aktivitas yang mungkin tidak tercatat dalam SOP.
• Pemilik proses (process owner): orang atau jabatan yang bertanggung jawab pada setiap langkah proses.
• Serah terima (handoff): perpindahan pekerjaan dari satu orang, tim, atau divisi ke pihak lain. Bagian ini perlu dicermati karena berisiko menimbulkan keterlambatan dan kesalahan.
• Titik keputusan (decision point): momen ketika proses bercabang berdasarkan kriteria atau keputusan tertentu.
• Output: hasil yang diharapkan dari proses, seperti dokumen, keputusan, produk, atau tindakan.
• Penanganan pengecualian: apa yang terjadi ketika proses menghadapi kondisi tidak normal, seperti pelanggan yang komplain, sistem mengalami gangguan, atau persetujuan ditolak.

Dua elemen yang paling sering terlewat adalah serah terima dan pengecualian, padahal keduanya kerap menjadi sumber keterlambatan dan kesalahan. Pemetaan bisa memakai notasi standar seperti BPMN atau diagram swimlane, yang simbol-simbolnya dibahas di panduan process mapping dari Lucidchart. Meski begitu, kerapian visual bukan tujuan utamanya. Kalau butuh gambaran bentuk visualnya, lihat contoh flowchart sebagai titik awal.

Peta proses yang baik tidak menggambarkan kondisi ideal di SOP, melainkan yang benar-benar terjadi di lapangan. Bahkan peta di whiteboard sudah cukup, selama kedelapan elemen tadi tercakup. Dari gambaran inilah organisasi menentukan bagian mana yang perlu diperbaiki, dihilangkan, atau mulai dibantu AI.

Cara Menemukan Bottleneck dan Pekerjaan yang Tidak Efisien

Setelah proses terpetakan, langkah berikutnya adalah mencari titik yang memperlambat alur atau membuang usaha. Kedengarannya sederhana, tetapi jarang dipraktikkan karena tidak ada panduan yang jelas. Tanpa kategori yang jelas, orang cenderung menyoroti masalah yang paling dekat dengan perspektifnya, bukan yang paling berdampak.

Karena itu, dibutuhkan kemampuan analytical thinking untuk memilah masalah secara terstruktur. Enam kategori berikut berfungsi sebagai alat deteksinya. Saat menelusuri peta proses, tandai setiap langkah yang masuk ke salah satunya.

Bottleneck

Langkah yang menahan seluruh alur karena bergantung pada satu orang, satu sistem, atau satu kapasitas yang tidak sebanding dengan volume yang masuk. Tandanya adalah antrean panjang di depan satu titik, sementara langkah sebelum dan sesudahnya berjalan jauh lebih cepat.

Rework

Pekerjaan yang harus diulang karena kesalahan, ketidaklengkapan, atau ketidakjelasan instruksi di langkah sebelumnya. Rework sering tidak terlihat dalam laporan resmi karena dianggap bagian normal dari pekerjaan. Padahal, rework bisa menyita porsi kapasitas tim yang cukup besar tanpa disadari.

Waiting

Waktu tunggu antarlangkah, baik menunggu persetujuan, menunggu informasi dari pihak lain, maupun menunggu sistem selesai memproses. Waktu tunggu yang tersebar di sepanjang proses kerap menjadi penyumbang terbesar dari total durasi, bahkan bisa melebihi waktu pengerjaan sebenarnya.

Manual Data Entry

Situasi ketika data yang sama dimasukkan berulang ke sistem yang berbeda oleh orang yang berbeda. Kategori ini paling mudah diidentifikasi dan sering menjadi kandidat otomatisasi paling jelas, tetapi juga sering diremehkan karena sudah dianggap biasa.

Inconsistency

Kondisi saat proses yang sama dikerjakan dengan cara berbeda-beda oleh orang yang berbeda, sehingga hasilnya sulit diprediksi. Biasanya ini tanda bahwa standar proses kurang jelas atau terlalu sulit diikuti.

Information Gap

Ketika informasi yang dibutuhkan untuk mengerjakan suatu langkah tidak tersedia saat dibutuhkan. Pekerjaan berpotensi terhenti, ditebak, atau dikerjakan dengan asumsi yang mungkin salah.

Saat memetakan, tambahkan tiga kolom keterangan untuk setiap langkah: perkiraan waktu pengerjaan, frekuensi (harian, mingguan), dan siapa yang mengerjakan. Dari situ, perhatikan langkah mana yang paling sering diulang, paling lama menunggu, atau paling sering dikeluhkan tim. Tidak semua bottleneck butuh teknologi. Sebagian selesai cukup dengan memperjelas wewenang keputusan, menghapus langkah yang tidak perlu, atau memperbaiki urutan kerja, yang sekaligus ikut meningkatkan produktivitas karyawan.

Temuan di tahap ini menentukan kualitas keputusan AI berikutnya. Templat pemetaan National AI Centre Australia, misalnya, memisahkan hasil penilaiannya menjadi peluang AI prioritas, quick win, dan perbaikan proses yang sebaiknya dilakukan lebih dulu. Artinya, tidak semua titik masalah layak langsung diserahkan ke AI.

Menentukan Bagian yang Layak Diotomatisasi dengan AI

Setelah masalah teridentifikasi, mana yang layak diselesaikan dengan AI? Keputusan ini tidak bisa diserahkan sepenuhnya ke vendor teknologi atau tim IT. Mereka paling tahu sistem yang ada, tetapi belum tentu paling memahami konteks bisnis dan risiko operasionalnya.

Ada lima pertimbangan untuk menilai apakah suatu proses adalah kandidat otomatisasi yang baik:

• Frekuensi: seberapa sering proses terjadi. Pekerjaan yang berulang ratusan kali sehari biasanya memberi dampak lebih besar jika diotomatisasi.
• Besar usaha: seberapa banyak waktu dan energi yang dibutuhkan dalam setiap eksekusi.
• Dampak bisnis: seberapa besar proses memengaruhi layanan, kecepatan respons, biaya, atau kualitas keputusan.
• Tingkat kerumitan: seberapa jelas aturan dan kondisi yang mengatur proses tersebut.
• Kebutuhan penilaian manusia: seberapa besar proses membutuhkan pertimbangan, empati, kreativitas, atau konteks yang sulit dikodifikasi.

Penting untuk membedakan tiga jenis intervensi, karena tidak semua solusi berarti otomatisasi penuh:

• Augmentation: AI membantu manusia bekerja lebih cepat atau akurat, tetapi keputusan akhir tetap di tangan manusia, seperti pola kerja yang dibahas di cara manusia dan AI agent bekerja sama.
• Automation: AI menjalankan proses secara mandiri karena aturan dan kondisinya cukup jelas, misalnya lewat AI agent yang mengubah cara kerja.
• Redesign: alur kerja perlu dirancang ulang terlebih dahulu karena masalah utamanya bukan pada kecepatan, melainkan pada desain proses yang kurang efektif.

Contoh ilustrasi dengan angka hipotetis, bukan data riil:

Proses yang menyangkut data sensitif pelanggan, keputusan dengan konsekuensi hukum atau finansial, atau lingkup regulasi ketat memerlukan kehati-hatian ekstra. Otomatisasi di area ini tetap membutuhkan pengawasan manusia yang jelas, sejalan dengan prinsip etika penggunaan AI di tempat kerja.

Tujuan pemetaan ini bukan menghasilkan diagram yang rapi, melainkan menemukan satu atau dua intervensi paling layak dicoba lebih dulu, dengan dasar yang cukup kuat untuk eksperimen terukur. Dasar itu perlu dirangkum menjadi argumen yang meyakinkan pimpinan, dan cara membuat business case membantu menyusunnya. Setelah kandidatnya terpilih, cara otomasi tugas berulang dengan AI tanpa coding bisa menjadi langkah praktis untuk mulai mencobanya.

Supaya eksperimen itu benar-benar terukur, tetapkan baseline sebelum perubahan apa pun diterapkan. Ada lima metrik yang umum dipakai:

• Cycle time, yaitu waktu penyelesaian proses dari awal hingga akhir
• Persentase pekerjaan yang harus diulang
• Tingkat kesalahan
• Biaya per transaksi
• Waktu kerja yang dihemat

Bandingkan metrik yang sama setelah implementasi, dan lihat semuanya sekaligus, bukan satu per satu. Proses yang terlihat lebih cepat belum tentu lebih baik jika ternyata tingkat kesalahannya naik atau biayanya membengkak.

Contoh Penerapan Business Process Mapping pada Proses Pesanan

Contoh penerapan business process mapping bisa dilihat pada proses penanganan pesanan toko online. Pemetaan menelusuri satu pesanan dari checkout hingga pengiriman, menandai titik masalahnya, lalu menentukan apakah solusinya penyederhanaan proses, bantuan AI, atau otomatisasi.

Berikut ilustrasi hipotetisnya. Sebuah toko online menerima pesanan lewat website, lalu pelanggan membayar melalui transfer bank. Admin mencocokkan bukti transfer dengan mutasi rekening secara manual, lalu menyalin data pesanan ke spreadsheet untuk tim gudang. Tim gudang baru mengemas barang setelah ada konfirmasi dari admin. Saat volume pesanan naik, pengiriman mulai terlambat dan keluhan pelanggan bertambah.

Setelah alurnya dipetakan, terlihat empat masalah:

• Verifikasi pembayaran menjadi bottleneck karena hanya ditangani satu admin.
• Tim gudang mengalami waiting karena harus menunggu konfirmasi.
• Penyalinan data ke spreadsheet termasuk manual data entry.
• Gudang tidak tahu status pesanan tanpa bertanya ke admin, sehingga terjadi information gap.

Tiap temuan mendapat intervensi yang berbeda. Penyalinan data dan konfirmasi pembayaran yang nominalnya cocok punya aturan yang jelas, sehingga layak diotomatisasi lewat integrasi sistem pembayaran. Kasus pengecualian, seperti nominal transfer yang tidak sesuai atau bukti transfer yang meragukan, tetap ditinjau admin. AI membantu dengan menandai transaksi yang bermasalah. Pendekatan ini termasuk augmentation, bukan otomatisasi penuh. Satu langkah bahkan tidak butuh teknologi sama sekali: tim gudang cukup diberi akses untuk melihat status pesanan, tanpa perlu menunggu pesan dari admin.

Sebelum perubahan diterapkan, toko mencatat kondisi awal sebagai pembanding. Yang dicatat adalah rata-rata waktu dari pembayaran hingga pengiriman, jumlah pesanan yang salah kirim, dan waktu admin yang habis untuk verifikasi. Tanpa catatan awal ini, perbaikan hanya bisa dirasakan, tidak bisa dibuktikan.

Perbedaan Process Mapping dan Process Discovery

Process mapping adalah cara merepresentasikan alur kerja dalam bentuk peta, sedangkan process discovery adalah upaya menemukan bagaimana proses benar-benar berjalan. Peta yang baik semestinya menggambarkan kondisi aktual. Karena itu, perbedaan keduanya terletak pada metode dan sumber data, bukan pada ideal versus nyata.

Mapping biasanya disusun dari wawancara, observasi, dan dokumen seperti SOP, lalu divalidasi bersama pelaksana. Risikonya, peta yang hanya bersumber dari SOP atau satu narasumber rawan menggambarkan proses yang diyakini berjalan, bukan yang benar-benar terjadi. Di sinilah discovery membantu. Discovery berbasis data, yang sering disebut process mining, memanfaatkan jejak sistem seperti activity log, timestamp transaksi, dan perubahan status untuk menemukan pola yang tidak tercatat dalam dokumen.

Misalnya, SOP menunjukkan bahwa setiap pertanyaan pelanggan harus diteruskan melalui satu alur. Namun, data sistem bisa menunjukkan bahwa tim sering memakai jalur alternatif karena proses standar terlalu lambat, atau melewati tahap tertentu dalam kondisi tertentu.

Discovery berbasis data membutuhkan sistem yang sudah terintegrasi dan mencatat aktivitas dengan baik. Jika belum tersedia, discovery tetap dapat dilakukan secara manual dengan mengamati proses, mewawancarai pelaksana, dan menelusuri satu kasus dari awal hingga akhir.

Keduanya bukan metode yang saling menggantikan. Discovery membantu mengungkap kenyataan, sedangkan mapping merapikannya menjadi gambaran yang bisa dianalisis bersama tim.

Kedua pendekatan bermuara pada hal yang sama: keputusan AI yang diambil dari kenyataan, bukan asumsi. Dalam The State of AI in 2025, McKinsey menemukan bahwa mendesain ulang alur kerja termasuk faktor dengan kontribusi terkuat terhadap dampak bisnis AI. Perusahaan berkinerja tinggi hampir tiga kali lebih mungkin merombak alur kerjanya secara mendasar. Temuan ini berasal dari survei, jadi menunjukkan keterkaitan, bukan sebab-akibat. Perubahan sebesar itu juga menuntut kepemimpinan yang siap, seperti dibahas di cara memimpin tim di era agentic AI.

Kemampuan mendiagnosis proses seperti ini bisa dilatih secara terstruktur. Salah satu kerangkanya 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.

Empat fase L.E.A.D sejalan dengan alur yang dibahas dalam artikel ini:

• Look Beyond AI: memahami konteks bisnis dan prioritas strategis sebelum menyentuh teknologi, yang diwujudkan melalui pemetaan proses apa adanya.
• Explore What Matters: mengidentifikasi dan memprioritaskan masalah yang menciptakan peluang terbesar, termasuk menemukan bottleneck dan memilih kandidat otomatisasi.
• Architect: merancang transformasi berbasis AI dan menentukan bentuk intervensi yang tepat, baik augmentation, automation, maupun redesign.
• Deliver Impact: mengimplementasikan solusi dan mengukur dampaknya secara konsisten dengan membandingkan metrik sebelum dan sesudah perubahan, termasuk mengelola adopsinya lewat change management agar tim benar-benar memakainya.

Inilah yang membedakan organisasi yang benar-benar memanfaatkan AI dari organisasi yang sekadar mencoba teknologi baru tanpa memahami masalah yang ingin diselesaikan.

Mulai dari Memetakan Proses, Bukan dari Tools

Mendiagnosis proses di organisasi sendiri jauh lebih mudah jika dilakukan secara terstruktur dan difasilitasi bersama orang yang tepat. Kalau Teman Belajar ingin menemukan titik transformasi AI pada operasi bisnis, Strategic AI for Managers: Business Transformation dari Belajarlagi bisa menjadi langkah berikutnya. Program ini membantu peserta memetakan masalah operasional, menemukan bottleneck, dan menentukan peluang AI yang paling layak. Pelajari selengkapnya di Strategic AI for Managers: Business Transformation.